基于深度学习的卫星云图分割和识别研究
发布时间：2021-08-07 09:09
卫星云图是由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像。利用卫星云图可以识别不同的天气系统,确定它们的位置,估计其强度和发展趋势,为天气分析提供依据。同时,使用卫星云图对云的种类和分布达到精准识别,对提高天气预报质量以及预防灾害的能力有重大的意义和价值。本文以卷积神经网络和深度卷积生成对抗网络为基础,对卫星云图的分割与识别进行了深入研究,主要工作和创新点在于:（1）针对传统的卫星云图分割方法中,繁琐的算法流程和复杂的特征提取方式,本文采用基于卷积神经网络的方法,能够自动提取特征,分割过程简洁,效率更高。同时针对FCN分割模型中多次卷积后参数量过大,导致模型训练耗时耗力,本文对普通卷积改进为“稀疏卷积”方式,使得网络参数以及计算量大大减少,训练速度较原模型有明显提升,平均训练效率提高了26.3%,且分割效果几乎不受影响。（2）针对训练卷积神经网络模型往往需要大量的数据,而某些种类的卫星云图数据量较少,收集足够量的数据比较困难,本文通过深度卷积生成对抗网络生成训练数据,以扩充训练集,有效提高了识别模型的识别准确率。同时针对卷积神经网络中卷积核太大,导致计算复杂度高,提出卷积...
【文章来源】：南京信息工程大学江苏省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
LeNet-5网络结构[62]
第二章相关深度学习方法介绍11同样的，微积分中的二维卷积表达式如（2-4）：s(i,j)=(XW)(i,j)=∑∑(,)(,)(2-4)在卷积神经网络中，虽然同样叫做卷积，但是它使用的卷积公式和数学中定义的内容略有差别，例如二维卷积在卷积神经网络中如（2-5）：s(i,j)=(XW)(i,j)=∑∑(+,+)(,)(2-5)其中，W表示的是卷积核，而X则表示相应的输入数据内容。例如X表示的是图形数据，那么W对应的卷积核就是二维的矩阵。实际的卷积操作是卷积核在固定的窗口按一定步长进行滑动，卷积核中的每个元素与对应窗口内的每个元素一一相乘，再相加。以此类推，通过卷积核的不断移动，直至窗口内的所有元素被遍历，这样就能得到一个卷积后的特征图，即所提取到的信息。具体做法如图2-2所示。图2-2卷积操作事实上，卷积神经网络中所有卷积核的参数都是通过训练而得到的结果，除了初始化时一般设定一个随机值。而不同的卷积核用来提取不同的高维特征，例如图像任务中形状、大孝粗细、颜色等一系列特征。当然，这些众多的卷积核都会被组合进行使用，
南京信息工程大学硕士学位论文12从而构造成一个足够深的网络。通过这些“特征提取器”，再加上网络中后续操作的进行，这些特征将会被进一步抽象为具有高级含义的“概念”所描述，以此对应到相应的图像类别中去，实现图像分类。卷积核不仅能提取到各种不一样的特征，它还一个优势在于：通过卷积操作，能使得上一层的特征信息被加强，与此同时减小噪声。2.3.2池化层本小节介绍池化层，一般来说，最常使用的池化操作有两种，包括平均值池化（average-pooling）和最大值池化（max-pooling）。需要指出的是，池化层与卷积层的不同在于，卷积层中的卷积核是需要训练得到的，而池化层不存在参数的训练，都是人为规定的。所以池化层需要定义以下几个内容：池化类型（平均值池化/最大值池化）、池化的窗口大孝边缘是否进行填充、滑动步长。平均值池化在每次操作时，将池化核按照相应规则滑动到指定的位置，将对应的窗口内所有元素值相加后，取平均值作为池化结果，即：平均值池化结果如（2-6）：∑≤≤≤≤++×+×=+++iWjHllliiiHxjdjWiHWdjylll0,01,,1,,111(2-6)最大值池化在每次操作时，将池化核按照相应规则滑动到指定的位置，将对应的窗口内的值中取最大值，取平均值作为池化结果，即：最大值池化结果如（2-7）：llliiWjHiiHxdjyjdjWilll,,max,,10,0111+×+×=+≤≤≤≤+++(2-7)图2-3这个例子展示了最大值池化方法，它的池化核大小为2×2，滑动步长为2。图2-3最大池化方法实例
【参考文献】：
期刊论文
[1]基于改进蜂群算法优化神经网络的玉米病害图像分割[J]. 温长吉,王生生,于合龙,苏恒强. 农业工程学报. 2013(13)
[2]基于支持向量机的CloudSat卫星云分类算法[J]. 韩丁,严卫,任建奇,赵现斌. 大气科学学报. 2011(05)
[3]图像分割的新理论和新方法[J]. 许新征,丁世飞,史忠植,贾伟宽. 电子学报. 2010(S1)
[4]多光谱卫星云图的SOFM-PNN网络耦合的云分类模型[J]. 黄兵,王彦磊,张韧,刘科峰,洪梅,万齐林. 应用基础与工程科学学报. 2008(05)
[5]多通道卫星云图云检测方法的研究[J]. 马芳,张强,郭铌,张杰. 大气科学. 2007(01)
[6]卫星云图云分类的一种综合优化聚类方法[J]. 王继光,张韧,洪梅,纪飞. 解放军理工大学学报(自然科学版). 2005(06)
[7]自适应区域生长算法在医学图像分割中的应用[J]. 陆剑锋,林海,潘志庚. 计算机辅助设计与图形学学报. 2005(10)
