CN103593847A - 基于机器视觉的雨滴检测分析方法 - Google Patents

Abstract

本发明涉及一种基于机器视觉的雨滴检测分析方法，属于机器视觉技术领域。该方法包括步骤：S1：将关键帧图像转换为灰度图像；S2：计算各像素点的梯度值，生成梯度图像；S3：将梯度图像分成若干模块，对含异物模块进行梯度增强，再利用增强后的梯度值实现块内显著点提取；S4：若含异物模块超阈值，则判断为下雨，进行连通域计算，将显著点分成若干组，认为每组显著点为一雨滴；S5：计算每组显著点的最上、下、左、右坐标；S6：将坐标转换为对应的世界坐标，估算出雨滴半径；S7：进行数学统计。本发明利用机器视觉技术实现机载云宏观影像分析***中的雨滴检测分析功能，该方法复杂度低、实时性好，能够满足云宏观影像分析***的要求。

Description

基于机器视觉的雨滴检测分析方法

技术领域

本发明涉及机器视觉技术领域，具体涉及一种基于机器视觉的雨滴检测分析方法。

背景技术

人工影响天气工作的深入开展需要对空中云水资源的宏微观物理特征进行探测和研究，为了科学地、定量地、客观地掌握大气中水汽含量、水汽输送、粒子转化等物理特性，科学家们不断地将各种先进的大气探测设备(即各种专业的传感器)安装到飞机上进行入云探测。近几年，中国气象局气象信息中心和中国气象局人影中心提出建立机载云降水宏观影像分析***，与以往探测***不同的是，云宏观影像分析***是利用机器视觉、数字图像处理以及模式识别等技术对人影作业视频进行处理，从而实现云宏观尺度、云中降水粒子状态、飞机积冰状况和飞机作业情况的辅助监测与分析。

雨滴是降水过程的最终产物，雨滴谱是降水微物理重要特征量之一。通过雨滴谱的观测，可以了解降水的物理过程及其特点，对研究人工降水的资源条件、人工催化的时机选择、效果检验等有重要意义。因此，有必要设计一种适用于云宏观影像分析***的雨滴检测分析方法。

发明内容

(一)要解决的技术问题

本发明要解决的技术问题是：如何提出一种复杂度低、实时性好的适用于云宏观影像分析***的雨滴检测分析方法。

(二)技术方案

为了解决上述技术问题，本发明提供了一种基于机器视觉的雨滴检测分析方法，包括以下步骤：

S1：将雨滴视频的关键帧图像转换为灰度图像；

S2：计算所述灰度图像的各像素点的梯度值，生成梯度图像；

S3：将所述梯度图像分成若干模块，对含异物的模块进行梯度增强，再利用增强后的梯度值实现块内显著点提取；

S4：若含异物的模块超过一定阈值，则判断为天空下雨，此时进行连通域计算，将显著点分成若干组，认为每组显著点为一个雨滴；否则返回步骤S1处理下一幅图像；

S5：计算每组显著点在图像平面坐标系的最上、下、左、右坐标；

S6：根据摄像机标定参数，将步骤S5得到的坐标转换为对应的世界坐标，从而估算出雨滴半径；

S7：根据估算出的雨滴半径，对雨滴进行数学统计。

优选地，步骤S3具体为，将梯度图像G分为若干模块，对每块求取梯度的最大值和最小值，当最大值与最小值的差值超过预设阈值时，认为此模块波动较大，有不属于天空的异物存在，需要对该模块进行梯度增强处理，对梯度增强后的模块进行显著点提取，将显著点的灰度值置为255，其它像点均置为0，得到一幅包含显著点的二值图像G^new，其中，当增强后的梯度值大于100时，该像素点即为显著点。

优选地，步骤S3中进行梯度增强的公式如下：

$G_{(i,j)}^{\mathrm{new}}=(G_{(i,j)}-\min )\×255/(\max -\min )$

其中，

表示梯度图像G第i行、第j列像素点的增强梯度值，max、min分别表示当前模块的梯度最大值和最小值。

优选地，步骤S6中，估算雨滴的半径的公式如下：

R_i=((X_{max_i}-X_min-i)+(Y_{max_i}-Y_{min_i}))/4

其中，X_{max_i}、X_min-i、Y_{max_i}、Y_{min_i}分别表示第i组显著点的最右、左、下、上的世界坐标，R_i表示估算出的第i个雨滴的半径。

