局部聚类分析的FCN-CNN云图分割方法
本文提出了一种基于超像素分析的全卷积神经网路 FCN 和深度卷积神经网络 CNN(FCN-CNN)的云图分割方法,旨在解决大气预测中空气中的尘埃、污染物及气溶胶粒子的影响问题。该方法首先通过超像素分析对云图每个像素点的近邻域实现相应的聚类,然后将云图输入到不同步长的全卷积神经网络 FCN 32s 和 FCN 8s 中实现云图的预分割。FCN 32s 预测结果中的“非云”区域一定是云图中的部分“非云”区域,FCN 8s 预测结果中的“云”区域一定是云图中的部分“云”区域。余下的不确定的区域通过深度卷积神经网络 CNN 进行进一步分析。
在 FCN-CNN 方法中,选择了不确定区域中超像素的几个关键像素来代表超像素区域的特征,然后通过 CNN 网络来判断关键像素是“云”或者是“非云”。实验结果表明,FCN-CNN 的精度与 MR-CNN、SP-CNN 相当,但是速度相比于 MR-CNN 提高了 880 倍,相比于 SP-CNN 提高了 1.657 倍。
本文的贡献在于提出了一种基于超像素分析的云图分割方法,通过结合 FCN 和 CNN 两个网络模型,提高了云图分割的准确性和效率。该方法可以应用于大气预测、气象监测等领域,具有重要的实践价值。
知识点:
1. 云图分割:云图分割是指从云图中提取有用的信息,以便更好地理解和预测大气情况。本文提出了一种基于超像素分析的云图分割方法,旨在解决大气预测中空气中的尘埃、污染物及气溶胶粒子的影响问题。
2. 超像素分析:超像素分析是一种图像分割技术,通过将图像分割成多个超像素,以便提取图像中的有用信息。在本文中,超像素分析用于对云图每个像素点的近邻域实现相应的聚类。
3. 全卷积神经网络 FCN:全卷积神经网络 FCN 是一种常用的图像分割模型,通过将图像输入到 FCN 网络中,输出图像的每个像素点的类别标签。在本文中,使用了两个不同步长的 FCN 网络,FCN 32s 和 FCN 8s,来实现云图的预分割。
4. 深度卷积神经网络 CNN:深度卷积神经网络 CNN 是一种常用的图像分类模型,通过将图像输入到 CNN 网络中,输出图像的类别标签。在本文中,使用了 CNN 网络来判断关键像素是“云”或者是“非云”。
5. 图像分割:图像分割是指将图像分割成多个Region,以便提取图像中的有用信息。在本文中,使用了基于超像素分析的云图分割方法,旨在解决大气预测中空气中的尘埃、污染物及气溶胶粒子的影响问题。
6. 大气预测:大气预测是指对大气情况的预测和监测,以便更好地理解和预测大气的情况。在本文中,提出了一种基于超像素分析的云图分割方法,旨在解决大气预测中空气中的尘埃、污染物及气溶胶粒子的影响问题。