CN101833655A - 一种雨滴识别方法 - Google Patents

Abstract

一种雨滴识别方法，属于数字图像识别领域，目的在于自动识别雨滴图像中的雨滴目标并提取相关的雨滴信息，以提高降雨天气现象观测的自动化程度与精度。本发明用于降雨天气现象观测中雨滴谱的自动观测与获取。顺序包括：(1)图像获取步骤，(2)图像预处理步骤，(3)图像差分步骤，(4)图像四值域分割步骤，(5)雨滴识别步骤，(6)雨滴信息提取步骤。本发明将各项异性扩散平滑滤波作为图像预处理的方法，以灰度信息作为雨滴目标的有效特征，通过结合图像四值域分割与图像形态学的方法能有效地识别雨滴目标并提取相关的雨滴信息，从而提高降雨天气现象观测的自动化程度与精度。

Description

一种雨滴识别方法

技术领域

本发明属于数字图像识别领域，具体涉及一种基于四值域分割的雨滴识别方法，用于自动识别雨滴图像中的雨滴目标并提取相关的雨滴信息。

背景技术

降雨观测是天气现象观测中的重要组成部分，在国民经济建设服务中有着重要的作用，如防洪、抗旱、减灾、水利工程的设计、工农业生产等，同时对气候变化特别是季风研究等许多方面有着重要的影响。

在降雨观测中很重要的一点就是要提取降雨所对应的雨滴谱，并进而利用其对降雨特性如降雨量、降雨强度、降雨类型以及降雨微结构等进行分析。雨滴谱是指在单位空间体积内，直径在D～D+Δd的雨滴的数目，即单位体积内雨滴大小的分布，英文是Rain Drop SizeDistribution(DSD)。

早在19世纪90年代，国外许多科研人员开始关注地面雨滴谱观测方法的研究，在发表的论文中至少有5种关于测量雨滴尺寸和分布的方法：动力学方法[Scheleusener P E.Drop Size Distribution and Energy ofFalling Raindrops from a Medium Pressure Irrigation Sprinkler.MichiganState University，East Lansing，1967：45-48]、斑迹法[Hall M J.Use of thestain method in determining of the drop-size distribution of coarse liquidsprays.Trans ASAE，1970，13(1)：33-37]、面粉法[Kohl R A.Drop sizedistribution from medium-sized agricultural sprinklers.Trans ASAE，1974，17(4)：690-693]、照相法[Roels J M.Personal Communication.Laboratory ofPhysical Geography，Geographical Institute，University of Utrecht，Netherlands，1981：127-136]和浸润法[McCooll D K.PersonalCommunication.USDA-ARS.Agricultural Engineering Department，Washington State University，Pullman，1982：67-82]。近来已有仪器在测雨滴大小、形状的同时还可测到雨滴的落速。动力学方法仅适用于测量均一滴谱，而不适用于谱宽较大的滴谱测量。斑迹法的理论基础是通过一个较宽谱宽的标准滴谱来计算实际雨滴，其误差范围在6％～14％，相当于0.037～37mg。面粉法的缺点是标准曲线会随着不同品质的面粉而产生变化，需要随时订正。照相法是用一个单反照相机拍下雨滴图像进行人工分析，这种方法是一种直接测量的方法，用于测量均一平面上水滴个体的大小和形状，但要测量雨滴的谱分布，需同时取得众多数量的整个滴群中的单个数据，人工分析的工作效率低并且有技术上的困难，这也是制约其应用的主要技术瓶颈。浸润法的主要问题是下落速度太快的大滴可以冲破表面张力而浸入液体中，这种方法主要用来校准用于测量均一尺寸雨滴谱的仪器，而不能直接应用到自然降水的雨滴谱观测分析中。

由上述内容可见，在照相法中，需要人工分析雨滴图像是制约其实用性和有效性的主要因素，如果能够自动识别雨滴图像中的雨滴目标并提取相关的雨滴信息则能有效地解决这个问题，并进一步提高其准确性。

