高级搜索

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

杨宏宇 王峰岩

引用本文: 杨宏宇, 王峰岩. 基于深度卷积神经网络的气象雷达噪声图像语义分割方法[J]. 电子与信息学报, doi: 10.11999/JEIT190098 shu
Citation:  Hongyun YANG, Fengyan WANG. Meteorological Radar Noise Image Semantic Segmentation Method Based on Deep Convolutional Neural Network[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT190098 shu

基于深度卷积神经网络的气象雷达噪声图像语义分割方法

    作者简介: 杨宏宇: 男,1969年生,博士,教授,研究方向为网络信息安全、图像处理;
    王峰岩: 男,1993年生,硕士生,研究方向为网络信息安全、图像处理;
    通讯作者: 杨宏宇, yhyxlx@hotmail.com
  • 基金项目: 国家自然科学基金(U1833107),国家科技重大专项(2012ZX03002002)

摘要: 针对新一代多普勒气象雷达的散射回波图像受非降雨等噪声回波干扰导致精细化短时气象预报准确度降低的问题,该文提出一种基于深度卷积神经网络(DCNN)的气象雷达噪声图像语义分割方法。首先,设计一种深度卷积神经网络模型(DCNNM),利用MJDATA数据集的训练集数据进行训练,通过前向传播过程提取特征,将图像高维全局语义信息与局部特征细节融合;然后,利用训练误差值反向传播迭代更新网络参数,实现模型的收敛效果最优化;最后,通过该模型对气象雷达图像数据进行分割处理。实验结果表明,该文方法对气象雷达图像的去噪效果较好,与光流法、全卷积网络(FCN)等方法相比,该文方法对气象雷达图像中真实回波和噪声回波的识别准确率高,图像的像素精度较高。

English

    1. [1]

      杨植宗. 多普勒效应与多普勒雷达[J]. 物理通报, 2003(2): 47–48. doi: 10.3969/j.issn.0509-4038.2003.02.027
      YANG Zhizong. Doppler effect and Doppler radar[J]. Physics Bulletin, 2003(2): 47–48. doi: 10.3969/j.issn.0509-4038.2003.02.027

    2. [2]

      NAGAYAMA S, MURAMATSU S, YAMADA H, et al. Millimeter wave radar image denoising with complex nonseparable oversampled lapped transform[C]. Proceedings of 2017 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), Kuala Lumpur, Malaysia, 2017: 1824–1829.

    3. [3]

      WU Peng, XU Hongling, and XIE Pengcheng. Research on ground penetrating radar image denoising using nonsubsampled contourlet transform and adaptive threshold algorithm[J]. International Journal of Signal Processing, Image Processing and Pattern Recognition, 2016, 9(5): 219–228. doi: 10.14257/ijsip.2016.9.5.19

    4. [4]

      MASTRIANI M. Denoising based on wavelets and deblurring via self-organizing map for Synthetic Aperture Radar images[J]. International Scholarly and Scientific Research & Innovation, 2008, 2(9): 2073–2082.

    5. [5]

      王俊, 杨成龙. 结合小波分析和变分原理的雷达图像去噪模型[J]. 指挥控制与仿真, 2017, 39(5): 41–44. doi: 10.3969/j.issn.1673-3819.2017.05.009
      WANG Jun and YANG Chenglong. Radar image denoising model based on wavelet analysis and variation principle[J]. Command Control &Simulation, 2017, 39(5): 41–44. doi: 10.3969/j.issn.1673-3819.2017.05.009

    6. [6]

      CHEN Chong and XU Zengbo. Aerial-image denoising based on convolutional neural network with multi-scale residual learning approach[J]. Information, 2018, 9(7): 169. doi: 10.3390/info9070169

    7. [7]

      董晓亚, 赵晓丽, 张嘉祺. 一种改进的噪声图像语义分割方法[J]. 光电子·激光, 2017, 28(12): 1372–1377. doi: 10.16136/j.joel.2017.12.0103
      DONG Xiaoya, ZHAO Xiaoli, and ZHANG Jiaqi. An improved semantic segmentation method for noisy image[J]. Journal of Optoelectronics·Laser, 2017, 28(12): 1372–1377. doi: 10.16136/j.joel.2017.12.0103

    8. [8]

      CHEN L C, PAPANDREOU G, KOKKINOS I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(4): 834–848. doi: 10.1109/TPAMI.2017.2699184

    9. [9]

      CHEN L C, PAPANDREOU G, KOKKINOS I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs[C]. Proceedings of International Conference on Learning Representations, San Diego, USA, 2015.

