CN114170427A - 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 - Google Patents
基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 Download PDFInfo
- Publication number
- CN114170427A CN114170427A CN202111340003.6A CN202111340003A CN114170427A CN 114170427 A CN114170427 A CN 114170427A CN 202111340003 A CN202111340003 A CN 202111340003A CN 114170427 A CN114170427 A CN 114170427A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- image
- ssim
- data
- rain
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Abstract
本发明公开了一种基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,包括如下步骤:S10,从信号接收器处获得无线微波受到天气影响的衰减数据,并对数据进行预处理;S20,基于高斯雨胞概念构建链路降雨率分布公式,并对此积分建立含有待优化参数的雨衰减模型;S30,利用已有数据,采用遗传算法获得对应的参数为最终结果;S40,利用模型处理后的无线微波数据与水文站数据,以图像块亮度与降雨量成正相关系数的方式分别绘制相应区域固定某时段雨量图;S50,基于结构相似度SSIM对图像进行相似度评价。本发明提出了以图块亮度为核心的图像相似度分析手段,建立一个既能很好评价图像客观相似度又能与人眼主观感受一致评价标准。
Description
技术领域
本发明涉及基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,属于通信技术领域。
背景技术
现代社会的生产生活对于降雨的高精度预报有着迫切的要求。以“点”数据为核心的雨量站很难对非监测地区进行高精度的降雨预报。无线微波技术的出现也为非监测地区的高精度降雨预报提供了可能。这其中就涉及到雨衰减的计算,在均匀降雨的条件下,计算是非常简单的。但雨媒介的非均匀性具有随机性,这就使得精确计算雨衰减大大地复杂化了。这就需要建立精确的雨衰减模型,传统的建模方法有基于等效路径长度法以及路径平均降雨率法两种思路,然而这两种建模方法都对降雨的非均匀性采取等效的简单方法来描述,计算过程虽然简单,但没有明确的物理意义,基本上可以算作是经验型模式。以柱状雨胞为基础建立的雨衰减模型,虽然也对降雨的空间分布进行了描述,但它实际上是一个对降雨率取常数值的粗糙空间分布,其降雨率分布不太符合实际情况。与此同时,对于雨衰减模型精度的检验,国际上通常是使用衰减计算值与测量值之比的对数作检验变量、通过其他雨衰减模式与之进行对比的方法,都是从单点的衰减数据本身出发,评价的方式较为单一,且无法检验雨衰减模型通过微波链路在空间降雨率分布的精细程度。可见传统的雨衰减模型及其评价方法存在一定的局限性。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,提出了以图块亮度为核心的图像相似度分析手段,建立一个既能很好评价图像客观相似度又能与人眼主观感受一致评价标准。
技术方案:为解决上述技术问题,本发明的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,包括如下步骤:
S10,从信号接收器处获得无线微波受到天气影响的衰减数据,并对数据进行预处理;
S20,基于高斯雨胞概念构建链路降雨率分布公式,并对此积分建立含有待优化参数的雨衰减模型;
S30,利用已有数据,采用遗传算法对雨衰减模型公式中的参数进行优化、回归,得到均方根误差最小时对应的参数为最终结果;
S40,利用模型处理后的无线微波数据与水文站数据,以图像块亮度与降雨量成正相关系数的方式分别绘制相应区域固定某时段雨量图;
S50,获得两张图像的亮度比较函数、对比度比较函数以及结构度比较函数,基于结构相似度SSIM对图像进行相似度评价。
作为优选,所述步骤S10中预处理为:根据水文站或气象站的数据,筛选出只受降雨影响造成的衰减数据,去除非降雨影响因素产生的干扰,对于丢失的数据进行均值插补,剔除异常数据。