图像预处理去噪以及图像分割是图像识别中的两个重要环节，也是能否有效识别雨滴目标的关键。由于雨滴图像在露天拍摄时受粉尘、光照、成像承雨玻璃片自身纹理或者摄像头的影响，雨滴图像自身含有一定的噪声，对雨滴识别会造成不利的影响。因此，需要对雨滴图像进行预处理去噪。各向异性扩散平滑滤波技术[Perona P，Malik J.Scale-spaceand edge detection using anisotropic diffusion[J].IEEE Transactions onPattern Analysis and Machine Intelligence，1990，12(7)：629～639]与传统的图像平滑去噪方法相比，既有效地去除噪声，又能够较好地保持图像的边缘和重要的细节信息。图像分割是将图像表示为物理上有意义的连通区域的集合，也就是根据目标与背景的先验知识，对图像中的目标、背景进行标记、定位，然后将目标从背景或其他伪目标中分离出来。在雨滴图像中，雨滴目标与背景之间有较显著的灰度差异，因此可以利用基于灰度的图像分割技术将雨滴目标与背景分离开。大沣法(Otsu算法)[Otsu N.A threshold selection method from gray-level histograms[J].IEEETransactions on System Man and Cybernetic，1979，9(1)：62-66]是一种有效的基于灰度的图像分割方法。

发明内容

本发明提供一种基于四值域分割的雨滴识别方法，目的在于克服现有方法中所存在的问题，通过自动识别雨滴图像中的雨滴目标并提取相关的雨滴信息，以提高降雨天气现象观测的自动化程度与精度。

本发明的一种基于四值域分割的雨滴识别方法，包括如下步骤：

(1)图像获取步骤，即从成像设备中分别获取尺寸大小一致的待识别的雨滴图像及其所对应的背景图像；

(2)图像预处理步骤，即分别对上述获取的待识别雨滴图像及其对应的背景图像进行平滑去噪，得到结果图像分别为I(x，y)和B(x，y)；

(3)图像差分步骤，即对I(x，y)和B(x，y)进行差分操作，获取差分图像S(x，y)＝|I(x，y)-B(x，y)|；

(4)图像四值域分割步骤，即对差分图像进行四值域分割，获取属于四个不同灰度值域的分层分割图像，分别为T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)；

(5)雨滴识别步骤，基于上述分层分割图像，并结合图像形态学方法完成对雨滴目标的识别，具体过程为：

(5.1)分别对T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)进行N次图像形态学腐蚀操作，获取对应的腐蚀图像TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)，其中N的取值范围为[1，4]；

(5.2)再分别将T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)中面积大于阈值Maxarea且灰度值为255的连通域的灰度值置为0；

(5.3)分别将TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)中面积大于阈值Maxarea1且灰度值为255的连通域的灰度值置为0；

(5.4)分别根据面积和形状信息将经步骤(5.2)处理后的T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)中满足下述条件之一且灰度值为255的连通域的灰度置为0：

(A)Area_i＞Maxarea2并且Axisratio_i＞Ratio；

(B)Minarea＜Area_i＜Maxarea2并且Axisratio_i＞Ratio1；

(C)Axisratio_i＞Ratio2，

其中，Area_i为T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)中灰度值为255的任一连通域CA_i的面积，Axisratio_i为其最小外接椭圆长、短轴的长度比，Minarea、Maxarea2、Ratio、Ratio1和Ratio2均为预设值；

(5.5)分别根据面积和形状信息将经步骤(5.3)处理后的TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)中满足以下条件之一且灰度值为255的连通域的灰度置为0：

(A)RArea_i＞Maxarea3并且RAxisratio_i＞Ratio；

(B)Minarea1＜RArea_i＜Maxarea3并且RAxisratio_i＞Ratio1；

(C)RAxisratio_i＞Ratio2；

其中，RArea_i为TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)中灰度值为255的任一连通域RCA_i的面积，RAxisratio_i为其最小外接椭圆长、短轴的长度比，Minarea1、Maxarea3均为预设值；

(5.6)分别对TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)进行N次图像形态学膨胀操作；

(5.7)对T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)、T_{6_t}(x，y)、TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)进行叠加融合，得到融合图像TFusion(x，y)：

