CN102902956B - 一种地基可见光云图识别处理方法 - Google Patents

Abstract

本发明公开一种地基可见光云图识别处理方法，其包括采集云图、对输入的彩色图像进行去噪、增强等预处理，然后采用基于感知颜色空间的透明度分割出天空背景和云前景；再提取出云前景图像的透明度值，同时辅以纹理特征共同作为不同云类别的区别特征；最后利用神经网络结合云类别特征数据库中进行云类型的分类，并存储和显示相应特征和结果。本发明适用于地基全天空可见光云的识别处理工作，可解决人工目判的局限，具备一定的自动化判别功能，方法实现容易、结构简单、成本低，对常见的云识别分类具有较好效果，尤其是对于背景天空的纯净度要求不高的情况下，云空分离效果较一般的阈值判别法好。

Description

一种地基可见光云图识别处理方法

技术领域

本发明涉及数字图像处理技术领域，特别是一种适用于气象站气象分析的地基可见光云图识别处理方法。

背景技术

云是地球上水文循环的一个重要环节，它与地面辐射相互作用共同影响着局地和全球尺度的能量平衡。不同类型云的辐射特性以及其分布情况，对天气预报的准确性、全球气候变化和飞行保障等具有重要意义。由于云时刻变化，目前国内外普遍依靠人的目力进行地基云类别的观测，自动观测仍在探索研究阶段。其中以基于数字图像处理技术进行云类属识别处理为主，广泛用到的是基于蓝红灰度比（或辐射亮度比）、不同云具有不同的纹理作为分割和分类依据，但最终的判别结果不够理想，主要原因如下：

第一，低能见度下，由于气溶胶的增加造成天空色度的蓝色成分削弱，有气溶胶的天空将变得灰白，如利用蓝红灰度比进行云和天空的分离，会将气溶胶大气误判为云；

第二，云类别繁多，形态相异也相近，时刻变化复杂，图像表现形式单一，仅是利用单纯一种特征进行判别，识别率必定不高。

发明内容

针对现有技术中云识别率较低的问题，本发明提供一种识别处理效果好，且易于实现和管理的地基可见光云图识别处理方法。因为考虑到云为半透明物体，而不同类别云具有不同的透明度值，本发明将传统的云纹理特征与透明度结合，以更能充分表现不同云的特征，从而大幅提高识别率。

为实现上述目的，本发明采取的技术方案为：一种地基可见光云图识别处理方法，包括以下步骤：

1)采集包含地基可见光云图的原始图像；

2).将采集到的彩色的原始图像由RGB空间变换到灰度空间，获得与原始图像相对应的灰度图像；然后对灰度图像进行滤波处理得到去噪图像，再对去噪图像进行非线性灰度变换以得到增强图像，并将增强图像由灰度空间变换到RGB空间，以获得彩色增强图像；

3).利用基于感知颜色空间的自然图像抠图方法，从彩色增强图像中将天空背景和云前景分离开来；

4).从分离出的云前景中提取特征集；

5).根据提取出的特征集中的数据，利用训练好的神经网络分类器进行云类型的分类判别，得到云类型的判别结果。

为了便于获知识别结果以及日后对识别历史的查看，本发明还包括步骤6)：显示并存储云类型的判别结果以及云特征集。

进一步的，本发明步骤2中利用自适应维纳滤波方法对灰度图像进行滤波去噪处理，再利用免疫遗传算法确定图像非线性灰度变换增强参数，然后对图像进行非线性灰度变换，得到增强图像。

优选的，本发明步骤4中，所述特征集包括云前景彩色云图中RGB三通道的透明度均值、最大值和最小值，以及云前景灰度云图0°、45°、90°、135°四个方向对应的二阶矩、对比度、相关性和熵，各自的平均值，这些特征数据即可作为云类型识别的要素特征，以综合多因素识别云类型，提高识别的准确率。

