基于小目标识别网络的中尺度对流图像分割方法

本发明属于图像处理，尤其涉及基于小目标识别网络的中尺度对流图像分割方法。

背景技术：

1、中尺度对流系统（mcss）是由单个上升气流和下沉气流组成的多个独立对流单元相互作用形成的风暴单元或风暴群，主要特征是在一个或多个方向上的长度尺度大于 100千米，持续时间超过三小时。它们主要集中在中纬度地区，尤其是在热带非洲、亚马逊河和西太平洋暖池上空。这些地区的极端降雨和风暴等灾难性天气大多与中尺度对流系统mcss有关。为了研究中尺度对流系统 mcss 的气候学特征，需要能够快速准确地识别中尺度对流系统 mcss，尤其是在中尺度对流系统mcss的早期阶段。

2、传统的中尺度对流系统mcss识别主要基于红外卫星（ir）数据或雷达反射率数据，采用统计学习和计算机视觉等相关技术。其中，阈值法被广泛的应用与中尺度对流系统mcss识别中。在这种方法中，首先要确定温度或雷达反射率阈值，以区分红外卫星数据或雷达数据中符合阈值标准的区域和不符合阈值标准的区域。随后，再确定中尺度对流系统mcss的区域覆盖阈值，将符合区域覆盖阈值的地方归类为中尺度对流系统mcss。

3、对于雷达反射率拼图数据，名为titan的三维风暴自动监测和风暴单元识别scit在识别小尺度超单体风暴或孤立风暴单体方面效果显著，而在识别结构和形态更为复杂的中尺度对流系统mcss方面则不够准确。随后，改进的基于风暴单元识别scit的算法能正确识别反射系数为≥40dbz和≥50dbz的单体风暴，准确率分别为68%和96%。现有技术中利用雷达反射率数据，采用阈值法识别了美国地区的中尺度对流系统mcss，其中雷达反射率阈值设为40 dbz，面积阈值设为100km2。由于受到单一特征参数的限制，对于反射率系数≥35dbz的识别效果仍然较差。此外，中尺度对流系统mcss 的识别还受到雷达数据有效范围的限制。

4、随着对流系统多维特征参数的不断探索，研究人员逐渐采用多参数联合提取系统特征的方法进行中尺度对流系统mcss识别研究。例如，现有技术结合trmm卫星数据和lis闪电数据对南美洲亚热带强对流系统进行识别和验证。houze利用地球同步卫星和地面雷达数据，基于三个gpm雷达数据指标：深对流核心（dcc）、宽对流核心（wcc）和深宽对流核心（dwc），在全球范围内识别mcss。现有技术利用等值线频率图统计分析了2014-2016年暖季时美国地区的kuband和nexrad雷达反射率数据，用于mcss识别。现有技术结合云顶红外亮温数据和gridrad雷达数据，利用flextrkr算法识别美国落基山脉以东的mcss。现有技术利用红外卫星数据识别了全球mcss，温度阈值分别设置为233 k和241 k。可以看出，基于阈值的方法主观性较强，阈值的设置会因不同的大气条件而变化。此外，使用这种方法需要耗费更多的计算资源和时间。

5、从计算机视觉的角度来看，中尺度对流系统mcss 识别可以看作是一项图像语义分割任务。将局部区域的红外数据和阈值法得到的相应中尺度对流系统中尺度对流系统mcss标签可视化，如图1所示。语义分割也称为像素级分类，是一项基本任务，即从图像本身（背景）中分割出图像中感兴趣的区域（前景物体）。自深度学习时代开始以来，卷积神经网络（cnn）一直被用于语义分割。其中，unet的提出极大地推动了深度学习技术在图像语义分割领域的进展。unet 是一个编码器-解码器架构模型，其中编码器用于提取空间特征，解码器则将这些特征还原为原始图像的形状。这种架构在语义分割领域取得了出色的分割效果。随后，大量基于 unet 的网络如 unet++、malunet、u2net等被提出用于语义分割。

6、在大气科学领域，也有大量基于 unet 的神经网络用于分割气象要素。例如，现有技术提出了用于昼夜云图像分割的cloudu-net模型。该方法用膨胀卷积取代了普通卷积，从而可以在保持推理效率的同时提取尽可能多的上下文信息。随后现有技术优化了cloudu-net网络结构，提出了cloudu-netv2模型。该方法将cloudu-net中的上采样改为双线性上采样，并增加了位置和通道注意模块，提高了特征表示的识别能力。现有技术提出了一种用于云图像分割的新型深度卷积神经网络ma-segcloud，其设计了一个多分支非对称卷积模块，以捕获更大区域的上下文信息，并利用注意力机制增强云图像的特征。现有技术基于retinanet的架构构建了一个深度卷积神经网络（mescosnet），能够更好地识别俄罗斯上空特定区域的mcss。现有技术提出了dugs-unet模型，并设计了shape stream模块来提取mcss的边缘特征信息，以提高对流的分割精度。