(5.8)对TFusion(x，y)进行N1次图像形态学膨胀操作，其中N1的取值范围为[1，4]；

(5.9)对经步骤(5.8)处理后的TFusion(x，y)中灰度值为255的连通域进行内部孔洞填充；

(5.10)再将TFusion(x，y)中面积大于阈值Maxarea4且灰度值为255的连通域的灰度值置为0；

(5.11)对经上述步骤处理后的TFusion(x，y)进行M次图像形态学腐蚀操作；

(5.12)再将TFusion(x，y)中面积小于预设值Minarea1且灰度值为255的连通域的灰度置为0，

此时，TFusion(x，y)中灰度值为255的连通域即为最终识别出的雨滴。

本发明所述的四值域分割具体过程如下：

设差分图像S(x，y)的灰度级集合为G＝{0，1，…L}，其中L为S(x，y)中的最高灰度级值，首先确定分割阈值t，并将S(x，y)中的像素点按灰度值分为暗区集合C₁＝{0，1，…t}和亮区集合C₂＝{t+1，t+2，…L}两类，

接下来对暗区集合C₁＝{0，1，…t}和亮区集合C₂＝{t+1，t+2，…L}中的像素点分别再次进行分割，C₁和C₂分别被分割为两个新的集合，设C₁的分割阈值为t₁，C₂的分割阈值为t₂，C₁被重新划分为C₃与C₄，C₂被重新划分为C₅与C₆，则

C₃＝{0，1…t₁}        C₄＝{t₁+1，t₁+2…t}

C₅＝{t+1，t+2…t₂}    C₆＝{t₂+1，t₂+2…L}

如此，图像中的像素点被分割为四类，分别划分到了四个灰度值域集合中，对C₃、C₄、C₅与C₆中的像素点分别进行处理，生成各自对应的分层分割结果图像T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)，其中：

上述步骤(5.6)中的所述图像形态学膨胀操作中所采用的形态学结构元素SE为：

$\mathrm{SE}=\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right],$ $\mathrm{SE}=\left[\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 1& 1& 1& 0\\ 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 0\\ 0& 0& 1& 0& 0\end{array}\right]$ 或 $\mathrm{SE}=\left[\begin{array}{ccccccc}0& 0& 0& 1& 0& 0& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 0& 0& 1& 0& 0& 0\end{array}\right].$

对上述识别出的雨滴可进一步提取雨滴信息，包括雨滴目标数目、雨滴目标平均直径及平均直径分布谱，其中雨滴平均直径MeanDia_i定义为：

$\mathrm{Mean}{\mathrm{Dia}}_i=\sqrt{{\mathrm{MajorL}}_i*{\mathrm{MinL}}_i}$

MajorL_i为雨滴最小外接椭圆的长轴长度，MinL_i为短轴长度；

平均直径分布谱定义为：

设雨滴目标平均直径的值域为RN＝[MinDia，MaxDia]，将RN平均分成Num1个子值域{RN_j，j＝1，2，…Num1-2，Num1-1，Num1}，雨滴目标平均直径分布谱即指雨滴平均直径MeanDia_i分布在RN中各个子值域上的数目。

本发明将数字图像自动识别技术引入到了降雨天气现象观测中，可以自动识别雨滴图像中的雨滴目标并提取相关的雨滴信息。本发明可应用于雨滴谱的观测与获取，从而克服现有的照相法观测雨滴谱的过程中人工分析雨滴图像效率低且难度大的问题。结合时间信息，本发明可进一步应用于降雨量统计、实时雨强监测以及降雨相态与微结构分析等，在国民经济建设服务中有着重要的作用。

附图说明

图1是本发明流程示意图；

图2是一幅待识别的雨滴图像；

图3是待识别雨滴图像所对应的背景图像；

图4是差分图像；

图5是差分图像的分层分割结果图像T_{3_t}(x，y)；

图6是差分图像的分层分割结果图像T_{4_t}(x，y)；

图7是差分图像的分层分割结果图像T_{5_t}(x，y)；

图8是差分图像的分层分割结果图像T_{6_t}(x，y)；

图9是叠加融合图像TFusion(x，y)；

图10是最终雨滴识别结果图像；

具体实施方式

本发明将各项异性扩散平滑滤波作为图像预处理的方法，以灰度信息作为雨滴目标的有效特征，通过结合图像四值域分割与图像形态学的方法能有效地识别雨滴目标并提取相关的雨滴信息，处理流程如图1所示：

