CN114638990A - 一种卫星云图的分类方法以及分类系统 - Google Patents

一种卫星云图的分类方法以及分类系统 Download PDF

Info

Publication number
CN114638990A
CN114638990A CN202210260149.8A CN202210260149A CN114638990A CN 114638990 A CN114638990 A CN 114638990A CN 202210260149 A CN202210260149 A CN 202210260149A CN 114638990 A CN114638990 A CN 114638990A
Authority
CN
China
Prior art keywords
classification
data
satellite
features
dictionary
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
CN202210260149.8A
Other languages
English (en)
Inventor
成巍
董静
杨柳
顾春利
孙敬哲
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.)
61540 Troops of PLA
Original Assignee
61540 Troops of PLA
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 61540 Troops of PLA filed Critical 61540 Troops of PLA
Priority to CN202210260149.8A priority Critical patent/CN114638990A/zh
Publication of CN114638990A publication Critical patent/CN114638990A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries

Landscapes

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

Abstract

本发明提供了一种卫星云图的分类方法以及分类系统，所述分类方法包括：根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；将所述编码系数输入到SVM多分类器中进行分类。本发明的卫星云图分类方法基于历史卫星观测数据构建模型，对实时的卫星观测数据进行云分类并标注，克服了现有技术的不足。

Description

一种卫星云图的分类方法以及分类系统
技术领域
本发明涉及卫星云图处理领域，具体而言，涉及一种卫星云图的分类方法以及分类系统。
背景技术
云的形成离不开地球上复杂的水循环系统，不同的形成方式与条件使云的形态千变万化，被分为不同的类别且处于大气层的不同海拔位置。云的状况与气象人员进行日常天气预报以及重大灾害性天气的预期息息相关，尤其对航空飞行领域影响甚大，影响着人们的生活与国民的经济情况。近年来，气象部门更是十分重视对于云的预测和识别，以便防灾减灾减少经济损失。
气象卫星让人们利用卫星云图得到的时间和空间信息的范围更加广泛，其通过对地球表面和云层持续地进行大范围观察，产生的卫星云图中所蕴含的气象信息非常丰富，大气中的热力和动力过程通过气象信息的前期演变情况被综合的展示出来。卫星云图使气象部门得到大量详尽的气象信息，便于气象部门分析天气现象的变换。但是，目前对于卫星资料的应用还是远远不够的，各国都在不断地提升本国卫星的观测能力。
目前，对卫星云图的云型的检测很大部分以人工识别为主，该手段主观性强，不以保证结果的可靠性和唯一性；气象人员的工作繁重，然而相关专业人才空缺大；而且卫星云图发展速度快、范围广、数量大，而航空气象工作人员数量有限且人工精力不足，检测费时费力，效率极低。加之航空安全飞行是由多个部门协同完成的，如果航空气象人员不能快速准确地检测出卫星云图的特定云状，后面预测天气现象的工作难以进行，无法及时和其他部门工作人员交流天气情况，就不能保证各个部门及时获得最新的气象情报，不利于后续工作的实施。
有鉴于此，特提出本发明。
发明内容
有鉴于此，本发明公开了一种针对卫星云图的分类方法以及分类系统，利用判别式字典学习的图像分类能力，基于历史卫星观测数据构建模型，对卫星的观测数据进行云分类，使之更为贴近真实的情况，降低了人力消耗，且可以实现较大观测区域的云分类。
具体地，本发明是通过以下技术方案实现的：
第一方面，本发明公开了一种卫星云图的分类方法，包括如下步骤：
根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；
利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；
采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；
将所述编码系数输入到SVM多分类器中进行分类。
第二方面，本发明公开了一种卫星云图的分类系统，包括：
生成模块：用于根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；
训练模块：用于利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；
测试编码模块：用于采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；