7、现有技术存在的不足：

8、1、传统的对流方法基于温度和面积阈值；这些方法对对流识别的准确性很高，但耗费大量计算资源，对流识别速度较慢。

9、2、深度学习模型在中尺度对流系统mcss识别领域取得了重大进展。然而，现有的深度学习模型并没有考虑到中尺度对流系统mcss域覆盖差异过大和中尺度对流系统mcss空间分布不均的特点。将这些模型直接应用于中尺度对流系统mcss识别任务可能会导致mcss识别不足和边缘检测模糊的问题。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种基于小目标识别网络的中尺度对流图像分割方法，解决了传统方法在中尺度对流系统mcss识别上计算资源耗费大、识别速度较慢以及识别区域小的问题。

2、为了达到以上目的，本发明采用的技术方案为：一种基于小目标识别网络的中尺度对流图像分割方法，包括以下步骤：

3、s1、获取原始云顶亮温数据；

4、s2、对原始云顶亮温数据进行预处理，并划分为训练集和测试集；

5、s3、构建基于特征对齐再分配的小目标识别网络；

6、s4、利用训练集对小目标识别网络进行训练；

7、s5、基于训练后的小目标识别网络，得到中尺度对流图像分割结果；

8、s6、基于s4和s5依次达到训练次数的阈值后，将测试集输入至已训练后的小目标识别网络中，以判定当前小目标识别网络是否达到指标要求，若是，则保存当前小目标识别网络的参数，并进入s7，否则，返回s4；

9、s7、将测试集输入至达到指标要求的小目标识别网络中，得到最终的中尺度对流图像分割。

10、本发明的有益效果是：本发明通过构建一个准确识别大气系统中的对流识别网络模型，在所构建的中尺度对流系统mcss识别数据集作为训练集进行学习。首先利用unet的主干网络来提取分层特征，然后构建特征对齐再分配模块fadm，在下采样阶段汇集多尺度信息，旨在改善模型对小尺度mcss的感知能力，防止小尺度特征在模型的下采样过程中丢失，为准确识别小尺度mcss提供足够的指导。此外，为了缓解中尺度对流系统mcss边界模糊导致的识别精度下降，本发明提出了非对称特征恢复模块afrm来从不同空间维度提取并保留对流的空间边缘特征，精确识别中尺度对流系统mcss的边缘信息。

11、进一步地，所述s2包括以下步骤：

12、s201、设定中尺度对流系统 mcss的温度阈值，并将小于温度阈值的区域从原始云顶亮温数据中标记；

13、s202、设定中尺度对流系统 mcss的区域覆盖阈值，将s201中标记出的区域从区域覆盖阈值中筛选，选取覆盖面积大于区域覆盖阈值的区域，并将同时满足温度阈值和区域覆盖阈值的区域标记为中尺度对流系统 mcss区域，其中，中尺度对流系统 mcss区域标记为1，非中尺度对流系统 mcss标记为0；

14、s203、将原始云顶亮温数据以及s202得到的标记数据转换为图片格式；

15、s204、根据转换后的图片格式，将云顶亮温数据和标签数据使用0进行填充；

16、s205、对填充后的云顶亮温数据和标签数据在第一维度上进行裁切；

17、s206、根据裁切结果，划分为训练集和测试集，其中，训练集和测试集均包括为图片格式的云顶亮温数据和中尺度对流系统mcss标签。

18、上述进一步方案的有益效果是：本发明通过上述设计，能构建模型所需要的对流识别数据集。

19、再进一步地，所述s3包括以下步骤：

20、s301、针对中尺度对流系统 mcss识别划分的训练集和测试集，将原始图像对应的步骤s204中的标签数据转换为二值灰度图像；

21、s302、将转换后的二值灰度图像转换为张量格式tensor，并使用最大最小归一化将原始图像与标签数据中所有像素值进行归一化处理；

22、s303、根据s302的归一化处理结果，构建小目标识别网络。

23、上述进一步方案的有益效果是：本发明通过对数据集进行预处理，提高模型训练过程中的稳定性，加快模型收敛。

24、再进一步地，所述小目标识别网络包括：

25、编码器，用于提取经s302归一化处理后图像的分层金字塔特征，其中，所述编码器包括四个双重卷积块和下采样；

26、特征对齐再分配模块fadm，用于对分层金字塔特征进行对齐，并重新分配至解码器；

27、解码器，用于将不同层级对齐的金字塔特征进行解码恢复，其中，解码器包括转置卷积和非对称特征恢复模块afrm，所述非对称特征恢复模块afrm用于从不同空间维度提取并保留对流的空间边缘特征，以识别中尺度对流系统mcss的边缘信息。

28、再进一步地，所述s4包括以下步骤：

29、s401、将经s302归一化处理后的图像分别输入至编码器中提取分层金字塔特征，输出编码器的每一层特征图；

30、s402、将特征图输入至特征对齐再分配模块fadm，进行对齐处理得到再分配输出，其中，特征对齐再分配模块fadm包括特征对齐、多尺度特征提取、全局注意力以及特征再分配四个部分；

31、s403、在解码器部分，将编码器第四层输出的特征图或解码器上一层输出的特征图输入至转置卷积中，得到，其中，表示第i层解码器中转置卷积的输出；

32、s404、将和输入到非对称特征恢复模块afrm中，以从不同空间维度提取并保留对流的空间边缘特征，识别中尺度对流系统mcss的边缘信息，得到第i层解码器输出的，其中，表示第i层解码器的输出；

33、s405、将输入至分割头seghead中得到中尺度对流图像分割结果，完成对小目标识别网络的训练。

34、再进一步地，所述s402包括以下步骤：

35、s4021、在特征对齐部分，输入编码器的每一层特征图，使用其中一层的特征尺度作为标准，以对齐除该其中一层外不同层的特征信息，针对除其中一层外的低分辨率层，使用双线性插值法上采至与该其中一层相同的分辨率，同时利用自适应平均池化法对除该其中一层外的高分辨率层进行两次降采样，使高分辨率层与该其中一层的特征保持一致，得到在空间尺度上均匀一致的特征图；

36、s4022、将各特征图在通道维度上进行串联，并利用卷积进行特征融合，得到融合结果；

37、s4023、在多尺度特征提取部分，对融合结果使用不同大小的卷积核提取多尺度空间信息，并将多尺度空间信息在通道维度上进行拼接后进行压缩，得到压缩结果；

38、s4024、在全局注意力部分，对融合结果进行卷积操作，得到全局特征图，并对全局特征图进行激活，得到特征对齐后的全局权重；

39、s4025、将对齐后的全局权重以及压缩结果进行相乘处理，得到总体输出，其中，表示总体输出；

40、s4026、在特征再分配部分，将在通道维度上进行拆分处理，得到再分配输出。

41、上述进一步方案的有益效果是：本发明通过设计特征对齐再分配模块fadm，能有效避免信息丢失，提高小尺度 mcs 的分割精度，本发明通过用特征对再齐分配模块聚合多尺度特征，从而提供丰富的空间信息和语义细节。

42、再进一步地，所述s404包括以下步骤：

43、s4041、将和在通道维度上进行拼接，得到，其中，表示拼接后的结果；

44、s4042、对于第一个分支，对的特征通道进行压缩，得到，并将传递至一卷积块，以提取垂直方向的特征和集中水平方向的特征，同时，将传递至另一卷积块，以提取水平方向的特征和集中垂直方向上的特征，表示压缩后的特征；

45、s4043、将s4042处理的不同维度的特征图按像素相加，得到边缘空间特征图；

46、s4044、对于第二分支，利用最大池化压缩的空间表示，并使用逐点卷积获取逐像素的空间权重；

47、s4045、对空间权重进行激活，得到第二分支的输出，其中，表示第二分支的输出；

48、s4046、将和边缘空间特征图相乘，并通过卷积操作和激活函数调整特征信息；

49、s4047、循环执行s4041至s4046，通过识别中尺度对流系统mcss的边缘信息，得到第i层解码器输出。

50、上述进一步方案的有益效果是：非对称特征恢复模块能从不同维度的数据中检测并保留物体的空间边缘特征，并通过自适应权重来增强提取的特征。

51、再进一步地，所述小目标识别网络的损失函数的表达式如下：

52、

53、其中，表示损失函数，和均表示损失权重，表示加权联合雅各布损失，表示表示加权二元交叉熵损失，表示中尺度对流图像分割结果呢，表示标签数据。

54、上述进一步方案的有益效果是：本发明通过上述损失函数，能对小目标识别网络进行优化。