CN112184753A - 目标光流法确定方法、装置、计算机设备和存储介质 - Google Patents

目标光流法确定方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112184753A
CN112184753A CN202010996443.6A CN202010996443A CN112184753A CN 112184753 A CN112184753 A CN 112184753A CN 202010996443 A CN202010996443 A CN 202010996443A CN 112184753 A CN112184753 A CN 112184753A
Authority
CN
China
Prior art keywords
image
optical flow
target
sequence
images
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010996443.6A
Other languages
English (en)
Inventor
常亚楠
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Eye Control Technology Co Ltd
Original Assignee
Shanghai Eye Control Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Eye Control Technology Co Ltd filed Critical Shanghai Eye Control Technology Co Ltd
Priority to CN202010996443.6A priority Critical patent/CN112184753A/zh
Publication of CN112184753A publication Critical patent/CN112184753A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种目标光流法确定方法、装置、计算机设备和存储介质。所述方法包括：获取图像序列；图像序列包括多张图像，用于模拟目标天气的演变过程；利用多种不同的光流法对图像序列进行预报处理，得到预报图像；比较预报图像和真实图像，根据比较结果确定适用于预报目标天气的目标光流法。模拟目标天气的演变过程的图像序列相较于雷达回波图像的数据量小，以此减小了后续比较确定目标光流法的计算量，提高了整体确定目标光流法的效率。

Description

目标光流法确定方法、装置、计算机设备和存储介质
技术领域
本申请涉及气象预报技术领域，特别是涉及一种目标光流法确定方法、装置、计算机设备和存储介质。
背景技术
光流法是一种计算机视觉方法，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。近年来该方法在天气预报领域得到了广泛地应用。
目前发展出的光流法较多，每种光流法都有其不同的特点，因此每种方法对于不同天气演变过程有着不同的适用性。而在传统技术中，基于不同天气演变过程的雷达回波确定不同天气适用于的目标光流法，由于不同天气演变过程复杂，对应的雷达回波数据量大，导致确定目标光流法的过程计算量大，效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种目标光流法确定方法、装置、计算机设备和存储介质。
一种目标光流法确定方法，所述方法包括：
获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；
利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；
比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
在其中一个实施例中，所述获取图像序列，包括：
对初始图像进行图像处理，得到具有时序变化的所述图像序列；其中，所述图像处理包括平移、旋转以及缩放中至少一种。
在其中一个实施例中，所述利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像，包括：
将所述图像序列中时序连续的至少两图像采用所述多种不同的光流法进行预报处理，得到后续时序图像的所述预报图像；
相应地，所述比较所述预报图像和所述真实图像，包括：
比较每一光流法得到的所述预报图像和时序对应的所述图像序列中所述后续时序图像。
在其中一个实施例中，所述比较每一光流法得到的所述预报图像和时序对应的所述图像序列中所述后续时序图像，包括：
获取每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的图像相似程度；
比较所述每一光流法得到的所述图像相似程度。
在其中一个实施例中，所述获取每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的图像相似程度，包括：
