CN112419182A - 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 - Google Patents
基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN112419182A CN112419182A CN202011302712.0A CN202011302712A CN112419182A CN 112419182 A CN112419182 A CN 112419182A CN 202011302712 A CN202011302712 A CN 202011302712A CN 112419182 A CN112419182 A CN 112419182A
- Authority
- CN
- China
- Prior art keywords
- typhoon
- remote sensing
- sensing image
- layer
- convolution
- 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
Links
- 238000012549 training Methods 0.000 claims abstract description 65
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 39
- 238000011176 pooling Methods 0.000 claims description 20
- 230000036039 immunity Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 150000003839 salts Chemical class 0.000 claims description 10
- 235000002566 Capsicum Nutrition 0.000 claims description 6
- 239000006002 Pepper Substances 0.000 claims description 6
- 241000722363 Piper Species 0.000 claims description 6
- 235000016761 Piper aduncum Nutrition 0.000 claims description 6
- 235000017804 Piper guineense Nutrition 0.000 claims description 6
- 235000008184 Piper nigrum Nutrition 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims 2
- 238000000034 method Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 4
- 230000002708 enhancing effect Effects 0.000 description 3
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G06T3/04—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Abstract
本发明提供了一种基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，包括：选取台风遥感图像数据，构建台风遥感图像训练集；对台风遥感图像进行添加噪声的操作，扩充训练集；对台风遥感图像进行去除噪声的操作，扩充训练集；使用扩充好的的训练集对卷积神经网络模型进行训练；构建台风遥感图像测试集，对训练好的模型进行测试。本发明将图像加噪和去噪算法、卷积神经网络模型集成到一种自动增强系统、计算机设备、存储介质上，针对台风遥感图像数据可以取得很好的图像增强效果。
Description
技术领域
本发明涉及图像处理领域，具体为一种基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质。
背景技术
图像数据增强，是指扩充训练样本的操作，以达到提升模型性能和避免过拟合的目的。图像增强是数据预处理中的重要环节，主要用来增强图像中的有用信息，以改善图像的视觉效果，图像增强的效果直接影响后续的图像识别、分类、检测等过程。
本发明所涉及的台风，属于热带气旋的一种。热带气旋是发生在热带或副热带洋面上的低压台风，是一种强大的“热带天气系统”。台风的主要生成地区为西北太平洋及南海。当中以南海生成的热带气旋数量较少。太平洋上的热带气旋基本上全年都会生成，而以七至十月次数最为频密。热带气旋生成的位置分布与季节有关，在冬、春季较为偏南，夏天和初秋较为偏北。
台风往往具有突发性强、破坏力大的特点，是世界上最严重的自然灾害之一。台风引起的直接灾害通常由狂风、暴雨、风暴潮三方面造成。关于狂风，台风风速基本都在17米/秒以上，甚至在60米/秒以上，当超强台风来临时，其带来的狂风及其引起的巨浪可以把沿海船只抛起乃至拦腰折断，也足以损坏甚至摧毁陆地上的建筑、桥梁、车辆等，这使户外环境变得非常危险。关于暴雨，每次台风登陆，降雨中心一天中可降下100～300毫米，甚至500～800毫米的大暴雨，暴雨造成的洪涝灾害，来势凶猛，破坏性大。关于风暴潮，往往导致房屋和各类建筑设施被毁坏，城镇和农田被淹没，造成大量人员伤亡和财产损失。因此，实现台风的增强和检测，对于预测预报台风、台风的防灾减灾等应用具有重要的意义。
由此可见，借助图像加噪和去噪算法、人工智能领域的卷积神经网络，发明基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，能够为台风遥感图像的增强、检测、预报提供有效的帮助。目前还未发现针对台风遥感图像的自动增强系统、计算机设备、存储介质。
