卫星云图预测的运动矢量方法

现有的云迹风提取方法只提供了对云覆盖的简单二值灰度估计,该文利用运动矢量估计的思想提出了一种云覆盖（云图）预测的新方法,这种方法可实现对卫星云图的灰度预测,这种新的方法是通过将一幅ＧＭＳ云图分割成为许多大小相同的小块,并将它们分别匹配到一幅参考云图中以获取云的运动矢量,进而实现对卫星云图云覆盖的量化预测,进而还对该方法进行了优化,从而提高了算法运行速度,并对算法实现中出现的“马赛克”问题提出了解决     

基于小波变换的卫星云图压缩方法

本文使用改进后的小波变换零树编码压缩算法压缩卫星云图资料,在压缩比为30：1以上、PSNR大于33的条件下,将发送云图的延迟时间从约16分钟缩短到约40秒钟。     

利用卫星云图预测地震

本文作者利用卫星云图经多年观察分析,发现地震区卫星云图上的云异常,对异常云现象总结归纳,提出了“震兆云”的概念及其发生规律、形态特征、与预测地震的关系。结合MDCB地震前兆监测仪、地表热红外遥感方法等三种方法联合预测实践,将预测地震的准确率提高到了60%-70%.     

基于径向变换和改进AlexNet的胃肿瘤细胞图像识别方法

使用AlexNet实现胃肿瘤细胞图像分类时，存在数据集过小和模型收敛速度慢、识别率低的问题。针对上述问题，提出基于径向变换（RT）的数据增强（DA）和改进AlexNet的方法。将原始数据集划分为测试集和训练集，测试集采用剪裁方式增加数据，训练集首先采用剪裁、旋转、翻转和亮度变换得到增强图片集；然后选取其中一部分进行RT处理达到增强效果。此外，采用替换激活函数和归一化层的方式提高AlexNet的收敛速度并提高其泛化性能。实验结果表明，所提方法能以较快的收敛速度和较高的识别准确率实现胃肿瘤细胞图像的识别，在测试集中最高准确率为99.50%，平均准确率为96.69%，癌变、正常和增生三个类别的F1值分别为0.980、0.954和0.958，表明该方法较好地实现了胃肿瘤细胞图像的识别。     

多维加权密集连接卷积网络的卫星云图云检测

云检测是多光谱卫星云图分析的前提。传统云检测方法不能很好地对多光谱卫星云图进行特征表示,导致了云检测不是很准确。卷积神经网络虽然能有效地提取特征,但训练时会产生梯度扩散,训练效率低,优化困难等问题。针对这些问题,提出多维加权密集连接卷积神经网络模型实现对多光谱卫星云图的云检测。跨层连接能够实现网络中所有层之间的信息流,从而减少训练过程中的梯度消失导致收敛困难的问题。特征图之间连接的权值不同使得网络能够更高效地利用特征信息。通过实验结果对比,该模型可以很好地提取云图特征,提高多光谱云图检测的准确率,具有更好的泛化性能和优化效率。     

台风卫星云图分割方法研究

本文针对台风卫星云图的具体特点,采用一种利用迭代模型并结合台风云系面积特征的分割方法,对台风卫星云图进行分割,取得了满意的效果。     

基于卫星云图的三维立体云仿真

真实立体云仿真是计算机图形学中非常实用的研究.为了实时和逼真研究立体云图仿真,提出了一种基于卫星云图的三维立体云仿真方法.首先利用Micaps3.0处理卫星云图,提取二维云图像,然后从二维云图像中提取云的三维信息,并对其进行空间填充,最后通过充分利用GPU硬件加速改进性能,利用改进Billboard算法实现三维立体云仿真.与以往三维云实现方法相比,改进方法实现简单而且十分高效.实验表明,在气象地理信息系统应用中,方法可以获得更加实时、真实三维立体云效果.     

基于交叉相关法的卫星云图中云团移动的短时预测

在卫星云图应用研究中引入交叉相关法的思想进行云团移动的短时预测。选取连续两个时次的GMS-5卫星云图,将云图区域划分为32×32像素的图像子集,采用交叉相关法计算获取两幅云图的最佳匹配区域,根据前后云图匹配区域的位置和时间间隔,确定出每个图像子集的移动矢量(速度和方向),并对图像子集的移动矢量进行客观分析,其后,基于检验后的云图移动矢量集,利用后向轨迹方法对云图作短时外推预测。试验结果表明,该方法对卫星云图上较为平稳的云团移动的短时预测效果较好,具有直观、定量、快捷的优点。     

卫星云图的遗传神经网络集合预测模型研究

针对目前缺乏卫星云图非线性预测技术理论方法问题,采用类似于数值预报模式的集合预报方法,构建了一种遗传神经网络的卫星云图非线性滚动预测模型。通过对每间隔3小时的红外卫星云图样本序列作自然正交展开,将提取出的时间系数作为云图预报建模的预报分量。考虑降水云系的发展变化,主要是受到云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用系统降维计算处理方法,分别建立相应的时间系数遗传神经网络集合预报模型。将预报得出的各时间系数与空间向量合成,得出未来时刻的卫星云图预报图。预报试验结果表明,这种非线性预报模型可以较好地预报未来20~30小时的强降水云团发展、移动的主要特征和变化趋势。实况云图与预测云图的平均相关系数达到0.78。     

