一、台风卫星云图分割方法研究（论文文献综述）
魏祥[1]（2021）在《雷暴云团识别与线路规划系统的研究与实现》文中研究指明随着社会上科学技术的不断进步,人们的生产生活方式逐渐向着智能化和自动化的方向发展。在气象和航空领域中,随着深度学习技术的不断引入,云团识别、云团分类、云团分割、飞行器自动化航行以及航行线路规划等是领域内专业性较强的问题,如何利用深度学习自动化完成一直是相关研究人员研究的热点。卫星云图中包含着丰富的信息资料,其中所包含的各类云团信息更是在气象和航空领域中天气预测和航线规划的不可或缺的基本资料。针对庞大的卫星云图数据资料以及利用人工提取分析方式的局限性,利用人工智能的方式进行数据处理显得尤为重要。现阶段关于雷暴天气等气象信息都由气象工作人员进行确认识别,这种人工识别的方式无法满足对天气预警的实时性要求,给人们的人身财产安全保护带来了极大的挑战。为了解决上述的问题,本文提出一种将可分离卷积和残差块相结合,采用多池化结构对全局信息进行特征提取的网络结构,将网络结构中的参数降低,并在分割好的卫星云图资料中对飞机的飞行轨迹进行规划,完成辅助决策任务。本文的主要研究内容包括:1)在阅读大量文献的基础上,分析了对卫星云图进行智能化辨识的必要性,对国内外在图像分割以及卫星云图中雷暴云团辨识的研究现状进行了总结,分析了现阶段常用的分割方法以及它们在卫星云图中使用的局限性。2)详细介绍了卷积神经网络的基本原理与层次化结构,针对普通卷积的参数量过大,计算效率较低,无法直接使用在嵌入式设备使用的问题,对卷积神经网络进行了轻量化的改进。提出一种将可分离卷积与残差块相结合,通过降低网络中的参数量,提升网络的计算效率,并且在网络后端采用大小不同的池化窗口提取特征图中的细节信息,提升雷暴云团的识别准确率。最后将雷暴云团的分割结果与常用的图像分割方法进行比较实验,文中的网络结构比常用的网络分割网络有优势,将雷暴云团的识别准确率提升0.5%,并且将卫星云图的响应时间缩短10%。证明了文中所述的网络结构能够对卫星云图中的雷暴云团进行识别,并且响应时间有所降低。3)基于已经对雷暴云团识别出来的卫星云图数据,利用添加了标志位和梯度向量的深度优先算法对飞机的航行路径进行规划,降低了深度优先算法的计算损失,提升了算法的计算效率,同时根据相关的信息对雷暴云团的移动方向进行推断,并将其考虑在路径规划的过程中。最后通过实验证明,改进后的方法能够快速有效的进行线路规划,绕过雷暴云团,达到了在航空领域中对飞行路线辅助决策的作用。在全文的最后,为了便于一些非相关的人员使用,对数据解析和网络结构进行了实用性和系统性的封装。
施声伟[2]（2021）在《基于风云静止气象卫星的云图解译研究》文中指出上世纪60年代兴起的气象卫星是气象探测研究和业务中的重要突破,其提供的连续的高时空分辨率云图数据是以往常规探测技术无法比拟的。卫星云图可以作为日常天气分析和预报辅助工具,对于卫星云图的解译和使用,是天气预报工作不可分割的组成部分。当前气象卫星云图研究和应用中目视判读仍是主要手段之一,主观因素导致无法完全提取和最大化利用卫星云图中的有效信息,并且妨碍了定量化和自动化预报的发展。随着国产气象卫星技术的快速发展,对国产卫星云图的研究是近年来比较热的课题,同时也具有一定的现实意义。我国自2016年在西昌发射了一颗自主研发的三轴静止卫星——FY-4A,标志着我国气象卫星技术达到了新的高度,其位于赤道上空104.7°E,搭载有三台先进的光学仪器,包括AGRI、GIIRS、LMI。AGRI拥有14个光谱通道,具有较高的空间和时间（约15min间隔）分辨率,可获得对天气系统高频次昼夜监测的红外云图,使气象卫星在天气预报和监测等应用中发挥着越来越重要的作用。红外云图的分辨率低于可见光云图的分辨率,使用FY-4A红外卫星云图进行目标云系自动化识别和分割工作,对提高我国天气预报质量和气象灾害预警能力具有重要的价值。本研究介绍了FY-4A气象卫星的基本情况及其卫星云图红外图像处理流程,参考欧洲气象卫星组织卫星云图直接解译方法,利用FY-4A红外图像结合数学形态学和云系几何形状特征建立了一套实现对FY-4A云图上典型大尺度云系（冷锋、暖锋和锢囚锋）自动化识别与分割的算法流程。本文主要研究有以下四点:（1）采用基本数学形态学操作和多阈值分割算法,根据FY-4A卫星云图红外图像中大尺度云系特点,对其进行多阈值分割,提取锋区特征,研究构建锋区识别模型,并对锋区的预测效果进行了评估,总体精度达到了93.43%。（2）比较了两组（每组两种）光流模型在红外云图外推精度,得到Dense模型组采用的DIS光流算法和向后平流方案外推效果优于Sparse模型组采用的Shi-Tomasi角点检测和LK光流算法方案。图像外推能够解决锋区识别中的“跳变”现象。（3）介绍了锋区后部检测原理、算法和处理过程。使用外推的锋区图像与当前时刻锋区判断当前锋区是否存在锋后部条件,该条件可以作为后续冷暖锋云系解译的一条重要规则。（4）使用数学形态学算法,提取锋区骨架和距离图,判断锋区云系骨架的端点和分支点数量,接着在骨架化的基础上计算锋区云系的几何形状特征,借助锋区后部条件和图像的几何形状特征实现了对典型云系解译工作。结果经专家判识,冷锋识别率为79.12%、暖锋识别率为73.89%和锢囚锋识别率为75.61%。将人工提取的范围与自动分割出的云区范围进行了图像相似性比较,三类云系相似性都在90%以上,综上表明本文的识别与分割算法有较高的准确率。
