[發明專利]一種雷達圖像降雨識別方法

有效

• 申請號: 202010461226.7
• 申請日: 2020-05-27
• 公開（公告）號: CN111624606B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 盧志忠;孫雷;呂博群;張玉瑩;郭樹淵;文保天
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01S13/95
• 分類號: G01S13/95;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種雷達圖像降雨識別方法，首先，對不同降雨強度下的雷達原始圖像進行同頻干擾抑制，選取圖像中海浪監測區域的笛卡爾框圖像作為數據集樣本，利用數據集樣本對改進的LeNet?5模型進行迭代訓練；然后，將待檢測的雷達圖像經同頻干擾處理并提取該圖像海浪監測區的笛卡爾框圖像，輸入到訓練完成的模型中得到輸出結果概率；最后，通過模型輸出結果概率與檢測閾值作比較，確定圖像是否為降雨圖像。本發明使得降雨圖像與非降雨圖像的識別更加簡便，準確率更高。

技術領域

本發明涉及一種雷達圖像降雨識別方法，特別是一種采用深度學習技術的雷達圖像降雨識別方法，屬于海洋遙感技術領域。

背景技術

我國的海洋面積占比很大，約為陸地面積的三分之一。海洋富含多種多樣的資源和能源，例如生物、礦產、油氣、旅游等，開發潛力巨大。近些年，艦載航海雷達成為了一種主流的海浪觀測方式。這種方式測量的范圍廣、測量精度高，可以全天候進行觀測，能夠全自動地記錄數據和顯示數據，適應多種工作環境。本發明所使用的X波段航海雷達可以測量海浪的波長、波高、波向、波周期等參數。雨是一種自然天氣現象，降雨會造成航海雷達發射電磁波的反射和折射現象，同時吸收電磁波的能量。降雨還會改變海面的粗糙度，增大海浪反演時的誤差。因此，對航海雷達降雨圖像進行有效識別有十分重要的意義。

目前，針對航海雷達圖像降雨檢測技術研究領域的主要成果如下。2008年，郝燕嶺、唐艷紅等人分別利用回波強度和差異系數來確定雷達圖像是否存在降雨干擾，差異系數定義為標準差和回波均值的比，對雷達數據統計后發現，有降雨和無降雨情況下的雷達圖像回波均值和差異系數并不相同。2010年，鄭亞能對此方法進行了更深層次的研究，對中值濾波算法進行改進來識別降雨雷達圖像。2012年，Lund等人發現，在降雨和非降雨時零強度百分比存在差異性，提出用零強度百分比來識別降雨雷達圖像的方法，該方法能有效的識別出降雨雷達圖像。2017年，Huang Weimin等提出了一種基于空間紋理差異技術的船載X波段雷達圖像的降雨識別方法，且考慮了風速對識別降雨圖像的影響。2018年，劉紅發現了海浪波數段能量和降雨干擾的關系，得出了降雨干擾越嚴重海浪波數段能量占比越小的結論，并提出根據海浪波數能量譜特性識別降雨雷達圖像的方法。

深度學習圖像識別方法作為近幾年比較熱門的圖像識別算法之一，具有學習能力強，覆蓋范圍廣，適應力強，可移植性好等優點，被廣泛的應用在圖像識別、語音處理、計算機視覺等領域。2010年末，百度識圖軟件正式上線，百度識圖能夠根據用戶上傳到網絡上的圖片，準確的搜索到與該圖片類似的圖片資源，以及顯示出上傳的圖片相關的信息，滿足用戶的實際需求[9]。2012年，Google實驗室發布了一個圖像識別項目，通過深度學習的方法在YouTube網站上訓練大量圖片，使得模型能準確地識別出圖片中的貓。在2014年的ImageNet挑戰賽中，Christian Szegedy等人設計的GoogleNet深度卷積神經網絡獲得了第一名，此模型的計算效率高，用較少的計算量就能夠提取很多的特征，提升了訓練網絡的效率。2015年，何凱明率領微軟的團隊，提出了一種新的卷積神經網絡，稱之為殘差神經網絡，該網絡結構能極大的降低圖像分類和識別的錯誤率。這些都證明了深度學習在圖像識別領域中無可替代的地位。

發明內容

針對上述現有技術，本發明要解決的技術問題是提供一種可以有效區分降雨與非降雨雷達圖像的采用卷積神經網絡深度學習模型的雷達圖像降雨識別方法，可以有效區分降雨與非降雨雷達圖像。

為解決上述技術問題，本發明的一種雷達圖像降雨識別方法，包括以下步驟：

步驟1：構建卷積神經網絡深度學習模型，對離線取得的不同降雨強度下的雷達原始圖像進行同頻干擾抑制，選取圖像中海浪監測區域的笛卡爾框圖像作為數據集樣本，利用數據集樣本對卷積神經網絡深度學習模型進行迭代訓練；

步驟2：讀取待檢測雷達原始圖像，利用雷達圖像處理軟件加載空間海域雜波連續圖像，并通過濾波算法對待檢測雷達原始圖像進行同頻干擾抑制；