CN103035001A - 一种基于超像素分割的地基云自动检测方法 - Google Patents

Abstract

本发明公开了一种基于超像素分割的地基云自动检测方法，该方法包括：利用超像素分割算法将输入的RGB云图分割为多个超像素块；根据各颜色通道的图像，得到特征图像；计算每一超像素块的局部阈值；利用双线性插值算法得到阈值矩阵；比较阈值矩阵与特征图像得到每个像素点的判断结果；利用判断结果以及像素点之间的位置对应关系，得到输入的RGB云图的云检测结果。本发明方法能够尽可能地保持超像素块中的一致性，获得更好的云检测结果，从而具有较好的鲁棒性和准确性。

Description

一种基于超像素分割的地基云自动检测方法

技术领域

本发明属于图像处理技术领域，尤其是一种基于超像素分割的地基云自动检测方法。

背景技术

云是大气中热力过程和动力过程的外部表现，其生成及演变是大气中发生的错综复杂的物理过程的具体表现之一，不仅反映当时大气的运动、稳定度和水汽情况等，而且能够预示未来一定时间内的天气变化趋势。因此，云的观测是气象观测的重要内容，准确地获取云的信息，对于天气预报以及国民经济和军事保障等诸多领域都有十分重要的意义。目前，云的观测主要是通过地基观测和卫星遥感来完成。其中卫星遥感在大尺度云的观测取得了很好的成果，但由于其空间分辨率以及对云底和多层云的下层云的观测能力的限制，所以不能满足大气科学研究的需要。而地基云观测的范围较小，反映的是云块大小、排列方式以及云的高低分布等局地分部信息，弥补了卫星观测的不足，同时对大气科学许多研究领域具有重要意义。云量观测是地基云观测的主要要素，也是分析云资料时的重要统计内容。目前，主要通过地面的人工目测来进行云量观测。由于受人为的主观因素影响以及夜间光照条件的限制，人工云量观测具有较大的主观误差，且人工消耗很大，给云的观测资料的定量化应用带来不便，因此实现云量的自动化观测是当前的迫切需要。

近年来，随着硬件技术的发展和数字图像处理技术的不断完善，很多地基遥感测云仪器研制成功，从而获得天空图像，比如国外的全天空成像仪WSI(whole sky imager)、总天空成像仪TSI(total sky imager)、红外云成像仪ICI(infrared cloud imager)、全天空数字相机等。其中，云量的计算主要是通过云检测来实现的，通过云检测算法检测出云图中哪些是云点，哪些是非云点。目前的地基云检测算法主要是以阈值为基础，即以红蓝波段的灰度值(或辐射亮度)对比作为云和晴空的判断依据。Long等提出了用固定阈值进行云的检测，显然固定阈值不能对所有云图都适用，杨俊等人提出的应用最大类间方差阈值法可对不同的云图自适应计算阈值，但由于云的形态千变万化以及光照的影响，对整幅云图采用一个全局阈值并不能获得很好的检测精度。之后杨俊等结合Ng的谷底阈值选择方法提出了局部阈值插值方法，此方法是先把图像分成大小相同的图像块，然后再对每一个图像块求取阈值，但是由于云图中云块的大小、形状、位置是复杂多变的，对云图进行这样硬性的划分显然不能获得好的检测效果。

发明内容

为了解决上述现有技术中存在的问题，本发明的目的是要根据云图本身的特点，把云图分成不规则的图像块，尽量保持图像块中的一致性，即图像块或者是被云覆盖，或者是被天空覆盖，从而获得更好的云检测结果。为此，本发明提供一种基于超像素分割的地基云自动检测方法。

为了实现所述目的，本发明提出一种基于超像素分割的地基云自动检测方法，其特征在于，该方法包括以下步骤：

步骤S1，利用超像素分割算法将输入的RGB云图分割为多个不规则的超像素块；

步骤S2，根据所述RGB云图分解得到的各颜色通道的图像，得到特征图像；

步骤S3，基于所述特征图像，计算所述步骤S1得到的每一超像素块的局部阈值；

步骤S4，基于所有超像素块的局部阈值，利用双线性插值算法对这些局部阈值进行插值，得到一个与原始输入的RGB云图同样大小的阈值矩阵；

步骤S5，对所述阈值矩阵与所述特征图像的每个像素进行比较，若所述阈值矩阵的某一像素点的像素值大于所述特征图像中相应像素点的像素值，则判断该像素点为云点，反之则为天空点；

步骤S6，利用所述步骤S5的判断结果以及所述特征图像与所述输入的RGB云图像素点之间的位置对应关系，得到所述输入的RGB云图的云检测结果。

本发明的有益效果是：本发明采用超像素分割算法根据云图中云块的大小、位置、形状的不同自适应的对云图进行划分，然后通过计算每一个超像素块的局部阈值从而获得一个阈值矩阵，最后获得云检测的结果。以上特点使得本发明具有较好的鲁棒性和准确性。

附图说明

图1是本发明基于超像素分割的地基云自动检测方法流程图。

图2是根据本发明一实施例对一输入图像进行超像素分割的示意图。

图3是根据本发明一实施例在云图数据集上的云检测结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明基于超像素分割的地基云自动检测方法流程图。如图1所示，所述基于超像素分割的地基云自动检测方法包括以下步骤：