邹国良,侯倩,郑宗生,黄冬梅,刘兆荣[3]（2019）在《面向卫星云图及深度学习的台风等级分类》文中指出台风是最严重的自然灾害之一,做好台风等级分类预测是防灾减灾的关键。针对现有卫星云图特征提取复杂、识别率低等问题,基于卷积神经网络框架,以北太平洋1978—2016年近1 000多个台风过程的卫星云图作为样本,提出改进深度学习模型Typhoon-CNNs。该框架采用循环卷积策略增强模型表征力,使用十折交叉验证引入信息熵、Dropout置零率以优化模型灵敏度及防止过拟合。通过800样本测试集对模型Typhoon-CNNs进行验证,实验结果表明,本文算法的分类精度达到92.5%,台风和超强台风2个等级的预测正确率达到99%,优于传统分类方法。最后对模型提取的特征图进一步分析,模型能够准确识别台风眼和螺旋云带,从而证明Typhoon-CNNs对台风等级分类的可行性。
庞君如,王让会,李博[4]（2019）在《基于密度矩阵和卫星修正的台风中心定位仿真》文中认为针对当前方法在对台风中心进行定位时存在准确性不高、收敛速度较慢的问题,提出一种新的台风中心定位方法,采用能量系数、熵值、对比度、相关系数以及局部平稳系数描述台风卫星云图的纹理特征,求得台风卫星云图的密度矩阵,从中提取云图灰度平均纹理特征、小梯度优势特征和梯度均匀性纹理特征,并对其进行阈值化处理和正规化处理,完成台风卫星云图的预处理;构建台风中心定位最优目标函数并进行求解,完成台风中心初步定位,在此基础上剔除不合理台风中心位置坐标,提高台风中心定位精度。实验结果证明,所提方法在进行台风中心定位时,其定位精确度相比传统方法有很大提高,另外完成台风中心定位所需迭代次数明显减少。以上实验结果说明所提方法能够实现不同类型台风中心的准确定位,且收敛速度快。
余兴瑞[5]（2018）在《基于数据扩增式深度学习的遥感图像分析》文中指出近年来,深度学习被广泛应用于表征图像的复杂模式中,它有潜力解决遥感领域中一些经典且具有挑战性的问题。典型的深度学习需要内容丰富且数量极大的数据集来训练多层神经网络结构以捕捉遥感图像中的基本特征。然而,与流行的深度学习框架中使用的基准数据集相比,可用的遥感图像数据非常有限,这极大地限制了深度学习模型在遥感图像分析中的性能。为了充分发挥深度学习在遥感小数据图像分析上的性能,本文针对三种不同的遥感图像分析场景（遥感场景图像分类、台风云系预测和溢油分割）,提出了三种数据扩增式深度学习方法。首先,针对遥感场景图像分类,本文提出一种数据扩增方法,实现数据扩增式卷积神经网络。这种数据扩增方法不仅可以提高任意遥感图像数据集的图像数量和完备性,还可以利用扩增的数据集训练深度卷积神经网络,以实现精确地场景图像分类。具体而言,本文提出应用三种基本操作（镜像、平移和旋转）增强任意原始数据集,并使用扩增的数据集训练,从而使深层模型获取更强的表达能力,并通过最近发布的三个遥感数据集验证表明本文所提方法的有效性。其次,针对台风云系预测,本文提出一种新的基于生成对抗网络（Generative Adversarial Networks,GANs）的台风云系预测方法。本方法以卫星云图数据为基础,设计了一种基于生成器/判别器的双网络结构的台风云系预测模型。生成器网络根据历史时刻连续多帧实测卫星云图学习台风云系的演化趋势,在此基础上生成未来时刻的连续多帧卫星云图,形成台风云系的可视化预测;判别器网络判别未来时刻的卫星云图的真实性。两个网络在互相对抗的过程中不断演进,最终生成器胜过判别器:判别器网络无法区分生成未来云图的真假。在这种训练模式下,模型从有限的卫星云图数据中学习如何重构台风的完整演化过程,并在训练过程中生成图像,实现数据扩增,避免了使用大量训练数据。为提高生成卫星云图的清晰度,本方法采用了多尺度网络结构和基于梯度差的损失函数进行模型训练。基于实测卫星云图的实验表明:本方法有效地预测台风云系运动的全时空演化过程,形成对数值模式预测可视化补充。因此,本方法为台风监测提供一种全新的参考依据,对于开展防灾减灾工作、保障人民生命和财产安全具有重要意义。最后,针对海上溢油分割,本文提出一种基于对抗f-散度学习的自动溢油分割方法。