计算每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的目标临界成功指数和目标结构相似性值；
对所述目标临界成功指数和所述目标结构相似性值进行加权求和，得到所述每一光流法得到的图像相似程度。
在其中一个实施例中，所述计算每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的目标临界成功指数和目标结构相似性值，包括：
计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值；
对所述临界成功指数求平均，得到所述目标临界成功指数；
对所述结构相似性值求平均，得到所述目标结构相似性值。
在其中一个实施例中，所述根据比较结果确定适用于预报所述目标天气的目标光流法，包括：
选取得到最高图像相似程度的光流法作为所述目标光流法。
一种目标光流法确定装置，所述装置包括：
获取模块，用于获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；
预报模块，用于利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；
比较模块，用于比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；
利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；
比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；
利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；
比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
上述目标光流法确定方法、装置、计算机设备和存储介质，通过利用多种不同的光流法对模拟目标天气的演变过程的图像序列进行预报处理，得到预报图像，模拟目标天气的演变过程的图像序列相较于雷达回波图像的数据量小，以此减小了后续比较确定目标光流法的计算量，提高了整体确定目标光流法的效率，再比较预报图像和真实图像，根据比较结果确定适用于预报目标天气的目标光流法，有利于在气象预报中针对性的选择采用适用于所要预报的目标天气的光流法进行外推预报，最终提高了预报的准确性。
附图说明
图1为一个实施例中目标光流法确定方法的流程示意图；
图2为一个实施例中灰度手写数字图片的示意图；
图3为一个实施例中图像序列的示意图；
图4为一个实施例中不同的光流法进行预报处理的示意图；
图5为一个实施例中获取图像相似程度的流程示意图；
图6为另一个实施例中目标光流法确定方法的流程示意图；
图7为一个实施例中目标光流法确定装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种目标光流法确定方法，本实施例以该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。其中，终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中，该方法包括以下步骤：
S110、获取图像序列。
其中，图像序列包括多张图像，用于模拟目标天气的演变过程。
进一步地，图像序列中时序连续的多张图像可用于替代目标天气的演变过程所对应的雷达回波图，以此实现模拟目标天气的演变过程。
具体地，计算机设备对初始图像进行图像处理，得到由初始图像基于图像处理衍生的具有时序变化的多张图像，由衍生的多张图像构成图像序列。例如，对初始图像进行显示处理，如改变图像亮度、灰度、对比度中的至少一种显示参数，由初始图像的显示参数随时间变化得到的多张图像构成图像序列，该图像序列可用于模拟目标天气为多云的演变过程。计算机设备获取初始图像衍生得到的图像序列。
S120、利用多种不同的光流法对图像序列进行预报处理，得到预报图像。
其中，光流法为基于图像进行短时临近预报，得到预报图像的外推算法。
具体地，计算机设备将图像序列中的图像作为输入样本，采用多种不同的光流法对输入样本进行预报处理，得到预报图像。
本实施例中，多种不同的光流法包括pysteps系统中的LK_ex和LK_sprog以及rainymotion系统中的Dense、DenseRotation、Sparse和SparseSD，共至少六种光流法。
S130、比较预报图像和真实图像，根据比较结果确定适用于预报目标天气的目标光流法。
其中，真实图像为图像序列中的图像，具体为进行预报处理的最后一时序图像之后的后续时序图像。例如，得到的图像序列为图像1，2，3，4，5，计算机设备将图像序列中的图像2和3进行预报处理，输出预报图像4’，进行预报处理的最后一时序图像为图像3，则这里的真实图像即为图像3的下一时序图像，即图像4。
具体地，计算机设备比较利用每一种光流法得到的预报图像和对应真实图像，得到多个比较结果，每一比较结果与一种光流法对应。计算机设备在多个比较结果中确定与对应真实图像最接近的预测图像，将得到该预测图像的光流法作为适用于预报该目标天气的目标光流法。