优选地，步骤S7中，对雨滴进行数学统计包括计算平均半径、半径方差、三阶矩、四阶矩，以及雨滴谱的三个参数。

(三)有益效果

本发明利用机器视觉技术实现机载云宏观影像分析***中的雨滴检测分析功能，该方法复杂度低、实时性好，能够满足云宏观影像分析***的要求。

附图说明

图1为本发明的方法流程图；

图2为雨滴原始图像F；

图3为梯度图像G；

图4为梯度增强图像；

图5为连通域图像。

具体实施方式

为使本发明的目的、内容、和优点更加清楚，下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。

如图1所示，本发明提供了一种基于机器视觉的雨滴检测分析方法，包括以下步骤：

步骤S1：抽取人影作业过程中雨滴视频的(高清：1920x1080 24位10帧/秒)关键帧F作为原始图像(如图2所示)，为了便于计算梯度，将关键帧图像转换为灰度图像P。转换公式如下所示：

p_(i，j)=0.3×r_(i，j)+0.59×g_(i，j)+0.11×b_(i，j)   (1)

其中，r_(i，j)、g_（i，j)、b_(i，j)分别表示图像F第i行、第j列像素点的RGB分量值，p_(i，j)表示该像素点转换后得到的灰度值。

步骤S2：对灰度图像P求取梯度，得到梯度图像G(如图3所示)，具体公式如下所示：

${\mathrm{Max}}_{(i,j)}=\mathrm{Max}\left[\begin{array}{ccc}{p}_{(i-1,j-1)}& p_{(i-1,j)}& p_{(i-1,j+1)}\\ p_{(i,j-1)}& p_{(i,j)}& p_{(i,j+1)}\\ p_{(i+1,j-1)}& p_{(i+1,j)}& p_{(i+1,j+1)}\end{array}\right]---\left(2\right)$

${\mathrm{Min}}_{(i,j)}=\mathrm{Min}\left[\begin{array}{ccc}{p}_{(i-1,j-1)}& p_{(i-1,j)}& p_{(i-1,j+1)}\\ p_{(i,j-1)}& p_{(i,j)}& p_{(i,j+1)}\\ p_{(i+1,j-1)}& p_{(i+1,j)}& p_{(i+1,j+1)}\end{array}\right]---\left(3\right)$

G_(i，j)=Max_(i，j)-Min_(i，j)   (4)

其中，Max_(i，j)、Min_(i，j)分别表示灰度图像F第i行、第j列像素点的8邻域最大值和最小值，G_(i，j)表示该点梯度值。

步骤S3：将梯度图像G分为若干10×10模块，对每块求取梯度最大值和最小值。当最大值与最小值的差值超过一定阈值时(目前设置为40)，认为此块波动较大，有不属于天空的异物存在，需要对该块进行梯度增强处理，得到的图像如图4所示。对梯度增强后的模块进行显著点(增强后的梯度值大于100时，该像素点即为显著点)提取，将显著点的灰度值置为255，其它像点均置为0，得到一幅包含显著点的二值图像G^new。梯度增强公式如下所示：

$G_{(i,j)}^{\mathrm{new}}=(G_{(i,j)}-\min )\×255/(\max -\min )---\left(5\right)$

其中，

表示梯度图像G第i行、第j列像素点的增强梯度值，max、min分别表示当前操作块的梯度最大值和最小值。

步骤S4：若存在异物的图像块与图像块总数的比值超过70％，即可认为天空下雨。此时，对二值图像G^new进行连通域计算，可将显著点划分为N组，认为每组显著点为一个雨滴；否则返回步骤S1处理下一幅图像。

步骤5：计算每组显著点的最右、左、下、上坐标x_max，x_min，y_max，y_min(图像平面坐标系)。

步骤S6：利用摄像机标定法，将步骤S5得到的坐标转换为对应的世界坐标X_max，X_min，Y_max，Y_min，并估算雨滴的实际半径，估算公式如下所示：

R_i=((X_{max_i}-X_min-i)+(Y_{max_i}-Y_{min_i}))/4   (6)

