[发明专利]一种冰晶图片的自动分割方法

说明书

本发明属于大气监测技术领域，具体为一种冰晶图片的自动分割方法。本发明方法包括：将原始数据集中的小样本类数据进行数据增强处理，使得冰晶数据集整体类别较为平衡；对所有冰晶图片进行标注；把分好的训练集放入预训练的深度学习模型中进行参数调整，得到最佳权重；用迁移学习得到的新模型在测试集上进行冰晶分割，查看分割效果。训练过程中使用四种主流的语义分割模型，且通过对预训练的四种模型进行参数的调整将其迁移到本发明关注的冰晶分割实例，保存最佳权重得到新模型，之后使用新模型对冰晶图片进行自动分割。本发明能够有效地分割CPI采集到的不同分辨率、不同形状的冰晶图片，实现批量化自动分割。

技术领域

本发明属于大气监测技术领域，具体涉及一种冰晶图片的自动分割方法。

背景技术

冰云是几乎完全或完全由冰晶所组成的云，对全球辐射平衡和气候变化有重要的影响。冰晶的辐射和微物理特性受其形状、大小影响，冰晶的形状和大小又往往因温度、湿度、海拔高度、云类型、对流强度或天气条件的不同而有很大差异，所以冰晶的研究对降水和全球辐射平衡等就有着重大意义。

现实世界的冰云通常为大量复杂不规则晶体的混合物，目前主要使用云粒子成像仪(CPI)来对冰晶粒子进行观测，以此得到冰晶粒子图片，但是采集到的图片像素低且冰晶和背景颜色相似，人工去分割这些数以万计的冰晶图片是非常费时费力的。

语义分割是在像素级别上的分类，属于同一类的像素都被归为一类。在深度学习方法流行之前，TextonForest和基于随机森林分类器等语义分割方法是用得比较多的方法，但效果均不佳。最初应用于图像分割的深度学习方法是Patch classification，即将图像切块放入深度模型，然后对像素进行分类。2014年，全卷积网络(FCN)横空出世，FCN将网络全连接层用卷积取代，因此使任意图像大小的输入都变成可能，而且速度比Patchclassification方法快很多。之后又提出了encoder-decoder架构，encoder由于pooling逐渐减少空间维度，而decoder逐渐恢复空间维度和细节信息，其中U-net就是这种架构很流行的一种。在此基础上提出的空洞卷积架构代替了pooling，一方面它可以保持空间分辨率，另外一方面它由于可以扩大感受野因而可以很好地整合上下文信息，其中Deeplab系列模型是典型。

根据调查文献显示，目前并没有一个有效的方法能够实现冰晶的自动分割任务，所以本发明引入语义分割的概念，创新提出了基于深度迁移学习的冰晶自动分割方法。

发明内容

本发明的目的，在于提供一种冰晶图片的自动分割方法，其可免去人工去分割冰晶图片的重复性无创造性劳动，使得对冰晶后续的测量、辐射特性等研究更加方便。

本发明提供的冰晶图片的自动分割方法，具体步骤如下：

步骤1，将原始数据集中的小样本类(如Ser、Hoc)数据进行数据增强处理，使得冰晶数据集整体类别较为平衡；

步骤2，对所有冰晶图片进行标注；

步骤3，拿分好的训练集放入预训练的深度学习模型中进行参数调整，得到最佳权重；

步骤4，用迁移学习得到的新模型在测试集上进行冰晶分割，查看分割效果，实现冰晶图片的自动分割。

本发明步骤1中所述进行数据增强处理，具体为：

步骤11，采用最简单的几何变换方法，包括翻转、旋转、缩放；

步骤12，采用颜色扰动的数据增强，即在某一个颜色空间通过增加或减少某些颜色分量，或者更改颜色通道的顺序，包括增强对比度、增强亮度、增强饱和度、随机颜色法；