本方法利用f-散度来度量真实溢油分割和生成的溢油分割在概率分布上的差异。为实现可控的优化过程,本算法通过以对抗的形式训练了一个生成器和一个回归器来最小化f-散度的严格下界。生成器和回归器为不同结构的神经网络。其中,生成器的作用是生成精确的溢油分割图像,而回归器的作用是表征生成溢油分割和真实溢油分割的分布差异。生成器和回归器之间的对抗使算法获得最大f-散度的最小值。同时,对抗训练策略增强了生成器和回归器的特征表达能力,并且在训练过程中通过生成分割图像实现数据扩增,避免了使用大规模标定数据进行深度神经网络的参数训练。训练好的生成器网络在不需要任何手动初始化操作的情况下,实现全自动溢油图像分割。得益于f-散度表征不同分布的完备性,本溢油分割算法精确分割出在充满噪声的合成孔径雷达（Synthetic Aperture Radar,SAR）图像上的不同形状的溢油区域。综上,本文针对遥感图像数据量有限的问题,针对三种不同遥感场景图像分析任务分别提出一种数据扩增式深度学习方法,实现小数据条件下的高效遥感图像分析。
靳少辉[6]（2016）在《基于视觉显着性和特征学习的SAR影像台风中心定位研究》文中研究表明台风是一种灾害性天气系统,它带来的强风暴雨和风暴潮等可造成生命和财产的巨大损失。加强台风的监测和预报是减轻台风灾害的重要手段。台风中心定位是台风预报准确与否的一个关键因素。因其覆盖范围大、扫描频率高等优点,过去人们常用卫星云图来研究台风中心定位。但是,受云层覆盖和降雨等的影响,卫星云图无法显示近海面的气流和海水间的相互作用以及台风的内部详细结构。与可见光或红外传感器相比,合成孔径雷达（Synthetic Aperture Radar,SAR）工作在微波波段,具有穿透能力,可以探测到降水的实际区域并显示台风的内部结构,对台风螺旋云带的空间分布和强降水中心有非常直观客观的反映,且分辨率高,可全天时全天候工作,因此逐渐在台风研究中得到广泛的应用。它在台风监测预报中的应用将是未来海洋与气象科学发展的重要研究方向之一。虽然SAR图像的相关研究工作已经有了很多积累和进展,但是在SAR图像台风信息自动提取方面的针对性研究工作还是相对缺乏的。本文的研究工作围绕利用台风SAR图像进行台风中心定位展开,分析挖掘台风SAR图像的特点,并结合图像分割和计算机视觉等理论方法,针对有眼台风和无眼台风分别给出了中心定位的方法。本文的主要工作和创新如下:1,通常认为有眼台风的中心在风眼区域或其附近,因此有眼台风定位的关键是提取台风眼。台风眼区少风无雨,在SAR影像中多表现为黑色或深灰色的区域,当台风处于发展期或衰退期时不一定有完整清晰的台风眼,这时风眼区域也可能表现为浅灰色区域,这种灰度差异并不总是明显的。因此若用图像分割的方法提取台风眼,有必要对图像做增强处理。另外,台风SAR图像受相干斑的影响较大,因此有必要先对其进行去噪。基于此,在第二章中我们提出一种基于非局部均值和标记分水岭的方法提取台风眼,先用PPB滤波器去噪、高帽变换进行增强,然后用标记分水岭的方法提取台风眼,并计算提取的台风眼的面积,与人工计算的台风眼的面积进行对比,验证了用该方法提取台风眼准确有效。2,台风眼在图中多呈现为深灰色的圆形或椭圆形,方向特征不明显。周围的云带则呈现为浅一些的灰色,多有螺旋趋势,方向特征很明显。而且台风形成于热带洋面上,登陆后会因为能量消耗巨大、缺乏能量供应来源等因素而逐渐衰退消亡,因此台风SAR影像也多成像与海洋上,在图像中表现为背景简单、纹理信息较少,这有利于用视觉显着性的方法提取台风眼。这些特点有利于用视觉显着性的方法构建台风的视觉显着图,凸显其风眼等结构。在第三章中我们提出了基于视觉显着性和区域生长算法来提取台风眼。利用台风SAR影像的灰度信息和方向信息构建视觉显着图,然后提取视觉显着图中的台风眼。3,对单幅无眼台风图像,通常采用模板匹配的方法来估计台风中心。过去基于卫星云图提取螺旋云带的方法通常包含用图像分割的方法分割出云系、用形态学方法反复处理、基于统计分析筛选等来得到可有效利用的云带信息,再用模型拟合等步骤。这类方法计算复杂度较高且由于步骤繁多而容易导致定位误差较大甚至失败。在第四章中我们提出了基于粒子群优化算法和对数螺线模型的方法定位无眼台风中心。该方法用边缘检测的方法提取螺旋云带的同样具有螺旋几何特征的边缘线,这大大简化了模板匹配前的步骤和计算复杂度,然后用对数螺线模型来拟合螺旋线,并将拟合问题转化为目标优化问题,用粒子群优化算法来求最优解,即估计的台风中心。4,螺旋云带位于台风云系中,具有典型的螺旋几何特征和旋转趋势,能够反映台风的形态,是用于研究无眼台风的重要信息。对一个台风SAR图像来说,台风云带的螺旋结构和灰度上的明暗相间是其区别于背景的显着特征。另外,由于台风SAR图像多获取于海面上,背景简单,纹理信息较少,适宜用视觉显着性的方法来进行处理。