基于室外图像的天气现象识别方法

为提高室外视频监控的准确率,实现天气现象的自动观测,提出了一种基于室外图像的天气现象识别方法,该方法通过分析天气现象对图像的影响,提取图像功率谱斜率、对比度、噪声和饱和度等特征进行训练与分类,在训练过程中根据类别之间的特征距离建立分类决策树,并为决策树上非叶子节点构造支持向量机(SVM)分类器,并在每个分类器构造过程中通过对特征赋权值实现对特征的选择。通过对WILD图像数据库和采集图像集不同天气800个样本的测试,除了对降雨的识别率较低(75%)外,对晴、阴、雾天气的识别率均高于85%。

单幅室外图像的高阶能量方程阴影检测算法

单幅室外图像的阴影检测是数字图像处理领域的研究热点之一.针对单幅室外图像的阴影检测算法往往只关注阴影的边缘或区域信息,忽视了两者之间的依存关系,即“阴影区域-阴影边缘-非阴影区域”的阴影布局信息的问题,提出阴影检测算法.首先将图像分割成独立区域;然后利用支持向量机构建高阶能量方程,对阴影布局信息进行建模;最后通过最小化方程来判断区域是否为阴影.文中不但严谨证明了高阶能量方程在局部最优点下的性质,而且指出了其最优的降阶方法.在公开图像数据库上的实验表明,该算法能够有效地检测单幅室外图像中的阴影区域.

一种基于深度学习的图像去雾方法

提出了一种基于深度学习的图像去雾方法。利用一种深度估计和天空区域分割的方法合成并修正不同雾级的室外数据集;利用跳层连接和增加感知损失函数,提高雾图生成网络学习传播图的能力;利用判别网络对结果进行精修。结果表明,在合成雾图和自然航拍雾图上,提出的算法能较快地得到更加自然清晰的去雾图像,主客观评价优于其他算法。

结合双流3D卷积和监控图像的降水临近预报

针对大部分降水临近预报产品无法兼顾高覆盖率、高准确率及低成本的问题,提出一种基于室外监控图像和深度神经网络能预报未来1 h降水强度的方法。设计双流3D卷积神经网络来提取图像降雨信息的高维特征。该网络在低计算代价下自适应产生局部信息,并通过双损失函数从整体和局部统筹网络,提取降雨信息的时间特性和空间特性。实验结果表明,在降水强度预报领域,基于双损失函数的神经网络优于单损失函数。所提网络的误警率、命中率、临界成功指数、准确率在多数情况下优于其他模型。在模型效果可视化方面,所提网络能有效提取降水图像的特征信息。所提降水临近预报方法有能力进行精细且低成本的降水临近预报。