作为优选,所述步骤S20中,假设传播路径中存在一个高斯分布的雨胞,路径中降雨率分布R(x)包括:R(0)≥5mm/h,其中,x为距离观测站点的距离,链路上的最大降雨出现在出现在x=LD处,b为待优化的雨胞直径参数,f为待优化的雨胞增幅参数。
作为优选,所述步骤S20中,整个传播路径上的总衰减公式包括:
其中,L为微波的传播路径长度,k,α为与微波频率、极化角等相关的参数,α为衰减系数,k为衰减指数,可查ITU-R建议书得。
作为优选,所述对总衰减公式中的b、f进行遗传算法回归、优化获得最终参数主要步骤包括:
(1)在变量变化范围内对变量进行二进制编码;
(2)随即生成n个个体作为初始遗传演算群体D(t),初始状态t=0,并设置最大遗传进化代数T,n取20-100,T取300-500;
(3)对演算群体D(0)中的每个个体的适应度进行计算,适应度函数为相对百分比误差的均方根值的最小值;
(4)以与适应度函数成反比的概率的标准选择D(0)中的2n个个体,共挑选出两组n个个体作为下一步杂交运算样本即为父代样本;
(5)杂交运算。将挑选出的两组父代个体按照杂交概率Pi进行两两杂交配对以生成两组子代个体,Pi取0.3-0.6;
(6)变异运算,在计算步骤(5)计算得出的两组子代中随机挑选出一组,按变异概率Pv进行个体组内变异。初始群体D(0)通过杂交运算、变异运算得到下一代群体D(1),Pv取0.03-0.1。
(7)将步骤(6)所得的新群体D(1)作为新的父代群体代入步骤(3)中去,进行下一次的进化演变,重新进行适应度计算、选择、杂交运算、变异运算,如此循环两次;
(8)加速搜索。将第一次、第二次进化迭代所产生的m个优秀个体的变化范围作为该变量的最新取值范围,并重新进行计算步骤(1);重复上述计算步骤将会逐步缩小调整优秀个体的变化区间,与最优点的距离将越来越近,迭代将一直持续直到最优个体的函数值小于某一设定值或是达到预期迭代次数T,此时,输出的最优个体取值为最优解。
作为优选,所述步骤S40中,包括以下步骤:
(3)测量链路的总衰减值,通过雷达观测得到传播路径中降雨量最大点处坐标,计算与观测站之间的距离LD,收集衰减时间内的降雨时间、降雨历时、降雨量以及风向信息,根据以往的分组信息将其归类,由已有信息中得到该类降雨情况下的b、f值;
(4)根据已有的b、f值得到传播路径中的降雨率分布R(x);
(3)在每条传播路径中均匀取点,计算相关坐标的降雨率,综合所有链路所选坐标位置及降雨量,以图像块亮度与降雨率成正相关系数的方式绘制相应区域固定某时段雨量图。
作为优选,基于结构相似度SSIM对图像进行相似度评价过程包括:
(1)将水文站所测数据绘制的雨量图设为参考图像,无线微波数据通过雨衰减模型计算后所得数据绘制的图像设为对比图像;
(2)计算亮度均值、亮度标准差及亮度协方差;
借助图像的亮度均值公式,可得到图像x的亮度标准差公式:
同理可得对比图像y的亮度标准差σy;
(3)计算亮度比较函数、对比度比较函数及结构度比较函数:
其中,C1、C2、C3是为了避免分母为零而设置的小常数;
(4)计算SSIM值:SSIM的公式为:SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ,其中,α、β、γ为参数,用来调整3个比较函数所占比重,取α=β=γ=1,令C3=C2/2,上式可简化为:其中,考虑到图像亮度的值域范围及对SSIM值的影响,令C1=C2=0.0001,SSIM值的大小即表示两张图像的相似度程度。
作为优选,当SSIM值大于等于0.6时,参考图像与对比图像满足相似度判断标准。当SSIM值大于小于0.6时,重新用遗传算法回归b与f的值,直至满足条件,如若找不到合适的b与f的值,则判定这个雨衰减模型并不适用于当前区域的此类降雨。
有益效果:本发明的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,提出了以图块亮度为核心的图像相似度分析手段,建立一个既能很好评价图像客观相似度又能与人眼主观感受一致评价标准。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,一种基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,包括如下步骤:
S10,从信号接收器处获得无线微波受到天气影响的衰减数据,并对衰减数据进行预处理;
上述步骤获得微波信号接收端的微波衰减信号强度数据后,对微波衰减信号强度数据进行初步于处理,根据水文站或气象站的数据,筛选出只受降雨影响造成的衰减数据,去除由大风、沙尘、冰雹等非降雨影响因素产生的干扰,对于丢失的数据进行均值插补,手动剔除异常数据;同时根据相近的降雨时间、降雨历时、降雨量以及风向对水文站及气象站的数据进行分组。