[8]基于人工神经网络的云识别研究[J]. 郑君杰,黄峰,张云生. 计算机工程. 2004(18)
[9]利用GMS-5红外资料进行云的分类识别[J]. 周伟,李万彪. 北京大学学报(自然科学版). 2003(01)
[10]用多谱阈值法进行GMS-5卫星云图云型分类的研究[J]. 杨澄,袁招洪,顾松山. 南京气象学院学报. 2002(06)
硕士论文
[1]基于直方图统计模型的自适应多阈值图像分割算法的研究[D]. 罗群艳.南京理工大学 2012
本文编号：3327512
【文章来源】：南京信息工程大学江苏省
【文章页数】：69 页
【学位级别】：硕士
【部分图文】：
LeNet-5网络结构[62]
第二章相关深度学习方法介绍11同样的，微积分中的二维卷积表达式如（2-4）：s(i,j)=(XW)(i,j)=∑∑(,)(,)(2-4)在卷积神经网络中，虽然同样叫做卷积，但是它使用的卷积公式和数学中定义的内容略有差别，例如二维卷积在卷积神经网络中如（2-5）：s(i,j)=(XW)(i,j)=∑∑(+,+)(,)(2-5)其中，W表示的是卷积核，而X则表示相应的输入数据内容。例如X表示的是图形数据，那么W对应的卷积核就是二维的矩阵。实际的卷积操作是卷积核在固定的窗口按一定步长进行滑动，卷积核中的每个元素与对应窗口内的每个元素一一相乘，再相加。以此类推，通过卷积核的不断移动，直至窗口内的所有元素被遍历，这样就能得到一个卷积后的特征图，即所提取到的信息。具体做法如图2-2所示。图2-2卷积操作事实上，卷积神经网络中所有卷积核的参数都是通过训练而得到的结果，除了初始化时一般设定一个随机值。而不同的卷积核用来提取不同的高维特征，例如图像任务中形状、大孝粗细、颜色等一系列特征。当然，这些众多的卷积核都会被组合进行使用，
南京信息工程大学硕士学位论文12从而构造成一个足够深的网络。通过这些“特征提取器”，再加上网络中后续操作的进行，这些特征将会被进一步抽象为具有高级含义的“概念”所描述，以此对应到相应的图像类别中去，实现图像分类。卷积核不仅能提取到各种不一样的特征，它还一个优势在于：通过卷积操作，能使得上一层的特征信息被加强，与此同时减小噪声。2.3.2池化层本小节介绍池化层，一般来说，最常使用的池化操作有两种，包括平均值池化（average-pooling）和最大值池化（max-pooling）。需要指出的是，池化层与卷积层的不同在于，卷积层中的卷积核是需要训练得到的，而池化层不存在参数的训练，都是人为规定的。所以池化层需要定义以下几个内容：池化类型（平均值池化/最大值池化）、池化的窗口大孝边缘是否进行填充、滑动步长。平均值池化在每次操作时，将池化核按照相应规则滑动到指定的位置，将对应的窗口内所有元素值相加后，取平均值作为池化结果，即：平均值池化结果如（2-6）：∑≤≤≤≤++×+×=+++iWjHllliiiHxjdjWiHWdjylll0,01,,1,,111(2-6)最大值池化在每次操作时，将池化核按照相应规则滑动到指定的位置，将对应的窗口内的值中取最大值，取平均值作为池化结果，即：最大值池化结果如（2-7）：llliiWjHiiHxdjyjdjWilll,,max,,10,0111+×+×=+≤≤≤≤+++(2-7)图2-3这个例子展示了最大值池化方法，它的池化核大小为2×2，滑动步长为2。图2-3最大池化方法实例
【参考文献】：
期刊论文
[1]基于改进蜂群算法优化神经网络的玉米病害图像分割[J]. 温长吉,王生生,于合龙,苏恒强. 农业工程学报. 2013(13)
[2]基于支持向量机的CloudSat卫星云分类算法[J]. 韩丁,严卫,任建奇,赵现斌. 大气科学学报. 2011(05)
[3]图像分割的新理论和新方法[J]. 许新征,丁世飞,史忠植,贾伟宽. 电子学报. 2010(S1)
[4]多光谱卫星云图的SOFM-PNN网络耦合的云分类模型[J]. 黄兵,王彦磊,张韧,刘科峰,洪梅,万齐林. 应用基础与工程科学学报. 2008(05)
[5]多通道卫星云图云检测方法的研究[J]. 马芳,张强,郭铌,张杰. 大气科学. 2007(01)
[6]卫星云图云分类的一种综合优化聚类方法[J]. 王继光,张韧,洪梅,纪飞. 解放军理工大学学报(自然科学版). 2005(06)
[7]自适应区域生长算法在医学图像分割中的应用[J]. 陆剑锋,林海,潘志庚. 计算机辅助设计与图形学学报. 2005(10)
[8]基于人工神经网络的云识别研究[J]. 郑君杰,黄峰,张云生. 计算机工程. 2004(18)
[9]利用GMS-5红外资料进行云的分类识别[J]. 周伟,李万彪. 北京大学学报(自然科学版). 2003(01)
[10]用多谱阈值法进行GMS-5卫星云图云型分类的研究[J]. 杨澄,袁招洪,顾松山. 南京气象学院学报. 2002(06)
硕士论文
[1]基于直方图统计模型的自适应多阈值图像分割算法的研究[D]. 罗群艳.南京理工大学 2012
本文编号：3327512
本文链接：https://www.wllwen.com/projectlw/qxxlw/3327512.html
