预测图像获取方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种预测图像获取方法、装置、计算机设备和存储介质。该方法包括：获取多个历史时刻的初始图像；采用预设的机器学习网络，对初始图像进行识别，得到初始图像对应的机器预测结果图像；获取基于初始图像的人工预测结果图像；采用预设的预测网络将机器预测结果图像和人工预测结果图像进行融合和识别，得到预测图像。采用本方法能够提高预测图像的准确度和质量，进而使得预报结果更准确。

Prediction image acquisition method, device, computer equipment and storage medium

【技术实现步骤摘要】
预测图像获取方法、装置、计算机设备和存储介质
本申请涉及图像处理
，特别是涉及一种预测图像获取方法、装置、计算机设备和存储介质。
技术介绍
为了对雷暴等灾害性天气进行准确的预报，以保证人们的生产和生活，人们采用对流天气未来几小时的对流临近预报。目前，对流临近预报主要是以自动外推技术为基础的专家系统,基于交叉相关追踪的算法,利用求雷达回波最优空间相关的方法,建立不同时次雷达回波的最佳拟合关系,从而达到追踪一定区域内雷达回波在过去的移动特征,然后通过这些回波移动特征来外推确定回波未来的位置和形状。这种算法通常也被称作区域追踪。然而传统的区域追踪的算法模型，所得到的预测图像无法解决雷达回波外推过程中存在的生消问题，因此预测得到的图像不准确，导致预测结果不准确。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高预测图像准确度的预测图像获取方法、装置、计算机设备和存储介质。第一方面，本申请实施例提供一种预测图像获取方法，所述方法包括：获取多个历史时刻的初始图像；采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；获取基于所述初始图像的人工预测结果图像；采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。在其中一个实施例中，所述预测网络包括融合子网络和识别子网络，所述采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像，包括：采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。在其中一个实施例中，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。在其中一个实施例中，所述鉴别器包括真实性鉴别器，所述真实性鉴别器的训练过程包括：将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练；在其中一个实施例中，所述鉴别器包括连续性鉴别器，所述连续性鉴别器的训练过程包括：将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；采用反向传播技术，根据所述连续梯度对所述连续性鉴别器进行训练。在其中一个实施例中，所述生成器的训练过程包括：将训练图像输入所述生成器，得到卷积结果；其中，所述训练图像为雷达拍摄的气象图像；将所述卷积结果的真实标签设置为真，得到更新卷积结果；计算所述更新卷积结果和每个所述训练图像对应的真实结果之间的图片均方值误差，得到图片损失；将所述图片损失、所述更新卷积结果对应的真实交叉商损失值和连续交叉商损失值交叉商损失值进行叠加并计算梯度，得到综合梯度；采用反向传播技术，根据所述综合梯度对所述生成器进行训练。在其中一个实施例中，所述将所述图片损失、所述更新卷积结果对应的真实鉴别结果和连续鉴别结果的交叉商损失值进行叠加并计算梯度，得到综合梯度之前，还包括：将所述更新卷积结果和每个所述训练图像对应的真实结果，输入真实性鉴别器，得到真实交叉商损失值；将所述更新卷积结果和每个所述训练图像对应的真实结果，输入连续性鉴别器，得到连续交叉商损失值。第二方面，本申请实施例提供一种预测图像获取装置，所述装置包括：第一获取模块，用于获取多个历史时刻的初始图像；识别模块，用于采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；第二获取模块，用于获取基于所述初始图像的人工预测结果图像；预测模块，用于采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。第三方面，本申请实施例提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取多个历史时刻的初始图像；采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；获取基于所述初始图像的人工预测结果图像；采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：获取多个历史时刻的初始图像；采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；获取基于所述初始图像的人工预测结果图像；采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。上述预测图像获取方法、装置、计算机设备和存储介质，计算机设备采用预设的机器学习网络，对初始图像进行识别，得到初始图像对应的机器预测结果图像，并采用预设的预测网络将机器预测结果图像和人工预测结果图像进行融合和识别，得到预测图像，因此实现了将传统外推计算方法和机器智能优化方法相结合，即在机器学习算法的识别结果上加入人工先验信息，从而减少了人工作业的复杂度，同时极大地提高了预测图像的获取速度和预测图像的准确度，进一步提升了临近雷达回波外推的效率，使得在利用少量计算机资源的条件下得到质量更好的雷达回波的预测图像，进而使得预报速度与预报的准确度也大大提高。附图说明图1为一个实施例中计算机设备的内部结构图；图2为一个实施例提供的预测图像获取方法的流程示意图；图2a为一个实施例提供的预测图像获取方法的实现流程示意图；图3为一个实施例提供的真实性鉴别器的训练流程示意图；图4为一个实施例提供的连续性鉴别器的训练流程示意图；图5为一个实施例提供的生成器的训练流程示意图；图6为一个实施例提供的预测图像获取装置的结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。本申请实施例提供的预测图像获取方法，可以适用于图1所示的计算机设备。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、数据库、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器本文档来自技高网...

【技术保护点】
1.一种预测图像获取方法，其特征在于，所述方法包括：/n获取多个历史时刻的初始图像；/n采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；/n获取基于所述初始图像的人工预测结果图像；/n采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。/n

【技术特征摘要】
1.一种预测图像获取方法，其特征在于，所述方法包括：
获取多个历史时刻的初始图像；
采用预设的机器学习网络，对所述初始图像进行识别，得到所述初始图像对应的机器预测结果图像；
获取基于所述初始图像的人工预测结果图像；
采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像。


2.根据权利要求1所述的方法，其特征在于，所述预测网络包括融合子网络和识别子网络，所述采用预设的预测网络将所述机器预测结果图像和所述人工预测结果图像进行融合和识别，得到所述预测图像，包括：
采用所述融合子网络将所述机器预测结果图像和对应的所述人工预测结果图像进行融合，得到多个融合图像；
采用所述识别子网络对多个所述融合图像分别进行识别，得到多个所述预测图像；其中，所述识别子网络为基于深度学习算法的神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述识别子网络的训练包括：对鉴别器和对生成器的交替训练。


4.根据权利要求3所述的方法，其特征在于，所述鉴别器包括真实性鉴别器，所述真实性鉴别器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的真实图像，输入真实性鉴别器，并获取所述真实性鉴别器输出的交叉商损失值的梯度，得到真实梯度；
采用反向传播技术，根据所述真实梯度对所述真实性鉴别器进行训练。


5.根据权利要求3所述的方法，其特征在于，所述鉴别器包括连续性鉴别器，所述连续性鉴别器的训练过程包括：
将训练图像输入所述生成器，得到卷积结果；所述训练图像为雷达拍摄的气象图像；
将所述卷积结果和每个所述训练图像对应的所述真实结果，输入连续性鉴别器，并获取所述连续性鉴别器输出的交叉商损失值的梯度，得到连续梯度；
采用反向传播技术，根据所述连续梯...

【专利技术属性】
技术研发人员：周康明，刘宗璇，
申请(专利权)人：上海眼控科技股份有限公司，
类型：发明
国别省市：上海;31