S20,基于高斯雨胞概念构建链路降雨率分布公式,并对此积分建立含有待优化参数的雨衰减模型;
S30,利用已有数据,采用遗传算法对模型中的参数进行优化、回归,得到均方根误差最小时对应的参数为最终结果;
S40,利用无线微波数据与水文站数据,以图像块亮度与降雨量成正相关系数的方式分别绘制相应区域固定某时段雨量图;
上述步骤目的是将通过雨衰减模型计算后获得的无线微波降雨数据,以图像的形式体现降雨的空间分布,综合已有的水文站监测数据,在确定某一固定区域及某一固定时段后,以图像块亮度与降雨量成正相关系数的方式分别绘制相应区域固定某时段雨量图,将水文站所测数据绘制的雨量图设为参考图像,无线微波数据通过雨衰减模型计算后所得数据绘制的图像设为对比图像,以此进行SSIM相似度评价。
S50,获得两张图像的亮度比较函数、对比度比较函数以及结构度比较函数,基于结构相似度SSIM对图像进行相似度评价。
上述步骤获得两张图像的亮度比较函数、对比度比较函数以及结构度比较函数,3个评价因子的比重都取作1,基于结构相似度SSIM对图像进行相似度评价,可以建立一个既能很好评价图像客观相似度又能与人眼主观感受一致的降雨空间分布评价标准。
上述基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,通过从信号接收器处获得无线微波受到天气影响的衰减数据,对数据进行预处理,根据高斯雨胞分布模拟降雨的空间分布,建立含有待优化参数的雨衰减模型,利用已有数据,采用遗传算法对模型中的参数进行优化、回归,得到均方根误差最小时对应的参数为最终结果,利用经过模型处理过的无线微波数据与水文站数据,以图像块亮度与降雨量成正相关系数的方式分别绘制相应区域固定某时段雨量图,将水文站所测数据绘制的雨量图设为参考图像,无线微波数据通过雨衰减模型计算后所得数据绘制的图像设为对比图像,获得两张图像的亮度比较函数、对比度比较函数以及结构度比较函数,3个评价因子的比重都取作1,基于结构相似度SSIM对图像进行相似度评价,可以从物理角度更精确地描述降雨的空间分布,同时建立一个既能很好评价图像客观相似度又能与人眼主观感受一致的降雨空间分布评价标准。
在一个实施例中,对衰减数据进行预处理过程包括:
根据水文站或气象站的数据,筛选出只受降雨影响造成的衰减数据,去除由大风、沙尘、冰雹等非降雨影响因素产生的干扰,对于丢失的数据进行均值插补,手动剔除异常数据;同时根据相近的降雨时间、降雨历时、降雨量以及风向对水文站及气象站的数据进行分组。
在一个实施例中,基于高斯雨胞概念构建链路降雨率分布公式,并对此积分建立雨衰减模型的过程包括:
(1)假设传播路径中存在一个高斯分布的雨胞,路径中降雨率分布R(x)包括:
其中,x为距离观测站点的距离。链路上的最大降雨出现在出现在x=LD处,通过雷达观测链路中降雨率最大点的坐标,计算与观测站点之间的距离可得LD具体值。b为待优化的雨胞直径参数,f为待优化的雨胞增幅参数。
(2)微波传播路径上的降雨总衰减为:
其中,L为微波的传播路径长度,k,α为与微波频率、极化角等相关的参数。
(3)将基于高斯雨胞的降雨率分布R(x)带入并化简,得到整个传播路径上的总衰减公式:
(4)利用已分类好的数据,结合所测量的链路总衰减值对S23总衰减公式中的b、f进行遗传算法回归、优化获得最终参数,得到适用于该区域该类降雨时间、降雨历时、降雨量以及风向情况下的链路降雨率分布R(x)。
在一个实验例中,对总衰减公式中的b、f进行遗传算法回归、优化获得最终参数主要内容包括:
(1)在变量变化范围内对变量进行二进制编码,变量变化范围视具体情况而定;
(2)随即生成n个个体作为初始遗传演算群体D(t),初始状态t=0,并设置最大遗传进化代数T,n取20-100,T取300-500;
(3)对演算群体D(0)中的每个个体的适应度进行计算,适应度函数为相对百分比误差的均方根值的最小值;
(4)以与适应度函数成反比的概率的标准选择D(0)中的2n个个体,共挑选出两组n个个体作为下一步杂交运算样本即为父代样本;
(5)杂交运算。将挑选出的两组父代个体按照杂交概率Pi进行两两杂交配对以生成两组子代个体,Pi取0.3-0.6;
(6)变异运算。在计算步骤(5)计算得出的两组子代中随机挑选出一组,按变异概率Pv进行个体组内变异。初始群体D(0)通过杂交运算、变异运算得到下一代群体D(1),Pv取0.03-0.1。