本实施例中，计算机设备利用多种不同的光流法对模拟目标天气的演变过程的图像序列进行预报处理，得到预报图像，模拟目标天气的演变过程的图像序列相较于雷达回波图像的数据量小，以此减小了后续比较确定目标光流法的计算量，提高了整体确定目标光流法的效率，再比较预报图像和真实图像，根据比较结果确定适用于预报目标天气的目标光流法，有利于在气象预报中针对性的选择采用适用于所要预报的目标天气的光流法进行外推预报，最终提高了预报的准确性。
在一个实施例中，还可以对初始图像进行移动处理，以模拟更多类型的目标天气的演变过程，因此S110包括：
对初始图像进行图像处理，得到具有时序变化的图像序列。
其中，图像处理包括平移、旋转以及缩放中至少一种。
本实施例中以mnist数据集中的图片作为初始图像，mnist数据集是28*28像素大小的灰度手写数字图片(图2)。
具体地，计算机设备对初始图像进行移动处理，如平移、旋转以及缩放中至少一种，由初始图像随时间变化进行移动处理得到的多张图像构成图像序列。图3为以mnist数据集中手写数字“7”的图片作为初始图像，随时间变化进行平移，得到的图像序列。
其中，平移初始图像得到的平移图像序列，可用于模拟稳定的层状云型降水对应的雷达回波变化；旋转和旋转加平移初始图像得到的旋转图像序列和旋转+平移图像序列，可用于模拟台风对应的雷达回波变化；放大和放大加平移初始图像得到的放大图像序列和放大+平移图像序列，可用于模拟对流的发生发展阶段对应的雷达回波变化；缩小和缩小加平移初始图像得到的缩小图像序列和缩小+平移图像序列，可用于模拟对流的发生消亡阶段对应的雷达回波变化。
本实施例中，计算机设备对初始图像进行包括平移、旋转以及缩放中至少一种的图像处理，进行更多类型目标天气的模拟，以通过上述目标光流法确定方法为更多类型的目标天气确定适用的目标光流法，扩大了目标光流法确定方法的适用范围，提高了目标光流法确定方法的适用性。
在一个实施例中，为进一步提高光流法预报的准确性，S120包括：
将图像序列中时序连续的至少两图像采用多种不同的光流法进行预报处理，得到后续时序图像的预报图像。
其中，不同的光流法进行预报处理所需要的图像数量不同，现有的光流法进行预报处理时至少需要两张图像。
具体地，如图4所示，用于模拟目标天气演变过程的图像序列中包括时序变化的40张图像，按时序变化顺序编号为1,2,3,4...39,40，图像间的时间间隔为t。光流A法进行预报处理需要2张图像，计算机设备采用光流法A对时序连续的图像1和图像2进行预报处理，具体是计算图像1与图像2之间的光流场，利用计算得到的光流场对图像2光流外推1*t分钟，得到下一时序图像3的预报图像3’，利用计算得到的光流场对图像2光流外推2*t分钟，得到再下一时序图像4的预报图像4’…依次类推，最终得到后续时序图像3～40的预报图像3’～40’。光流法B进行预报处理需要20张图像，计算机设备采用光流法B对时序连续的图像1～20进行预报处理，具体是计算图像1至图像20之间的光流场，利用计算得到的光流场对图像20光流外推1*t分钟，得到下一时序图像21的预报图像21’，利用计算得到的光流场对图像20光流外推2*t分钟，得到再下一时序图像22的预报图像22’…依次类推，最终得到后续时序图像21～40的预测图像21’～40’。
可选地，计算机设备可选择与t0时刻连续的，t0前的至少两张图像如t0-1和t0-2时刻的图像作为利用不同光流法进行预报处理，得到t0时刻的预报图像，同理可得t0时刻后的图像的预报图像。
可选地，针对本实施例中前述六种光流法，每次预报处理至少需要2张图像，最多需要20张图像。
其中，光流法的具体实现过程可采用现有代码实现。例如，采用LK_ex方法对图像序列中的至少两张图像进行预报处理，输出预报图像的过程可通过以下代码实现：
Figure BDA0002692670720000071
Figure BDA0002692670720000081
相应地，S130包括：
比较每一光流法得到的预报图像和时序对应的图像序列中后续时序图像。
具体地，计算机设备获取每一光流法得到的预报图像和时序对应的后续时序图像之间的图像相似程度，比较每一光流法得到的图像相似程度。例如，计算机设备获取通过上述光流法A得到的预报图像3’～40’和时序对应的后续时序图像3～40之间的图像相似程度，即预报图像3’与后续图像3之间的图像相似度，预报图像4’与后续图像4之间的图像相似度…以及通过上述光流法B得到的预报图像21’～40’和时序对应的后续时序图像21～40之间的图像相似程度，比较通过光流法A和光流法B得到的图像相似程度，从中选取得到最高图像相似程度的光流法作为适宜预报目标天气的目标光流法。其中，图像相似程度可通过图像间的像素匹配百分比表征，图像间的像素匹配百分比越大，图像间的图像相似程度就越大。
本实施例中，计算机设备将图像序列中时序连续的至少两图像采用多种不同光流法进行预报处理，时序连续的图像能准确反映图像之间变化的关联性，基于具有准确变化关联性的图像进行预报处理，有利于得到更接近真实图像即后续时序图像的预测图像，提高了光流法预报的准确性。进一步采用根据每一光流法对应得到的图像相似程度作为从多种光流法中确定目标光流法的依据，图像相似程度可直观反映所采用的光流法对目标天气的预报是否准确，提高了确定目标光流法的确定性。
在一个实施例中，图像相似程度可通过目标临界成功指数和目标结构相似性值表征，如图5所示，获取每一光流法得到的预报图像和时序对应的后续时序图像之间的图像相似程度，包括：
