The invention provides an image segmentation method based on super pixel clustering optimized CNN. The method uses mean shift algorithm to divide a graph which is originally pixel level, which is divided into one region and another pixel. Then the input image is the core point of these is enough to represent the overall characteristics of the region as the center of the area that we have trained by CNN network, the core of the label, and the characterization of the super pixels corresponding to the label, finally will different regional combination of the results of optimal segmentation results can be obtained. The method of the present invention introduces the super pixel to ensure the consistency of the pixels, and the segmentation accuracy of the cloud image reaches 99.55%.
【技术实现步骤摘要】
本专利技术应用于图像分割领域,具体涉及图像特征提取与识别。利用雷达向天空发射毫米波获得的雷达回波强度,通过伪彩色增强的方式绘制出反映其高时空分辨率的水平垂直结构的云演变图为对象,提出了一种基于超像素聚类优化的卷积神经网络(SP-CNN)的云图像快速分割方法。
技术介绍
云是由悬浮在大气中千千万万的小水滴或冰晶组成的可见聚合体,是一种常见的天气现象。阳光照在地球的表面形成水蒸气,水汽过饱和情况下,水分子会聚集在微尘周围,产生的水滴或冰晶将阳光散射到各个方向,就产生了云的外观。云不仅反映了当时大气的运动、稳定程度和水汽情况,而且也是预示着天气变化的重要征兆之一,云的观测为飞行安全、人工增雨作业等提供了帮助。本专利技术利用如图1所示的云演变图,图像的横轴为时间轴,每一大格代表着2个小时,一大格分十个小格,每一小格代表12分钟;纵轴为高度轴,每一大格代表着3千米,一大格分十个小格,每一小格代表300米。该图是利用雷达向天空发射波长为8.6mm、峰值功率为4W的毫米波反射回来的雷达回波率,通过伪彩色增强的方式及特定的颜色查找表绘制出能反映云高时空分辨率的水平垂直结构的云演变图。该云雷达是由中国气象探测中心、西安华腾微波有限责任公司和成都信息工程大学联合研制的Ka波段全固态全相参准连续波多普勒雷达,该云雷达的主要原理是利用云粒子对电磁波的散射特性。雷达回波率的高低反映云层含水量的高低,及降雨、降雪的概率大小、强度的强弱,以单位dBZ表示,是用来估算降雨和降雪强度及预测诸如冰雹、大风等灾害性天气出现的可能性的科学数值。当雷达回波率的值大于等于40dBZ时,出现雷雨天气 ...
【技术保护点】
一种基于超像素聚类优化CNN的云图分割方法,其特征在于步骤如下:1)、超像素聚类及核心点选取:将一副完成的图像,划分成若干个不同的超像素,对于每一个超像素,将这些超像素的每一个像素点向量化,即将这些像素点的坐标值作为向量中的一个元素,从该向量中等间隔采样5个像素点,作为超像素的关键点;并且采样过程中对超像素做了腐蚀处理,2)、训练样本集、验证样本集及测试样本集的制作数据集包括训练样本集、验证样本集及测试样本集三个方面;这三方面的制作原理完全相同,只是选取的数据范围有差异,以下只对其中一种的获取方式做详细的介绍:对于毫米波雷达云演变图,由于云图像处理领域并没有公开的数据集,需要制作groundtruth图作为训练CNN网络时候的监督信号,具体预处理操作如下:(1)生成groundtruth即将云图像中“云”和“非云”区域以黑白颜色区分后标注的原始云图所对应的groundtruth;从云图像集中随机选择若干张云图,并选中与之对应的groundtruth图,用于下一步的CNN网络训练和测试样本集的生成;(2)图像尺寸调整;为了保证在训练样本集、验证样本集及测试样本集采样时,能够完整采集整张图 ...
【技术特征摘要】
1.一种基于超像素聚类优化CNN的云图分割方法,其特征在于步骤如下:1)、超像素聚类及核心点选取:将一副完成的图像,划分成若干个不同的超像素,对于每一个超像素,将这些超像素的每一个像素点向量化,即将这些像素点的坐标值作为向量中的一个元素,从该向量中等间隔采样5个像素点,作为超像素的关键点;并且采样过程中对超像素做了腐蚀处理,2)、训练样本集、验证样本集及测试样本集的制作数据集包括训练样本集、验证样本集及测试样本集三个方面;这三方面的制作原理完全相同,只是选取的数据范围有差异,以下只对其中一种的获取方式做详细的介绍:对于毫米波雷达云演变图,由于云图像处理领域并没有公开的数据集,需要制作groundtruth图作为训练CNN网络时候的监督信号,具体预处理操作如下:(1)生成groundtruth即将云图像中“云”和“非云”区域以黑白颜色区分后标注的原始云图所对应的groundtruth;从云图像集中随机选择若干张云图,并选中与之对应的groundtruth图,用于下一步的CNN网络训练和测试样本集的生成;(2)图像尺寸调整;为了保证在训练样本集、验证样本集及测试样本集采样时,能够完整采集整张图像的每一个像素点,首先对云演变图的尺寸进行了调整,即为尺寸为W*H的云图像增加了D/2个像素的背景图像边界,此时图像变为(W+D)*(H+D);(3)样本集的采集和生成具体操作如下:a.裁剪出若干张以像素点p为中心的图像C1用于训练和验证CNN网络;以W*H云图像中的某一像素点p为中心,以D为边长裁剪出D*D大小的图像C1;C1就是以像素点p为中心的子图,其包含该像素点周围的像素特征;b.对于a中的每一个像素点p,在其所对应的groundtruth图中找到对应的像素点p’,根据该像素点在groundtruth图中的标签属性,以列表的形式制作训练标签的文本文件,其格式为“绝对路径/图像名称标签属性”,其中每个像素点的标签属性“云”或“非云”,用1或0表示;对于训练集合的所有图像,保留其标签文本文件作为训练CNN网络时候的监督信号;对于验证集合的所有图像,将验证样本通过训练集生成的网络模型得到判断的结果,并利用标签文本文件来检验的网络模型的准确程度;而对于测试集,不需要生成标签,需要利用其groundtruth图与分割结果...
【专利技术属性】
技术研发人员:毋立芳,张加楠,贺娇瑜,简萌,闫春灿,刘思远,
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。