(7)将步骤(6)所得的新群体D(1)作为新的父代群体代入步骤(3)中去,进行下一次的进化演变,重新进行适应度计算、选择、杂交运算、变异运算,如此循环两次。
(8)加速搜索。将第一次、第二次进化迭代所产生的m个优秀个体的变化范围作为该变量的最新取值范围,并重新进行计算步骤(1);重复上述计算步骤将会逐步缩小调整优秀个体的变化区间,与最优点的距离将越来越近,迭代将一直持续直到最优个体的函数值小于某一设定值或是达到预期迭代次数T,此时,输出的最优个体取值为最优解。
在一个实施例中,利用雨衰减模型处理无线微波数据绘制雨量图的内容包括:
(1)测量链路的总衰减值,通过雷达观测得到传播路径中降雨量最大点处坐标,计算与观测站之间的距离LD,收集衰减时间内的降雨时间、降雨历时、降雨量以及风向信息,根据以往的分组信息将其归类,由已有信息中得到该类降雨情况下的b、f值;
(2)根据已有的b、f值得到传播路径中的降雨率分布R(x);
(3)在每条传播路径中均匀取点,计算相关坐标的降雨率,综合所有链路所选坐标位置及降雨量,以图像块亮度与降雨率成正相关系数的方式绘制相应区域固定某时段雨量图。
在一个实施例中,获得两张图像的亮度比较函数、对比度比较函数以及结构度比较函数,基于结构相似度SSIM对图像进行相似度评价过程包括:
(1)将水文站所测数据绘制的雨量图设为参考图像,无线微波数据通过雨衰减模型计算后所得数据绘制的图像设为对比图像
(2)计算亮度均值、亮度标准差及亮度协方差。
设x、y分别为参考图像和对比图像块,参考图像x的亮度均值μx公式为:
其中,xi表示参考图像x的第i个像素值,N表示像素点个数,同理可得对比图像y的亮度均值μy。
借助图像的亮度均值公式,可得到图像x的亮度标准差公式:
同理可得对比图像y的亮度标准差σy。
(3)计算亮度比较函数、对比度比较函数及结构度比较函数。
亮度比较函数为:
对比度比较函数为:
结构度比较函数为:
其中,C1、C2、C3是为了避免分母为零而设置的小常数。
(4)计算SSIM值。
SSIM的公式为:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
其中,α、β、γ为参数,用来调整3个比较函数所占比重,取α=β=γ=1。
令C3=C2/2,上式可简化为:
其中,考虑到图像亮度的值域范围及对SSIM值的影响,令C1=C2=0.0001。SSIM值的大小即表示两张图像的相似度程度。
在一个实施例中,参考图像与对比图像的相似度评价标准包括:
当SSIM值大于等于0.6时,参考图像与对比图像满足相似度判断标准,认为该含参数的雨衰减模型适用于当前地区的该类降雨。如若不满足,则重新对参数进行优化,直至得到符合评价标准的模型参数。
上述基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,使用雨胞概念建立具有物理意义的雨衰减模型,同时利用结构相似度SSIM对图像进行相似度评价,具有以下的优异处:
(1)提出了以高斯雨胞概念为基础的具有物理意义且能描述降雨空间分布的雨衰减模型。
(2)本申请采用降雨图像对比分析的方式为评价雨衰减模型提供了新思路。
提出了以图块亮度为核心的图像相似度分析手段,建立一个既能很好评价图像客观相似度又能与人眼主观感受一致评价标准。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,其特征在于,包括如下步骤:
S10,从信号接收器处获得无线微波受到天气影响的衰减数据,并对数据进行预处理;
S20,基于高斯雨胞概念构建链路降雨率分布公式,并对此积分建立含有待优化参数的雨衰减模型;
S30,利用已有数据,采用遗传算法对雨衰减模型公式中的参数进行优化、回归,得到均方根误差最小时对应的参数为最终结果;
S40,利用模型处理后的无线微波数据与水文站数据,以图像块亮度与降雨量成正相关系数的方式分别绘制相应区域固定某时段雨量图;
S50,获得两张图像的亮度比较函数、对比度比较函数以及结构度比较函数,基于结构相似度SSIM对图像进行相似度评价。
2.根据权利要求1所述的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,其特征在于,所述步骤S10中预处理为:根据水文站或气象站的数据,筛选出只受降雨影响造成的衰减数据,去除非降雨影响因素产生的干扰,对于丢失的数据进行均值插补,剔除异常数据。
5.根据权利要求3所述的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,其特征在于,所述对总衰减公式中的b、f进行遗传算法回归、优化获得最终参数主要步骤包括:
(1)在变量变化范围内对变量进行二进制编码;