S510、计算每一光流法得到的预报图像和时序对应的后续时序图像之间的目标临界成功指数和目标结构相似性值。
具体地，计算机设备可通过临界成功指数公式(1)和结构相似性值公式(2)计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值，得到多个临界成功指数和多个结构相似性值。计算机设备进一步对得到的多个临界成功指数求平均，得到目标临界成功指数，对得到的多个结构相似性值求平均，得到目标结构相似性值。
在两张灰度图中，一张为实况图，另一张为预报图，规定如果某位置的格点上实况出现回波，预报也出现回波，则判断为该点成功；如果格点上实况出现回波，预报没有出现回波，则判断该点失败；如果格点上实况没有出现回波，预报出现回波，则判断该点虚警。临界成功指数(CSI)即为成功格点数比成功格点数和失败格点数以及虚警格点数之和的比值。
CSI＝(成功)/(成功+失败+虚警) (1)
本实施例中，预报图为利用光流法得到的预报图像，实况图为预报图时序对应的后续时序图像，格点为预先在图像上划分的区域，回波即为手写数字的像素。
其中，结构相似性(SSIM)：是一种衡量两幅图像(x和y)相似度的指标(SSIM的范围为0～1)，由亮度对比l(x,y)、对比度对比c(x,y)以及结构对比s(x,y)三部分组成。
Figure BDA0002692670720000091
Figure BDA0002692670720000092
Figure BDA0002692670720000093
Figure BDA0002692670720000094
其中，将C3＝C2/2简化得到公式(2)。μx为图像x的平均灰度，μy为图像y的平均灰度，σx 2为图像x的灰度方差，σy 2为图像y的灰度方差，σxy为图像x和y灰度的协方差，C1＝(k1L)2，C2＝(k2L)2是用来维持稳定的常数，L是灰度值的动态范围。k1＝0.01，k2＝0.03。
S520、对目标临界成功指数和目标结构相似性值进行加权求和，得到每一光流法得到的图像相似程度。
具体地，计算机设备对目标临界成功指数设定第一权重w1，对目标结构相似性值设置第二权重w2，w1+w2＝1，目标临界成功指数更能准确反映图像之间的相似度，因此设定w1＞w2，再对目标临界成功指数和目标结构相似性值进行加权求和，得到利用对应光流法得到的预报图像和时序对应的后续时序图像之间的图像相似程度，作为对应光流法的最终评分。
如下表1所示，为本实施例中利用以下6种光流法对模拟某一目标天气演变过程的图像序列进行预报处理，得到的CSI和SSIM，并对CSI和SSIM进行加权求和，得到的最终评分(SCORE)。
表1 6种光流法的评分表
CSI SSIM SCORE
Dense A1 B1 C1
DenseRotation A2 B2 C2
Sparse A3 B3 C3
SparseSD A4 B4 C4
lk_ex A5 B5 C5
Lk_sprog A6 B6 C6
本实施例中，计算机设备计算利用每一光流法得到的预报图像和时序对应的后续时序图像之间的目标临界成功指数和目标结构相似性值，目标临界成功指数可反映预报图像和时序对应的后续时序图像之间的局部相似程度，而目标结构相似性值可反映预报图像和时序对应的后续时序图像之间的整体相似程度。计算机设备再对目标临界成功指数和目标结构相似性值进行加权求和，以兼顾局部相似程度和整体相似程度，得到作为于每一光流法最终评分的图像相似程度，实现对每一光流法的综合评分，以提高最终根据图像相似程度在多种光流法中确定适用于预测目标天气的目标光流法的准确性。
在一个具体的实施例中，如图6所示，提供了一种目标光流法确定方法，包括：
S601、对初始图像进行图像处理，得到具有时序变化的图像序列；其中，图像处理包括平移、旋转以及缩放中至少一种。
S602、将图像序列中时序连续的至少两图像采用多种不同的光流法进行预报处理，得到后续时序图像的预报图像。
S603、计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值。
S604、对临界成功指数求平均，得到目标临界成功指数。
S605、对结构相似性值求平均，得到目标结构相似性值。
S606、对目标临界成功指数和目标结构相似性值进行加权求和，得到每一光流法得到的图像相似程度。
S607、比较每一光流法得到的图像相似程度，选取得到最高图像相似程度的光流法作为目标光流法。
本实施例中，计算机设备对初始图像进行平移、旋转以及缩放中至少一种的图像处理，得到可用于模拟目标天气演变过程的图像序列，以此降低整个确定目标光流法的计算量，提高效率。计算机设备再将图像序列中时序连续的至少两图像采用多种不同的光流法进行预报处理，对应得到后续时序图像的预报图像，计算每一光流法得到的预报图像与时序对应的后续时序图像之间的图像相似程度，图像相似程度通过目标临界成功指数与目标结构相似性值的加权和表征，兼顾局部相似程度和整体相似程度，实现对每一光流法的综合评分。最终计算机设备选取得到最高图像相似程度的光流法作为目标光流法，图像相似程度可直观反映所采用的光流法对目标天气的预报是否准确，提高了确定目标光流法的确定性。
应该理解的是，虽然图1-6中的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种目标光流法确定装置，包括：获取模块701、预报模块702和比较模块703，其中：