其中，X_{max_i}、X_min-i、Y_{max_i}、Y_{min_i}分别表示第i组显著点的最右、左、下、上的世界坐标，R_i表示估算出的第i个雨滴的实际半径。

步骤S7：根据估算出的雨滴实际半径，进行数学统计，具体公式如下所示：

平均半径：

$\mathrm{mean}=\underset{i}{\overset{N}{\mathrm{\Σ}}}{R}_i/N---\left(7\right)$

半径方差：

$\mathrm{var}=\underset{i}{\overset{N}{\mathrm{\Σ}}}{(R_i-\mathrm{mean})}^2/N---\left(8\right)$

三阶矩：

$M_3=\underset{i}{\overset{N}{\mathrm{\Σ}}}{(R_i-\mathrm{mean})}^3/(N\×{\mathrm{var}}^{1.5})---\left(9\right)$

四阶矩：

$M_4=\underset{i}{\overset{N}{\mathrm{\Σ}}}{(R_i-\mathrm{mean})}^4/(N\×{\mathrm{var}}^2)---\left(10\right)$

雨滴谱的三个参数：D_m，μ，N₀

D_m=M₄/M₃   (11)

μ=(3×M₄×var-4×M₃ ²)/(M₃ ²-M₄×var)   (12)

$N_0=\frac{{(u+4)}^{u+4}\×{M_3}^{u+4}}{{M_4}^{u+4}\×(u+3)!}---\left(13\right)$

实验表明，本发明的方法统计数据准确率大于98％。

由以上实施例可以看出，本发明利用机器视觉技术实现机载云宏观影像分析***中的雨滴检测分析功能，该方法复杂度低、实时性好，能够满足云宏观影像分析***的要求。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于机器视觉的雨滴检测分析方法，其特征在于，包括以下步骤：

S1：将雨滴视频的关键帧图像转换为灰度图像；

S2：计算所述灰度图像的各像素点的梯度值，生成梯度图像；

S3：将所述梯度图像分成若干模块，对含异物的模块进行梯度增强，再利用增强后的梯度值实现块内显著点提取；

S4：若含异物的模块超过一定阈值，则判断为天空下雨，此时进行连通域计算，将显著点分成若干组，认为每组显著点为一个雨滴；否则返回步骤S1处理下一幅图像；

S5：计算每组显著点在图像平面坐标系的最上、下、左、右坐标；

S6：根据摄像机标定参数，将步骤S5得到的坐标转换为对应的世界坐标，从而估算出雨滴半径；

S7：根据估算出的雨滴半径，对雨滴进行数学统计。

2.如权利要求1所述的方法，其特征在于，步骤S3具体为，将梯度图像G分为若干模块，对每块求取梯度的最大值和最小值，当最大值与最小值的差值超过预设阈值时，认为此模块波动较大，有不属于天空的异物存在，需要对该模块进行梯度增强处理，对梯度增强后的模块进行显著点提取，将显著点的灰度值置为255，其它像点均置为0，得到一幅包含显著点的二值图像G^new，其中，当增强后的梯度值大于100时，该像素点即为显著点。

3.如权利要求2所述的方法，其特征在于，步骤S3中进行梯度增强的公式如下：

$G_{(i,j)}^{\mathrm{new}}=(G_{(i,j)}-\min )\×255/(\max -\min )$

其中，表示梯度图像G第i行、第j列像素点的增强梯度值，max、min分别表示当前模块的梯度最大值和最小值。

4.如权利要求1所述的方法，其特征在于，步骤S6中，估算雨滴的半径的公式如下：

R_i=((X_{max_i}-X_min-i)+(Y_{max_i}-Y_{min_i}))/4

其中，X_{max_i}、X_min-i、Y_{max_i}、Y_{min_i}分别表示第i组显著点的最右、左、下、上的世界坐标，R_i表示估算出的第i个雨滴的半径。

5.如权利要求1～4中任一项所述的方法，其特征在于，步骤S7中，对雨滴进行数学统计包括计算平均半径、半径方差、三阶矩、四阶矩，以及雨滴谱的三个参数。

Images