(2)随即生成n个个体作为初始遗传演算群体D(t),初始状态t=0,并设置最大遗传进化代数T,n取20-100,T取300-500;
(3)对演算群体D(0)中的每个个体的适应度进行计算,适应度函数为相对百分比误差的均方根值的最小值;
(4)以与适应度函数成反比的概率的标准选择D(0)中的2n个个体,共挑选出两组n个个体作为下一步杂交运算样本即为父代样本;
(5)杂交运算,将挑选出的两组父代个体按照杂交概率Pi进行两两杂交配对以生成两组子代个体,Pi取0.3-0.6;
(6)变异运算,在计算步骤(5)计算得出的两组子代中随机挑选出一组,按变异概率Pv进行个体组内变异,初始群体D(0)通过杂交运算、变异运算得到下一代群体D(1),Pv取0.03-0.1;
(7)将步骤(6)所得的新群体D(1)作为新的父代群体代入步骤(3)中去,进行下一次的进化演变,重新进行适应度计算、选择、杂交运算、变异运算,如此循环两次;
(8)加速搜索,将第一次、第二次进化迭代所产生的m个优秀个体的变化范围作为该变量的最新取值范围,并重新进行计算步骤(1);重复上述计算步骤将会逐步缩小调整优秀个体的变化区间,与最优点的距离将越来越近,迭代将一直持续直到最优个体的函数值小于某一设定值或是达到预期迭代次数T,此时,输出的最优个体取值为最优解。
6.根据权利要求5所述的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,其特征在于,所述步骤S40中,包括以下步骤:
(1)测量链路的总衰减值,通过雷达观测得到传播路径中降雨量最大点处坐标,计算与观测站之间的距离LD,收集衰减时间内的降雨时间、降雨历时、降雨量以及风向信息,根据以往的分组信息将其归类,由已有信息中得到该类降雨情况下的b、f值;
(2)根据已有的b、f值得到传播路径中的降雨率分布R(x);
(3)在每条传播路径中均匀取点,计算相关坐标的降雨率,综合所有链路所选坐标位置及降雨量,以图像块亮度与降雨率成正相关系数的方式绘制相应区域固定某时段雨量图。
7.根据权利要求1所述的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,其特征在于,基于结构相似度SSIM对图像进行相似度评价过程包括:
(1)将水文站所测数据绘制的雨量图设为参考图像,无线微波数据通过雨衰减模型计算后所得数据绘制的图像设为对比图像;
(2)计算亮度均值、亮度标准差及亮度协方差;
借助图像的亮度均值公式,可得到图像x的亮度标准差公式:
同理可得对比图像y的亮度标准差σy;
(3)计算亮度比较函数、对比度比较函数及结构度比较函数:
其中,C1、C2、C3是为了避免分母为零而设置的小常数;
8.根据权利要求1所述的基于雨胞的无线微波雨衰减模型SSIM图像相似度评价方法,其特征在于,当SSIM值大于等于0.6时,参考图像与对比图像满足相似度判断标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111340003.6A CN114170427B (zh) | 2021-11-12 | 2021-11-12 | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111340003.6A CN114170427B (zh) | 2021-11-12 | 2021-11-12 | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114170427A true CN114170427A (zh) | 2022-03-11 |
CN114170427B CN114170427B (zh) | 2022-09-23 |
Family
ID=80478719
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111340003.6A Active CN114170427B (zh) | 2021-11-12 | 2021-11-12 | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170427B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843926A (zh) * | 2023-06-15 | 2023-10-03 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车配件的供应链追溯方法及相关设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180120418A1 (en) * | 2016-11-02 | 2018-05-03 | National University Of Defense Technology | Method for Regional Attenuation Correction of Radar using a Microwave Links Network |