发明内容
本发明的目的是为了解决上述台风领域所存在的困难，提供一种基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，能够帮助科研人员和军方人员进行台风遥感图像的自动增强，提高台风的检测准确率。
为实现上述目的，本发明所提供的技术方案为：一种基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质。
1.一种基于图像加噪和去噪的台风遥感图像自动增强系统，包括以下步骤：
1)选取台风遥感图像数据，构建训练集；
2)对台风遥感图像进行添加噪声的操作，扩充训练集；
3)对台风遥感图像进行去除噪声的操作，扩充训练集；
4)使用扩充好的的训练集对卷积神经网络模型进行训练，生成台风遥感图像数据增强卷积神经网络模型；
5)构建新的台风遥感图像测试集，对训练好的模型进行测试。
2.进一步的，所述选取台风遥感图像数据、构建训练集的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的训练集目录下，对每个台风遥感图像进行批量重命名，进行保存操作。
3.进一步的，所述对台风遥感图像进行添加噪声的操作、扩充训练集的操作步骤，具体包括：通过imnoise函数为图像添加不同的噪声，将imnoise函数的参数设置为gaussian，则为图像添加高斯噪声；将imnoise函数的参数设置为salt&pepper，则为图像添加椒盐噪声；将imnoise函数的参数设置为speckle，则为图像添加乘性噪声；将imnoise函数的参数设置为poisson，则为图像添加泊松噪声。
4.进一步的，所述对台风遥感图像进行去除噪声的操作、扩充训练集操作步骤，具体包括：通过第一层小波分解，完成第一种去噪操作；通过第二层小波分解，完成第二种去噪操作；通过第一层小波重构，完成第三种去噪操作；通过第二层小波重构，完成第四种去噪操作。
5.进一步的，所述使用扩充好的的训练集对卷积神经网络模型进行训练、生成台风遥感图像数据增强卷积神经网络模型的步骤，具体包括：
1)第一部分的卷积结构由卷积层、平均池化层和批量归一化层构成，其中卷积核的大小为7*7，卷积层主要的功能是提取输入的不同特征，平均池化层主要的功能是去除冗余信息、对特征进行压缩、简化网络复杂度，批量归一化层主要的功能是对数据进行归一化操作，提高网络的拟合能力；
2)第二部分的卷积结构由两个模块相同的分支网络构成，其中每一个分支由卷积层、最大池化层以及批量归一层构成，卷积核的大小为3*3；
3)第三部分的卷积结构由卷积层、最大池化层构成，卷积核的大小为5*5；
4)第四部分的卷积结构由一层卷积层构成，输出最终的增强之后的图像。
6.进一步的，所述构建新的台风遥感图像测试集、对训练好的模型进行测试的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的测试集目录下，对每个涡旋遥感图像进行重命名，进行保存操作。最后，对于训练好的模型，使用构建好的测试集进行测试操作，得到本模型的性能评价结果。
7.根据本发明实施例的第二方面，提供一种计算机设备。在一些可选实施例中，所述计算机设备包括：存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序，所述处理器执行所述程序时实现以下步骤：选取台风遥感图像数据，构建训练集；对台风遥感图像进行添加噪声的操作，扩充训练集；对台风遥感图像进行去除噪声的操作，扩充训练集；使用扩充好的的训练集对卷积神经网络模型进行训练，生成台风遥感图像数据增强卷积神经网络模型；构建新的台风遥感图像测试集，对训练好的模型进行测试。
8.进一步的，所述选取台风遥感图像数据、构建训练集的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的训练集目录下，对每个涡旋遥感图像进行重命名，最终进行保存操作。
9.进一步的，所述对台风遥感图像进行添加噪声的操作、扩充训练集的步骤，具体包括：通过imnoise函数为图像添加不同的噪声，将imnoise函数的参数设置为gaussian，则为图像添加高斯噪声；将imnoise函数的参数设置为salt&pepper，则为图像添加椒盐噪声；将imnoise函数的参数设置为speckle，则为图像添加乘性噪声；将imnoise函数的参数设置为poisson，则为图像添加泊松噪声。
10.进一步的，所述对台风遥感图像进行去除噪声的操作、扩充训练集的步骤，具体包括：通过第一层小波分解，完成第一种去噪操作；通过第二层小波分解，完成第二种去噪操作；通过第一层小波重构，完成第三种去噪操作；通过第二层小波重构，完成第四种去噪操作。
11.进一步的，所述使用扩充好的的训练集对卷积神经网络模型进行训练、生成台风遥感图像数据增强卷积神经网络模型的步骤，具体包括：第一部分的卷积结构由卷积层、平均池化层和批量归一化层构成，其中卷积核的大小为7*7，卷积层主要的功能是提取输入的不同特征，平均池化层主要的功能是去除冗余信息、对特征进行压缩、简化网络复杂度，批量归一化层主要的功能是对数据进行归一化操作，提高网络的拟合能力；第二部分的卷积结构由两个模块相同的分支网络构成，其中每一个分支由卷积层、最大池化层以及批量归一层构成，卷积核的大小为3*3；第三部分的卷积结构由卷积层、最大池化层构成，卷积核的大小为5*5；第四部分的卷积结构由一层卷积层构成，输出最终的增强之后的图像。
12.进一步的，所述构建新的台风遥感图像测试集、对训练好的模型进行测试的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的测试集目录下，对每个涡旋遥感图像进行重命名，进行保存操作。最后，对于训练好的模型，使用构建好的测试集进行测试操作，得到本模型的性能评价结果。