因此在第五章中我们提出了基于特征学习和显着区域检测的方法定位无眼台风中心。螺旋云带表现为明暗相间的螺旋状结构,灰度对比度明显,方向信息丰富,因此可利用灰度对比度和方向特征构建显着区域图,筛除无关云团的干扰,突显螺旋云带的区域,然后用形态学的方法在显着区域图中提取螺旋云带。5,用模板匹配的方法对无眼台风进行中心定位,过去通常用对数螺线模型来匹配螺旋云带骨架线。该类方法通常要求能提取到完整连续的螺旋云带,且由此得到的螺旋曲线能有效反映台风的螺旋趋势和螺旋结构。但是有的台风在SAR图像上表现为由一系列不连续的小云团构成螺旋云带,在这种图像中很难提取到细长连续的螺旋云带,会大大影响用对数螺线模型来拟合螺旋曲线从而估计台风中心的方法的准确度。而且SAR受其扫描幅度限制,有时候获得的台风图像并不包含完整的台风结构,可能图像中只有部分云带,可能台风中心在图像之外的区域,这也限制了对数螺线模型的使用。因此在本章我们考虑寻找一种能适用于上述情况的模型来估计无眼台风的中心。因此针对台风SAR影像中台风结构不完整的情况,在第六章中我们提出了基于视觉显着性和入流角模型定位无眼台风中心。使用第五章中提出的方法获得螺旋云带,然后提取其骨架线,用入流角模型来估计台风中心。并将估计的结果与Best Track Data数据进行对比,证实了该算法的有效性。
宋昱,吴一全,毕硕本[7]（2014）在《边缘修正CV模型的卫星遥感云图分割方法》文中提出对卫星遥感云图进行自动分割是分析卫星云图资料的重要步骤。为了更加准确的对卫星遥感云图进行分割,提出了融合边缘信息CV模型的卫星遥感云图分割方法。对原卫星云图进行扩散,得到平滑图像,根据平滑图像计算边缘信息,将得到的边缘信息融入CV模型中,并加入距离规范项使得CV模型的水平集函数在演化过程中不需要重新初始化。实验结果表明,与传统CV模型、区域能量拟合水平集模型、偏置场修正水平集模型相比,所提方法分割出的云区域更加准确,分割速度更快。
陈禹良[8]（2013）在《基于信息熵的气象卫星云图台风分割方法研究》文中进行了进一步梳理台风是中心附近最大风力达到12级以上的热带气旋，由台风带来的狂风、暴雨及风暴潮等组成一种复合性天气系统，是世界上对人类的生产生活影响最为严重的自然灾害之一。台风来临时引起海面巨浪，登陆后又带来风暴降雨摧毁庄家、建筑设施等，对我国工农、渔业、交通及人民财产安全造成了巨大损失。因此，及时准确的台风预报，能够降低台风灾害带来的损失，对社会生活、国家财产和人身安全都有深远影响。然而，台风分割又是台风预报、定位及识别的关键，准确有效的台风分割方法不但对台风的定位、识别起到至关重要的作用，也对台风预报的自动化及大气科学研究有着重要的意义。信息熵是事件出现概率不确定性的量度，应用于图像处理中就是测量灰度级分布随机性的一个特征参数。基于信息熵的图像分割方法，使分割前后的图像信息尽量保持完整，在复杂图像分割中具有较好的分割效果。本文中所使用的卫星云图均为我国正在使用的风云二号卫星所拍摄传回的原始图像，并以2011年登陆我国的第2号台风“桑达”和第9号台风“梅花”为例，对基于信息熵的气象卫星云图台风分割方法做了深入的研究。主要分为以下几个方面：本文分析了台风云系形成、发展及消亡的过程，及其各阶段在卫星云图中的特征，总结归纳现阶段基于气象卫星云图的分割方法及熵理论在图像处理中应用的研究现状。详细说明了卫星云图的研究内容及分析过程，对卫星云图的分类及不同云图的基本特点进行分析，着重比较台风云系在各类云图中的特点，给出各云类在卫星云图上的特征及其识别判据。研究基于信息熵的台风云系自动分割方法，首先研究了基于信息熵的图像分割技术，对信息熵概念及其到图像熵的转化做了分析，并从熵的数学特性和熵函数灵敏度角度论证信息熵应用于卫星云图分割的有效性和合理性。根据台风云系在卫星云图中的特征，将基于信息熵的图像分割方法、面积滤波器、台风区域位置分割、纹理统计特性相结合，设计出一种台风自动分割方法，并对分割和识别的效果进行了实验分析。研究基于信息熵的台风云系主体分割方法，将二维最大熵法和二维Otsu法相结合，利用多目标规划理论，在二维直方图上融合两种算法，并提出一种基于二维直方图的快速优化搜索方法，自适应地调整搜索范围，能有效提高两种分割算法的运行速度，并对具体实例进行了实验分析，比较分割结果。
廖小露,田玉刚,刘嘉[9]（2011）在《基于先验特征的台风云系影像分割方法研究》文中研究指明传统的基于数学形态学的台风云系影像分割方法多采用圆形或菱形模板进行,这种方法的缺点是当运算模板较大或经多次腐蚀、膨胀运算后,不能很好地保留台风云系影像原始的形态信息。为了解决此问题,探讨了一种基于先验特征的台风云系影像分割原理与方法,即先提取台风云系影像的大致形态,并以此作为形态学模板;然后利用形态学方法提取台风云系影像;最后,以2008年7月28日18时的09号FY-2C气象卫星云图台风云顶温度数据为例进行分析,同时根据本次示例台风（200809号台风）形状自定义的模板来腐蚀分割台风云系影像,并详细对比和分析了不同形状、大小的模板对台风云系影像分割结果的影响。实验表明,基于先验特征的自定义台风云系结构模板,其分割结果不仅较好地保留了台风云系影像的形状特征,而且腐蚀后保留的台风云系信息最多。