(1)图像获取步骤，分别从成像设备获取尺寸大小一致的待识别雨滴图像及其所对应的背景图像。背景图像是指按一定条件清除了观测系统中的所有雨滴后，成像设备所拍摄的图像。图2所示的是待识别雨滴图像，图3所示的是图2所对应的背景图像；

(2)图像预处理步骤，由于雨滴图像在露天拍摄时受粉尘、光照、成像承雨玻璃片自身纹理或者摄像头的影响，雨滴图像自身含有一定的噪声，对雨滴识别会造成不利的影响。因此，需要对雨滴图像进行预处理去噪。本发明将利用各向异性扩散平滑滤波的技术分别对待识别雨滴图像及其背景图像进行平滑去噪。与传统的图像平滑去噪方法相比，各向异性扩散平滑滤波的优点在于既有效地去除噪声，又能够较好地保持图像的边缘和重要的细节信息；

(3)图像差分步骤，对待识别雨滴图像及其背景图像的各向异性扩散平滑滤波结果图像进行差分操作，获取差分图像。差分图像中雨滴目标得到了突出，而背景被弱化甚至消除从而有利于雨滴目标的识别：

待识别雨滴图像及其背景图像的各向异性扩散平滑滤波结果图像分别为I(x，y)和B(x，y)，对两者进行差分操作所获取的差分图像S(x，y)定义为：

S(x，y)＝|I(x，y)-B(x，y)|

图4所示的是差分图像；

(4)图像四值域分割步骤，对差分图像进行基于大沣法(Otsu算法)的图像四值域分割，获取属于四个不同灰度值域的分层分割图像：

设差分图像S(x，y)的灰度级集合为G＝{0，1，…L}，其中L为S(x，y)中的最高灰度级值，首先利用Otsu算法确定分割阈值t，将S(x，y)中的像素点按灰度值分为暗区集合C₁＝{0，1，…t}和亮区集合C₂＝{t+1，t+2，…L}两类。接下来对暗区集合C₁＝{0，1，…t}和亮区集合C₂＝{t+1，t+2，…L}中的像素点分别再次进行Otsu分割，C₁和C₂会被分别分割为两个新的集合。设C₁的分割阈值为t₁，C₂的分割阈值为t₂，C₁被重新划分为C₃与C₄，C₂被重新划分为C₅与C₆，则

C₃＝{0，1…t₁}        C₄＝{t₁+1，t₁+2…t}

C₅＝{t+1，t+2…t₂}    C₆＝{t₂+1，t₂+2…L}

如此，图像中的像素点被分割为四类，分别划分到了四个灰度值域集合中，从而完成了对S(x，y)的基于Otsu算法的图像四值域分割。在得到最终的四值域分割结果时，对C₃、C₄、C₅与C₆中的像素点分别进行处理，生成各自对应的分层分割结果图像T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)，其中：

图5至图8所示的是S(x，y)所对应的各分层分割结果图像。由以上的分割结果图像可以看到，雨滴目标中具有不同灰度的区域被分割到了属于不同灰度值域的分层分割结果中，并以灰度值255来表征。接下来，本发明将分别提取各层次分割结果图像中的雨滴成分，并将其融合形成最终的雨滴识别结果。

(5)雨滴识别步骤，基于图像四值域分割所获取的分层分割图像，并结合图像形态学的方法完成对雨滴目标的识别：

(5.1)分别对T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)进行N次图像形态学腐蚀操作，获取腐蚀图像TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)。进行腐蚀操作的目的是将T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)中的雨滴成分与背景成分尽可能地分割开，从而避免在后续的处理中被剔除掉。虽然腐蚀操作也同时会造成雨滴成分的损失，但可以通过最终与未腐蚀图像的处理结果相融合而得到弥补。具体实施中，N的取值范围为[1，4]，所采用的形态学结构元素SE的定义如下：

$\mathrm{SE}=\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right]$ 或 $\mathrm{SE}=\left[\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 1& 1& 1& 0\\ 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 0\\ 0& 0& 1& 0& 0\end{array}\right]$ 或 $\mathrm{SE}=\left[\begin{array}{ccccccc}0& 0& 0& 1& 0& 0& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 0& 0& 1& 0& 0& 0\end{array}\right];$

