[发明专利]一种卫星云图中雷暴云团的识别方法

权利要求书

1.一种卫星云图中雷暴云团的识别方法，其特征在于，包括如下步骤：

步骤1，图像预处理；

步骤2，气象云图标注；

步骤3，建立改进的卷积神经网络模型；

步骤4，训练卷积神经网络模型，基于训练好的卷积神经网络模型进行雷暴云团识别；

步骤1包括如下步骤：

步骤1-1，卫星云图数据解析：

步骤1-2，对图像进行中值滤波：

步骤1-3，进行灰度直方图增强；

步骤1-1包括：

将卫星云图的原始传输数据解析为红外云图，对卫星云图中的地理坐标进行识别，将地球球面的所有位置连续的表示在卫星云图的平面中，建立地球表面位置和卫星云图中像素点的点对点的对应函数关系；

步骤1-2包括：

采用如下公式计算加权中值滤波权系数W(i，j)：

W(i，j)＝[W(N+1，N+1)-α·d·D/m]

其中，局部窗口的大小为2N+1，α为常数，d是点(i，j)到局部窗口中心的距离，i，j分别表示横坐标和纵坐标，D和m分别是局部窗口的方差和均值；

将加权中值滤波权系数的计算公式改进为：

其中，D_(i，j)是以(i，j)为中心点的局部窗口的方差；C是对数压缩范围；基于加权中值滤波权系数进行中值滤波；

步骤1-3包括：

采用如下公式计算卫星云图图像灰度值：

其中，x_i，j，x’_i，j分别为变换前、后的卫星云图图像灰度值，m_i，j是以x_i，j为中心的窗邻域均值，H(·)为直方图均衡的变换函数，并且参数k满足以下条件：当x_i，j位于无细节处，即x_i，j处像素的灰度值与其周围的像素点灰度值的大小不超过20，此时k趋近于0，反之，k的取值趋近于1；

选取窗W内邻域灰度方差作为自适应变量计算参数k：

其中，为窗W内的灰度方差，为原始卫星云图的噪声方差，k’为一个比例系数；

步骤2包括：

步骤2-1，数据选择：比较记录步骤1中所得到的卫星云图的基本信息，其中需要记录的基本信息包括卫星云图所包含的经纬度范围、云图的云层范围；

步骤2-2，数据标注：运用步骤1-1得到的对应函数关系，对比全国气象网站中公开的基本反射率图像，利用步骤2-1中整理的卫星云图基本信息进行标注，形成训练和验证时所需要的数据集；将数据集按照7：3的比例分为训练集和验证集，其中训练集用于训练模型，验证集用于对训练后的模型进行检验分析；

步骤3包括：

步骤3-1，建立包括两路卷积神经网络结构的卷积神经网络模型：卷积神经网络结构包含输入层、卷积层、最大池化层、全连接层和最后的Softmax分类层以及输出层，将两路卷积神经网络结构并联在一起，得到包括两路卷积神经网络结构的卷积神经网络模型，即卷积神经网络模型包括两路卷积神经网络结构，分别为本地路径和全局路径，本地路径是使用7×7卷积核的通路，全局路径是使用13×13卷积核的通路；

步骤3-2，改进卷积神经网络模型：对于本地路径和全局路径中使用两次卷积操作，接着使用3×3大小的卷积核进行卷积；本地路径和全局路径的特征映射经过串联然后被送到输出层；分别在本地路径的卷积过程中，设计4层，8层，12层卷积的操作，将图像分别进行输入，比较结果；

步骤3-3，输入串联结构：通过依靠卷积层的连接，添加一个常规的卷积神经网络的输出作为全局路径的附加输入，最后使用步骤3-2中改进的卷积神经网络模型作为两路卷积神经网络结构的后续连接；

步骤4包括：

步骤4-1，捕获变化的反馈项：

使用f_t-1和f_t-2分别表示在先的目标函数的值和在后的目标函数的值；

如果f_t-1≥f_t-2，则计算变化r_t为如果f_t-1≤f_t-2，则计算变化r_t为r_t值始终为非负数，但小于或大于1，它能捕捉到变化的增加或者减少；

步骤4-2，平滑跟踪使算法收敛：

对步骤3建立的改进的卷积神经网络模型进行训练，在训练过程中，定义目标函数d_t＝βd_t-1+(1-β)r_t，

其中β∈[0，1)表示衰减率，通过平滑的跟踪削减目标函数d_t，令作为目标函数在t-2时刻的平滑估计值，并且

其中作为目标函数在0时刻的平滑估计值，f₀作为实际情况在0时刻的平滑估计值；为使神经网络训练过程中保持收敛，目标函数d_t的最终需要处于一个范围内，设定所述范围的上届与下届分别是k和K，且均大于0；设定：并且此时k＜γ_t≤K，

则计算过程中的系数并且最后目标函数的实际取值γ_t是

当时，同样有大于0的k和K，同时计算过程中的系数并且同时最后目标函数的实际取值γ_t是

运用步骤2所准备的数据集中的训练集，对步骤3建立的改进的卷积神经网络模型进行训练，训练过程使用小批量更新方法，并且在训练过程中每50次迭代保存神经网络中的参数；训练过程中，神经网络的损失达到稳定结束训练，保存过程中的最终参数信息。