局部聚类分析的FCN-CNN云图分割方法

来源：软件学报杂志2018年第4期北京时间：

作者：毋立芳,贺娇瑜,简萌,邹蕴真,赵铁松

单位：毋立芳，北京工业大学 信息与通信工程学院, 北京 10012411,贺娇瑜，北京工业大学 信息与通信工程学院, 北京 10012402,简萌，北京工业大学 信息与通信工程学院, 北京 10012403,邹蕴真，北京工业大学 信息与通信工程学院, 北京 10012404,赵铁松，福州大学 物理与信息工程学院, 福建 福州 35011605

摘要：空气中的尘埃、污染物及气溶胶粒子的存在严重影响了大气预测的有效性，毫米波雷达云图的有效分割成为解决这一问题的关键.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.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，同时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.为提高效率，FCN-CNN选取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，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.

关键词：云图像;超像素;全卷积神经网络;卷积神经网络;图像分割

基金资助：北京市教委科技创新项目（KZ201610005012）；中国博士后科学基金（2017M610026，2017M610027）；国家自然科学基金（61671152）