[發(fā)明專(zhuān)利]基于語(yǔ)義損失的衛(wèi)星云圖反演雷達(dá)數(shù)據(jù)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010951615.8
• 申請(qǐng)日: 2020-09-11
• 公開(kāi)（公告）號(hào): CN112101449B
• 公開(kāi)（公告）日: 2022-07-15
• 發(fā)明（設(shè)計(jì)）人: 謝世朋;梁穎娟;莊文芹
• 申請(qǐng)（專(zhuān)利權(quán)）人: 南京郵電大學(xué)
• 主分類(lèi)號(hào): G06V10/774
• 分類(lèi)號(hào): G06V10/774;G06V10/75;G06V10/82;G06K9/62;G06N3/04;G06T7/90
• 代理公司: 南京瑞弘專(zhuān)利商標(biāo)事務(wù)所(普通合伙) 32249
• 代理人: 徐激波

1.基于語(yǔ)義損失的衛(wèi)星云圖反演雷達(dá)數(shù)據(jù)方法，其特征在于，包括如下步驟：

S1、建立數(shù)據(jù)集，對(duì)所述數(shù)據(jù)集進(jìn)行匹配處理，然后將數(shù)據(jù)集劃分訓(xùn)練集、驗(yàn)證集和測(cè)試集；

所述數(shù)據(jù)集包括第一數(shù)據(jù)和第二數(shù)據(jù)，所述第一數(shù)據(jù)為風(fēng)云四號(hào)衛(wèi)星拍攝的衛(wèi)星云圖，拍攝的時(shí)間間隔為4分鐘，圖片大小為1500*1750；

所述第二數(shù)據(jù)為雷達(dá)獲取的圖像，獲取的時(shí)間間隔為6分鐘，圖片大小為700*800；

所述匹配處理包括 如下步驟：

S101、對(duì)所述第一數(shù)據(jù)和所述第二數(shù)據(jù)進(jìn)行時(shí)間上的匹配；

S102、參照所述第二數(shù)據(jù)的經(jīng)緯度，對(duì)所述第一數(shù)據(jù)進(jìn)行等經(jīng)緯度投影；

S103、從所述第一數(shù)據(jù)中截取350*400的圖像作為輸入圖像，相對(duì)應(yīng)的從所述第二數(shù)據(jù)中截取350*400的圖像作為標(biāo)簽圖像；

所述第一數(shù)據(jù)為風(fēng)云四號(hào)衛(wèi)星中多個(gè)通道獲取的數(shù)據(jù)進(jìn)行的疊加，所述多個(gè)通道包括：NOMChannel09通道、NOMChannel10通道、NOMChannel11通道、NOMChannel12通道、NOMChannel13通道和NOMChannel14通道；

所述訓(xùn)練集為5000對(duì)所述第一數(shù)據(jù)和所述第二數(shù)據(jù)，所述驗(yàn)證集為744對(duì)所述第一數(shù)據(jù)和所述第二數(shù)據(jù)，所述測(cè)試集為744對(duì)所述第一數(shù)據(jù)和所述第二數(shù)據(jù)；

S2、建立網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)數(shù)據(jù)集進(jìn)行特征提取，然后根據(jù)相應(yīng)卷積層的特征計(jì)算損失；所述網(wǎng)絡(luò)結(jié)構(gòu)包括三部分：特征提取網(wǎng)絡(luò)、抗模糊損失函數(shù)和深度卷積神經(jīng)網(wǎng)絡(luò)；

S3、使用訓(xùn)練集對(duì)深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行迭代訓(xùn)練，訓(xùn)練好后，使用驗(yàn)證集對(duì)訓(xùn)練后的模型進(jìn)行驗(yàn)證，然后保存在驗(yàn)證集上抗模糊損失函數(shù)最小的模型；

S4、使用測(cè)試集對(duì)抗模糊損失函數(shù)最小的模型進(jìn)行測(cè)試，判斷是否符合要求，若不符合，繼續(xù)進(jìn)行步驟S3，進(jìn)行迭代訓(xùn)練，直到測(cè)試結(jié)果符合要求，輸出正式模型；

S5、使用正式模型對(duì)衛(wèi)星云圖反演雷達(dá)數(shù)據(jù)，輸出反演結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于語(yǔ)義損失的衛(wèi)星云圖反演雷達(dá)數(shù)據(jù)方法，其特征在于，所述步驟S2具體包括如下步驟：

S201、將所述第一數(shù)據(jù)擴(kuò)展為三維，然后輸入到深度卷積神經(jīng)網(wǎng)絡(luò)獲得初步圖像；

S202、將所述第一數(shù)據(jù)和所述第二數(shù)據(jù)復(fù)制為RGB通道；

S203、將所述第一數(shù)據(jù)、所述初步圖像和所述第二數(shù)據(jù)送入VGG19網(wǎng)絡(luò)進(jìn)行特征提取；

所述VGG19網(wǎng)絡(luò)為通過(guò)ImageNet進(jìn)行預(yù)先訓(xùn)練好的模型，具體包括保留所述VGG19網(wǎng)絡(luò)的16個(gè)卷積層作為特征提取部分，將所述VGG19的3個(gè)全連接層去掉；每一個(gè)卷積層都是使用的是3×3的卷積和2×2的池化的交替。

3.根據(jù)權(quán)利要求2所述的基于語(yǔ)義損失的衛(wèi)星云圖反演雷達(dá)數(shù)據(jù)方法，其特征在于，在所述步驟S2中，所述抗模糊損失函數(shù)的表達(dá)式為：

L(G)＝L_CX(G(s),s,l_s)+λ·L_CX(G(s),t,l_t)

式中，G為17層CNN網(wǎng)絡(luò)，s為第一數(shù)據(jù)，G(s)為初步圖像，t為第一數(shù)據(jù)的標(biāo)簽；l_s為獲取第一數(shù)據(jù)的內(nèi)容特征，l_t為獲取第二數(shù)據(jù)的風(fēng)格特征，λ＝5；損失L_CX(G(s),t,l_t)表示生成圖像與目標(biāo)圖像的相似程度，損失L_CX(G(s),s,l_s)測(cè)量生成圖像和源圖像的相似性。

4.根據(jù)權(quán)利要求3所述的基于語(yǔ)義損失的衛(wèi)星云圖反演雷達(dá)數(shù)據(jù)方法，其特征在于，在所述步驟S3中，學(xué)習(xí)率設(shè)置為1e-4，迭代次數(shù)為300，步長(zhǎng)為2。