    10. [10]

      KRIZHEVSKY A, SUTSKEVER I, and HINTON G E. ImageNet classification with deep convolutional neural networks[C]. Proceedings of the 25th International Conference on Neural Information Processing Systems, Lake Tahoe, USA, 2012: 1097–1105.

    11. [11]

      ACHILLE A and SOATTO S. Information dropout: Learning optimal representations through noisy computation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2018, 40(12): 2897–2905. doi: 10.1109/TPAMI.2017.2784440

    12. [12]

      郭正红, 张俊华, 郭晓鹏, 等. 结合视觉显著图的Seam Carving图像缩放方法[J]. 云南大学学报: 自然科学版, 2018, 40(2): 222–227.
      GUO Zhenghong, ZHANG Junhua, GUO Xiaopeng, et al. Seam Carving image scaling method with visual significant graph[J]. Journal of Yunnan University:Natural Sciences Edition, 2018, 40(2): 222–227.

    13. [13]

      岳鑫, 肖晨. 基于奇异值分解和双三次插值的图像缩放算法改进[J]. 西安邮电大学学报, 2018, 23(4): 72–77. doi: 10.13682/j.issn.2095-6533.2018.04.012
      YUE Xin and XIAO Chen. Improvement of image scaling algorithm based on singular value decomposition and bicubic interpolation[J]. Journal of Xian University of Posts and Telecommunications, 2018, 23(4): 72–77. doi: 10.13682/j.issn.2095-6533.2018.04.012

    14. [14]

      KOMAR M, YAKOBCHUK P, GOLOVKO V, et al. Deep neural network for image recognition based on the Caffe framework[C]. Proceedings of the IEEE Second International Conference on Data Stream Mining & Processing (DSMP), Lviv, Ukraine, 2018: 102–106.

    15. [15]

      DOSOVITSKIY A, FISCHER P, ILG E, et al. FlowNet: Learning optical flow with convolutional networks[C]. Proceedings of IEEE International Conference on Computer Vision (ICCV), Santiago, Chile, 2015: 2758–2766.

    16. [16]

      LONG J, SHELHAMER E, and DARRELL T. Fully convolutional networks for semantic segmentation[C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, USA, 2015: 3431–3440.

    17. [17]

      CHEN L C, PAPANDREOU G, SCHROFF F, et al. Rethinking atrous convolution for semantic image segmentation[EB/OL]. https://arxiv.org/abs/1706.05587, 2017.

    18. [18]

      ZHUANG Juntang and YANG Junlin. ShelfNet for real-time semantic segmentation[EB/OL]. https://arxiv.org/abs/1811.11254v1, 2018.

    19. [19]

      HE Kaiming, GKIOXARI G, DOLLÁR P, et al. Mask R-CNN[C]. Proceedings of 2017 IEEE International Conference on Computer Vision (ICCV), Venice, Italy, 2017: 2980–2988.

    1. [1]

      王鑫李可宁晨黄凤辰. 基于深度卷积神经网络和多核学习的遥感图像分类方法. 电子与信息学报, doi: 10.11999/JEIT180628

    2. [2]

      吕晓琪吴凉谷宇张明李菁. 基于深度卷积神经网络的低剂量CT肺部去噪. 电子与信息学报, doi: 10.11999/JEIT170769

    3. [3]

      郭晨简涛徐从安何友孙顺. 基于深度多尺度一维卷积神经网络的雷达舰船目标识别. 电子与信息学报, doi: 10.11999/JEIT180677

    4. [4]

      杜兰刘彬王燕刘宏伟代慧. 基于卷积神经网络的SAR图像目标检测算法. 电子与信息学报, doi: 10.11999/JEIT161032

    5. [5]

      李寰宇毕笃彦查宇飞杨源. 一种易于初始化的类卷积神经网络视觉跟踪算法. 电子与信息学报, doi: 10.11999/JEIT150600

    6. [6]

      吴泽民王军胡磊田畅曾明勇杜麟. 基于卷积神经网络与全局优化的协同显著性检测. 电子与信息学报, doi: 10.11999/JEIT180241

    7. [7]

      伍家松达臻魏黎明SENHADJILotfi舒华忠. 基于分裂基-2/(2a)FFT算法的卷积神经网络加速性能的研究. 电子与信息学报, doi: 10.11999/JEIT160357

    8. [8]

      孙伟峰戴永寿. 采用多级残差滤波的非局部均值图像去噪方法. 电子与信息学报, doi: 10.11999/JEIT151227

    9. [9]

      罗亮冯象初张选德李小平. 基于非局部双边随机投影低秩逼近图像去噪算法. 电子与信息学报, doi: 10.3724/SP.J.1146.2012.00819

    10. [10]