更进一步的，本发明还包括收集不同云类型对应的特征作为云类型特征数据库，并利用云类型特征数据库进行神经网络分类器的训练。云类型特征数据库中的特征值种类与步骤4中提取的特征集中的特征值种类相对应，基于这样的云类型特征数据库训练的神经网络分类器，在进行云类别识别时可较准确并迅速的得到云类型的识别结果。

有益效果

本发明利用透明度匹配算法对云图进行了分离，在分离的基础上提取出云图的特征值用于云类型的识别，识别的准确度大大提高；且本发明结构简单，仅需现有的图像采集器和计算机即可实现，为气象站的准确预测灾害天气提供了技术保障；同时本发明的存储显示功能便于气象信息的管理。

附图说明

图1所示为本发明的具体实施例的方法流程图；

图2所示为本发明中非线性灰度变换图像增强方法的流程图；

图3所示为图2图像增强方法中免疫遗传算法流程图；

图4所示为基于感知颜色空间抠图方法的透明度统计图像分割示意图；

图5所示为云类型识别BP神经网络的结构模型示意图。

具体实施方式

为使本发明的内容更加明显易懂，以下结合附图和具体实施方式做进一步描述。

如图1所示，本发明的具体实施例方法包括步骤：

1)采集图像，并将原始图像由RGB空间变换到灰度空间，获得原始图像对应的灰度图像；图像在RGB空间与灰度空间的转换可利用现有技术实现。

2).对步骤1获得的灰度图像进行自适应维纳滤波以得到去噪图像，并对去噪图像进行非线性灰度变换以得到增强图像。其中自适应维纳滤波器为现有技术，其根据局部图像的差异来调整参数，对局部差异大的地方进行小的平滑操作，对局部差异小的地方进行大的平滑操作。

如图2所示，上述步骤中的图像增强过程的具体流程为：

2.1）采用式(1)对去噪图像f(i，j)进行归一化处理。

$g(i,j)=\frac{f(i,j)-\min \left(f(i,j)\right)}{\max \left(f(i,j)\right)-\min \left(f(i,j)\right)}---\left(1\right)$

式（1）中,i和j表示图像像素点所在的坐标行与列,f(i,j)表示坐标为(i,j)的原始图像灰度值，g(i,j)为其处理后的灰度值。

2.2）对归一化处理后的图像，采用如图3所示的现有的基本免疫遗传算法寻求最佳变换参数α和β（0＜α，β＜10）。针对不同图像，α和β的值可利用免疫遗传算法自动寻得最优参数，图像不同，最优结果也不同。其中免疫遗传算法的适应度函数涉及图像的方差F_ac、信息熵E、像素差别F_br以及信噪改变量I_nc等图像质量紧密相关的四个性能评价参数，这四个评价指标是推动免疫遗传算法寻找最佳参数的动力，即免疫遗传算法中适应度函数的构成因素。适应度值越大，图像质量越好。适应度函数表达式为：

Fitness＝E·Inc·F_ac+F_br（2）

其中，图像的方差其中,i_xy是像素点(x,y)的像素值，n(n=M×N)是图像像素的总数。F_ac值越大，表明图像的全局对比度越好。

信息熵其中p_i为第i级灰度出现的概率，当p_i=0时，定义p_ilog₂p_i＝0。

像素差别像素差别F_br是整个图像中每个像素和与它相距两个像素距离的相应像素的差别的总和，一个较好对比度的图像，都有一个较大的F_br值：

信噪改变量信噪改变量表示图像增强后，灰度级为h的像素个数大于给定阈值t的数量。

2.3）利用步骤2.2中得到的最佳变换参数α和β，得到非线性变换函数F(u)，0≤u≤1，

$F\left(u\right)=B^{-1}(\mathrm{\&alpha;},\mathrm{\&beta;})\&times;\underset{0}{\overset{u}{\&Integral;}}{t}^{\mathrm{\&alpha;}-1}{(1-t)}^{\mathrm{\&beta;}-1}\mathrm{dt},0<\mathrm{\&alpha;},\mathrm{\&beta;}<10---\left(3\right)$