获取模块701用于获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；预报模块702用于利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；比较模块703用于比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
在其中一个实施例中，获取模块701具体用于：
对初始图像进行图像处理，得到具有时序变化的所述图像序列；其中，所述图像处理包括平移、旋转以及缩放中至少一种。
在其中一个实施例中，预报模块702具体用于：
将所述图像序列中时序连续的至少两图像采用所述多种不同的光流法进行预报处理，得到后续时序图像的所述预报图像；相应地，比较模块703具体用于：比较每一光流法得到的所述预报图像和时序对应的所述图像序列中所述后续时序图像。
在其中一个实施例中，比较模块703具体用于：
获取每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的图像相似程度；比较所述每一光流法得到的所述图像相似程度。
在其中一个实施例中，比较模块703具体用于：
计算每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的目标临界成功指数和目标结构相似性值；对所述目标临界成功指数和所述目标结构相似性值进行加权求和，得到所述每一光流法得到的图像相似程度。
在其中一个实施例中，比较模块703具体用于：
计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值；对所述临界成功指数求平均，得到所述目标临界成功指数；对所述结构相似性值求平均，得到所述目标结构相似性值。
在其中一个实施例中，比较模块703具体用于：
选取得到最高图像相似程度的光流法作为所述目标光流法。
关于目标光流法确定装置的具体限定可以参见上文中对于目标光流法确定方法的限定，在此不再赘述。上述目标光流法确定装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标光流法确定数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种目标光流法确定方法。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对初始图像进行图像处理，得到具有时序变化的所述图像序列；其中，所述图像处理包括平移、旋转以及缩放中至少一种。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述图像序列中时序连续的至少两图像采用所述多种不同的光流法进行预报处理，得到后续时序图像的所述预报图像；比较每一光流法得到的所述预报图像和所述图像序列中所述后续时序图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取每一光流法得到的所述预报图像和所述后续时序图像之间的图像相似程度；比较所述每一光流法得到的所述图像相似程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的目标临界成功指数和目标结构相似性值；对所述目标临界成功指数和所述目标结构相似性值进行加权求和，得到所述每一光流法得到的图像相似程度。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值；对所述临界成功指数求平均，得到所述目标临界成功指数；对所述结构相似性值求平均，得到所述目标结构相似性值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
选取得到最高图像相似程度的光流法作为所述目标光流法。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对初始图像进行图像处理，得到具有时序变化的所述图像序列；其中，所述图像处理包括平移、旋转以及缩放中至少一种。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述图像序列中时序连续的至少两图像采用所述多种不同的光流法进行预报处理，得到后续时序图像的所述预报图像；比较每一光流法得到的所述预报图像和所述图像序列中所述后续时序图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的图像相似程度；比较所述每一光流法得到的所述图像相似程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的目标临界成功指数和目标结构相似性值；对所述目标临界成功指数和所述目标结构相似性值进行加权求和，得到所述每一光流法得到的图像相似程度。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值；对所述临界成功指数求平均，得到所述目标临界成功指数；对所述结构相似性值求平均，得到所述目标结构相似性值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