基于改进的深度卷积神经网络的人体动作识别方法

针对现有的动作识别算法的特征提取复杂、识别率低等问题,提出了基于批归一化变换(batch normalization)与GoogLeNet网络模型相结合的网络结构,将图像分类领域的批归一化思想应用到动作识别领域中进行训练算法改进,实现了对视频动作训练样本的网络输入进行微批量(mini-batch)归一化处理。该方法以RGB图像作为空间网络的输入,光流场作为时间网络输入,然后融合时空网络得到最终动作识别结果。在UCF101和HMDB51数据集上进行实验,分别取得了93.50%和68.32%的准确率。实验结果表明,改进的网络架构在视频人体动作识别问题上具有较高的识别准确率。     

基于区域特征的非下采样Contourlet变换卫星云图融合

对不同的卫星云图进行融合处理,可为灾害性天气的监测和预警提供更为全面的信息,提出一种基于区域特征的非下采样Contourlet变换(NSCT)卫星云图融合新方法。首先,采用NSCT对卫星云图进行多尺度和多方向分解,得到低通子带系数和各带通方向子带系数;然后,对低通子带系数采用基于图像区域相关系数和区域能量的自适应融合规则,对各带通方向子带系数采用加权和区域方差相结合的融合规则;最后,对融合系数进行NSCT逆变换得到融合云图。实验结果表明,该算法在增强融合云图的纹理及边缘等细节信息的同时,能更好地保留源红外云图的红外信息,融合效果更好。     

基于纹理特征的卫星云图台风自动识别方法

利用图像的分形维数和灰度梯度共生矩阵提取了卫星云图中台风密蔽云区等目标的纹理特征,将图像分形维数和灰度梯度共生矩阵的三个二次统计特征结合起来,对卫星云图进行识别分类.     

基于红外卫星云图的云的三维表现

分析红外卫星云图结构特点,阐明其三维化原理。借鉴LOD思想,利用多种采样间隔获得不同精度数据网格。根据云团真实感效果制定颜色及透明度映射规则。结合三维地形可视化方法,设计并实现了红外卫星云图的三维可视化。     

应用改进卷积神经网络的网络安全态势预测方法

针对神经网络态势预测模型训练复杂度高的问题，提出了一种基于改进卷积神经网络的态势预测方法。结合深度可分离卷积与分解卷积技术的优点，提出了一种基于复合卷积结构的改进型卷积神经网络安全态势预测模型，实现了态势要素和态势值的映射。实验仿真结果证明，相比于已有的典型预测方法，该方法明显降低了复杂度，减少了预测时间，并提升了预测准确率。     

基于迁移学习和批归一化的菜肴图像识别方法

菜肴图像识别属于图像细粒度识别.针对菜肴子类之间差距小、外观差异大且受外界因素影响难以识别问题,提出一种基于迁移学习和批归一化结合的深度学习模型菜肴图像识别方法.以预训练的V GG-16为迁移学习基础,对部分卷积层以及全连接层输出做批归一化处理,最终得到尺度变换和平移后的特征集合.通过迁移学习解决深度学习所带来的过拟合...     

卫星云图的多通道FCM分割算法

卫星云图是对地球大气进行遥感测量的重要资料,云团的识别、跟踪及预测都需要对卫星云图进行图像分割和边缘提取。本文通过改进模糊C均值(FCM)算法对云图进行分割,改进后的算法显示出了效率高、分辨准确的特点。实验采用了2011年6月的RGB多通道卫星云图,通过对云图分层聚类,提取多通道聚类的相交区域等过程,实现了云团快速准确的分割。     

防汛计算机网的卫星云图显示系统

介绍了在江西省防汛计算机网络上实现的卫星云图显示系统 ;讨论了基于 VESA视频标准进行图像编程的原理和技术 ,并给出卫星云图显示的多个功能模块的程序设计思想 ,最后还以两个图例展现了云图显示系统的精美界面。     

基于TV算法的卫星云图标注对象剔除技术

将整体变分算法模型用于卫星云图中标注对象的剔除应用,根据云图标注对象的形状多为线形区域的特点,通过引入权值,对整体变分算法的离散化过程作了改进,使算法在利用邻域信息对待剔除区域进行填充时不改变待剔除区邻域的像素值。实验表明该算法对窄长条状或线性区域的剔除是有效的。     

基于卫星云图的台风云系特征提取算法研究

利用静止卫星观测数据,进行了滤波、去噪等预处理,及综合优化的云检测处理;在此基础上,利用改进的正交匹配小波算法和优化的遗传-模糊聚类算法,实现了西北太平洋地区台风云系特征的提取。这两种算法提取出的台风云系特征参数简单,用于热带气旋(Tropical Cyclone,TC)的监测预警中可提高效率,适用于台风预报预警监测的业务化应用。     

基于优化的并行AlexNet人脸特征点检测算法

基于深度学习的人脸特征点检测会因环境明亮程度、人体姿态、人脸表情等因素影响检测结果的鲁棒性。采用基于优化的并行卷积神经网络模型,将人脸图像切分为3个互有重叠且各带一个颜色通道的子图像,对应3个不同的模型,将模型结果加权平均,得到人脸特征点坐标。其中模型均采用Alex Net模型,针对子图像尺寸特征修改卷积核尺寸以及输出特征图数量,并引入批归一化层,归一化隐藏层中激活函数的输出值,降低误差的同时减少迭代次数。最后在LFW人脸数据集上进行验证,结果表明,优化的算法准确率达到99%以上,迭代次数减少约4 000次,误差降低了44.57%。