其中，B(α,β)为Beta函数，表示为：

$B(\mathrm{\&alpha;},\mathrm{\&beta;})\underset{0}{\overset{1}{\&Integral;}}{t}^{\mathrm{\&alpha;}-1}{(1-t)}^{\mathrm{\&beta;}-1}\mathrm{dt}$

则对图像进行非完全Beta函数灰度变换后的图像为：

g'(x,y)＝F(g(x,y)),0≤g′(x,y)≤1(4)

2.4）对变换后的图像进行反归一化处理，得到灰度空域增强的图像。

f'(x,y)＝(Lmax-Lmin)g'(x,y)+Lmin(5)

其中，f'(i,j)为表示坐标为(i,j)的增强后图像灰度值，Lmax，Lmin为2.3步中得到的变换图像g'(i,j)灰度的最大和最小值。

3）.由于云是半透明物体，在目标内部的像素点包含了前、背景目标的色彩，透明度匹配算法可以有效的将云内单个像素点包含的色彩进行前景和背景的分离，本发明采用基于感知颜色空间的透明度自然抠图方法将单一的天空背景与云前景分离开来，如图4所示；算法具体步骤为：

3.1）假定对图像上的一个像素点进行前景和背景的分离，此点为P点，则分离时首先找到图像上距离P点最近的前景轮廓线上的点f₁，用l表示最短距离。接着以f₁点为圆心，以γ₁l_F（γ₁为半径系数，1<γ₁<10）为半径做圆F，P点的前景色F可以用圆F内所有在已知区域内的前景点颜色值的加权平均来计算。使用空间高斯分布作为权数来强化邻近点的影响。对于圆内一点i，

${\mathrm{\&omega;}}_{F_i}=\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{\frac{{\mathrm{\&xi;}}_{F_i}^2}{{2l}_F^2}}---\left(6\right)$

其中表示圆F内前景点i和点f₁在图像空间上的二维距离，即前景色：

$F\&ap;\frac{1}{\mathrm{\&omega;}}\underset{i\&Element;N}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_{F_i}{F}_i---\left(7\right)$

其中F_i是圆F内前景点i的颜色值，N是圆F内前景像素点的个数；

使用同样的方法可以计算出P点的背景色B。

3.2）接着，先分别计算P点的色度α_CH和亮度α_IN，再计算该点的透明度α值：

${\mathrm{\&alpha;}}_{\mathrm{CH}}=\frac{(C^{\&prime;}-B^{\&prime;})\&CenterDot;(F^{\&prime;}-B^{\&prime;})}{{\left|\right|F^{\&prime;}-B^{\&prime;}\left|\right|}^2}---\left(8\right)$

${\mathrm{\&alpha;}}_{\mathrm{IN}}=\frac{L_C-L_B}{L_F-L_B}---\left(9\right)$

其中，C′,F',B'是C，F，B在RGB颜色空间中由(1，0，0)，(0，1，0)，(0，0，1)确定的平面上的投影，L_C、L_B、L_F分别为P点组合颜色、背景颜色和前景颜色的亮度。定义：

ρ＝min(L_F,L_B)/max(L_F,L_B)(10)

d＝|F′B′|(11)

d为单位平面上F'和B'之间的距离，

则α_CH和α_IN的权重分别为

W_CH＝sd³+tρ³

$W_{\mathrm{IN}}=\frac{u}{d^3}+\frac{v}{{\mathrm{\&rho;}}^3}---\left(12\right)$

其中，u，v，s，t是常数，在颜色感知空间中，可根据经验取u=1/8000,v=t＝3.0,s=8000。则P点透明度α值用下式计算

$\mathrm{\&alpha;}=\frac{W_{\mathrm{CH}}{\mathrm{\&alpha;}}_{\mathrm{CH}}+W_{\mathrm{IN}}{\mathrm{\&alpha;}}_{\mathrm{IN}}}{W_{\mathrm{CH}}+W_{\mathrm{IN}}}---\left(13\right)$

