[发明专利]一种雷达图像降雨识别方法

权利要求书

1.一种雷达图像降雨识别方法，其特征在于，包括以下步骤：

步骤1：构建卷积神经网络深度学习模型，对离线取得的不同降雨强度下的雷达原始图像进行同频干扰抑制，选取图像中海浪监测区域的笛卡尔框图像作为数据集样本，利用数据集样本对卷积神经网络深度学习模型进行迭代训练；

步骤2：读取待检测雷达原始图像，利用雷达图像处理软件加载空间海域杂波连续图像，并通过滤波算法对待检测雷达原始图像进行同频干扰抑制；

步骤3：将步骤2得到的雷达图像的笛卡尔框图像输入到步骤1训练完成的模型中，雷达图像经过同频抑制处理后，选取扇形实验区域，提取实验区域笛卡尔框图像，输入到训练完成的模型中，得到输出结果概率P；

步骤4：通过步骤3输出结果概率P与设定阈值进行比较，判定降雨雷达图像与非降雨雷达图像类型，当P大于等于检测阈值时，雷达图像判定为降雨图像，当P小于检测阈值时，雷达图像判定为非降雨图像。

2.根据权利要求1所述的一种雷达图像降雨识别方法，其特征在于：步骤1具体包括：

步骤1.1：离线开展观测试验，将选取的雷达图像数据分为训练数据和验证数据两类，选取等量的降雨雷达图像和非降雨雷达图像，对选取的雷达图像作同频干扰抑制，并记录对应同步时间点雨量计测得的真实降雨强度；

步骤1.2：构建改进的LeNet-5卷积神经网络基本模型，结构上包括卷积层、池化层、全连接层及输出层，其中，卷积层和全连接层后使用ReLU激活函数进行去线性化，池化层运用最大池化方法，最后的输出层应用Softmax函数，通过输出不同类别的概率确定最终结果；

步骤1.3：将数据集样本中的训练集数据依次输入到步骤1.2构建的卷积神经网络模型中，进行前向迭代训练，得到相应的实际输出值，在每一次前向迭代后进行一次后向迭代训练，将一组验证集送入模型中，通过调整参数减小实际输出与相应的理想输出间的误差，最小化损失函数；

步骤1.4：得到迭代次数分别与损失函数训练效果图和准确率的训练效果图，最终确定用于识别降雨雷达图像的模型结构和参数。

3.根据权利要求2所述的一种雷达图像降雨识别方法，其特征在于：步骤1.2所述改进的LeNet-5卷积神经网络基本模型具体为：包括7层，结构按照从前到后的顺序依次为：卷积层C1，池化层S1，卷积层C2，池化层S2，全连接层L1，全连接层L2，输出层L3；网络结构中，输入图像为128*128大小的原始雷达图像，后面连接着两个卷积-池化结构；C1是第一个卷积层，包含了6个5*5的卷积核，并且有16个偏置项参数，不使用全0填充，步长为1；S1是第一个池化层，采用最大池化的方法，卷积核的大小为2*2，长和宽的步长为2；C2是第二个卷积层，包含了16个3*3的卷积核和16个偏置项参数，不适用全0填充，步长为1；S2是第二个池化层，采用最大池化，卷积核的尺寸为2*2，长和宽的步长为2；在卷积层和全连接层后都使用ReLU激活函数进行去线性化，输出层L3采用Softmax函数得到了卷积神经网络模型的输出结果。