13.根据本发明实施例的第三方面，提供一种存储介质。在一些可选实施例中，其上存储有计算机程序，当所述计算机程序被处理器执行时实现以下步骤，具体包括：存储训练集数据、测试集数据、训练日志、测试日志、网络参数等所有数据到指定目录下。
本发明具有以下优点与有益效果：
1、采用图像加噪和去噪算法，对图像进行了增强，并得到了相应的增强结果，提高了训练集的有效性，继而可以提高模型的拟合能力。
2、基于反向传播算法训练卷积神经网络模型，可以适应地提高网络的学习效率，提高卷积神经网络模型的鲁棒性能。
3、构建的基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，将图像加噪和去噪算法、卷积神经网络模型集成到的自动增强系统、计算机设备、存储介质，可以取得很好的图像增强效果。
附图说明
图1是本发明的基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质的架构示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1所示，本实施例所述的基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，其具体情况：
1)首先，使用基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，选取100张海洋台风遥感图像作为基于图像加噪和去噪的台风遥感图像自动增强系统的初始训练集，接下来完善训练集，具体步骤为：
1-1)采用已设定的阈值，对每张带有台风的海洋遥感图像进行增强，每张图像就会被增强为指定数量的台风遥感图像。
1-2)采用以下步骤，对上述数据集进行扩充：
将imnoise函数的参数设置为gaussian，对所述训练集中的图像添加高斯噪声；
将imnoise函数的参数设置为salt&pepper，对所述训练集中的图像添加椒盐噪声；
将imnoise函数的参数设置为speckle，对所述训练集中的图像添加乘性噪声；
将imnoise函数的参数设置为poisson，对所述训练集中的图像添加泊松噪声；
通过第一层小波分解，对所述训练集中的图像完成第一种去噪操作；
通过第二层小波分解，对所述训练集中的图像完成第二种去噪操作；
通过第一层小波重构，对所述训练集中的图像完成第三种去噪操作；
通过第二层小波重构，对所述训练集中的图像完成第四种去噪操作。
2)使用基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，构建卷积神经网络模型。第一部分的卷积结构由卷积层、平均池化层和批量归一化层构成，其中卷积核的大小为7*7，卷积层主要的功能是提取输入的不同特征，平均池化层主要的功能是去除冗余信息、对特征进行压缩、简化网络复杂度，批量归一化层主要的功能是对数据进行归一化操作，提高网络的拟合能力；第二部分的卷积结构由两个模块相同的分支网络构成，其中每一个分支由卷积层、最大池化层以及批量归一层构成，卷积核的大小为3*3；第三部分的卷积结构由卷积层、最大池化层构成，卷积核的大小为5*5；第四部分的卷积结构由一层卷积层构成，输出最终的增强之后的图像。
3)使用基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质，构建新的台风遥感图像测试集并进行测试。对于台风遥感图像数据进行读取，存储到指定目录下，对每个台风遥感图像进行批量重命名，进行保存操作。最后，对于训练好的模型，使用构建好的测试集进行测试操作，得到本模型的性能评价结果。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (13)
1.一种基于图像加噪和去噪的台风遥感图像自动增强系统，其特征在于，包括以下步骤：
1)选取台风遥感图像数据，构建台风遥感图像训练集；
2)对台风遥感图像进行添加噪声的操作，用于扩充训练集；
3)对台风遥感图像进行去除噪声的操作，用于扩充训练集；
4)使用扩充好的的训练集对卷积神经网络模型进行训练；
5)构建台风遥感图像测试集，对训练好的模型进行测试。
2.如权利要求1所述的系统，其特征在于，所述选取台风遥感图像数据、构建台风遥感图像训练集的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的训练集目录下，对每个台风遥感图像进行重命名，进行保存操作。
3.如权利要求1所述的系统，其特征在于，所述对台风遥感图像进行添加噪声、用于扩充训练集的操作步骤，具体包括：通过imnoise函数为图像添加不同的噪声，将imnoise函数的参数设置为gaussian，则为图像添加高斯噪声；将imnoise函数的参数设置为salt&pepper，则为图像添加椒盐噪声；将imnoise函数的参数设置为speckle，则为图像添加乘性噪声；将imnoise函数的参数设置为poisson，则为图像添加泊松噪声。
4.如权利要求1所述的系统，其特征在于，所述对台风遥感图像进行去除噪声、用于扩充训练集的操作步骤，具体包括：通过第一层小波分解，完成第一种去噪操作；通过第二层小波分解，完成第二种去噪操作；通过第一层小波重构，完成第三种去噪操作；通过第二层小波重构，完成第四种去噪操作。
5.如权利要求1所述的系统，其特征在于，所述使用扩充好的的训练集对卷积神经网络模型进行训练的操作步骤，具体包括：
1)第一部分的卷积结构由卷积层、平均池化层和批量归一化层构成，其中卷积核的大小为7*7，卷积层主要的功能是提取输入的不同特征，平均池化层主要的功能是去除冗余信息、对特征进行压缩、简化网络复杂度，批量归一化层主要的功能是对数据进行归一化操作，提高网络的拟合能力；
2)第二部分的卷积结构由两个模块相同的分支网络构成，其中每一个分支由卷积层、最大池化层以及批量归一层构成，卷积核的大小为3*3；
