CN117609954B - 基于卫星远红外融合亮温数据对流爆发区判识方法及装置 - Google Patents

基于卫星远红外融合亮温数据对流爆发区判识方法及装置 Download PDF

Info

Publication number
CN117609954B
CN117609954B CN202410070183.8A CN202410070183A CN117609954B CN 117609954 B CN117609954 B CN 117609954B CN 202410070183 A CN202410070183 A CN 202410070183A CN 117609954 B CN117609954 B CN 117609954B
Authority
CN
China
Prior art keywords
temperature data
bright temperature
far infrared
optical flow
satellite
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.)
Active
Application number
CN202410070183.8A
Other languages
English (en)
Other versions
CN117609954A (zh
Inventor
王新
曹治强
高洋
郭强
唐世浩
杨军
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.)
National Satellite Meteorological Center
Original Assignee
National Satellite Meteorological Center
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 National Satellite Meteorological Center filed Critical National Satellite Meteorological Center
Priority to CN202410070183.8A priority Critical patent/CN117609954B/zh
Publication of CN117609954A publication Critical patent/CN117609954A/zh
Application granted granted Critical
Publication of CN117609954B publication Critical patent/CN117609954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

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

Abstract

本发明公开了一种基于卫星远红外融合亮温数据对流爆发区判识方法及装置，其中所述基于卫星远红外融合亮温数据对流爆发区判识方法包括：获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；基于所述模糊基函数进行对流爆发区的判识，生成判识结果。借此，本发明可以对小尺度、高分辨率的对流爆发区进行精准判识，且结果准确。