钱华明,姜波[10]（2011）在《一种基于多通道卫星云图的台风分割方法》文中认为有效的台风主体分割能够提高台风预报的准确性.提出一种基于矢量图像的改进水平集方法进行台风分割,将C-V模型推广到矢量空间,加入了无需重新初始化的能量项;提出了一种迭代收敛条件并设计了针对云图特点的模型参数及分割方法,该方法利用了多通道的云图信息,避免了无谓的迭代计算,能够加快分割曲线的演化速度并提高分割的准确性.实验结果验证了所提出方法的有效性和可行性,其平均目标错误率与平均非目标错误率分别为1.21%与2.25%,可得到较理想的台风分割效果.
二、台风卫星云图分割方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、台风卫星云图分割方法研究（论文提纲范文）
（1）雷暴云团识别与线路规划系统的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题研究的背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 本文研究内容及论文结构 |
| 第二章 雷暴云团辨识相关研究 |
| 2.1 卫星云图成像原理及种类研究 |
| 2.1.1 卫星云图成像原理 |
| 2.1.2 可将光云图成像特点 |
| 2.1.3 红外云图成像特点 |
| 2.1.4 水汽云图成像特点 |
| 2.2 图像分割相关方法 |
| 2.2.1 阈值 |
| 2.2.2 边缘 |
| 2.2.3 区域 |
| 2.2.4 数学形态学方法 |
| 2.2.5 模糊聚类算法 |
| 2.2.6 神经网络 |
| 2.3 评价指标 |
| 2.3.1 像素精度 |
| 2.3.2 平均像素精度 |
| 2.3.3 均交并比 |
| 2.4 本章小结 |
| 第三章 基于深度学习轻量级网络的卫星云图分割 |
| 3.1 卷积神经网络简介 |
| 3.1.1 卷积运算 |
| 3.1.2 卷积层 |
| 3.1.3 池化层 |
| 3.1.4 规范化层 |
| 3.1.5 全连接层 |
| 3.1.6 激活函数 |
| 3.1.7 损失函数 |
| 3.2 基于轻量级多池化卷积神经网络的卫星云图分割模型 |
| 3.2.1 数据准备 |
| 3.2.2 可分离卷积结构 |
| 3.2.3 残差块 |
| 3.2.4 多池化结构 |
| 3.2.5 轻量级多池化卷积神经网络 |
| 3.3 实验结果与分析 |
| 3.3.1 实验数据展示 |
| 3.3.2 实验结果分析 |
| 3.4 本章小结 |
| 第四章 基于方向梯度的飞行轨迹规划 |
| 4.1 图论理论 |
| 4.1.1 树 |
| 4.1.2 图 |
| 4.1.3 二维矩阵与图的关系 |
| 4.1.4 回溯算法 |
| 4.2 基于梯度向量DFS的有向路径规划 |
| 4.2.1 数据准备 |
| 4.2.2 顶点标志位 |
| 4.2.3 方向梯度 |
| 4.3 基于梯度向量A*的有向路径规划 |
| 4.3.1 卫星云团的方向观测 |
| 4.3.2 卫星云团的方向推断 |
| 4.3.3 路径规划路程优先级设置 |
| 4.3.4 路径规划方式 |
| 4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 云图分割及轨迹规划系统实现 |
| 5.1 用户登录及密码修改 |
| 5.2 数据解析 |
| 5.3 网络训练使用 |
| 5.4 路径的规划 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 5.1 工作总结 |
| 5.2 未来展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（2）基于风云静止气象卫星的云图解译研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景与研究意义 |
| 1.2 国内外研究现状 |
| 1.3 论文结构 |
| 1.4 本章小结 |
| 第二章 基于多阈值分割算法和XGBoost卫星云图锋区分类 |
| 2.1 研究区和研究数据 |
| 2.2 数据处理 |