WO2018152071A1 (en) * | 2017-02-15 | 2018-08-23 | Flir Systems, Inc. | Systems and methods for efficient enhanced image filtering by collaborative sharpening in similarity domain |
CN109255100A (zh) * | 2018-09-10 | 2019-01-22 | 河海大学 | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 |
JP2019032280A (ja) * | 2017-08-09 | 2019-02-28 | 株式会社通信放送国際研究所 | 衛星通信のレインセルモデル |
CN110533233A (zh) * | 2019-08-20 | 2019-12-03 | 河海大学 | 基于适应度优化的无线微波测雨链路规划方法 |
CN112767544A (zh) * | 2021-01-06 | 2021-05-07 | 成都理工大学 | 面向区域滑坡危险性评价的空间案例推理方法 |
WO2021098083A1 (zh) * | 2019-11-22 | 2021-05-27 | 大连理工大学 | 基于显著特征的多光谱相机动态立体标定算法 |
WO2021147374A1 (zh) * | 2020-01-20 | 2021-07-29 | 北京迈格威科技有限公司 | 图像处理方法及装置、图像处理模型的训练方法及装置 |
-
2021
- 2021-11-12 CN CN202111340003.6A patent/CN114170427B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180120418A1 (en) * | 2016-11-02 | 2018-05-03 | National University Of Defense Technology | Method for Regional Attenuation Correction of Radar using a Microwave Links Network |
WO2018152071A1 (en) * | 2017-02-15 | 2018-08-23 | Flir Systems, Inc. | Systems and methods for efficient enhanced image filtering by collaborative sharpening in similarity domain |
JP2019032280A (ja) * | 2017-08-09 | 2019-02-28 | 株式会社通信放送国際研究所 | 衛星通信のレインセルモデル |
CN109255100A (zh) * | 2018-09-10 | 2019-01-22 | 河海大学 | 一种基于微波衰减特征响应指纹识别的城市降雨反演算法 |
CN110533233A (zh) * | 2019-08-20 | 2019-12-03 | 河海大学 | 基于适应度优化的无线微波测雨链路规划方法 |
WO2021098083A1 (zh) * | 2019-11-22 | 2021-05-27 | 大连理工大学 | 基于显著特征的多光谱相机动态立体标定算法 |
WO2021147374A1 (zh) * | 2020-01-20 | 2021-07-29 | 北京迈格威科技有限公司 | 图像处理方法及装置、图像处理模型的训练方法及装置 |
CN112767544A (zh) * | 2021-01-06 | 2021-05-07 | 成都理工大学 | 面向区域滑坡危险性评价的空间案例推理方法 |
Non-Patent Citations (7)
Title |
---|