依据透明度α值进行云图抠图，从而实现云前景和天空背景的分离。

3）.获取云前景对应的特征集，首先根据云前景式(13)所得的所有R、G、B透明度α值计算其对应的透明度平均值，最大及最小值；

${\mathrm{\&alpha;}}_1=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i}{n}---\left(14\right)$

α₂＝max(α_i)(15)

α₃＝min(α_i)(16)

然后对云前景灰度化获取其灰度云图0°、45°、90°、135°四个方向灰度共生矩阵衍生的四个特征各自的平均值：

灰度共生矩阵：从灰度为x的像素点（其位置为(i，j)）出发，统计在θ方向上，与之距离为d的另一个灰度为y的像素点(i+dcosθ，j+dsinθ)同时出现的概率:

P_&(i,j)＝P(f(i,j)＝x,f(i+dcosθ，j+dsinθ)＝y)(17)

二阶矩：图像分布均匀性的度量:

对比度：图像的清晰度:

相关性：衡量灰度共生矩阵的元素在行的方向和列的方向的相似程度:

式(20)中，

熵：图像具有信息量的度量:

5).对新获取的特征数据利用训练好的BP神经网络分类器进行分类判别:

神经网络模型采用最精华的标准三层BP神经网络，其模型结合图4所示。神经网络的输入层节点数为样本选择特征维数；输出为判别分类层。隐含结点数选为输入结点数M和输出结点数N的几何均值。网络训练采用误差反向传播的方法来调整结点间的权值连接。

本发明还包括收集不同云类型对应的特征作为云类型特征数据库，并利用云类型特征数据库进行神经网络分类器的训练。云类型特征数据库中的特征值种类与步骤4中提取的特征集中的特征值种类相对应。

结合图5所示，在对BP网络进行训练时，如果输入的特征向量是从第m幅云图像提取出的，则相应的BP网络的输出层的期望输出是第m个神经元的输出为1，而其他神经元的输出都为0，所以输出层向量可以表示为：

$\mathrm{out}={[\mathrm{0,0},...,\underset{\left(m\right)}{1},0,...,0]}^T$ （向量的第m个元素是1）

在得到识别结果后，本发明可利用计算机的显示功能将识别结果显示在可视界面上，便于工作人员及时获知，并依据识别结果分析气象，以准确预测天气。同时，识别结果以及云类别相应的特征参数被存储下来，以便日后查阅。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (5)

1.一种地基可见光云图识别处理方法，其特征是，包括以下步骤：

1).采集包含地基可见光云图的原始图像；

2).将采集到的彩色的原始图像由RGB空间变换到灰度空间，获得与原始图像相对应的灰度图像；然后对灰度图像进行滤波处理得到去噪图像，再对去噪图像进行非线性灰度变换以得到增强图像，并将增强图像由灰度空间变换到RGB空间，以获得彩色增强图像；

上述对去噪图像进行非线性灰度变换得到增强图像的过程中，包括步骤：

2.1)采用式(1)对去噪图像f(i,j)进行归一化处理：

$g\left(i,j\right)=\frac{f\left(i,j\right)-\min \left(f\left(i,j\right)\right)}{\max \left(f\left(i,j\right)\right)-\min \left(f\left(i,j\right)\right)}---\left(1\right)$

式(1)中,i和j表示图像像素点所在的坐标行与列,f(i,j)表示坐标为(i,j)的原始图像灰度值，g(i,j)为其处理后的灰度值；

2.2)对归一化处理后的图像，采用基本免疫遗传算法寻求最佳变换参数α和β，其中0＜α,β＜10；其中免疫遗传算法的适应度函数为：

Fitness＝E·I_nc·F_ac+F_br(2)