分类模块：用于将所述编码系数输入到SVM多分类器中进行分类。
第三方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如第一方面所述分类方法的步骤。
第四方面，本发明公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述分类方法的步骤。
本发明提出的卫星云图的分类方法以及分类系统，利用计算机技术和机器学习理论来处理特别庞大的卫星云图数据，且机器学习算法能充分提取云图中蕴含的丰富的天气信息，来识别云的类型，实现卫星云图的快速且准确地自动分类，大大减轻了气象工作人员的压力。
总之，利用判别式字典学习的图像分类能力，基于历史卫星观测数据构建模型，对卫星的观测数据进行云分类，使之更为贴近真实的情况，降低了人力消耗，且可以实现较大观测区域的云分类。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例提供的卫星云图的分类方法的流程示意图；
图2为本发明实施例提供的获取卫星云图的纹理特征的原理图；
图3为本发明实施例提供的卫星云图的分类系统的结构图；
图4为本发明实施例提供的一种计算机设备的流程示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
本发明公开了一种卫星云图的分类方法，包括如下步骤：
根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；
利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；
采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；
将所述编码系数输入到SVM多分类器中进行分类。
如图1所示，本发明公开了基于判别式字典学习的卫星云图云分类的方法步骤流程图。在本实施例中，所述的基于判别式字典学习的卫星云图云分类的方法具体包括如下步骤：
步骤1，根据历史卫星观测数据和同类卫星分类数据，每类选取约50％作为训练样本，剩余的50％的数据作为测试样本，构建训练数据集和测试集：
从卫星定位后的原始图像中截取图像，并经过等面积投影得到卫星云图集T＝{T1，T2，...，Tn}，构建与之匹配的标签数据L＝{L1，L2，…，Ln}。在数据集T中，每类选取约50％作为训练样本，剩余的50％的数据作为测试样本。
步骤2，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，且将图像的原始特征的元素归一化到[0，1]间，包括：
(2a)对训练集和测试集进行光谱特征特征提取，针对样本的5个通道，每个通道提取9个光谱特征，分别是：
①灰度最小值
②亮度或反照率的最小值
③灰度最大值
④亮度或反照率的最大值
⑤灰度均值
⑥亮温或反照率均值
⑦直方图频率最大值对应的灰度
⑧直方图频率最大值对应的亮温或反照率
⑨标准差
(2b)用图像的原始灰度级(0～225)进行纹理特征提取，采用基融合了Gabor变换和灰度共生矩阵的算法完成云的纹理特征提取，其原理如图2所示，取图像(N x N)中任意一点(x，y)以及偏离它的另一点(x+Dx，y+Dy)，设该点对的灰度值为(i，J)。令点(x，y)在整个画面上移动，则会得到不同的(i，J)值，设灰度值的级数为L，则(i，J)的组合共有L2中，对于整幅图像，统计出每一种(i，J)的值出现的次数，然后排列成一个方阵，再用(i，J)出现的总次数将他们归一化为出现的概率P(i，j)，就是灰度共生矩阵。灰度共生矩阵的参数有θ、δ。θ反应提取纹理特征的方向，取0°、45°、90°、135°四个方向；δ是扫描两个图像对之间的距离，它的取值决定着纹理的粗细程度，对于纹理较粗的图像，δ取值较大，对于纹理较细腻的图像，δ取值较小。
对于每个样本的5个通道，每个通道的像素距离为δ＝1，取0°、45°、90°、135°四个方向，计算灰度共生矩阵，并经过正则化处理，计算4个灰度级差矢量特征，它们分别是：
①对比度，描述云纹理清晰度K1：
Figure BDA0003550449900000061
②相关度，反映灰度共生矩阵行和列的线性相关程度K2：
Figure BDA0003550449900000062
Figure BDA0003550449900000063
Figure BDA0003550449900000064
Figure BDA0003550449900000065
Figure BDA0003550449900000066
③熵，度量云型图像的信息量K3：
Figure BDA0003550449900000067
④逆差矩，该值与云型图像纹理不同区域间变化成反比，反映了同质性K4：
Figure BDA0003550449900000068
综上所述，共提取光谱特征45个，灰度集差适量特征80个，总计125个特征。在训练集和测试集中，分别对所有图片进行145维的特征提取，将这些特征作为数据集的列向量输出，并对特征向量进行归一化处理，生成关于训练集和测试集的数据矩阵X和
Figure BDA0003550449900000071
具体原理参见图2所示。
步骤3，使用步骤2得到的云的纹理特征值和光谱特征值生成的训练集X，训练样本训练判别行字典学学习模型，所述的判别式字典学习模型如下：
Figure BDA0003550449900000072
Figure BDA0003550449900000073
Figure BDA0003550449900000074