(5.2)分别将T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)中面积大于阈值Maxarea且灰度值为255的连通域的灰度置为0。这里主要是利用先验知识去除背景成分。具体实施中阈值Maxarea的取值范围为[24，30]，单位为平方毫米；

(5.3)分别将TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)中面积大于预定值Maxarea1且灰度值为255的连通域的灰度置为0；这里主要是利用先验知识去除背景成分。具体实施中预定值Maxarea1的取值范围为[24，30]，单位为平方毫米；

(5.4)分别根据面积和形状信息将经步骤(5.2)处理后的T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)中满足下述条件之一且灰度值为255的连通域的灰度置为0，以进一步去除非雨滴的成分：

(A)Area_i＞Maxarea2并且Axisratio_i＞Ratio；

(B)Minarea＜Area_i＜Maxarea2并且Axisratio_i＞Ratio1；

(C)Axisratio_i＞Ratio2。

其中，Area_i为T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)中灰度值为255的任一连通域CA_i的面积，Axisratio_i为其最小外接椭圆长、短轴的长度比，Minarea、Maxarea2、Ratio、Ratio1和Ratio2均为预设值，且Minarea、Maxarea2的取值范围分别为[1.5，4]、[6，11]，单位为平方毫米；Ratio、Ratio1和Ratio2的取值范围分别为[2，3]、[3，5]和[5，7]；

(5.5)分别根据面积和形状信息将经步骤(5.3)处理后的TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)中满足以下条件之一且灰度值为255的连通域的灰度置为0。

(A)RArea_i＞Maxarea3并且RAxisratio_i＞Ratio；

(B)Minarea1＜RArea_i＜Maxarea3并且RAxisratio_i＞Ratio1；

(C)RAxisratio_i＞Ratio2；

其中，RArea_i为TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)中灰度值为255的任一连通域RCA_i的面积，RAxisratio_i为其最小外接椭圆长、短轴的长度比，Minarea1、Maxarea3、Ratio、Ratio1和Ratio2均为预设值，且Minarea1、Maxarea3的取值范围分别为[1.5，4]、[6，11]，单位为平方毫米；Ratio、Ratio1和Ratio2的取值范围分别为[2，3]、[3，5]和[5，7]；

(5.6)分别对经步骤(5.5)处理后的TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)进行N次图像形态学膨胀操作，这里进行膨胀操作的目的是为了弥补(5.1)中的腐蚀操作对TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)中雨滴成分的破坏。具体实施中，采用与(5.1)相同的形态学结构元素SE；

(5.7)对上述各步骤处理后的T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)、T_{6_t}(x，y)、TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)进行叠加融合，得到融合图像TFusion(x，y)：

图9所示的是融合图像，TFusion(x，y)中灰度值为255的连通域为潜在的雨滴目标；

(5.8)对融合图像TFusion(x，y)进行N1次图像形态学膨胀操作，这里进行膨胀操作的目的是为了使本属于同一雨滴目标而又分隔开的不同连通域聚合成一个完整的连通域。具体实施中采用与(5.1)相同的形态学结构元素SE，N1的取值范围为[1，4]；

(5.9)对经步骤(5.8)处理后的融合图像TFusion(x，y)中灰度值为255的连通域进行内部孔洞填充，这里主要是为了将雨滴目标进一步实体化，有利于后续雨滴信息的提取；

(5.10)将经步骤(5.9)处理后的融合图像TFusion(x，y)中面积大于阈值Maxarea4且灰度值为255的连通域的灰度置为0，这里主要是为了去除面积过大的虚假雨滴目标。具体实施中阈值Maxarea₄的取值范围为[70，80]，单位为平方毫米；

(5.11)对经步骤(5.10)处理后的TFusion(x，y)进行N1次图像形态学腐蚀操作，这里是为了消除因(5.8)中膨胀操作而造成的雨滴目标被放大的问题。具体实施中采用与(5.1)相同的形态学结构元素SE；