| 2.3 特征参数 |
| 2.4 XGBoost锋区预测模型 |
| 2.5 精度评价 |
| 2.6 结论 |
| 2.7 本章小结 |
| 第三章 基于光流算法红外卫星云图外推 |
| 3.1 光流算法 |
| 3.2 光流算法图像外推 |
| 3.2.1 稀疏光流模型组 |
| 3.2.2 稠密光流模型组 |
| 3.2.3 持续性(Persistence)基准模型 |
| 3.3 外推精度评价 |
| 3.3.1 评价指标 |
| 3.3.2 结果分析 |
| 3.3.3 模型比较 |
| 3.4 结论 |
| 3.5 本章小结 |
| 第四章 锋区后部检测 |
| 4.1 锋区后部检测原理 |
| 4.2 锋区后部检测算法 |
| 4.3 锋区后部处理流程 |
| 4.4 本章小结 |
| 第五章 基于几何形状特征及数学形态学云系解译 |
| 5.1 锋区云系骨架化 |
| 5.2 锋区云系几何形状特征 |
| 5.3 锋区云系识别与分割流程 |
| 5.4 解译结果 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 本文结论和创新点 |
| 6.1.1 本文结论 |
| 6.1.2 创新点 |
| 6.2 研究的不足 |
| 6.3 未来研究的展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（3）面向卫星云图及深度学习的台风等级分类（论文提纲范文）
| 0 引言 |
| 1 传统卷积神经网络 |
| 2 Typhoon-CNNs网络模型 |
| 3 Typhoon-CNNs模型参数优化及验证 |
| 3.1 实验数据 |
| 3.2 模型检验指标 |
| 3.3 训练Typhoon-CNNs模型 |
| 3.4 模型结果对比分析 |
| 4 结束语 |
（4）基于密度矩阵和卫星修正的台风中心定位仿真（论文提纲范文）
| 1 引言 |
| 2 台风中心定位原理 |
| 3 台风中心定位方法研究 |
| 3.1 台风卫星云图的预处理 |
| 3.2 台风中心定位 |
| 4 仿真测试及结果分析 |
| 5 结束语 |
（5）基于数据扩增式深度学习的遥感图像分析（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 论文的背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感场景图像分类研究现状 |
| 1.2.2 基于卫星云图的台风分析研究现状 |
| 1.2.3 海上溢油图像分割研究现状 |
| 1.3 论文的主要内容和结构安排 |
| 第2章 基于数据扩增式卷积神经网络框架的遥感场景图像分类 |
| 2.1 数据扩增式卷积神经网络 |
| 2.1.1 数据扩增 |
| 2.1.2 卷积神经网络 |
| 2.1.3 基于扩增遥感场景图像数据集的卷积神经网络训练 |
| 2.2 数据扩增式卷积神经网络的遥感场景图像分类实验结果及分析 |
| 2.2.1 遥感场景图像分类数据集介绍 |
| 2.2.2 遥感场景图像分类实验设置 |
| 2.2.3 基于Kappa系数的遥感场景图像分类实验结果定量分析 |
| 2.2.4 基于图像和特征的遥感场景图像分类实验结果定性分析 |
| 2.3 本章小结 |
| 第3章 基于生成对抗网络(GAN)的台风云系预测 |
| 3.1 基于GAN的台风云系预测模型设计 |
| 3.1.1 基于GAN的台风云系预测原理 |
| 3.1.2 多尺度网络结构 |
| 3.1.3 损失函数设计 |
| 3.1.4 对抗训练设计 |
| 3.1.5 基于GAN的台风云系预测流程 |
| 3.2 基于GAN的台风云系预测模型训练 |
| 3.2.1 训练数据集构建 |
| 3.2.2 台风云系预测模型搭建 |
| 3.2.3 对抗训练实现 |
| 3.3 基于GAN的台风云系预测实验结果及分析 |
| 3.4 本章小结 |
| 第4章 基于对抗f-散度学习的海上溢油图像分割 |
| 4.1 基于f-散度最小化的海上溢油图像分割 |
| 4.1.1 f-散度用于溢油分割 |
| 4.1.2 代理损失函数重塑f-散度 |
| 4.1.3 深度神经网络变分逼近 |
| 4.2 对抗f-散度学习 |
| 4.2.1 对抗f-散度学习原理 |
| 4.2.2 对抗f-散度学习实现 |
| 4.3 基于对抗f-散度学习的海上溢油图像分割实验结果及分析 |
| 4.3.1 实验设置 |
| 4.3.2 模拟SAR图像分割实验结果分析 |
| 4.3.3 真实SAR图像分割实验结果分析 |
| 4.3.4 与基于神经网络分割方法的实验结果对比 |