上式中，F_ac为图像的方差、E为信息熵、F_br为像素差别、I_nc为信噪改变量，

图像的方差为：

$F_{ac}=\frac{1}{n}\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{g}^2(i,j)-{\left(\frac{1}{n}\underset{i=1}{\overset{M}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}g\right(i,j\left)\right)}^2$

上式中，n是图像像素的总数，且n＝M×N；

信息熵为：

$E=-\underset{k=0}{\overset{L-1}{\&Sigma;}}{p}_k{\log }_2{p}_k$

上式中，p_k为第k级灰度出现的概率，当p_k＝0时，定义p_klog₂p_k＝0；

像素差别为：

$F_{br}=\underset{i=1}{\overset{M-2}{\&Sigma;}}\underset{j=1}{\overset{N}{\&Sigma;}}{\left(g\right(i,j)-g(i+2,j\left)\right)}^2$

信噪改变量为：

$I_{nc}=\underset{n\left(h\right)>t}{\&Sigma;}1$

表示图像增强后，灰度级为h的像素个数大于给定阈值t的数量；

2.3)利用步骤2.2中得到的最佳变换参数α和β，得到非线性变换函数F(u)，

$0\&le;u\&le;1,F\left(u\right)=B^{-1}(\mathrm{\&alpha;},\mathrm{\&beta;})\&times;\underset{0}{\overset{u}{\&Integral;}}{t}^{\mathrm{\&alpha;}-1}{(1-t)}^{\mathrm{\&beta;}-1}dt,0<\mathrm{\&alpha;},\mathrm{\&beta;}<10---\left(3\right)$

其中，B(α,β)为Beta函数，表示为：

$B(\mathrm{\&alpha;},\mathrm{\&beta;})=\underset{0}{\overset{1}{\&Integral;}}{t}^{\mathrm{\&alpha;}-1}{(1-t)}^{\mathrm{\&beta;}-1}dt$

则对图像进行非完全Beta函数灰度变换后的图像为：

g'(i,j)＝F(g(i,j)),0≤g'，(i,j)≤1(4)

2.4)对变换后的图像进行反归一化处理，得到灰度空域增强的图像：

f'(i,j)＝(Lmax-Lmin)g'(i,j)+Lmin(5)

其中，f'(i,j)为表示坐标为(i,j)的增强后图像灰度值，Lmax,Lmin为2.3步中得到的变换图像g'(i,j)灰度的最大和最小值；

3).利用基于感知颜色空间的自然图像抠图方法，从彩色增强图像中将天空背景和云前景分离开来；

4).从分离出的云前景中提取特征集；

5).根据提取出的特征集中的数据，利用训练好的神经网络分类器进行云类型的分类判别，得到云类型的判别结果。

2.根据权利要求1所述的地基可见光云图识别处理方法，其特征是，还包括步骤：

6).显示并存储云类型的判别结果以及云特征集。

3.根据权利要求1所述的地基可见光云图识别处理方法，其特征是，步骤2中利用自适应维纳滤波方法对灰度图像进行滤波去噪处理，再利用基本免疫遗传算法确定图像非线性灰度变换增强参数，然后对图像进行非线性灰度变换，得到增强图像。

4.根据权利要求1所述的地基可见光云图识别处理方法，其特征是，步骤4中，所述特征集包括云前景彩色云图中RGB三通道的透明度均值、最大值和最小值，以及云前景灰度云图在0°、45°、90°、135°四个方向灰度共生矩阵衍生的二阶矩、对比度、相关性和熵四个特征各自的平均值。

5.根据权利要求1所述的地基可见光云图识别处理方法，其特征是，还包括收集不同云类型对应的特征作为云类型特征数据库，并利用云类型特征数据库进行神经网络分类器的训练。