(5.12)将经步骤(5.11)处理后的TFusion(x，y)中面积小于Minarea1且灰度值为255的连通域的灰度置为0，得到最终的雨滴识别结果，TFusion(x，y)中灰度值为255的连通域即为最终识别出的雨滴目标。图10所示的是最终雨滴识别结果；

(6)雨滴信息提取步骤，提取雨滴目标数目、雨滴目标平均直径及其平均直径分布谱：

(6.1)雨滴目标的数目Num，即T(x，y)中灰度值为255的连通域的数目；

(6.2)设雨滴目标R_i最小外接椭圆的长轴长度为MajorL_i，短轴长度为MinL_i，则该雨滴目标的平均直径MeanDia_i定义为：

${\mathrm{MeanDia}}_i=\sqrt{{\mathrm{MajorL}}_i\×{\mathrm{MinL}}_i}$

统计每个雨滴目标的最小外接椭圆的长轴长度MajorL_i和短轴长度为MinL_i，即可得出雨滴目标的平均直径MeanDia_i；

(6.3)雨滴目标平均直径分布谱DiaSpectrum描述的是雨滴平均直径MeanDia_i分布在雨滴目标平均直径值域RN中各个子值域上的数目。其中，雨滴图像中雨滴目标平均直径的值域为RN＝[MinDia，MaxDia]，MinDia为雨滴目标平均直径的最小值，MaxDia为雨滴目标平均直径的最大值，将RN平均分成Num1个子值域{RN_j，j＝1，2，…Num1-2，Num1-1，Num1}，Num1为自然数。根据雨滴目标的平均直径MeanDia_i及上述步骤得出的各子值域即可确定出雨滴目标平均直径分布谱DiaSpectrum。具体实施中Num1取[20，30]间的整数。

Claims (4)

1.一种基于四值域分割的雨滴识别方法，包括如下步骤：

(1)图像获取步骤，即从成像设备中分别获取尺寸大小一致的待识别的雨滴图像及其所对应的背景图像；

(2)图像预处理步骤，即分别对上述获取的待识别雨滴图像及其对应的背景图像进行平滑去噪，得到结果图像分别为I(x，y)和B(x，y)；

(3)图像差分步骤，即对I(x，y)和B(x，y)进行差分操作，获取差分图像S(x，y)＝|I(x，y)-B(x，y)|；

(4)图像四值域分割步骤，即对差分图像进行四值域分割，获取属于四个不同灰度值域的分层分割图像，分别为T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)；

(5)雨滴识别步骤，基于上述分层分割图像，并结合图像形态学方法完成对雨滴目标的识别，具体过程为：

(5.1)分别对T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)进行N次图像形态学腐蚀操作，获取对应的腐蚀图像TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)，其中N的取值范围为[1，4]；

(5.2)再分别将T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)中面积大于阈值Maxarea且灰度值为255的连通域的灰度值置为0；

(5.3)分别将TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)中面积大于阈值Maxarea1且灰度值为255的连通域的灰度值置为0；

(5.4)分别根据面积和形状信息将经步骤(5.2)处理后的T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)与T_{6_t}(x，y)中满足下述条件之一且灰度值为255的连通域的灰度置为0：

(A)Area_i＞Maxarea2并且Axisratio_i＞Ratio；

(B)Minarea＜Area_i＜Maxarea2并且Axisratio_i＞Ratio1；

(C)Axisratio_i＞Ratio2，

其中，Area_i为T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)中灰度值为255的任一连通域CA_i的面积，Axisratio_i为其最小外接椭圆长、短轴的长度比，Minarea、Maxarea2、Ratio、Ratio1和Ratio2均为预设值；

(5.5)分别根据面积和形状信息将经步骤(5.3)处理后的TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)中满足以下条件之一且灰度值为255的连通域的灰度置为0：

(A)RArea_i＞Maxarea3并且RAxisratio_i＞Ratio；

(B)Minarea1＜RArea_i＜Maxarea3并且RAxisratio_i＞Ratio1；

(C)RAxisratio_i＞Ratio2；

其中，RArea_i为TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)中灰度值为255的任一连通域RCA_i的面积，RAxisratio_i为其最小外接椭圆长、短轴的长度比，Minarea1、Maxarea3均为预设值；

