本申请涉及光学遥感图像处理,具体涉及一种用于云雾的识别方法、云雾识别装置、云雾识别系统及存储介质。
背景技术:
1、云雾是一种常见的自然现象,但同时也是一种潜在的自然灾害。在气象预报领域中,准确地对云雾进行监测和预警是非常重要的。
2、由于地表结构的复杂性和云的多样性,很难找到一个阈值把所有类型的地表和云雾分离开,特别是对于容易受地表影响的薄云、碎云、云边缘以及沙漠、裸土、岩石等高反射率地表上空的云雾识别困难。另外,如果卫星传感器波段较少,就难以提供足够的信息来确定云与典型地表的辐射差异,导致云雾像元的识别精度较低。
技术实现思路
1、本申请实施例的目的是提供一种用于云雾的识别方法,用以解决现有技术中云雾像元的识别精度较低的技术缺陷。
2、为了实现上述目的,本申请第一方面提供一种用于云雾的识别方法,包括:
3、获取目标区域所在的上空区域在预设时间段内的多个卫星图像;
4、对多个卫星图像进行预处理,以将多个卫星图像进行图像增强;
5、将每个卫星图像转化为灰度图像,并基于每个卫星图像中每个像素的灰度值将每个卫星图像划分为多个子卫星图像;
6、针对每个卫星图像,将卫星图像的多个子卫星图像输入至预设生成判别网络模型中,以通过预设生成判别网络模型确定上空区域的介质类型,介质类型包括云和雾,其中,预设生成对抗模型是基于多个历史卫星图像训练得到的。
7、在本申请的实施例中,方法还包括预设生成对抗模型的训练步骤,训练步骤包括:基于卷积神经网络模型、神经网络模型为基本模型,以及根据对数似然损失函数、二元交叉熵损失函数构建预设生成对抗模型;获取目标区域所在的上空区域在历史时间段内的多个历史卫星图像;对多个历史卫星图像进行预处理,以将多个历史卫星图像进行图像增强;将每个历史卫星图像转化为灰度图像,并基于每个历史卫星图像中每个像素的灰度值将每个历史卫星图像划分为多个历史子卫星图像;筛选出包括介质的历史子卫星图像并确定为第一训练图像集,并用样本标签标定第一训练图像集中的所有图像,并将剩余的历史子卫星图像确定为第二训练图像集;将第一训练图像集划分为训练集和测试集,并将第二训练图像集添加至训练集中;通过训练集对待训练的预设生成对抗模型进行训练,通过测试集对预设生成对抗模型进行测试并调参;针对测试集,在预设生成对抗模型的输出指标满足预设条件的情况下,确定得到训练完成的预设生成对抗模型,其中,输出指标包括准确率、召回率以及f1分数中的任意一者。
8、在本申请的实施例中,基于卷积神经网络模型、神经网络模型为基本模型,以及根据对数似然损失函数、二元交叉熵损失函数构建预设生成对抗模型包括:基于卷积神经网络模型构建预设生成对抗模型的初始生成网络,并基于神经网络模型构建预设生成对抗模型的初始判别网络;将对数似然损失函数定义为初始生成网络的第一损失函数,并将二元交叉熵损失函数定义为初始判别网络的第二损失函数;基于初始生成网络、初始生成网络、第一损失函数以及第二损失函数构建预设生成对抗模型。
9、在本申请的实施例中,训练集对待训练的预设生成对抗模型进行训练包括:基于第一训练图像集对初始生成网络和初始判别网络进行有监督训练,以训练生成网络生成与第一训练图像集相同的第一伪造图像集,并训练判别网络判别训练集中的图像来源于第一训练图像集还是第一伪造图像集;基于第二图像训练集对生成网络和初始判别网络进行无监督训练,以训练生成网络生成任意的第二伪造图像集,并训练判别网络判别训练集中的图像来源于第二训练图像集还是第二伪造图像集;交替进行有监督训练和无监督训练。
10、在本申请的实施例中,多个卫星图像进行预处理,以将多个卫星图像进行图像增强包括:针对任意一个卫星图像,基于高斯滤波对卫星图像进行平滑处理,以对卫星图像进行降噪;针对任意一个卫星图像,基于预设算子确定卫星图像在水平方向上的水平梯度值和在垂直方向上的垂直梯度值,并基于水平梯度值和垂直梯度值确定卫星图像中每个像素的梯度值和梯度方向;针对任意一个卫星图像,根据每个像素的梯度值和梯度方向对每个像素进行非极大值抑制处理,并根据每个像素的梯度值对每个像素进行双阈值处理,以将卫星图像进行图像增强。