选取得到最高图像相似程度的光流法作为所述目标光流法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种目标光流法确定方法，其特征在于，所述方法包括：
获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；
利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；
比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
2.根据权利要求1所述的方法，其特征在于，所述获取图像序列，包括：
对初始图像进行图像处理，得到具有时序变化的所述图像序列；其中，所述图像处理包括平移、旋转以及缩放中至少一种。
3.根据权利要求2所述的方法，其特征在于，所述利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像，包括：
将所述图像序列中时序连续的至少两图像采用所述多种不同的光流法进行预报处理，得到后续时序图像的所述预报图像；
相应地，所述比较所述预报图像和所述真实图像，包括：
比较每一光流法得到的所述预报图像和所述图像序列中所述后续时序图像。
4.根据权利要求3所述的方法，其特征在于，所述比较每一光流法得到的所述预报图像和所述图像序列中所述后续时序图像，包括：
获取每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的图像相似程度；
比较所述每一光流法得到的所述图像相似程度。
5.根据权利要求3所述的方法，其特征在于，所述获取每一光流法得到的所述预报图像和所述后续时序图像之间的图像相似程度，包括：
计算每一光流法得到的所述预报图像和时序对应的所述后续时序图像之间的目标临界成功指数和目标结构相似性值；
对所述目标临界成功指数和所述目标结构相似性值进行加权求和，得到所述每一光流法得到的图像相似程度。
6.根据权利要求5所述的方法，其特征在于，所述计算每一光流法得到的所述预报图像和所述后续时序图像之间的目标临界成功指数和目标结构相似性值，包括：
计算每一光流法得到的多个预报图像和时序对应的多个后续时序图像之间的临界成功指数和结构相似性值；
对所述临界成功指数求平均，得到所述目标临界成功指数；
对所述结构相似性值求平均，得到所述目标结构相似性值。
7.根据权利要求4所述的方法，其特征在于，所述根据比较结果确定适用于预报所述目标天气的目标光流法，包括：
选取得到最高图像相似程度的光流法作为所述目标光流法。
8.一种目标光流法确定装置，其特征在于，所述装置包括：
获取模块，用于获取图像序列；其中，所述图像序列包括多张图像，用于模拟目标天气的演变过程；
预报模块，用于利用多种不同的光流法对所述图像序列进行预报处理，得到预报图像；
比较模块，用于比较所述预报图像和真实图像，根据比较结果确定适用于预报所述目标天气的目标光流法。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202010996443.6A 2020-09-21 2020-09-21 目标光流法确定方法、装置、计算机设备和存储介质 Pending CN112184753A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010996443.6A CN112184753A (zh) 2020-09-21 2020-09-21 目标光流法确定方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010996443.6A CN112184753A (zh) 2020-09-21 2020-09-21 目标光流法确定方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN112184753A true CN112184753A (zh) 2021-01-05

Family

ID=73956686

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010996443.6A Pending CN112184753A (zh) 2020-09-21 2020-09-21 目标光流法确定方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112184753A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488155A (zh) * 2021-12-27 2022-05-13 国网山东省电力公司应急管理中心 一种基于多普勒天气雷达的对流单体演变趋势判别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977584A (zh) * 2015-06-29 2015-10-14 深圳市气象台 一种对流天气的临近预报方法及系统