| 4.3.5 与依赖于初始化操作的溢油分割方法的实验结果对比 |
| 4.4 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间取得的学术成果 |
| 致谢 |
（6）基于视觉显着性和特征学习的SAR影像台风中心定位研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 符号对照表 |
| 缩略语对照表 |
| 第一章 绪论 |
| 1.1 台风概述 |
| 1.1.1 台风的产生 |
| 1.1.2 台风的结构 |
| 1.1.3 台风的危害和益处 |
| 1.2 台风中心定位及其研究现状 |
| 1.3 SAR图像在台风研究中的应用及其研究现状 |
| 1.4 本文的主要贡献和内容安排 |
| 1.4.1 本文的主要贡献 |
| 1.4.2 本文的内容安排 |
| 1.4.3 数据使用说明 |
| 第二章 基于非局部均值和标记分水岭的SAR影像台风眼信息提取 |
| 2.1 基于PPB滤波器的台风SAR图像去噪 |
| 2.1.1 频域去噪方法 |
| 2.1.2 空域去噪方法 |
| 2.1.3 PPB滤波器 |
| 2.2 图像增强 |
| 2.3 基于标记分水岭的台风眼信息提取 |
| 2.4 实验结果和分析 |
| 2.5 本章小结 |
| 第三章 基于视觉显着性和区域生长算法的SAR影像台风眼信息提取 |
| 3.1 视觉显着性方法基础 |
| 3.1.1 视觉显着性 |
| 3.1.2 视觉显着性的研究现状 |
| 3.2 基于Itti模型和区域生长算法提取SAR图像中的台风眼 |
| 3.2.1 基于Itti模型的台风SAR图像的视觉显着图 |
| 3.2.2 基于区域生长算法提取台风眼 |
| 3.3 实验结果和分析 |
| 3.4 本章小结 |
| 第四章 基于粒子群优化算法和对数螺线模型的无眼台风中心定位 |
| 4.1 无眼台风中心定位 |
| 4.2 粒子群优化算法基础 |
| 4.3 基于粒子群优化算法和对数螺线模型的无眼台风中心定位 |
| 4.3.1 台风SAR图像的去噪预处理 |
| 4.3.2 台风的边缘检测 |
| 4.3.3 螺旋曲线的筛选 |
| 4.3.4 基于粒子群优化算法和对数螺线模型的螺旋线拟合 |
| 4.4 实验结果和分析 |
| 4.5 本章小结 |
| 第五章 基于特征描述和视觉显着区域检测的螺旋云带识别 |
| 5.1 基于特征描述和视觉显着区域检测提取台风的螺旋云带 |
| 5.1.1 基于灰度对比度特征和方向特征构建显着区域图 |
| 5.1.2 筛选螺旋云带 |
| 5.2 实验结果和分析 |
| 5.3 本章小结 |
| 第六章 基于视觉显着性和入流角模型的无眼台风中心定位 |
| 6.1 入流角模型 |
| 6.2 基于视觉显着性和入流角模型的无眼台风中心定位 |
| 6.2.1 构建台风SAR图像的显着区域图 |
| 6.2.2 提取螺旋云带的骨架线并剪枝处理 |
| 6.2.3 基于入流角模型定位无眼台风中心 |
| 6.3 实验结果和分析 |
| 6.3.1 基于入流角模型的无眼台风中心定位实验结果 |
| 6.3.2 基于对数螺线模型和入流角模型的实验结果对比分析 |
| 6.4 本章小结 |
| 第七章 总结与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（7）边缘修正CV模型的卫星遥感云图分割方法（论文提纲范文）
| 1 引言 |
| 2 传统CV模型和距离规范项 |
| 2.1 传统CV模型 |
| 2.2 距离规范项 |
| 3 边缘能量模型 |
| 4 实验结果与分析 |
| 5 结论 |
（8）基于信息熵的气象卫星云图台风分割方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 目录 |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 台风与台风的云图特征 |
| 1.2.1 台风的形成与发展 |
| 1.2.2 台风的结构和特征 |
| 1.3 卫星云图分割方法的研究现状 |
| 1.3.1 经典的图像分割方法 |
| 1.3.2 基于特定理论的图像分割方法 |
| 1.4 熵理论在图像处理中的研究现状 |
| 1.5 主要研究内容及论文结构 |
| 第2章 气象卫星云图的分割基础 |
| 2.1 卫星云图及其分析内容 |
| 2.2 卫星云图的分类及台风在多通道云图上的特点 |
| 2.2.1 可见光通道云图的基本特点 |
| 2.2.2 红外通道云图的基本特点 |
| 2.2.3 水汽通道云图的基本特点 |