(5.6)分别对TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)和TR_{6_t}(x，y)进行N次图像形态学膨胀操作；

(5.7)对T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)、T_{6_t}(x，y)、TR_{3_t}(x，y)、TR_{4_t}(x，y)、TR_{5_t}(x，y)与TR_{6_t}(x，y)进行叠加融合，得到融合图像TFusion(x，y)：

(5.8)对TFusion(x，y)进行N1次图像形态学膨胀操作，其中N1的取值范围为[1，4]；

(5.9)对经步骤(5.8)处理后的TFusion(x，y)中灰度值为255的连通域进行内部孔洞填充；

(5.10)再将TFusion(x，y)中面积大于阈值Maxarea4且灰度值为255的连通域的灰度值置为0；

(5.11)对经上述步骤处理后的TFusion(x，y)进行N1次图像形态学腐蚀操作；

(5.12)再将TFusion(x，y)中面积小于预设值Minarea1且灰度值为255的连通域的灰度置为0，

此时，TFusion(x，y)中灰度值为255的连通域即为最终识别出的雨滴。

2.如权利要求1所述的一种基于边缘梯度的雨滴识别方法，其特征在于，所述的四值域分割具体过程如下：

设差分图像S(x，y)的灰度级集合为G＝{0，1，…L}，其中L为S(x，y)中的最高灰度级值，首先确定分割阈值t，并将S(x，y)中的像素点按灰度值分为暗区集合C₁＝{0，1，…t}和亮区集合C₂＝{t+1，t+2，…L}两类，

接下来对暗区集合C₁＝{0，1，…t}和亮区集合C₂＝{t+1，t+2，…L}中的像素点分别再次进行分割，C₁和C₂分别被分割为两个新的集合，设C₁的分割阈值为t₁，C₂的分割阈值为t₂，C₁被重新划分为C₃与C₄，C₂被重新划分为C₅与C₆，则

C₃＝{0，1…t₁}        C₄＝{t₁+1，t₁+2…t}

C₅＝{t+1，t+2…t₂}    C₆＝{t₂+1，t₂+2…L}

如此，图像中的像素点被分割为四类，分别划分到了四个灰度值域集合中，对C₃、C₄、C₅与C₆中的像素点分别进行处理，生成各自对应的分层分割结果图像T_{3_t}(x，y)、T_{4_t}(x，y)、T_{5_t}(x，y)和T_{6_t}(x，y)，其中：

3.根据权利要求1或2所述的雨滴识别方法，其特征在于，上述步骤(5.6)中的所述图像形态学膨胀操作中所采用的形态学结构元素SE为：

$\mathrm{SE}=\left[\begin{array}{ccc}0& 1& 0\\ 1& 1& 1\\ 0& 1& 0\end{array}\right],$ $\mathrm{SE}=\left[\begin{array}{ccccc}0& 0& 1& 0& 0\\ 0& 1& 1& 1& 0\\ 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 0\\ 0& 0& 1& 0& 0\end{array}\right]$ 或 $\mathrm{SE}=\left[\begin{array}{ccccccc}0& 0& 0& 1& 0& 0& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 1& 1& 1& 1& 1& 1& 1\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 1& 1& 1& 1& 1& 0\\ 0& 0& 0& 1& 0& 0& 0\end{array}\right].$

4.根据权利要求1-3之一所述的雨滴识别方法，其特征在于，对上述识别出的雨滴可进一步提取雨滴信息，包括雨滴目标数目、雨滴目标平均直径及平均直径分布谱，其中雨滴平均直径MeanDia_i定义为：

${\mathrm{MeanDia}}_i=\sqrt{{\mathrm{MajorL}}_i*{\mathrm{MinL}}_i}$

MajorL_i为雨滴最小外接椭圆的长轴长度，MinL_i为短轴长度；

平均直径分布谱定义为：

设雨滴目标平均直径的值域为RN＝[MinDia，MaxDia]，将RN平均分成Num1个子值域{RN_j，j＝1，2，…Num1-2，Num1-1，Num1}，雨滴目标平均直径分布谱即指雨滴平均直径MeanDia_i分布在RN中各个子值域上的数目。

Images