式中λ1，λ2，λ3是固定标量，其中X＝[X1，X2，...，Xk]为图像的特征，k表示样本数，D＝[D1，D2，...，Dk]表示合成字典，P＝[P1；P2，...；Pk]表示解析字典，A＝[A1，A2，...，Ak]表示编码矩阵，合成字典D1和解析字典P1表示输入数据X1的字典对，合成字典D2和分析字典P2表示输入数据X2的字典对，
Figure BDA0003550449900000075
表示X中xi的补集。di表示D的第i个原子，
Figure BDA0003550449900000076
表示数据保真项，
Figure BDA0003550449900000077
和
Figure BDA0003550449900000078
表示判别项。
Figure BDA0003550449900000079
用以限制综合字典的字典原子的能量，以此避免平凡解Pk＝0，使模型更加稳定。Pk∈Γ，
Figure BDA00035504499000000710
是对解析字典的约束，它确保解析字典具有相对较小的F范数。
式中，结构性解析子字典Pk具备将来自第i类的样本(i≠k)投影到零空间中，增强了结构性字典的P的判别性，致使PX呈块对角结构。
Figure BDA00035504499000000711
步骤4，求解字典模型，在测试集上用步骤3得到的判别式字典对测试数据进行编码，包括：
(4a)在进行求解字典模型时，采用循环交替迭代法，迭代终止条件为目标函数收敛或达到固定的迭代次数。在每次迭代中，交替优化变量P、A、D。
①固定P、D，更新A
②固定P、A，更新D
③固定D、A，更新P
(4b)用优化好的解析字典P对实时卫星云图进行编码，得到编码系数
Figure BDA00035504499000000712
步骤5，将投影系数
Figure BDA0003550449900000081
代入步骤3中得到的SVM分类器中，根据如下公式判断测试样本的类别，所属类别为z中最大元素所在位置对应的类别，如下：
Figure BDA0003550449900000082
其中j＝1…n，共有n个测试样本，zj为
Figure BDA0003550449900000083
的第j个行向量，对应的是第j个测试数据的分类结果。zi是向量zj的第i个元素，k为分类的类别数。
总之，本发明实施例提供的基于判别式字典学习的卫星云图云分类的方法，利用判别式字典学习的图像分类能力，基于历史卫星观测数据构建模型，对卫星的观测数据进行云分类，使之更为贴近真实的情况，降低了人力消耗，且可以实现较大观测区域的云分类。
如图3所示，本发明提供了一种卫星云图的分类系统，包括：
生成模块101：用于根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；
训练模块102：用于利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；
测试编码模块103：用于采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；
分类模块104：用于将所述编码系数输入到SVM多分类器中进行分类。
该系统主要由上述四个模块构成，通过该系统的搭建很好的实现卫星云图的观测区域的云分类。
具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个单元的具体实施可参见前面的方法实施例，在此不再赘述。
图4为本发明公开的一种计算机设备的结构示意图。参考图4所示，该计算机设备400，至少包括存储器402和处理器401；所述存储器402通过通信总线403和处理器连接，用于存储所述处理器401可执行的计算机指令，所述处理器301用于从所述存储器402读取计算机指令以实现上述任一实施例所述的卫星云图分类方法的步骤。
对于上述装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
适合于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器、媒介和存储器设备，例如包括半导体存储器设备(例如EPROM、EEPROM和闪存设备)、磁盘(例如内部磁盘或可移动盘)、磁光盘以及CD ROM和DVD-ROM盘。处理器和存储器可由专用逻辑电路补充或并入专用逻辑电路中。
最后应说明的是：虽然本说明书包含许多具体实施细节，但是这些不应被解释为限制任何发明的范围或所要求保护的范围，而是主要用于描述特定发明的具体实施例的特征。本说明书内在多个实施例中描述的某些特征也可以在单个实施例中被组合实施。另一方面，在单个实施例中描述的各种特征也可以在多个实施例中分开实施或以任何合适的子组合来实施。此外，虽然特征可以如上所述在某些组合中起作用并且甚至最初如此要求保护，但是来自所要求保护的组合中的一个或多个特征在一些情况下可以从该组合中去除，并且所要求保护的组合可以指向子组合或子组合的变型。
类似地，虽然在附图中以特定顺序描绘了操作，但是这不应被理解为要求这些操作以所示的特定顺序执行或顺次执行、或者要求所有例示的操作被执行，以实现期望的结果。在某些情况下，多任务和并行处理可能是有利的。此外，上述实施例中的各种系统模块和组件的分离不应被理解为在所有实施例中均需要这样的分离，并且应当理解，所描述的程序组件和系统通常可以一起集成在单个软件产品中，或者封装成多个软件产品。
由此，主题的特定实施例已被描述。其他实施例在所附权利要求书的范围以内。在某些情况下，权利要求书中记载的动作可以以不同的顺序执行并且仍实现期望的结果。此外，附图中描绘的处理并非必需所示的特定顺序或顺次顺序，以实现期望的结果。在某些实现中，多任务和并行处理可能是有利的。
以上所述仅为本公开的较佳实施例而已，并不用以限制本公开，凡在本公开的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本公开保护的范围之内。