3)第三部分的卷积结构由卷积层、最大池化层构成，卷积核的大小为5*5；
4)第四部分的卷积结构由一层卷积层构成，输出最终的增强之后的图像。
6.如权利要求1所述的系统，其特征在于，所述构建台风遥感图像测试集、对训练好的模型进行测试的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的测试集目录下，对每个台风遥感图像进行重命名，进行保存操作。最后，对于训练好的模型，使用构建好的测试集进行测试操作，得到本模型的性能评价结果。
7.一种计算机设备，包括存储器、处理器及存储在所述存储器上并可被所述处理器运行的程序，其特征在于，所述处理器执行所述程序时实现以下步骤：选取台风遥感图像数据，构建台风遥感图像训练集；对台风遥感图像进行添加噪声的操作，扩充训练集；对台风遥感图像进行去除噪声的操作，扩充训练集；使用扩充好的的训练集对卷积神经网络模型进行训练，生成台风遥感图像数据增强卷积神经网络模型；构建台风遥感图像测试集，对训练好的模型进行测试。
8.如权利要求7所述的计算机设备，其特征在于，所述选取台风遥感图像数据、构建台风遥感图像训练集的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的训练集目录下，对每个台风遥感图像进行重命名，进行保存操作。
9.如权利要求7所述的计算机设备，其特征在于，所述对台风遥感图像进行添加噪声、用于扩充训练集的步骤，具体包括：通过imnoise函数为图像添加不同的噪声，将imnoise函数的参数设置为gaussian，则为图像添加高斯噪声；将imnoise函数的参数设置为salt&pepper，则为图像添加椒盐噪声；将imnoise函数的参数设置为speckle，则为图像添加乘性噪声；将imnoise函数的参数设置为poisson，则为图像添加泊松噪声。
10.如权利要求7所述的计算机设备，其特征在于，所述对台风遥感图像进行去除噪声、用于扩充训练集的步骤，具体包括：通过第一层小波分解，完成第一种去噪操作；通过第二层小波分解，完成第二种去噪操作；通过第一层小波重构，完成第三种去噪操作；通过第二层小波重构，完成第四种去噪操作。
11.如权利要求7所述的计算机设备，其特征在于，所述使用扩充好的的训练集对卷积神经网络模型进行训练的步骤，具体包括：第一部分的卷积结构由卷积层、平均池化层和批量归一化层构成，其中卷积核的大小为7*7，卷积层主要的功能是提取输入的不同特征，平均池化层主要的功能是去除冗余信息、对特征进行压缩、简化网络复杂度，批量归一化层主要的功能是对数据进行归一化操作，提高网络的拟合能力；第二部分的卷积结构由两个模块相同的分支网络构成，其中每一个分支由卷积层、最大池化层以及批量归一层构成，卷积核的大小为3*3；第三部分的卷积结构由卷积层、最大池化层构成，卷积核的大小为5*5；第四部分的卷积结构由一层卷积层构成，输出最终的增强之后的图像。
12.如权利要求7所述的计算机设备，其特征在于，所述构建台风遥感图像测试集、对训练好的模型进行测试的步骤，具体包括：对于台风遥感图像数据进行读取，存储到指定的测试集目录下，对每个台风遥感图像进行重命名，进行保存操作。最后，对于训练好的模型，使用构建好的测试集进行测试操作，得到本模型的性能评价结果。
13.一种存储介质，其上存储有计算机程序，其特征在于，当所述计算机程序被处理器执行时实现以下步骤：存储训练集数据、测试集数据、训练日志、测试日志、网络参数等所有数据到指定目录下。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011302712.0A CN112419182A (zh) | 2020-11-19 | 2020-11-19 | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011302712.0A CN112419182A (zh) | 2020-11-19 | 2020-11-19 | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112419182A true CN112419182A (zh) | 2021-02-26 |
Family
ID=74773651
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011302712.0A Pending CN112419182A (zh) | 2020-11-19 | 2020-11-19 | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419182A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN109063594A (zh) * | 2018-07-13 | 2018-12-21 | 吉林大学 | 基于YOLOv2的遥感图像快速目标检测方法 |
| CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
| CN110163827A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
-
2020
- 2020-11-19 CN CN202011302712.0A patent/CN112419182A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN109063594A (zh) * | 2018-07-13 | 2018-12-21 | 吉林大学 | 基于YOLOv2的遥感图像快速目标检测方法 |
| CN109544585A (zh) * | 2018-12-19 | 2019-03-29 | 中国石油大学(华东) | 一种基于轻量化卷积神经网络的胆石病ct医疗图像数据增强方法 |