Description

基于卫星远红外融合亮温数据对流爆发区判识方法及装置
技术领域
本发明实施例涉及气象技术领域，尤其涉及一种基于卫星远红外融合亮温数据对流爆发区判识方法及装置。
背景技术
利用静止气象卫星分析台风结构通常采用多种方法和技术，以获得有关台风内部特征和对流系统的信息。这些方法包括红外云顶温度分析，通过监测冷云顶来检测对流云团的位置；水汽图像分析，用于观测大气湿度分布；可见光图像分析，白天用于检测云体的形状和位置；微波图像分析，用于测量降水量和云体性质。
然而，这些方法在对小尺度、高分辨率的对流爆发区进行判识和分析时仍然存在挑战，主要受到卫星分辨率的限制、云层遮挡、数据更新速度较慢以及数据处理和解释的复杂性的影响。因此，综合多种观测手段，通常需要用于更详细和准确的对流爆发区分析和监测。
发明内容
本发明实施例提供一种基于卫星远红外融合亮温数据对流爆发区判识方法，其可以对小尺度、高分辨率的对流爆发区进行精准判识，且结果准确。
为实现上述目的，第一方面，本发明提供了一种基于卫星远红外融合亮温数据对流爆发区判识方法包括：
获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；
基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；
基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；
基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；
基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；
基于所述模糊基函数进行对流爆发区的判识，生成判识结果。
在本发明的一实施方式中，所述获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据包括：
获取高空间分辨率卫星的高空间分辨率的全色光谱数据；
获取静止气象卫星的多通道的亮温数据；
对所述高空间分辨率的全色光谱数据进行几何精纠正；
统一所述多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据的分辨率；
融合统一分辨率后的多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据，生成远红外融合亮温数据。
在本发明的一实施方式中，所述基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量包括：
基于所述远红外融合亮温数据，采用Farneback光流法对所述远红外融合亮温数据进行计算，生成所述光流矢量。
在本发明的一实施方式中，所述基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数包括：
采用梯形函数的隶属函数系对所述远红外融合亮温数据、所述散度场和所述旋度场进行模糊化操作，构建模糊基函数。
第二方面，本发明提供了一种基于卫星远红外融合亮温数据对流爆发区判识装置，包括：第一生成模块、第二生成模块、第一计算模块、第二计算模块、构建模块以及第三生成模块。第一生成模块用于获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；第二生成模块用于基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；第一计算模块用于基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；第二计算模块用于基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；构建模块用于基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；以及第三生成模块用于基于所述模糊基函数进行对流爆发区的判识，生成判识结果。
在本发明的一实施方式中，所述第一生成模块包括：第一获取单元、第二获取单元、纠正单元、统一单元以及第一生成单元。第一获取单元用于获取高空间分辨率卫星的高空间分辨率的全色光谱数据；第二获取单元用于获取风云四号卫星的多通道的亮温数据；纠正单元用于对所述高空间分辨率的全色光谱数据进行几何精纠正；统一单元用于统一所述多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据的分辨率；以及第一生成单元用于融合统一分辨率后的多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据，生成远红外融合亮温数据。
在本发明的一实施方式中，所述第二生成模块包括：第二生成单元，用于基于所述远红外融合亮温数据，采用Farneback光流法对所述远红外融合亮温数据进行计算，生成所述光流矢量。
在本发明的一实施方式中，所述构建模块包括：构建单元，用于采用梯形函数的隶属函数系对所述远红外融合亮温数据、所述散度场和所述旋度场进行模糊化操作，构建模糊基函数。
第三方面，本发明提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的基于卫星远红外融合亮温数据对流爆发区判识方法。
第四方面，本发明提供了一种计算机可读存储介质，包括计算机程序和指令，当所述计算机程序或所述指令在计算机上运行时，使得所述计算机执行如上所述的基于卫星远红外融合亮温数据对流爆发区判识方法。
与现有技术相比，根据本发明的基于卫星远红外融合亮温数据对流爆发区判识方法及装置，可以对小尺度、高分辨率的对流爆发区进行精准判识，且结果准确。
附图说明
图1是本发明实施例一中的一种基于卫星远红外融合亮温数据对流爆发区判识方法的流程示意图；
图2是本发明实施例一中的生成远红外融合亮温数据的流程示意图；
图3是本发明实施例二中的一种基于卫星远红外融合亮温数据对流爆发区判识装置的结构示意图；
图4是本发明实施例三中的一种电子设备的结构示意图；
图5是本发明一具体实施例中的一种基于卫星远红外融合亮温数据对流爆发区判识方法的逻辑流程示意图；
图6是本发明一具体实施例中的一种基于卫星远红外融合亮温数据对流爆发区判识方法的梯形隶属函数形式的示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明实施例，而非对本发明实施例的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明实施例相关的部分而非全部结构。
为了方便理解，首先将本发明各实施例的主要实现构思进行简单表述。
发明人通过发现如前背景技术所述技术缺陷，通过基于高空间分辨率的全色光谱数据，结合静止气象卫星如FY4A远红外通道亮温（多通道的亮温数据），利用数据融合技术，经过融合得到具有高分卫星分辨率的水汽、中红外、远红外通道亮温。并利用光流法基于连续时次的全色通道图像计算云顶的光流矢量，基于光流矢量计算台风云顶位置的散度和旋度场。然后建立模糊基函数采用模糊逻辑的算法获得台风对流爆发区的判识。静止气象卫星的分辨率有限，难以识别台风云系里面的对流爆发区，而融合后的云图（远红外融合亮温数据）具有与高分卫星相同的空间分辨率，为判识提供了数据支撑。利用光流法可以充分利用高分卫星高时间分辨率的特点，而且可以提取逐像元的光流矢量。而对流云顶的光流矢量相对于平流来说，表现出一定的散度和旋度，因此可以利用光流矢量的散度和旋度来为对流的判识提供帮助，从而可以对小尺度、高分辨率的对流爆发区进行精准判识，且结果准确。
实施例一，图1是本发明实施例一中的一种基于卫星远红外融合亮温数据对流爆发区判识方法的流程示意图，如图1所示，实施例一提供了一种基于卫星远红外融合亮温数据对流爆发区判识方法，包括：
步骤S100，获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；
具体的，如图5所示，高分云图融合算法利用高分四号卫星高空间分辨率的全色光谱数据，经过结合静止卫星的云高产品，利用GDAL结合RPC文件进行几何精校正和投影转换等，结合相同或相近时次的静止气象卫星的多通道亮温等数据，，实现静止卫星和多通道亮温与高分卫星的融合。
步骤S200，基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；
具体的，如图5所示，为了更进一步发挥高分卫星较高的时空分辨率的优势，使用Farneback光流法（第一预设算法）进行云图速度场的估算。光流是指空间运动物体在观察成像平面上的像素运动的瞬时速度，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。GF4的凝视模式具有较高的时间分辨率，可以提供连续时次的观测云图。Farneback光流法也称为“基于多项式展开的光流法”，这种算法是一种稠密光流的算法--将图片上的像素点的光流都计算出来，Farneback光流法的基本假设是图像梯度恒定且假设局部光流恒定，将图像上像素点的灰度值由二维坐标系多项式展开为五维坐标系，再利用局部多项式拟合对连续图像的速度场进行匹配，得到逐像元的速度。同时Farneback速度场也利用了金字塔迭代的方法来解决局部风速较大的问题，使用不同分辨率的图像对速度进行由粗到细的估算，反演出来的速度场具有很好的空间连续性。
Farneback光流法的多项式展开的思想是将每个像素点的邻域近似表示为多项式，可以构造
（1）；
其中，是该像素点的位置坐标/>，/>是一个对称矩阵/>，/>是一个二维向量/>，/>是一个标量，系数要根据加权最小二乘法对相邻信号值进行估计；
将展开
（2）；
这里实际上将二维信号空间转换成了以作为基函数的六维信号空间，表示图像就需要一个六维向量。；在编程中，为了简化计算，舍弃了其中的常数项，六维空间便转化为五维空间；
理想情况位移估计：
由于多项式展开的结果是每个邻域近似表示为多项式，因此首先分析多项式经过理想平移的情况，初始图像信号为：
（3）；
经过全局位移d，构建得到新的信号：
（4）；
将多项式中的系数等效：
（5）；
（6）；
（7）；
得：
（8）；
通过公式（6），可以求解得到d；
（9）；
（10）；
结合实际考虑，显然，关于整个信号是单个多项式的假设以及与这两个图像信号相关的全局平移在实际情况中是不存在的，但是表示基本关系的公式（10）仍适用于实际信号。
可以用公式（3）中的局部多项式近似代替全局多项式；首先对两幅图像进行多项式展开，给出第一幅图像的扩展系数,/>和/>、第二幅图像的扩展系数/>,/>和/>；理想情况下，根据公式（5），这时应该给出/>，但实际上必须求解近似值：
（11）；
（12）；
用空间变化的位移场来替代之前的全局变量/>，得到：
（13）；
对邻域的估计：理论上（13）可以逐点求解，但是这样既不利于提高算法的稳定性也会对计算成本造成浪费，所以根据实际情况假设位移场只是缓慢变化的，这样就可以在每个像素的邻域上集成信息，因此需要尽可能地在的邻域/>中找到/>以及最小化：
（14）；
定义是根据二维高斯分布确定的邻域中每个点的权函数，根据最小二乘法的原理可得：
（15）；
实际上，这意味着首先要计算和/>，然后将它们通过权重函数/>进行加权平均运算，最终根据公式(15)求解位移，此解决方案存在并且是唯一的。
参数化位移场：如果位移场可以根据某种运动模型进行参数化，那么可以提高算法的鲁棒性；对于参数线性的运动模型来说，比如一个具有六个参数的运动模型：
；
（16）；
令,/>,/>，则有
（17）；
将其代入公式（14），就可以得到一个加权最小二乘问题：
（18）；
用来索引某像素点邻域中的坐标，这样就可以用最小二乘法计算得到：
（19）；
像之前一样，可以计算和/>，然后用/>来对它们进行加权平均计算，最终计算得到位移。
步骤S300，基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；
具体的，如图5所示，散度是向量场的一种强度性质，就如同密度、浓度、温度一样，它对应的广延性质是一个封闭区域表面的通量，所以说散度是通量的体密度。如果V(,y)是光流速度场，其中的V/>，Vy分别是速度场V(/>,y)在/>轴、y轴方向上的单位向量，场的分量具有一阶连续偏导数，那么光流矢量的散度场（第二预设算法）可以表示为：
；
步骤S400，基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；
具体的，如图5所示，旋度是一个向量算子，表示在三维欧几里德空间中的向量场的无穷小量旋转。在向量场每个点上，点的旋度表示为一个向量，称为旋度向量。这个向量的特性（长度和方向）刻画了在这个点上的旋转。旋度的方向是旋转的轴，它由右手定则来确定，而旋度的大小是旋转的量。如果向量场表示一个移动的流形的流速，则旋度是这个流形的环量面密度。旋度为零的向量场叫做无旋向量场。旋度是向量的一种微分形式。微积分基本定理的对应形式是开尔文-斯托克斯定理，它将向量场旋度的曲面积分关联于这个向量场环绕边界曲线的曲线积分。如果A是光流速度场，其中的A，Ay分别是速度场A在/>轴、y轴方向上的单位向量，场的分量具有一阶连续偏导数，光流矢量的旋度场（第三预设算法）可以表示为：
；
步骤S500，基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；
具体的，如图5所示，建立旋度场、散度场、远红外融合亮温对于对流爆发判识的模糊基函数，根据实际的判识结果对参数进行调试。构建具体模糊逻辑体系时，采用基本形式为梯形函数的隶属函数系来对以上三个参量进行模糊化。每一个参量对对流爆发区建立隶属函数，隶属函数的形式有多种，这里选取梯形函数作为隶属函数的基本形式（如图6所示），该函数的形状由四个参数（X 1、X 2、X 3、X 4）决定，X 1、X 2、X 3、X 4，隶属函数表示为：
；
式中，P表示隶属度，x表示考虑的参量，一般为经验值，如对于亮温，一般认为-32℃是对流的阈值，这里可以将X 1和X 2设置为负无穷，X 3设置为-32，X 4设置0，x在某一变量不同的取值范围有着不同的隶属度。模糊逻辑算法识别结果的关键就是要确定梯形函数的系数X 1、X 2、X 3、X 4。根据阈值对对流爆发区和非对流爆发区对应的各个参量的梯形函数的系数进行了设定。系数的选取对于爆发区的识别是非常的重要的，亮温的系数的选择主要参考静止气象卫星对流判识的经验参数来获取，旋度和散度则根据统计结果来确认，一般认为接近或小于0的散度或旋度没有对流。这里首先计算散度和旋度的四分位数，四分位数是统计学中分位数的一种，即把所有数值由小到大排列并分成四等份，处于三个分割点位置的数值就是四分位数；第一四分位数，又称较小四分位数，等于该样本中所有数值由小到大排列后第25%的数字；第二四分位数，又称中位数，等于该样本中所有数值由小到大排列后第50%的数字；第三四分位数，又称较大四分位数，等于该样本中所有数值由小到大排列后第75%的数字；这里选择第一四分位数和第三四分位数作为X 1和X 2，X 3和X 4可设置为无穷大。
步骤S600，基于所述模糊基函数进行对流爆发区的判识，生成判识结果；
具体的，如图5所示，将上述参量旋度场、散度场、远红外融合亮温输入到模糊基函数里面实现对流爆发区的判识；
令j表示非对流爆发区（0）和对流爆发区（1）的编号，i表示参数的种类，则判识强度R j 可以表示为：
；
上式中的P ij表示中所示的j类区域第i种参数带来的贡献度，R j即表示所有参数对第j类区域总的贡献度，上述公式表示各类贡献度相加，其中系数A i表示第i类参数对R j的权重系数；对于每一个像素点，可以计算得到每种对流爆发区和非对流爆发区总的贡献度R j，选取最大的R j对应的j值作为模糊逻辑识别结果，也就是说，如果R 0>R 1，则该点为非对流区。
在本实施例中，如图2所示，所述步骤S100包括：
步骤S101，获取高空间分辨率卫星的高空间分辨率的全色光谱数据；其中，所述高空间分辨率卫星例如可为高分四号卫星；
步骤S102，获取静止气象卫星的多通道的亮温数据；其中，所述静止气象卫星例如可为风云四号卫星；
步骤S103，对所述高空间分辨率的全色光谱数据进行几何精纠正；
步骤S104，统一所述多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据的分辨率；
步骤S105，融合统一分辨率后的多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据，生成远红外融合亮温数据；
具体的，获取高空间分辨率卫星的高空间分辨率的全色光谱数据后，需要对所述全色光谱数据进行预处理，生成预处理后的全色光谱数据；其中，对所述全色光谱数据进行预处理包括：
对所述全色光谱数据进行几何精纠正以获得纠正数据；
对所述纠正数据进行重采样并得到预处理后的全色光谱数据；
其中，对所述全色光谱数据进行几何精纠正包括：
基于参考影像的特征信息列表从所述全色光谱数据中提取特征点并剔除误匹配点；所述特征点的集合为所述纠正数据。对于初步匹配到的特征点，会存在一定量的误匹配点，因此需要从全色光谱数据中将所需的特征点进行提取，同时删除误匹配点。
其中，由于参考影像是固定不变的，为加快特征点匹配的速度，参考影像的特征点信息被事先构建好存放在特征信息列表中。
本发明具体实施例中，基于参考影响的特征信息列表从所述全色光谱数据中提取特征点包括：
构建高斯尺度空间影像，并基于所述高斯尺度空间影像构建DOG金字塔影像。具体而言，构建高斯尺度空间影像的过程中首先引入尺度空间的概念，尺度空间方法的基本思想是：在视觉信息处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得不同尺度下的视觉处理信息，然后综合这些信息以深入地挖掘图像的本质特征。一个图像的尺度空间等于高斯函数/>)与原始图像/>)的卷积，即，
高斯函数为，其中（/>,y）为像素坐标，/>表示图像的卷积操作，/>为尺度空间因子，其大小决定了影像的平滑程序，大尺度对应影像的概貌特征，小尺度对应了影像的细节特征。高斯尺度空间影像构建后，在尺度空间内进行极值检测，建立影像的DOG金子塔影像/>，即
；
其中，k为相邻两个尺度空间倍数的常数。
在所述DOG金字塔影像的尺度空间内确定第一关键点，并计算所述第一关键点邻域内像素的梯度以确定所述第一关键点的主方向。如果一个点在DOG尺度空间本层以及上下2层的26个像素中为最大值或者最小值就是影像在该尺度下的一个关键点，即第一关键点，DOG函数中的极值点与尺度无关，选择DOG函数的极大值或者极限值作为第一关键点，来实现其尺度的不变形。
为了实现第一关键点的选择不变形，获得第一关键点后还需要计算第一关键点邻域内像素的梯度，并以此确定第一关键点的主方向，利用第一关键点邻域像素的梯度方向分布特征为每个第一关键点指定方向参数。
；
；
上式分别为邻域像素在（,y）处梯度的模值和方向计算公式，其中L所用的尺度为每个第一关键点各自所在的尺度。实际计算时，在以第一关键点为中心的领域窗口内采样，并且用直方图统计领域像素的梯度方向。梯度的直方图的范围是0-360°，每10°代表一个方向，共36个直方图，直方图的峰值代表了该第一关键点在该尺度下的主方向，将其作为第一关键点的主方向。
基于所述第一关键点以及所述第一关键点的主方向构造特征描述向量。在构造特征描述向量时，首先将第一关键点周围局部区域顺时针旋转角，以确保其具有旋转不变性，在旋转后的区域内，将以第一关键点为中心的16×16的矩形窗口内均匀的分成4×4的子区域，在每个子块上分别计算8个方向的梯度直方图，16个字块一共可以得到一个128维的梯度描述向量，经过上述处理后，得到的特征描述向量已经去除了尺度变化、旋转等几何因素的影响，如果对这个128维描述向量进行归一化，进一步可去除光照的影响。
从所述参考影像的特征信息列表中获取任一第二关键点，并从所述第一关键点中获取与所述特征描述向量欧式距离最近的两个第一关键点与所述第二关键点进行匹配以提取特征点。具体的，通过128维特征描述向量的欧氏空间距离作为相似性测度进行影像匹配，当高分四号卫星影像和参考影像的SIFT特征向量生成后，取参考影像的某个第一关键点，并找出高分四号卫星影像中与其特征描述向量欧氏距离最接近的2个第二关键点。在这2个第二关键点中，如果最近距离和次最接近距离的第二关键点之间的比值小于某个阈值则该第一关键点匹配成功。
本发明具体实施例中，剔除误匹配点包括：
采用RANSAC算法和仿射变换模型从所述特征点中剔除误匹配点。
具体的，对于初步匹配到的特征点，会存在一定量的误匹配点，对于遥感影像来说，可以采用RANSAC算法剔除误匹配点，对于高分辨率的影像和参考影像来说，采用仿射变换模型来作为几何约束，仿射变换的模型如下：
；
；
上式中，(与(/>分别为特征点在左影像上的像点坐标和右影像候选匹配点的坐标，(/>）为仿射变换的参数。
RANSAC是随机抽样一致性（RANdom Sample Consensus）的缩写词，它可以由一组包含局外点的观测数据集，通过迭代计算估计数学模型的参数，该方法是一种不确定算法，由一定的概率可以得出一个最优或近似最优的结果，因此，为了提高获得最优或近似最优结果的概率，必须增加迭代次数，就影像匹配而言，RANSAC算法中的局外点即为影像的误匹配点，采用RANSAC算法剔除误匹配点的具体流程如下：
（1）设置初始值，其中样本数k为无穷大，样本计算器t为0；
（2）从匹配出的所有特征点中随机抽取3个匹配的特征点对，求解仿射变换的6个参数；
（3）根据上述步骤（2）中的仿射变换的参数，计算其余特征点经过仿射变换后的相素坐标，并计算与候选匹配点之间的距离，若距离小于给定阈值，则该候选匹配点为正确的特征点，否则为误匹配点；
（4）计算误匹配点所占比例（正确匹配的特征点数/匹配总点数）；
（5）计算样本数值，其中/>为置信水平，可取0.1%；
（6）样本计算器t加1；
（7）当k<t时，停止迭代，否则，转回第（2）步继续迭代计算；
（8）当迭代停止后，选取具有正确匹配的特征点数最多的集合作为最佳匹配点集合，将该最佳匹配点集合作为本发明具体实施例中的纠正数据，其余的匹配点则为误匹配点，予以剔除。
本发明具体实施例中，通过双线性插值对所述纠正数据进行重采样并得到所述预处理后的全色光谱数据。
具体的，对匹配到的纠正数据的像素坐标(,y)和参考影像的地理坐标(X,Y)，构建反射变换模型，即
；
其中， (为仿射变换的6个参数。当特征点的个数大于3个时，采用最小二乘求解这个6个参数。
确定好仿射变换的参数后，利用仿射变换的反算确定纠正数据所对应影像的空间范围，根据其空间分辨率对每个像元的地理坐标（X1,Y1）计算其在影像中的像素坐标（ 1,y1），(/> 1,y1)像素坐标可能不是整数，因此需要进行影像重采样处理。
双线性插值是由一维线性灰度内插拓展而来的，因为影像是二维的，所以双线性插值就是先在一个维度上线性内插一次，然后在此基础上再另一个维度上再线性内插一次得到结果。
双线性插值的公式为：
；
上式中u,v为变换后像素点坐标的相对于整相对点（i,j）的偏移量。
相比较于最近邻重采样方法而言，双线性插值法进行重采样多了两次线性插值运算，因此计算量多而且也比较复杂，但是它的效果比最近邻重采样方法要好，不会出现灰度断档现象，但可能会模糊影像。
而获取静止气象卫星的多通道的亮温数据后需要进行预处理，得到预处理后的多通道的亮温数据；其中，对所述多通道的亮温数据进行预处理，得到预处理后的多通道的亮温数据具体包括：
通过平面方程插值法对所述多通道的亮温数据进行预处理以得到预处理后的多通道的亮温数据；所述预处理后的多通道的亮温数据为亮温插值。
具体的，为了使预处理后的多通道的亮温数据具有较好的连续性，利用平面方程插值法不仅能最大限度的保持数据的原值，而且能得到最为平滑的插值结果。
如已知三点p1（ 1,y1,z1），p2(/> 2,y2,z2)，p3(/> 3,y3,z3)，要求确定的平面方程，关键在于求出平面的一个法向量，为此做向量p1p2（/> 2-/> 1,y2-y1,z2-z1), p1p3(/> 3-/> 1,y3-y1,z3-z1),平面法线和这两个向量垂直，因此法向量/>为：
；
；
)；
；
其中i, j, k分别是, y, z三个方向的单位法向量，a,b,c分别是平面方程的系数。
根据上述平面方程可以得到上下两个三角平面的系数分别为：
上三角：
a1=y1*z2-y1*z3-y2*z1+y2*z3+y3*z1-y3*z2；
b1=- 1*z2+/> 1*z3+/> 2*z1-/> 2*z3-/> 3*z1+/> 3*z2；
c1= 1*y2-/> 1*y3-/> 2*y1+/> 2*y3+/> 3*y1-/> 3*y2；
d1=- 1*y2*z3+/> 1*y3*z2+/> 2*y1*z3-/> 2*y3*z1-/> 3*y1*z2+/> 3*y2*z1；
其中，a1，b1，c1是上三角的平面方程三个法向量的斜率，d1是上三角的平面方程的截距。
下三角：
a2=y4*z2-y4*z3-y2*z4+y2*z3+y3*z4-y3*z2；
b2=- 4*z2+/> 4*z3+/> 2*z4-/> 2*z3-/> 3*z4+/> 3*z2；
c2= 4*y2-/> 4*y3-/> 2*y4+/> 2*y3+/> 3*y4-/> 3*y2；
d2=- 4*y2*z3+/> 4*y3*z2+/> 2*y4*z3-/> 2*y3*z4-/> 3*y4*z2+/> 3*y2*z4；
其中，a2，b2，c2是下三角的平面方程三个法向量的斜率，d2是下三角的平面方程的截距。
然后计算(px,py)所在y方向的向量与( 3,y3)和(/> 2,y2)两点连线的交点：
y32 = y3-( 3-px)/(/> 3-/> 2)*(y3-y2)；
如果py小于 y32则利用上面的平面方程计算亮温插值zo：
zo = (-d1 - a1*px - b1*py)/c1；
否则利用下面的平面方程计算亮温插值zo：
zo = (-d2 - a2*px - b2*py)/c2；
利用平面方程插值法不仅能最大限度的保持数据在融合过程中不失真，而且能够解决融合数据不平滑的问题。
本发明具体实施例中，通过平面方程插值法对所述多通道的亮温数据进行预处理以获取预处理后的多通道的亮温数据包括：
将所述多通道的亮温数据插值到高分辨率卫星的观测点上以获取预处理后的多通道的亮温数据。根据上述平面方程插值法，将静止卫星的多通道的亮温数据插值到高分辨率卫星的观测点上，得到矩阵F即为预处理后的多通道的亮温数据。
具体的，基于高空间分辨率卫星分发的L1A级产品提供的RPC参数文件，对获取的高空间分辨率卫星的全色光谱数据进行几何校正，辐射定标和投影转化等预处理流程，获得等经纬度投影的预处理后的高空间分辨率卫星的全色光谱数据；对同时段范围内的静止气象卫星的多光谱数据进行投影转化，区域裁剪等预处理流程，得到逐时刻匹配的等经纬度投影的静止气象卫星的预处理后的亮温数据；其中，所述预处理后的全色光谱数据和所述预处理后的亮温数据可为同一时间生成的。
具体的，对预处理后的高空间分辨率卫星的全色光谱数据，基于高精度参考影像的SIFT特征点信息列表，利用SIFT特征匹配算法进行待校正影像的特征点提取，剔除误匹配点，得到多对待几何精纠正影像的像素坐标和参考影像的地理坐标，建立几何精纠正的校正模型，完成全色影像的几何精纠正；对于预处理后的多通道的亮温数据，将原始分辨率的可见光和红外波段插值到与全色光谱数据分辨率相同，基于平面插值的方法计算得到高分数据的纹理信息，加上平滑因子，并与静止气象卫星预处理后的图像相乘，即可得到两者融合后的影像；对逐时刻的静止气象卫星的可见光红光波段，水汽波段和热红外波段影像都与时间上相匹配的高空间分辨率卫星全色光谱数据进行数据融合，均生成单波段的GeoTIFF影像，用于后续波段计算。
具体的，得到高分数据（预处理后的全色光谱数据）的纹理信息具体可为：将预处理后的全色光谱数据A利用线性插值方法插值到静止气象卫星的观测点上得到矩阵B，然后利用平面方程法将矩阵B插值到高分辨率卫星的观测点上得到矩阵C，进而得到的预处理后的全色光谱数据的纹理数据W即为： W=A/C；
具体的，生成远红外融合亮温数据具体可为：将预处理后的全色光谱数据的纹理数据W加上一个平滑因子S，乘以上述预处理得到的预处理后的多通道的亮温数据F，即可得到远红外融合亮温数据R，即为：
R = F * (W+S)；
其中，远红外融合亮温数据R即为融合后的红外图像。
本发明实施例提出的数据融合算法利用高分辨率卫星预处理子系统生成的高分辨率的全色光谱数据，经过预处理，结合相同或相近时次的风云四号卫星或其他静止气象卫星的多通道的亮温数据，实现多通道的亮温数据与全色光谱数据的融合。
在本实施例中，所述步骤S200包括：
基于所述远红外融合亮温数据，采用Farneback光流法对所述远红外融合亮温数据进行计算，生成所述光流矢量。
在本实施例中，所述步骤S500包括：
采用梯形函数的隶属函数系对所述远红外融合亮温数据、所述散度场和所述旋度场进行模糊化操作，构建模糊基函数。
实施例二，图3是本发明实施例二中的一种基于卫星远红外融合亮温数据对流爆发区判识装置的结构示意图，如图3所示，实施例二提供了一种基于卫星远红外融合亮温数据对流爆发区判识装置，包括：第一生成模块301、第二生成模块302、第一计算模块303、第二计算模块304、构建模块305以及第三生成模块306。第一生成模块301用于获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；第二生成模块302用于基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；第一计算模块303用于基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；第二计算模块304用于基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；构建模块305用于基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；以及第三生成模块306用于基于所述模糊基函数进行对流爆发区的判识，生成判识结果。
在本实施例中，所述第一生成模块301包括：第一获取单元、第二获取单元、纠正单元、统一单元以及第一生成单元。第一获取单元用于获取高空间分辨率卫星的高空间分辨率的全色光谱数据；第二获取单元用于获取风云四号卫星的多通道的亮温数据；纠正单元用于对所述高空间分辨率的全色光谱数据进行几何精纠正；统一单元用于统一所述多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据的分辨率；以及第一生成单元用于融合统一分辨率后的多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据，生成远红外融合亮温数据。
在本实施例中，所述第二生成模块302包括：第二生成单元，用于基于所述远红外融合亮温数据，采用Farneback光流法对所述远红外融合亮温数据进行计算，生成所述光流矢量。
在本实施例中，所述构建模块305包括：构建单元，用于采用梯形函数的隶属函数系对所述远红外融合亮温数据、所述散度场和所述旋度场进行模糊化操作，构建模糊基函数。
实施例一提供的基于卫星远红外融合亮温数据对流爆发区判识方法的各种变化方式和具体实例同样适用于本实施例提供的基于卫星远红外融合亮温数据对流爆发区判识装置，通过前述对一种基于卫星远红外融合亮温数据对流爆发区判识方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于卫星远红外融合亮温数据对流爆发区判识装置的实施方式，所以为了说明书的简洁，在此不再详述。
实施例三，图4是本发明实施例三中的一种电子设备的结构示意图，如图4所示，实施例三还提供一种电子设备400，该电子设备可以包括：处理器401和存储器402。
存储器402，用于存储程序；存储器402，可以包括易失性存储器（英文：volatilememory），例如随机存取存储器（英文：random-access memory，缩写：RAM），如静态随机存取存储器（英文：static random-access memory，缩写：SRAM），双倍数据率同步动态随机存取存储器（英文：Double Data Rate Synchronous Dynamic Random AccessMemory，缩写：DDR SDRAM）等；存储器也可以包括非易失性存储器（英文：non-volatilememory），例如快闪存储器（英文：flash memory）。存储器402用于存储计算机程序（如实现上述方法的应用程序、功能模块等）、计算机指令等，上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器402中。并且上述的计算机程序、计算机指令、数据等可以被处理器401调用。
上述的计算机程序、计算机指令等可以分区存储在一个或多个存储器402中。并且上述的计算机程序、计算机指据等可以被处理器401调用。
处理器401，用于执行存储器402存储的计算机程序，以实现上述实施例涉及的方法中的各个步骤。
具体可以参见前面方法实施例中的相关描述。
处理器401和存储器402可以是独立结构，也可以是集成在一起的集成结构。当处理器401和存储器402是独立结构时，存储器402、处理器401可以通过总线403耦合连接。
本实施例的电子设备可以执行上述方法中的技术方案，其具体实现过程和技术原理相同，此处不再赘述。
实施例四，实施例四还提供一种计算机可读存储介质，包括计算机程序和指令，当计算机程序或指令在计算机上运行时，使得计算机执行本发明任意实施例的网络设备的升级方法。
计算机可读取存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例还提供了一种计算机程序产品，计算机程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明公开中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，
只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
总之，本发明的基于卫星远红外融合亮温数据对流爆发区判识方法及装置，通过基于高空间分辨率的全色光谱数据，结合静止气象卫星如FY4A远红外通道亮温（多通道的亮温数据），利用数据融合技术，经过融合得到具有高分卫星分辨率的水汽、中红外、远红外通道亮温。并利用光流法基于连续时次的全色通道图像计算云顶的光流矢量，基于光流矢量计算台风云顶位置的散度场和旋度场。然后建立模糊基函数采用模糊逻辑的算法获得台风对流爆发区的判识。静止气象卫星的分辨率有限，难以识别台风云系里面的对流爆发区，而融合后的云图（远红外融合亮温数据）具有与高分卫星相同的空间分辨率，为判识提供了数据支撑。利用光流法可以充分利用高分卫星高时间分辨率的特点，而且可以提取逐像元的光流矢量。而对流云顶的光流矢量相对于平流来说，表现出一定的散度和旋度，因此可以利用光流矢量的散度和旋度来为对流的判识提供帮助，从而可以对小尺度、高分辨率的对流爆发区进行精准判识，且结果准确。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (8)

1.一种基于卫星远红外融合亮温数据对流爆发区判识方法，其特征在于，包括：
获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；
基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；
基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；
基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；
基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；
基于所述模糊基函数进行对流爆发区的判识，生成判识结果；
其中，所述基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数包括：采用梯形函数的隶属函数对所述远红外融合亮温数据、所述散度场和所述旋度场进行模糊化操作，构建模糊基函数；
其中，所述隶属函数表示为：
；
式中，P表示隶属度，x表示考虑的参量，X 1、X 2、X 3、X 4表示梯形函数的系数；
其中，对于亮温，将X 1和X 2设置为负无穷，X 3设置为-32，X 4设置0；
其中，旋度和散度是根据统计结果来确认，选择第一四分位数和第三四分位数作为X 1和X 2，X 3和X 4设置为无穷大。
2.如权利要求1所述的基于卫星远红外融合亮温数据对流爆发区判识方法，其特征在于，所述获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据包括：
获取高空间分辨率卫星的高空间分辨率的全色光谱数据；
获取静止气象卫星的多通道的亮温数据；
对所述高空间分辨率的全色光谱数据进行几何精纠正；
统一所述多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据的分辨率；
融合统一分辨率后的多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据，生成远红外融合亮温数据。
3.如权利要求1所述的基于卫星远红外融合亮温数据对流爆发区判识方法，其特征在于，所述基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量包括：
基于所述远红外融合亮温数据，采用Farneback光流法对所述远红外融合亮温数据进行计算，生成所述光流矢量。
4.一种基于卫星远红外融合亮温数据对流爆发区判识装置，其特征在于，包括：
第一生成模块，用于获取高空间分辨率的全色光谱数据和多通道的亮温数据，生成远红外融合亮温数据；
第二生成模块，用于基于所述远红外融合亮温数据，通过第一预设算法，生成光流矢量；
第一计算模块，用于基于所述光流矢量，通过第二预设算法，计算所述光流矢量的散度场；
第二计算模块，用于基于所述光流矢量，通过第三预设算法，计算所述光流矢量的旋度场；
构建模块，用于基于所述远红外融合亮温数据、所述散度场和所述旋度场，构建模糊基函数；以及
第三生成模块，用于基于所述模糊基函数进行对流爆发区的判识，生成判识结果；
其中，所述构建模块包括构建单元，用于采用梯形函数的隶属函数对所述远红外融合亮温数据、所述散度场和所述旋度场进行模糊化操作，构建模糊基函数；
其中，所述隶属函数表示为：
；
式中，P表示隶属度，x表示考虑的参量，X 1、X 2、X 3、X 4表示梯形函数的系数；
其中，对于亮温，将X 1和X 2设置为负无穷，X 3设置为-32，X 4设置0；
其中，旋度和散度是根据统计结果来确认，选择第一四分位数和第三四分位数作为X 1和X 2，X 3和X 4设置为无穷大。
5.如权利要求4所述的基于卫星远红外融合亮温数据对流爆发区判识装置，其特征在于，所述第一生成模块包括：
第一获取单元，用于获取高空间分辨率卫星的高空间分辨率的全色光谱数据；
第二获取单元，用于获取风云四号卫星的多通道的亮温数据；
纠正单元，用于对所述高空间分辨率的全色光谱数据进行几何精纠正；
统一单元，用于统一所述多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据的分辨率；以及
第一生成单元，融合统一分辨率后的多通道的亮温数据和经几何精纠正后的高空间分辨率的全色光谱数据，生成远红外融合亮温数据。
6.如权利要求4所述的基于卫星远红外融合亮温数据对流爆发区判识装置，其特征在于，所述第二生成模块包括：
第二生成单元，用于基于所述远红外融合亮温数据，采用Farneback光流法对所述远红外融合亮温数据进行计算，生成所述光流矢量。
7.一种电子设备，其特征在于，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-3中任一项所述的基于卫星远红外融合亮温数据对流爆发区判识方法。
8.一种计算机可读存储介质，其特征在于，包括计算机程序和指令，当所述计算机程序或所述指令在计算机上运行时，使得所述计算机执行如权利要求1-3中任一项所述的基于卫星远红外融合亮温数据对流爆发区判识方法。
CN202410070183.8A 2024-01-18 2024-01-18 基于卫星远红外融合亮温数据对流爆发区判识方法及装置 Active CN117609954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410070183.8A CN117609954B (zh) 2024-01-18 2024-01-18 基于卫星远红外融合亮温数据对流爆发区判识方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410070183.8A CN117609954B (zh) 2024-01-18 2024-01-18 基于卫星远红外融合亮温数据对流爆发区判识方法及装置

Publications (2)

Publication Number Publication Date
CN117609954A CN117609954A (zh) 2024-02-27
CN117609954B true CN117609954B (zh) 2024-03-29

Family

ID=89950186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410070183.8A Active CN117609954B (zh) 2024-01-18 2024-01-18 基于卫星远红外融合亮温数据对流爆发区判识方法及装置

Country Status (1)

Country Link
CN (1) CN117609954B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096344A (zh) * 2015-08-18 2015-11-25 上海交通大学 基于cd运动特征的群体行为识别方法及系统
CN106227042A (zh) * 2016-08-31 2016-12-14 马占久 基于模糊神经网络的溶解氧控制方法
CN111273378A (zh) * 2020-05-07 2020-06-12 南京海气智绘信息技术有限公司 一种基于风应力扰动的台风中心定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105096344A (zh) * 2015-08-18 2015-11-25 上海交通大学 基于cd运动特征的群体行为识别方法及系统
CN106227042A (zh) * 2016-08-31 2016-12-14 马占久 基于模糊神经网络的溶解氧控制方法
CN111273378A (zh) * 2020-05-07 2020-06-12 南京海气智绘信息技术有限公司 一种基于风应力扰动的台风中心定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Motion Estimation for Complex Fluid Flows Using Helmholtz Decomposition;Jun Chen等;《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》;20230531;第33卷(第5期);全文 *
Typhoon Cloud System Identification and Forecasting Using the Feng-Yun 4A/Advanced Geosynchronous Radiation Imager Based on an Improved Fuzzy Clustering and Optical Flow Method;Gen Wang等;《Advances in Meteorology》;20190731;全文 *
北上台风云系结构变化的遥感定量特征指标研究及应用;曹治强等;《热带气象学报》;20220615;全文 *
台风中心区域亮温扰动特征分析及其定位应用;陈佳俊;《中国优秀硕士学位论文全文数据库 基础科学辑 (月刊)》;20230115(第2023年第01期);全文 *

Also Published As

Publication number Publication date
CN117609954A (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
Feng et al. Robust registration for remote sensing images by combining and localizing feature-and area-based methods
Wang et al. Deep blind hyperspectral image fusion
Han et al. Remote sensing image building detection method based on Mask R-CNN
CN104574347B (zh) 基于多源遥感数据的在轨卫星图像几何定位精度评价方法
CN111161218A (zh) 一种基于孪生卷积神经网络的高分遥感影像变化检测方法
Liu et al. Multi-scale attention integrated hierarchical networks for high-resolution building footprint extraction
CN112347895A (zh) 一种基于边界优化神经网络的舰船遥感目标检测方法
Bu et al. Mask-CDNet: A mask based pixel change detection network
Zhu et al. Robust registration of aerial images and LiDAR data using spatial constraints and Gabor structural features
Chang et al. Collaborative coupled hyperspectral unmixing based subpixel change detection for analyzing coastal wetlands
CN113610905A (zh) 基于子图像匹配的深度学习遥感图像配准方法及应用
CN115937404A (zh) 基于多视图阴影分割的光栅三维重建系统及方法
Chen et al. Scene segmentation of remotely sensed images with data augmentation using U-net++
Liu et al. PMDRnet: A progressive multiscale deformable residual network for multi-image super-resolution of AMSR2 Arctic sea ice images
CN114612315A (zh) 一种基于多任务学习的高分辨率影像缺失区域重建方法
CN117609954B (zh) 基于卫星远红外融合亮温数据对流爆发区判识方法及装置
CN116758223A (zh) 基于双角度多光谱图像的三维多光谱点云重建方法、系统及设备
Hou et al. RFSDAF: A new spatiotemporal fusion method robust to registration errors
Kumar et al. An efficient method for road tracking from satellite images using hybrid multi-kernel partial least square analysis and particle filter
Serwa Studying the potentiality of using digital gaussian pyramids in multi-spectral satellites images classification
Wang et al. Cloud Removal With SAR-Optical Data Fusion Using a Unified Spatial-Spectral Residual Network
Wang et al. CFOG-like image registration algorithm based on 3D-structural feature descriptor for suburban optical and SAR
CN117592001B (zh) 一种数据融合方法及装置
CN118131361A (zh) 基于卫星融合数据的台风精细化定位方法及装置
CN117953388A (zh) 基于卫星融合数据的快速发展对流判识方法及装置

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
GR01 Patent grant
GR01 Patent grant