Claims (9)

1.一种卫星云图的分类方法，其特征在于，包括如下步骤：
根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；
利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；
采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；
将所述编码系数输入到SVM多分类器中进行分类。
2.根据权利要求1所述的分类方法，其特征在于，构建所述训练集的方法包括：
从卫星定位后的原始图像中截取图像，并经过等面积投影得到卫星云图集T＝{T1,T2,...,Tn}，构建与之匹配的标签数据L＝{L1,L2,...,Ln}，每类选取50％的数据作为训练样本。
3.根据权利要求2所述的分类方法，其特征在于，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵的方法包括如下步骤：
针对样本的n个通道，每个通道分别提取光谱特征；
采用基于灰度共生矩阵的灰度级差矢量和一阶概率特征算法进行纹理特征提取，具体方法包括：
对于每个样本的n个通道，每个通道的像素距离为1，取0°、45°、90°、135°四个方向，计算灰度共生矩阵，并经过正则化处理，计算4个灰度级差矢量特征，它们分别是：对比度，描述云纹理清晰度K1；相关度，反映灰度共生矩阵行和列的线性相关程度K2；熵，度量云型图像的信息量K3；逆差矩，该值与云型图像纹理不同区域间变化成反比，反映了同质性K4；
分别对所有图片进行25n维的特征提取，将这些特征作为数据集的列向量输出，并对特征向量进行归一化处理，生成关于训练集和测试集的数据矩阵X和
Figure FDA0003550449890000021
4.根据权利要求3所述的分类方法，其特征在于，利用所述数据矩阵在所述训练集上进行训练得到的卫星云图分类模型为：
Figure FDA0003550449890000022
Figure FDA0003550449890000023
Figure FDA0003550449890000024
上式中λ1，λ2，λ3是固定标量，其中X＝[X1，X2，...，Xk]为图像的特征，k表示样本数，D＝[D1，D2，...，Dk]表示合成字典，P＝[P1，P2，...；Pk]表示解析字典，A＝[A1，A2，...，Ak]表示编码矩阵，合成字典D1和解析字典P1表示输入数据X1的字典对，合成字典D2和分析字典P2表示输入数据X2的字典对，
Figure FDA0003550449890000025
表示X中Xi的补集，di表示D的第i个原子，
Figure FDA0003550449890000026
表示数据保真项，
Figure FDA0003550449890000027
和
Figure FDA0003550449890000028
表示判别项；
Figure FDA0003550449890000029
用以限制综合字典的字典原子的能量，以此避免平凡解Pk＝0，使模型更加稳定；
Figure FDA00035504498900000210
是对解析字典的约束，它确保解析字典具有相对较小的F范数；
上式中的结构性解析子字典Pk将来自第i类的样本(i≠k)投影到零空间中，增强了结构性字典的P的判别性，致使PX呈块对角结构；
Figure FDA00035504498900000211
5.根据权利要求4所述的分类方法，其特征在于，所述编码的方法包括：
采用循环交替迭代法，迭代终止条件为目标函数收敛或达到固定的迭代次数，在每次迭代中，交替优化变量P、A、D；
用优化好的解析字典P对实时卫星云图进行编码，得到编码系数
Figure FDA00035504498900000212
6.根据权利要求5所述的分类方法，其特征在于，将所述编码系数输入到SVM多分类器中进行分类的方法包括：
将所述编码系数
Figure FDA0003550449890000031
代入SVM分类器中，根据如下公式判断测试样本的类别，所属类别为z中最大元素所在位置对应的类别：
Figure FDA0003550449890000032
其中j＝1...n，共有n个测试样本，zj为
Figure FDA0003550449890000033
的第j个行向量，对应的是第j个测试数据的分类结果，zi是向量zj的第i个元素，k为分类的类别数。
7.采用权利要求1-6任一项所述的卫星云图分类方法的分类系统，其特征在于，包括：
生成模块：用于根据历史卫星观测数据和同类卫星分类数据，获取卫星云图的光谱特征和纹理特征，将两者作为图像的原始特征，生成关于训练集以及测试集的数据矩阵；
训练模块：用于利用所述数据矩阵在所述训练集上对卫星云图分类模型进行训练；
测试编码模块：用于采用所述训练后的所述卫星云图分类模型对测试集上的数据进行编码得到编码系数；
分类模块：用于将所述编码系数输入到SVM多分类器中进行分类。
8.一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，所述程序执行时实现权利要求1-6任一项所述卫星云图的分类方法的步骤。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述卫星云图的分类方法的步骤。
CN202210260149.8A 2022-03-16 2022-03-16 一种卫星云图的分类方法以及分类系统 Pending CN114638990A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210260149.8A CN114638990A (zh) 2022-03-16 2022-03-16 一种卫星云图的分类方法以及分类系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210260149.8A CN114638990A (zh) 2022-03-16 2022-03-16 一种卫星云图的分类方法以及分类系统

