-
公开(公告)号：CN109239809B
公开(公告)日：2021-03-16
申请号：CN201810868025.1
申请日：2018-08-02
Applicant: 成都信息工程大学
IPC: G01W1/10
Abstract: 本发明公开了一种基于弦切法的天气槽脊线提取方法，其包括以下步骤：S1、根据气象的格点数据计算等值线；S2、判断每条等值线是否为闭合等值线，若是则进入步骤S3，否则进入步骤S4；S3、获取该闭合等值线上的脊点和槽点并进入步骤S6；S4、获取每条非闭合等值线上的弦切点；S5、从非闭合等值线上的弦切点中选取脊点或槽点；S6、根据槽线连接规则和脊线连接规则分别将槽点和脊点连接为槽线和脊线，完成天气槽脊线的提取。本发明合理采用数据源，根据气象的格点数据计算等值线，并自动从等值线中提取出槽脊线，有效提高槽脊线的提取效率，便于相关人员分析天气形势和天气系统，进行天气预报。
-
公开(公告)号：CN109239809A
公开(公告)日：2019-01-18
申请号：CN201810868025.1
申请日：2018-08-02
Applicant: 成都信息工程大学
IPC: G01W1/10
Abstract: 本发明公开了一种基于弦切法的天气槽脊线提取方法，其包括以下步骤：S1、根据气象的格点数据计算等值线；S2、判断每条等值线是否为闭合等值线，若是则进入步骤S3，否则进入步骤S4；S3、获取该闭合等值线上的脊点和槽点并进入步骤S6；S4、获取每条非闭合等值线上的弦切点；S5、从非闭合等值线上的弦切点中选取脊点或槽点；S6、根据槽线连接规则和脊线连接规则分别将槽点和脊点连接为槽线和脊线，完成天气槽脊线的提取。本发明合理采用数据源，根据气象的格点数据计算等值线，并自动从等值线中提取出槽脊线，有效提高槽脊线的提取效率，便于相关人员分析天气形势和天气系统，进行天气预报。
-
公开(公告)号：CN112180375B
公开(公告)日：2022-12-20
申请号：CN202010961607.1
申请日：2020-09-14
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于改进的TrajGRU网络的气象雷达回波外推方法，S1、读取多层雷达图像序列数据bin文件，将读取图像转化为灰度图序列；S2、将处理后的所述灰度图序列输入到根据像素预测准确程度计算损失函数中权重的TrajGRU深度学习网络中，训练得到预测模型；S3、将用于预测的实况雷达图序列输入预测模型中，得到外推雷达图序列结果。本发明对雷达图像序列数据做预处理，读取为灰度图序列后，输入到能接受多层雷达图像序列和根据像素预报准确度而得到损失函数中不同的权重的TrajGRU网络模型中，并获得预测模型。改进后的TrajGRU网络模型能更准确的捕获雷达图片的时空相关性；外推结果能够更好保持图像细节，雷达回波分布更接近真实雷达扫描图像。
-
公开(公告)号：CN109213759B
公开(公告)日：2021-09-07
申请号：CN201810868066.0
申请日：2018-08-02
Applicant: 成都信息工程大学 , 成都淞幸科技有限责任公司
IPC: G06F16/22 , G06F16/248
Abstract: 本发明公开了一种大气风场急流线的检测方法，其包括以下步骤：S1、获取大气风场格点矢量场数据，并建立格点位置二维图；S2、获取各个格点处的风向相干性系数；S3、选取急流区域候选格点；S4、选取急流区域的格点；S5、扩充二维图边界；S6、建立九宫格赋值表；S7、调整九宫格赋值；S8、根据赋值计算结果并在索引表中查询索引结果，提取骨架点；S9、补充骨架点；S10、获取每个骨架点的风力重心；S11、将每个骨架点的风力重心连成线，得到大气风场的急流线。本发明根据大气风场格点矢量数据可以自动识别急流区域并绘制急流线，加速了气象业务现代化和提高了灾害性天气预报准确率的进程。
-
公开(公告)号：CN118212153A
公开(公告)日：2024-06-18
申请号：CN202410638731.2
申请日：2024-05-22
Applicant: 成都信息工程大学 , 四川省医学科学院·四川省人民医院
IPC: G06T5/70 , G06T5/60 , G06N3/088 , G06N3/0985
Abstract: 本发明公开了一种基于无监督学习模型的超声图像去噪方法，属于图像处理技术领域，包括：S1、采集含噪超声图像，对其进行去噪处理，并分别构造含噪超声图像及去噪超声图像的子图像；S2、基于含噪超声图像的子图像及去噪超声图像的子图像，构建损失函数；S3、基于损失函数，确定训练超声图像去噪网络的目标函数，并对其训练；S4、利用训练好的超声图像去噪网络对待去噪超声图像处理，获得去噪超声图像。本发明方法降低了模型对数据样本的依赖并充分发挥深度学习的推理能力，不需要构造Noisy‑Clean图像对，保留了更加细微的特征，在抑制图像斑点噪声的同时增强对比度，取得了更好的去噪效果，对比度更强，细节结构更加明显。
-
Patent Agency Ranking
公开(公告)号：CN113159041B
公开(公告)日：2022-10-04
申请号：CN202110276213.7
申请日：2021-03-15
Applicant: 成都信息工程大学
Abstract: 本发明提供了一种基于深度学习的急流线提取和识别方法，属于气象技术领域，将深度学习模型应用于急流区域的识别和提取，并采用大量的真实气象数据和气象专家的标注数据，以及有效可行的数据预处理方法，将识别急流线重要的两个特征风速和风向一致性，对应为图片的三个通道，利用深度学习在图像领域的创新算法，提高对于急流线识别的准确性，采用基于密度聚类的DBSCAN方法，对急流区域进行分类，并采用基于BP网络的回归模型，对急流区域进行线条的拟合，可以让模型学习到急流线的常规绘制方法，且在深度学习的基础上能提高急流线绘制的准确性，降低问题的复杂性。本发明解决了急流线提取和识别的传统方法中的区域限制和普适性差的问题。
-
公开(公告)号：CN118212153B
公开(公告)日：2024-09-13
申请号：CN202410638731.2
申请日：2024-05-22
Applicant: 成都信息工程大学 , 四川省医学科学院·四川省人民医院
IPC: G06T5/70 , G06T5/60 , G06N3/088 , G06N3/0985
Abstract: 本发明公开了一种基于无监督学习模型的超声图像去噪方法，属于图像处理技术领域，包括：S1、采集含噪超声图像，对其进行去噪处理，并分别构造含噪超声图像及去噪超声图像的子图像；S2、基于含噪超声图像的子图像及去噪超声图像的子图像，构建损失函数；S3、基于损失函数，确定训练超声图像去噪网络的目标函数，并对其训练；S4、利用训练好的超声图像去噪网络对待去噪超声图像处理，获得去噪超声图像。本发明方法降低了模型对数据样本的依赖并充分发挥深度学习的推理能力，不需要构造Noisy‑Clean图像对，保留了更加细微的特征，在抑制图像斑点噪声的同时增强对比度，取得了更好的去噪效果，对比度更强，细节结构更加明显。
-
公开(公告)号：CN113159041A
公开(公告)日：2021-07-23
申请号：CN202110276213.7
申请日：2021-03-15
Applicant: 成都信息工程大学
Abstract: 本发明提供了一种基于深度学习的急流线提取和识别方法，属于气象技术领域，将深度学习模型应用于急流区域的识别和提取，并采用大量的真实气象数据和气象专家的标注数据，以及有效可行的数据预处理方法，将识别急流线重要的两个特征风速和风向一致性，对应为图片的三个通道，利用深度学习在图像领域的创新算法，提高对于急流线识别的准确性，采用基于密度聚类的DBSCAN方法，对急流区域进行分类，并采用基于BP网络的回归模型，对急流区域进行线条的拟合，可以让模型学习到急流线的常规绘制方法，且在深度学习的基础上能提高急流线绘制的准确性，降低问题的复杂性。本发明解决了急流线提取和识别的传统方法中的区域限制和普适性差的问题。
-
公开(公告)号：CN112180375A
公开(公告)日：2021-01-05
申请号：CN202010961607.1
申请日：2020-09-14
Applicant: 成都信息工程大学
Abstract: 本发明公开了一种基于改进的TrajGRU网络的气象雷达回波外推方法，S1、读取多层雷达图像序列数据bin文件，将读取图像转化为灰度图序列；S2、将处理后的所述灰度图序列输入到根据像素预测准确程度计算损失函数中权重的TrajGRU深度学习网络中，训练得到预测模型；S3、将用于预测的实况雷达图序列输入预测模型中，得到外推雷达图序列结果。本发明对雷达图像序列数据做预处理，读取为灰度图序列后，输入到能接受多层雷达图像序列和根据像素预报准确度而得到损失函数中不同的权重的TrajGRU网络模型中，并获得预测模型。改进后的TrajGRU网络模型能更准确的捕获雷达图片的时空相关性；外推结果能够更好保持图像细节，雷达回波分布更接近真实雷达扫描图像。
-
公开(公告)号：CN109213759A
公开(公告)日：2019-01-15
申请号：CN201810868066.0
申请日：2018-08-02
Applicant: 成都信息工程大学 , 成都淞幸科技有限责任公司
IPC: G06F16/22 , G06F16/248
Abstract: 本发明公开了一种大气风场急流线的检测方法，其包括以下步骤：S1、获取大气风场格点矢量场数据，并建立格点位置二维图；S2、获取各个格点处的风向相干性系数；S3、选取急流区域候选格点；S4、选取急流区域的格点；S5、扩充二维图边界；S6、建立九宫格赋值表；S7、调整九宫格赋值；S8、根据赋值计算结果并在索引表中查询索引结果，提取骨架点；S9、补充骨架点；S10、获取每个骨架点的风力重心；S11、将每个骨架点的风力重心连成线，得到大气风场的急流线。本发明根据大气风场格点矢量数据可以自动识别急流区域并绘制急流线，加速了气象业务现代化和提高了灾害性天气预报准确率的进程。
-
-
-
-
-
-
-
-
-
Search Results
10
records
(took 0.018 seconds)