CHRISTOPHER PURR 等: "Convective rain cell characteristics and scaling in climate projections for Germany", 《RESEARCH ARTICLE》 * |
LAURENT FÉRAL 等: "HYCELL―A new hybrid model of the rain horizontal distribution for propagation studies: 1. Modeling of the rain cell", 《RADIO SCIENCE》 * |
李建勋 等: "基于趋势面与SSIM的时空数据相似度算法", 《计算机工程》 * |
李莉: "降雨空间分布模拟及雨衰减分析", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
林乐科等: "地空路径统计雨衰减建模的几个问题", 《电波科学学报》 * |
林裕鹏 等: "基于改进的残差网络的图像去雨方法", 《计算机与数字工程》 * |
赵振维 等: "雨衰减预测中的降雨率调整因子概念", 《电波科学学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116843926A (zh) * | 2023-06-15 | 2023-10-03 | 邦邦汽车销售服务(北京)有限公司 | 基于数据处理的汽车配件的供应链追溯方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN114170427B (zh) | 2022-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197218B (zh) | 基于多源卷积神经网络的雷雨大风等级预测分类方法 | |
CN110650436B (zh) | 基于WiFi数据的位置指纹库建立与拟合方法 | |
CN106991491B (zh) | 一种基于遗传算法优化的rbf神经网络的环境污染监测系统 | |
CN112182961B (zh) | 一种换流站无线网络信道大尺度衰落建模预测方法 | |
CN110418283B (zh) | 基于WiFi数据的位置指纹库创建方法 | |
CN113239971B (zh) | 一种面向风场的临近预报与短期预报的融合系统 | |
CN111610524B (zh) | 一种基于一维变分算法的冰云廓线反演方法及系统 | |
CN112801332B (zh) | 一种基于灰度共生矩阵的短期风速预测方法 | |
CN114170427B (zh) | 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法 | |
CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
CN113108918B (zh) | 一种极轨气象卫星热红外遥感数据反演气温方法 | |
CN113887908A (zh) | 考虑主客观交叉融合权重的桥梁风险评估方法 | |
CN111830070A (zh) | 一种基于边缘计算的缺陷自动识别评判系统及方法 | |
CN117035673A (zh) | 一种工程项目施工风险管理方法及管理系统 | |
CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
CN110913407A (zh) | 重叠覆盖的分析方法及装置 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN115564180B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
CN110781755A (zh) | 一种建筑钢筋智能识别计量方法及系统 | |
CN114390582B (zh) | 基站站址预测方法及装置 | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN115311238A (zh) | 一种基于图像分析的光伏组件缺陷损伤的识别方法 | |
CN114638465A (zh) | 一种基于二次评分的采集终端网络信号质量评价方法 | |
CN109784568B (zh) | 一种通过多目标不确定性分析进行湖泊水质模型预测的方法 | |
CN110108239B (zh) | 极片质量信息获取方法、系统及设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |