机载云粒子图像质量智能评估与筛选方法及系统

1.机载云粒子图像质量智能评估与筛选方法，其特征在于，包括：对机载云粒子探测设备采集的原始云粒子图像序列中的每幅图像进行多尺度空间域与频域联合分析,提取综合质量特征向量;基于所述综合质量特征向量,通过多任务学习架构同时计算每幅图像的质量评分值与关键质量缺陷类型;根据所述质量评分值的统计分布特性,结合当前飞行阶段的气象环境参数与数据采集速率,计算与当前采集状态相匹配的质量筛选阈值;将所述原始云粒子图像序列中质量评分值高于所述质量筛选阈值的图像标记为有效图像并保留,将质量评分值低于所述质量筛选阈值的图像标记为无效图像并剔除,得到筛选后图像集合;确定所述筛选后图像集合中有效图像的质量特征分布模式与无效图像的缺陷特征聚类结果,基于所述质量特征分布模式与所述缺陷特征聚类结果,更新所述多任务学习架构中的特征权重系数与分类决策边界；所述根据所述质量评分值的统计分布特性,结合当前飞行阶段的气象环境参数与数据采集速率,计算与当前采集状态相匹配的质量筛选阈值,包括：对所述原始云粒子图像序列中所有图像的质量评分值进行统计分析,得到质量评分统计特征;获取当前飞行阶段的气象环境参数与数据采集速率,根据所述气象环境参数与历史飞行阶段中质量评分统计特征的关联关系,确定气象环境条件对云粒子图像质量分布影响的量化关系,计算当前气象环境条件下的质量期望偏移量;根据所述数据采集速率与机载存储资源的可用容量,以及对有效图像数量的最低需求,结合存储容量约束与数据需求约束计算当前采集状态下的目标数据保留率;基于所述质量评分统计特征中的分位数分布曲线,结合所述质量期望偏移量对所述分位数分布曲线进行修正；在修正后的分位数分布曲线上查找与所述目标数据保留率对应的分位点,将所述分位点的质量评分值确定为所述质量筛选阈值。 2.根据权利要求1所述的方法，其特征在于，对机载云粒子探测设备采集的原始云粒子图像序列中的每幅图像进行多尺度空间域与频域联合分析,提取综合质量特征向量，包括：对所述原始云粒子图像序列中的每幅图像进行多尺度空间分解,得到空间域质量特征子向量;对所述原始云粒子图像序列中的每幅图像进行频域变换,得到频域质量特征子向量;基于所述空间域质量特征子向量中的高频梯度分量与所述频域质量特征子向量中的高频能量分布特性,区分图像中的粒子边缘信息与噪声干扰成分,计算表征噪声水平的噪声强度评估值;根据所述空间域质量特征子向量中的边缘连续性度量值,结合所述噪声强度评估值对边缘检测结果进行可信度加权,通过构建边缘像素的连通性拓扑关系与边缘强度的一致性约束,计算表征粒子边缘完整性的边缘质量评估值;将所述空间域质量特征子向量、所述频域质量特征子向量、所述噪声强度评估值与所述边缘质量评估值进行加权组合,得到所述综合质量特征向量。 3.根据权利要求1所述的方法，其特征在于，获取当前飞行阶段的气象环境参数与数据采集速率,根据所述气象环境参数与历史飞行阶段中质量评分统计特征的关联关系,确定气象环境条件对云粒子图像质量分布影响的量化关系,计算当前气象环境条件下的质量期望偏移量，包括：从机载气象传感器与飞行控制系统获取当前飞行阶段的气象环境参数与数据采集速率，并从历史飞行数据库中提取多个历史飞行阶段的气象环境参数记录与对应的质量评分统计特征记录；针对每个历史飞行阶段确定所述气象环境参数记录与所述质量评分统计特征记录之间的函数映射关系，通过拟合所述函数映射关系确定气象环境条件对质量评分分布影响的量化关系表达式;基于当前飞行阶段的气象环境参数和所述量化关系表达式,确定当前气象环境条件下的预期质量评分分布特征；将所述预期质量评分分布特征与当前飞行阶段实际质量评分统计特征之间的偏差确定为所述质量期望偏移量;根据当前飞行阶段的数据采集速率与所述历史飞行阶段的数据采集速率之间的比值关系,确定所述质量期望偏移量。 4.根据权利要求1所述的方法，其特征在于，将所述原始云粒子图像序列中质量评分值高于所述质量筛选阈值的图像标记为有效图像并保留,将质量评分值低于所述质量筛选阈值的图像标记为无效图像并剔除,得到筛选后图像集合，包括：将所述原始云粒子图像序列中每幅图像的质量评分值与所述质量筛选阈值进行比较,根据比较结果确定每幅图像的筛选标记;识别质量评分值与所述质量筛选阈值之间差值的绝对值小于预设边界范围的边界图像,提取所述边界图像的关键质量缺陷类型信息；判断所述关键质量缺陷类型是否属于可容忍缺陷类型集合,根据判断结果修正所述边界图像的筛选标记;检测筛选标记为有效图像标记的相邻图像之间的时间间隔,当所述时间间隔超过连续性阈值时,在所述原始云粒子图像序列中位于所述相邻图像之间的无效图像中搜索质量评分值最高的候选补偿图像；判断所述候选补偿图像的质量评分值是否满足降级保留条件,若满足则将所述候选补偿图像的筛选标记修正为有效图像标记，将筛选标记为有效图像标记的所有图像按照采集时间顺序组织得到所述筛选后图像集合。 5.根据权利要求1所述的方法，其特征在于，确定所述筛选后图像集合中有效图像的质量特征分布模式与无效图像的缺陷特征聚类结果,基于所述质量特征分布模式与所述缺陷特征聚类结果,更新所述多任务学习架构中的特征权重系数与分类决策边界，包括：根据所述筛选后图像集合中所有有效图像的综合质量特征向量,计算所述有效图像的质量特征分布模式;根据所述原始云粒子图像序列中所有无效图像对应的关键质量缺陷类型与综合质量特征向量确定所述无效图像的缺陷特征聚类结果;针对每个特征维度,计算所述质量特征分布模式中的均值与所述缺陷特征聚类结果中各缺陷类别的特征中心之间的最小距离值,基于所述最小距离值与所述质量特征分布模式计算得到特征区分度指标；根据所述特征区分度指标的数值大小调整所述多任务学习架构中对应特征维度的特征权重系数,使所述特征权重系数与所述特征区分度指标呈正相关关系;根据所述缺陷特征聚类结果中每个缺陷类别的特征中心位置与特征离散度,在所述多任务学习架构的缺陷识别决策层中调整与所述缺陷类别对应的分类决策边界,使所述分类决策边界与所述缺陷类别的实际特征分布范围相匹配。 6.根据权利要求5所述的方法，其特征在于，根据所述原始云粒子图像序列中所有无效图像对应的关键质量缺陷类型与综合质量特征向量确定所述无效图像的缺陷特征聚类结果，包括：遍历所述原始云粒子图像序列中的所有无效图像,提取每幅无效图像对应的关键质量缺陷类型,统计各关键质量缺陷类型的出现频次,确定所述原始云粒子图像序列中存在的全部缺陷类型集合;针对所述全部缺陷类型集合中的每个缺陷类型,提取所述原始云粒子图像序列中关键质量缺陷类型为所述缺陷类型的所有无效图像对应的综合质量特征向量,得到与所述缺陷类型对应的特征向量集合;针对每个缺陷类型对应的特征向量集合,基于所述特征向量集合中的各综合质量特征向量计算得到所述缺陷类型的特征中心;针对每个缺陷类型,计算所述缺陷类型对应的特征向量集合中各综合质量特征向量与所述缺陷类型的特征中心之间的距离值,基于所述距离值确定所述缺陷类型的特征离散度;将所述全部缺陷类型集合中每个缺陷类型对应的特征中心与特征离散度作为所述缺陷特征聚类结果。 7.机载云粒子图像质量智能评估与筛选系统，用于实现如权利要求1-6中任一项所述的方法，其特征在于，包括：第一单元，用于对机载云粒子探测设备采集的原始云粒子图像序列中的每幅图像进行多尺度空间域与频域联合分析,提取综合质量特征向量;第二单元，用于基于所述综合质量特征向量,通过多任务学习架构同时计算每幅图像的质量评分值与关键质量缺陷类型;第三单元，用于根据所述质量评分值的统计分布特性,结合当前飞行阶段的气象环境参数与数据采集速率,计算与当前采集状态相匹配的质量筛选阈值;第四单元，用于将所述原始云粒子图像序列中质量评分值高于所述质量筛选阈值的图像标记为有效图像并保留,将质量评分值低于所述质量筛选阈值的图像标记为无效图像并剔除,得到筛选后图像集合;第五单元，用于确定所述筛选后图像集合中有效图像的质量特征分布模式与无效图像的缺陷特征聚类结果,基于所述质量特征分布模式与所述缺陷特征聚类结果,更新所述多任务学习架构中的特征权重系数与分类决策边界。 8.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至6中任意一项所述的方法。 9.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至6中任意一项所述的方法。