11、在本申请的实施例中,任意一个卫星图像,根据每个像素的梯度值和梯度方向对每个像素进行非极大值抑制处理包括:针对任意一个像素,获取在像素的梯度方向上与像素依次相邻的第一像素的第一梯度值和第二像素的第二梯度值;对比第一梯度值与第二梯度值,并将第一像素与第二像素之间梯度值较小的像素进行消除,以消除卫星图像上的边缘模糊效果。
12、在本申请的实施例中,每个像素的梯度值对每个像素进行双阈值处理包括:针对任意一个卫星图像,根据每个像素的梯度值确定每个像素的边缘类型,其中,边缘类型包括强边缘、弱边缘以及非边缘;针对任意一个弱边缘,将弱边缘和与弱边缘相邻的所有强边缘进行连接以形成完整的卫星图像边缘。
13、本申请第二方面提供一种云雾识别装置,包括:
14、存储器,被配置成存储指令;以及
15、处理器,被配置成从所述存储器调用所述指令以及在执行所述指令时能够实现用于云雾的识别方法。
16、本申请第三方面提供一种云雾识别系统,包括上述的云雾识别装置。
17、本申请第四方面提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令在被处理器执行时使得所述处理器被配置成执行上述的用于云雾的识别方法。
18、上述技术方案,通过提供一种用于云雾的识别方法,包括获取目标区域所在的上空区域在预设时间段内的多个卫星图像;对多个卫星图像进行预处理,以将多个卫星图像进行图像增强;将每个卫星图像转化为灰度图像,并基于每个卫星图像中每个像素的灰度值将每个卫星图像划分为多个子卫星图像;针对每个卫星图像,将卫星图像的多个子卫星图像输入至预设生成判别网络模型中,以通过预设生成判别网络模型确定上空区域的介质类型,介质类型包括云和雾,其中,预设生成对抗模型是基于多个历史卫星图像训练得到的。上述方法通过将获取到的卫星图像输入至基于多个历史卫星图像训练得到的预设生成对抗网络模型中,从而基于预设生成对抗网络模型判别目标区域所在上空区域是云还是雾,该方法有效提升了云雾像元的识别精度。
19、本申请实施例的其他特征和优点将在随后的具体实施方式部分予以详细说明。
1.一种用于云雾的识别方法,其特征在于,所述识别方法包括:
2.根据权利要求1所述的用于云雾的识别方法,其特征在于,所述方法还包括所述预设生成对抗模型的训练步骤,所述训练步骤包括:
3.根据权利要求2所述的用于云雾的识别方法,其特征在于,所述基于卷积神经网络模型、神经网络模型为基本模型,以及根据对数似然损失函数、二元交叉熵损失函数构建所述预设生成对抗模型包括:
4.根据权利要求3所述的用于云雾的识别方法,其特征在于,通过所述训练集对所述待训练的预设生成对抗模型进行训练包括:
5.根据权利要求1所述的用于云雾的识别方法,其特征在于,所述对所述多个卫星图像进行预处理,以将所述多个卫星图像进行图像增强包括:
6.根据权利要求5所述的用于云雾的识别方法,其特征在于,针对任意一个卫星图像,根据每个像素的梯度值和梯度方向对每个像素进行非极大值抑制处理包括:
7.根据权利要求5所述的用于云雾的识别方法,其特征在于,根据每个像素的梯度值对每个像素进行双阈值处理包括:
8.一种云雾识别装置,其特征在于,包括:
9.一种云雾识别系统,其特征在于,包括根据权利要求8所述的云雾识别装置。
10.一种机器可读存储介质,该机器可读存储介质上存储有指令,其特征在于,该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的用于云雾的识别方法。