| 2.2.4 台风云系在多通道云图之间的比较 |
| 2.3 卫星云图上各类云的识别 |
| 2.3.1 卫星云图上识别云的六个判据 |
| 2.3.2 卫星云图上不同云类的特征 |
| 2.4 本章小结 |
| 第3章 基于信息熵的图像分割技术 |
| 3.1 信息熵的原理及性质 |
| 3.1.1 信息熵的概念 |
| 3.1.2 图像的信息熵 |
| 3.1.3 信息熵的数学性质 |
| 3.1.4 熵函数的灵敏度 |
| 3.2 经典的基于信息熵的分割算法 |
| 3.2.1 最大信息熵法 |
| 3.2.2 最小交叉熵法 |
| 3.3 本章小结 |
| 第4章 基于信息熵的气象卫星云图台风自动分割方法 |
| 4.1 台风自动分割的实现方法 |
| 4.1.1. 基于最大熵迭代法的初始分割 |
| 4.1.2. 面积滤波器 |
| 4.1.3. 台风区域分割 |
| 4.1.4. 云对象均值、方差筛选 |
| 4.1.5. 基于信息熵的台风识别 |
| 4.2 算法流程 |
| 4.3 实验结果及分析 |
| 4.4 本章小结 |
| 第5章 二维最大熵法和二维 Otsu 结合的台风分割方法研究 |
| 5.1 两种二维最优阈值法 |
| 5.1.1 二维直方图 |
| 5.1.2 二维最大熵法 |
| 5.1.3 二维 Otsu 阈值法 |
| 5.2 两种分割方法的融合原理 |
| 5.3 基于二维直方图阈值法的一种优化快速搜索算法 |
| 5.4 实验仿真及分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和取得的科研成果 |
| 致谢 |
（9）基于先验特征的台风云系影像分割方法研究（论文提纲范文）
| 0 引言 |
| 1 台风云系影像分割原理 |
| 1.1 台风云系影像特征 |
| (1) 台风云系影像灰度值和台风云顶温度值分布。 |
| (2) 像素灰度分布。 |
| (3) 面积特征。 |
| (4) 纹理特征。 |
| 1.2 结合台风特征的台风云系影像初步提取 |
| 1.2.1 台风云系影像阈值分割 |
| 1.2.2 台风云系影像初步提取 |
| (1) 范围特征。 |
| (2) 面积特征。 |
| (3) 均值和方差。 |
| 1.3 采用自定义结构元素提取台风云系影像 |
| 2 实例分析 |
| 2.1 方法实现 |
| (1) 数据选取。 |
| (2) 灰度图像二值化。 |
| (3) 结合台风云系属性特征的先验特征初步提取台风云系范围。 |
| (4) 自定义结构元素提取台风云系影像。 |
| 2.2 台风云系影像提取结果分析 |
| 2.2.1 定性分析 |
| (1) 形状相同、尺寸不同模板的提取结果。 |
| (2) 形状不同、尺寸相同模板的提取结果。 |
| 2.2.2 定量分析 |
| 3 结论 |
（10）一种基于多通道卫星云图的台风分割方法（论文提纲范文）
| 1 相关工作 |
| 1.1 C-V模型 |
| 1.2 水 平 集 |
| 1.3 重新初始化 |
| 2 多通道台风云图分割方法 |
| 2.1 基于矢量图像的改进C-V模型 |
| 2.2 模型的数值实现 |
| 2.3 云图的预处理 |
| 2.4 参数设计及算法步骤 |
| 3 实验分析 |
| 3.1 实验材料及设计 |
| 3.2 实验结果及讨论 |
| 4 结 论 |
四、台风卫星云图分割方法研究（论文参考文献）
- [1]雷暴云团识别与线路规划系统的研究与实现[D]. 魏祥. 太原理工大学, 2021(01)
- [2]基于风云静止气象卫星的云图解译研究[D]. 施声伟. 南京信息工程大学, 2021(01)
- [3]面向卫星云图及深度学习的台风等级分类[J]. 邹国良,侯倩,郑宗生,黄冬梅,刘兆荣. 遥感信息, 2019(03)
- [4]基于密度矩阵和卫星修正的台风中心定位仿真[J]. 庞君如,王让会,李博. 计算机仿真, 2019(06)
- [5]基于数据扩增式深度学习的遥感图像分析[D]. 余兴瑞. 中国石油大学(华东), 2018(07)
- [6]基于视觉显着性和特征学习的SAR影像台风中心定位研究[D]. 靳少辉. 西安电子科技大学, 2016(01)
- [7]边缘修正CV模型的卫星遥感云图分割方法[J]. 宋昱,吴一全,毕硕本. 光学学报, 2014(09)
- [8]基于信息熵的气象卫星云图台风分割方法研究[D]. 陈禹良. 哈尔滨工程大学, 2013(04)
- [9]基于先验特征的台风云系影像分割方法研究[J]. 廖小露,田玉刚,刘嘉. 国土资源遥感, 2011(03)
- [10]一种基于多通道卫星云图的台风分割方法[J]. 钱华明,姜波. 北京航空航天大学学报, 2011(04)