      刘帅奇胡绍海肖扬. 基于稀疏表示的Shearlet域SAR图像去噪. 电子与信息学报, doi: 10.3724/SP.J.1146.2012.00200

    11. [11]

      易子麟尹东胡安洲张荣. 基于非局部均值滤波的SAR图像去噪. 电子与信息学报, doi: 10.3724/SP.J.1146.2011.00918

    12. [12]

      黄光亚曾水玲张书真邓小飞徐倩. 基于三维轴距的图像去噪算法. 电子与信息学报, doi: 10.11999/JEIT140505

    13. [13]

      李寰宇毕笃彦杨源查宇飞覃兵张立朝. 基于深度特征表达与学习的视觉跟踪算法研究. 电子与信息学报, doi: 10.11999/JEIT150031

    14. [14]

      王勇吴金君田增山周牧王沙沙. 基于FMCW雷达的多维参数手势识别算法. 电子与信息学报, doi: 10.11999/JEIT180485

    15. [15]

      李祖贺樊养余王凤琴. YUV空间中基于稀疏自动编码器的无监督特征学习. 电子与信息学报, doi: 10.11999/JEIT150557

    16. [16]

      金正猛杨燕. 基于框式约束的快速全变差图像泊松去噪算法. 电子与信息学报, doi: 10.3724/SP.J.1146.2014.00154

    17. [17]

      王星周一鹏周东青陈忠辉田元荣. 基于深度置信网络和双谱对角切片的低截获概率雷达信号识别. 电子与信息学报, doi: 10.11999/JEIT160031

    18. [18]

      贺丰收何友刘准钆徐从安. 卷积神经网络在雷达自动目标识别中的研究进展. 电子与信息学报, doi: 10.11999/JEIT180899

    19. [19]

      左凯孙同景李振华陶亮. 二维分数阶卡尔曼滤波及其在图像处理中的应用. 电子与信息学报, doi: 10.3724/SP.J.1146.2010.00232

    20. [20]

      谢金宝侯永进康守强李佰蔚张霄. 基于语义理解注意力神经网络的多元特征融合中文文本分类. 电子与信息学报, doi: 10.11999/JEIT170815

  • 图 1  气象雷达噪声回波图

    图 2  DCNNM的网络结构

    图 3  手工标注的气象雷达回波图

    图 4  灰度映射后的气象雷达回波图

    图 5  添加空间信息后图像的可视化结果

    图 6  各类模型训练和测试时间的对比结果

    图 7  经过灰度处理的气象雷达图

    图 8  气象雷达图像语义分割效果对比

    表 1  4类噪声回波的特征描述

    噪声回波形状高度(km)强度(dBz)
    逆温层回波分布比较均匀的块状回波,范围较大,边缘清晰5~610~30
    涓流回波分布比较均匀的半圆形回波,范围较大,边缘清晰6~75~15
    低空昆虫回波分布不均匀的点状回波,范围小,比较分散2~30~10
    形态学噪声回波分布不均匀的点状或片状回波,范围较小,比较分散3~45~20
    下载: 导出CSV

    表 2  模型训练参数设置

    训练参数参数取值
    网络学习率10–8
    权重衰减系数0.001
    momentum系数0.91
    感知屏蔽数量0.5
    批处理大小4
    网络最大迭代次数10000
    下载: 导出CSV

    表 3  气象雷达图像去噪效果交叉验证取值表

    像素点255128
    255A手工标注为降雨的像素点,并且机器去噪也标注为降雨的像素点B手工标注为噪声的像素点,但是机器去噪标注为降雨的像素点
    128C手工标注为降雨的像素点,但是机器去噪标注为噪声的像素点D手工标注为噪声的像素点,并且机器去噪也标注为噪声的像素点
    下载: 导出CSV

    表 4  4类模型测试效果对比(%)

    数据集方法TERACCNERACCPA
    MJDATA (5000)光流法88.2159.0373.39
    FCN91.6879.6185.43
    光流法+FCN92.6073.9178.17
    Model193.6581.6596.75
    下载: 导出CSV

    表 5  4类模型测试效果对比(%)

    数据集方法TERACCNERACCPA
    MJDATA (7473)DeepLab v388.5781.6591.75
    ShelfNet86.9284.3490.51
    Mask R-CNN89.6685.2093.63
    Model290.4084.3692.79
    下载: 导出CSV
  • 加载中
图(8)表(5)
计量
  • PDF下载量:  9
  • 文章访问数:  81
  • HTML全文浏览量:  66
  • 引证文献数: 0
文章相关
  • 通讯作者:  杨宏宇, yhyxlx@hotmail.com
  • 收稿日期:  2019-02-17
  • 录用日期:  2019-06-04
  • 网络出版日期:  2019-06-10
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章