Publications (1)

Publication Number Publication Date
CN114638990A true CN114638990A (zh) 2022-06-17

Family

ID=81949351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210260149.8A Pending CN114638990A (zh) 2022-03-16 2022-03-16 一种卫星云图的分类方法以及分类系统

Country Status (1)

Country Link
CN (1) CN114638990A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564100A (zh) * 2022-09-22 2023-01-03 济南大学 光伏功率预测方法、系统及设备
CN117152637A (zh) * 2023-10-30 2023-12-01 中国海洋大学 基于fy-4a卫星云图预测序列的强对流云识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564100A (zh) * 2022-09-22 2023-01-03 济南大学 光伏功率预测方法、系统及设备
CN117152637A (zh) * 2023-10-30 2023-12-01 中国海洋大学 基于fy-4a卫星云图预测序列的强对流云识别方法

Similar Documents

Publication Publication Date Title
CN113449680B (zh) 一种基于知识蒸馏的多模小目标检测方法
CN111062282B (zh) 基于改进yolov3模型的变电站指针式仪表识别方法
KR102197297B1 (ko) 순환형 3차원 완전 합성곱망을 활용한 초분광영상의 변화탐지 방법
CN111462120B (zh) 一种基于语义分割模型缺陷检测方法、装置、介质及设备
CN110516095B (zh) 基于语义迁移的弱监督深度哈希社交图像检索方法和系统
CN109934282A (zh) 一种基于sagan样本扩充和辅助信息的sar目标分类方法
CN114638990A (zh) 一种卫星云图的分类方法以及分类系统
CN110929607A (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN112163496B (zh) 一种基于语义分割的嵌入式终端水库水位预警方法
CN108171122A (zh) 基于全卷积网络的高光谱遥感图像的分类方法
CN105740894A (zh) 一种高光谱遥感图像的语义标注方法
CN109359525B (zh) 基于稀疏低秩的判别谱聚类的极化sar图像分类方法
CN111507357B (zh) 一种缺陷检测语义分割模型建模方法、装置、介质及设备
CN110263644B (zh) 基于三胞胎网络的遥感图像分类方法、系统、设备及介质
CN109190511A (zh) 基于局部与结构约束低秩表示的高光谱分类方法
CN115131580B (zh) 基于注意力机制的空间目标小样本识别方法
Viel et al. Hyperspectral image classification: An analysis employing CNN, LSTM, transformer, and attention mechanism
CN115393690A (zh) 一种轻量化神经网络的空对地观测多目标识别方法
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN114898097A (zh) 图像识别方法及系统
CN114419406A (zh) 图像变化检测方法、训练方法、装置和计算机设备
CN115631411A (zh) 基于sten网络对不同环境中的绝缘子破损检测方法
Li et al. HTDFormer: Hyperspectral target detection based on transformer with distributed learning
CN114511785A (zh) 基于瓶颈注意力模块的遥感图像云检测方法及系统
CN104050489B (zh) 一种基于多核最优化的合成孔径雷达自动目标识别方法

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