| CN110163827A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 谢鹏飞 等: "基于深度学习的中尺度涡检测技术及其在声场中的应用", 《海洋信息》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419259A (zh) | 基于卷积神经网络的台风图像自动检测系统、计算机设备、存储介质 | |
| Guo et al. | Dynamic simulation of coastal wetlands for Guangdong-Hong Kong-Macao Greater Bay area based on multi-temporal Landsat images and FLUS model | |
| CN113743383B (zh) | 一种sar影像水体提取方法、装置、电子设备及存储介质 | |
| Lê et al. | Multiscale framework for rapid change analysis from SAR image time series: Case study of flood monitoring in the central coast regions of Vietnam | |
| CN115841629A (zh) | 一种基于卷积神经网络的sar图像舰船检测方法 | |
| Swain | Tropical cyclones and coastal vulnerability: assessment and mitigation | |
| KR102496876B1 (ko) | 산불 위험 계절 예보 장치 및 방법 | |
| CN112419182A (zh) | 基于图像加噪和去噪的台风遥感图像自动增强系统、计算机设备、存储介质 | |
| CN113554212A (zh) | 基于生成对抗网络的台风图像智能检测系统、计算机设备、存储介质 | |
| CN116704688A (zh) | 海洋浮标被动防御方法及系统 | |
| Pao et al. | Locating the typhoon center from the IR satellite cloud images | |
| Raj et al. | Identifying the flooded area using deep learning model | |
| Ohira et al. | Comprehensive numerical simulation of waves caused by typhoon using a meteorology-wave-storm surge-tide coupled model | |
| Buranasing et al. | Storm intensity estimation using symbolic aggregate approximation and artificial neural network | |
| Bera et al. | Vulnerability and Risk Assessment to Climate Change in Sagar Island, India. Water 2022, 14, 823 | |
| CN114724023A (zh) | 一种基于孪生网络的水体变化检测方法 | |
| Kim et al. | Recolonization of native and invasive plants after large-scale clearance of a temperate coastal dunefield | |
| Li et al. | Forest fire recognition based on lightweight convolutional neural network | |
| Randell et al. | Modelling covariate effects in extremes of storm severity on the Australian North West Shelf | |
| CN117351374B (zh) | 一种遥感图像显著性目标检测方法、系统、设备及介质 | |
| KR102496878B1 (ko) | 산불 위험 예측 모델에 의한 산불 위험 지수 제공 장치 및 방법 | |
| KR102636274B1 (ko) | 의사결정나무 모델을 활용한 폭풍해일 피해수준의 모의 방법 | |
| Wang et al. | Target detection based on cascade network and densely connected network in remote sensing image | |
| Xu et al. | Estimating Hurricane Intensity from Satellite Imagery Using Deep CNNs Networks | |
| Eclarin et al. | Using UAV image histogram kurtosis and skewness to automatically differentiate typhoon-damaged rice field regions from undamaged regions |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210226 |
|
| WD01 | Invention patent application deemed withdrawn after publication |