[發明專利]一種強對流單體樣本的標記方法

在審

• 申請號: 201810279008.4
• 申請日: 2018-03-31
• 公開（公告）號: CN108665486A
• 公開（公告）日: 2018-10-16
• 發明（設計）人: 王萍;車焯;王迪
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/269
• 分類號: G06T7/269;G06T7/136;G06T7/187;G06T7/11
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李麗萍

本發明公開了一種強對流單體樣本的標記方法，主要包括實現強對流單體的樣本標記。實現強對流單體的樣本標記的過程是：首先，輸入雷達基數據和對流天氣實況，并進行單體分割和超折射濾除，然后實現單體跟蹤，最后，用戶標記某體掃時刻單體的單體類型，根據單體跟蹤結果自動給出與所標記單體相關聯的所有單體的類型。本方法實現了單體分割和單體跟蹤，并由此實現了強對流單體的樣本標記，為如何實現大量的強對流單體的樣本標記提供了一種可行途徑。

技術領域

本發明涉及氣象學領域，特別涉及一種單體分割算法和一種基于光流法的單體跟蹤算 法以及基于以上分割算法和跟蹤算法的人機交互式干預調整策略。

背景技術

Hinton^[1-2]等于2006年首次提出以深度神經網絡為代表的深度學習技術，引起了學術界 的關注之后，Krizhevsky^[3]等于2012年構建深度卷積神經網絡，在大規模圖像分類問題上取 得了巨大成功。

深度學習主要是數據驅動的，其效果依賴于大量的標記樣本，通過深度學習實現強對 流單體的識別，需要大量的強對流單體的標記樣本，現有標記方法存在以下不足：

(1)需要手動分割單體，工作繁瑣、標記結果受到人為因素影響。

(2)需要收集數以萬計的單體樣本，工作量巨大。

[參考文獻]

[1]Hinton G E，Salakhutdinov R R.Reducing the dimensionality of datawith neural networks[J].science，2006，313(5786)：504-507.

[2]Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deepbelief nets[J]. Neural computation，2006，18(7)：1527-1554.

[3]Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification withdeep convolutional neural networks[C]//Advances in neural informationprocessing systems.2012：1097-1105.

[4]Barron J L，Fleet D J，Beauchemin S S.Performance of optical flowtechniques. International Journal of Computer Vision，1994，12(1)：43-77.

發明內容

針對現有技術，本發明提供了一種強對流單體的樣本輔助標記方法，包括“膨脹-避讓” 的單體分割算法、基于光流法的單體跟蹤算法以及基于以上分割算法和跟蹤算法的人機交 互式干預調整策略。實現了單體的自適應分割，除去了樣本標記中手動分割單體的工作； 實現了單體的自動跟蹤，并由此減少了所需手工標記單體的數目；實現了基于單體自適應 分割算法及自動跟蹤算法的人機交互式干預調整，以確保單體標記結果的合理性。

為了解決上述技術問題，本發明提出的一種強對流單體樣本的標記方法，包括以下步 驟：

步驟一、輸入對流天氣實況和一組連續體掃的雷達基數據，所述對流天氣實況包括對 流天氣類型、發生結束時間、發生結束地點；

以所述該組雷達基數據為原始數據，求取獲得一組組合反射率圖，記為第一組合反射 率圖；同時獲得一組去除了0.5°仰角反射率后得到的組合反射率圖，記為第二組合反射率圖； 并對上述得到的兩組組合反射率圖分別進行單體分割，從而得到單體；