[发明专利]一种基于ENet全卷积网络的气象杂波抑制方法

说明书

本发明提供了一种基于ENet全卷积网络的气象杂波抑制方法，该方法包括如下步骤：S1：气象雷达回波图像获取；S2：DEM图像获取；S3：合成待处理图像；S4：训练ENet全卷积网络模型；S5：利用上述步骤获得的ENet全卷积网络模型进行杂波抑制。本发明提供的方法，基于ENet全卷积网络模型，利用其深度学习能力，解决气象目标和杂波的分离问题，进而实现了地杂波抑制；该方法利用ENet全卷积网络的学习能力提高了地杂波抑制方法的适用性，提高了机载气象雷达的探测性能。

技术领域

本发明属于机载气象雷达领域，具体涉及一种基于ENet全卷积网络的气象杂波抑制方法。

背景技术

机载气象雷达工作时一般处于下视模式，因此面临着比地基气象雷达更严重的地面杂波，杂波分布范围广、强度大，给区分降水类型和分析气象条件等带来很大困难，严重危害飞机的飞行安全。地面杂波和地面的起伏分布有很大的关系，通常高山和丘陵等会对气象雷达有很强的反射回波，会极大地干扰气象目标的探测。这就需要气象雷达在进行杂波抑制时考虑使用DEM(Digital Elevation Model)数据。

DEM是地面地理位置及高程的数据集，可以准确反映地形特征。利用DEM计算波束是否触地，并计算触地位置到载机的距离，就可以判断雷达回波中含有杂波信息的位置，进而进行杂波抑制处理。

但是，传统DEM方法中波束位置的选择不准确，在人工特征提取时，算法的复杂程度高、特征有效性低，进而导致对杂波的抑制处理并不完整。

因此，需提供一种波束位置选择准确，能提高机载气象雷达杂波抑制能力的普适性的杂波抑制方法。

深度学习其自主学习并抽象特征的能力，相比于人工特征在提取算法复杂性和特征有效性，具有非常大的优势，在手写体字符识别、光学图像分类等任务中表现出了极其优秀的性能，但在气象探测和气象杂波抑制方面的应用还未涉及。ENet是一种全卷积网络深度学习模型，它以图像为输入，从大量训练数据学习到目标的结构、属性、类别等特征，输出目标分割结果。将雷达气象回波和DEM信息特征转化成图像，用于训练ENet模型，让网络自主学习到气象回波、杂波和 DEM之间的特征关系，为气象杂波抑制提供新的思路。

发明内容

发明目的：

为了解决上述问题，本发明提供了一种基于ENet全卷积网络的气象杂波抑制方法，通过训练该网络找到气象回波数据和DEM数据中的深度关系，进而能够自行判断出气象目标和杂波，并对杂波进行消除的方法。

技术方案：

为了达到上述目的，本发明提供了如下技术方案：

一种基于ENet全卷积网络的气象杂波抑制方法，所述方法包括如下步骤：

S1：气象雷达回波图像获取；

S2：DEM图像获取；

S3：合成待处理图像；

S4：训练ENet全卷积网络模型；

S5：利用上述步骤获得的ENet全卷积网络模型进行杂波抑制。

优选的，所述步骤S1包括：利用雷达得到的数据信号，由雷达方程计算出反射率因子，得到了气象雷达回波的强度分布情况，将其量化显示得到一幅含有地杂波的气象回波图像。

优选的，所述步骤S2包括：利用载机飞行的地理位置信息，结合飞机扫描波束范围，计算相应的雷达扫描视线，结合DEM数据集中相应位置高度得出相应的可视区和遮挡区，对于可视区和遮挡区的二值化显示，得到一幅与地杂波相一致的DEM图像。

该地理位置信息包括载机飞行时的经纬度和高度。

优选的，所述步骤S3包括：