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN108646319A (zh) * 2018-08-09 2018-10-12 深圳市雅码科技有限公司 一种短时强降雨预报方法及系统
CN111145245A (zh) * 2019-12-31 2020-05-12 哈尔滨工业大学（深圳） 一种短时临近降雨预报方法、系统及计算机可读存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104977584A (zh) * 2015-06-29 2015-10-14 深圳市气象台 一种对流天气的临近预报方法及系统
CN108549116A (zh) * 2018-03-27 2018-09-18 南京恩瑞特实业有限公司 NRIET blending融合预报方法
CN108646319A (zh) * 2018-08-09 2018-10-12 深圳市雅码科技有限公司 一种短时强降雨预报方法及系统
CN111145245A (zh) * 2019-12-31 2020-05-12 哈尔滨工业大学（深圳） 一种短时临近降雨预报方法、系统及计算机可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈晓静;敬忠良;张军;: "基于卫星图像数据的大范围风场重建", 计算机工程, no. 12, 15 December 2013 (2013-12-15), pages 233 - 241 *
鲁春;杨会成;杨文斌;朱文博;: "结合光流法与最近邻算法的运动目标检测", 四川理工学院学报(自然科学版), no. 05, 20 October 2017 (2017-10-20), pages 68 - 73 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114488155A (zh) * 2021-12-27 2022-05-13 国网山东省电力公司应急管理中心 一种基于多普勒天气雷达的对流单体演变趋势判别方法
CN114488155B (zh) * 2021-12-27 2023-06-27 国网山东省电力公司应急管理中心 一种基于多普勒天气雷达的对流单体演变趋势判别方法

Similar Documents

Publication Publication Date Title
CN113496104B (zh) 基于深度学习的降水预报订正方法及系统
CN110929867B (zh) 神经网络结构的评估、确定方法、装置和存储介质
CN112330684A (zh) 对象分割方法、装置、计算机设备及存储介质
CN111047088A (zh) 预测图像获取方法、装置、计算机设备和存储介质
WO2022039675A1 (en) Method and apparatus for forecasting weather, electronic device and storage medium thereof
CN114863229A (zh) 图像分类方法和图像分类模型的训练方法、装置
CN111310609A (zh) 基于时序信息和局部特征相似性的视频目标检测方法
Ye et al. SPLNet: A sequence-to-one learning network with time-variant structure for regional wind speed prediction
CN112184753A (zh) 目标光流法确定方法、装置、计算机设备和存储介质
CN116797973A (zh) 应用于环卫智慧管理平台的数据挖掘方法及系统
CN111898573A (zh) 图像预测方法、计算机设备和存储介质
CN114998814B (zh) 目标视频生成方法、装置、计算机设备和存储介质
CN114155388B (zh) 一种图像识别方法、装置、计算机设备和存储介质
CN113610856B (zh) 训练图像分割模型和图像分割的方法和装置
CN112348062A (zh) 气象图像预测方法、装置、计算机设备和存储介质
Kefeng et al. CNN Based No‐Reference HDR Image Quality Assessment
CN112016599B (zh) 用于图像检索的神经网络训练方法、装置及电子设备
CN110378306B (zh) 年龄预测方法、装置及图像处理设备
Nai et al. Reliable precipitation nowcasting using probabilistic diffusion models
CN113011674A (zh) 一种光伏发电预测方法、装置、电子设备及存储介质
CN113095133B (zh) 模型训练方法、目标检测方法及对应装置
CN115456167B (zh) 轻量级模型训练方法、图像处理方法、装置及电子设备
CN110111302B (zh) 基于多方向差异Hash算法的背景杂波度量方法
CN117611580B (zh) 瑕疵检测方法、装置、计算机设备和存储介质
CN116091773B (zh) 图像分割模型的训练方法、图像分割方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination