A cloud image segmentation method based on FCN and CNN belongs to the field of computer vision image segmentation. It is characterized in that: firstly, neighborhood super pixels of each pixel in the image to achieve the corresponding clustering and image input to the different step of the whole convolutional neural network FCN32s and FCN8s, realize the image pre segmentation result; FCN32s the black areas in the images must be part of the \cloud free cloud area FCN8s, the white areas in the images is a part of the image of the\ cloud \region; remaining uncertain region that is the grey area need to be determined by the depth of convolutional neural network CNN, need to select the key in the pixel area has always been like a super representative characteristics of super pixel region, the pixel characteristics judged by CNN network the\ cloud \or\ cloud\. The invention discovery precision and MR CNN, SP CNN quite, but the speed compared to the MR CNN increased 880 times, compared to the SP CNN increased 1.657 times.
【技术实现步骤摘要】
一种基于FCN和CNN的云图分割方法
本专利技术属于计算机视觉的图像分割领域,涉及超像素聚类及多种神经网络的特征提取,具体涉及毫米波雷达云图的超像素预处理并通过全卷积神经网络FCN和卷积神经网络CNN的特征提取,提出了一种基于FCN_CNN的毫米波雷达云图分割方法。
技术介绍
图像分割是图像处理中的关键技术之一。图像分割从20世纪70年代开始就很受人们的重视,发展至今其应用领域已经非常广泛了。主要表现在:军事研究领域,比如通过图像分割实现军事目标定位和战场分析等;医学影像领域,比如通过图象分割来辅助分析器官和病情等;交通监控领域,比如通过监控图像的分割辅助车辆目标检测和车牌识别等;气象分析领域,通过对遥感或雷达等获取的有关天气图像的分割,实现作物生长情况分析以及天气预测等。本专利技术的图像分割算法主要是针对气象领域的毫米波雷达云图。该毫米波雷达是中国气象探测中心,西安华腾微波有限责任公司以及成都信息工程大学联合研制的Ka波段全固态多普勒雷达。其发射的毫米波采用垂直顶空瞄准式的工作方式,利用云粒子对电磁波的散射特性,即可获得雷达的回波强度。接着通过伪彩色映射的原理,根据特定的颜色查找表,将不同的回波强度转换为彩色图像,即为图1所示的毫米波雷达云图。本专利技术分割的云图是连续12小时的云演变图,横向表示时间,纵向表示高度。但是由于低空噪音或者是空气中的气溶胶粒子的影响会使雷达回波强度变弱,在云图中表现为杂波成分如图1中的方框部分所示,这里我们称杂波成分与白色背景区域为“非云”部分。为了准确的天气预测,本专利技术的主要目的是实现云图的分割,即“非云”和“云”区域 ...
【技术保护点】
一种基于FCN和CNN的云图分割方法,其特征在于:首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中,实现云图的预分割结果;FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域,FCN8s结果图中的白色区域一定是云图中的一部分“云”区域;剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定,需要选取超像素区域中的关键像素来代表超像素区域的特征,像素的特征通过CNN网络来判断是“云”或者是“非云”,即能知道不确定部分的超像素区域是“云”还是“非云”;该CNN神经网络由5个卷积层、3个全连接层组成,并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层。F1到F3是全连接层,将F3的神经元个数由1000调为2,实现“云”和“非云”的2分类。
【技术特征摘要】
1.一种基于FCN和CNN的云图分割方法,其特征在于:首先通过超像素对云图中每个像素点的近邻域实现相应的聚类同时将云图输入到不同步长的全卷积神经网络FCN32s和FCN8s中,实现云图的预分割结果;FCN32s结果图中的黑色区域一定是云图中的一部分“非云”区域,FCN8s结果图中的白色区域一定是云图中的一部分“云”区域;剩下不确定的区域即灰色区域需要通过深度卷积神经网络CNN来确定,需要选取超像素区域中的关键像素来代表超像素区域的特征,像素的特征通过CNN网络来判断是“云”或者是“非云”,即能知道不确定部分的超像素区域是“云”还是“非云”;该CNN神经网络由5个卷积层、3个全连接层组成,并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层。F1到F3是全连接层,将F3的神经元个数由1000调为2,实现“云”和“非云”的2分类。...
【专利技术属性】
技术研发人员:毋立芳,贺娇瑜,简萌,张加楠,邹蕴真,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。