步骤S1，利用超像素分割算法将输入的RGB云图分割为多个不规则的超像素块；

对于一幅输入的RGB云图，由于所述RGB云图中所含有的云块大小、位置、形状不同，为了更好地对云进行检测，本发明首先利用超像素分割算法对输入的RGB云图进行分割，以得到多个不规则的超像素块，如图2所示，图2中，上图为输入的RGB云图，下图为根据超像素分割算法对输入的RGB云图进行超像素分割后得到的分割图像，可以看出，分割图像中包含多个不规则的超像素块。上文提到的超像素分割算法是现有技术中常用的一种像素分割算法，其根据纹理的相似性、亮度的相似性以及轮廓的连续性把一幅图像划分为多个不规则的超像素块，利用所述超像素分割算法得到的分割结果可利用下式来表示：

$y=\arg \underset{y}{\min }\frac{y^T(D-W)y}{y^T\mathrm{Dy}}$

其中，y表示对于输入图像的一个分割；y^T表示对y进行转置操作；W＝{w_ij}是关联矩阵，w_ij是连接像素点i和j之间的权重；D是对角矩阵，其中对角线元素D_ii＝∑_jw_ij。

步骤S2，根据所述RGB云图分解得到的各颜色通道的图像，得到特征图像；

所述步骤S2进一步包括以下步骤：

步骤S21，将所述RGB云图分解为R、G、B三个颜色通道的图像；

步骤S22，用R颜色通道的图像减去B颜色通道的图像，得到一单通道的R-B图像；

步骤S23，将所述单通道的R-B图像的像素归一化到0～255，得到特征图像。

步骤S3，基于所述特征图像，计算所述步骤S1得到的每一超像素块的局部阈值；

所述步骤S3进一步包括以下步骤：

步骤S31，利用现有技术中常用的阈值计算算法otsu算法计算所述特征图像的全局阈值T_g，以及所述步骤S1得到的每一超像素块的初始局部阈值S_l；

比如，利用下式来计算所述特征图像全局阈值T_g：

V(T)＝P_CP_S(μ_C-μ_S)，

T_g＝max{V(T)}(1＜T＜255)，

其中，P_C是某一像素属于云点的发生概率，P_S是某一像素属于天空的发生概率，μ_C和μ_S分别是云和天空所对应的所有像素的均值，T表示某一像素的像素值。

步骤S32，计算所述特征图像的最大像素值W_max和最小像素值W_min；

步骤S33，计算每一超像素块的最大像素值L_max和最小像素值L_min；

步骤S34，根据下式对每一超像素块的局部阈值进行修正，得到每一超像素块的最终局部阈值T_l：

如果L_max＜T_g，则T_l＝L_max；

如果L_min＞T_g，则T_l＝L_min；

否则 $T_l=\frac{1}{2}\·S_l+\frac{1}{2}\·T_g.$

步骤S4，基于所有超像素块的局部阈值，利用双线性插值算法对这些局部阈值进行插值，得到一个与原始输入的RGB云图同样大小的阈值矩阵；

具体地，首先计算每一超像素块的中心位置，并设定其为所述步骤S3计算得到的局部阈值在相应超像素块中所对应的位置，然后再利用双线性插值算法对这些局部阈值进行插值，从而得到一个和原始输入的RGB云图像同样大小的阈值矩阵。

步骤S5，对所述阈值矩阵与所述特征图像的每个像素进行比较，若所述阈值矩阵的某一像素点的像素值大于所述特征图像中相应像素点的像素值，则判断该像素点为云点，反之则为天空点；

步骤S6，利用所述步骤S5的判断结果以及所述特征图像与所述输入的RGB云图像素点之间的位置对应关系，得到所述输入的RGB云图的云检测结果。

图3根据本发明一实施例在云图数据集上的云检测结果示意图，图3中，位于上部的三幅图像为从云图数据集中随机选取的三幅地基可见光云图，位于下部的三幅图像分别为利用本发明方法对于地基可见光云图进行云检测得到的检测结果。从图3中可以看出，本发明在光照变化和存在薄云的情况下，均能够取得较好的效果：图3中第一列和第二列图像可以说明本发明对光照的变化都比较稳定，图3中第三列图像可以说明本发明对于薄云也能获得比较好的检测效果。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于超像素分割的地基云自动检测方法，其特征在于，该方法包括以下步骤：

步骤S1，利用超像素分割算法将输入的RGB云图分割为多个不规则的超像素块；

步骤S2，根据所述RGB云图分解得到的各颜色通道的图像，得到特征图像；

步骤S3，基于所述特征图像，计算所述步骤S1得到的每一超像素块的局部阈值；

步骤S4，基于所有超像素块的局部阈值，利用双线性插值算法对这些局部阈值进行插值，得到一个与原始输入的RGB云图同样大小的阈值矩阵；

步骤S5，对所述阈值矩阵与所述特征图像的每个像素进行比较，若所述阈值矩阵的某一像素点的像素值大于所述特征图像中相应像素点的像素值，则判断该像素点为云点，反之则为天空点；

步骤S6，利用所述步骤S5的判断结果以及所述特征图像与所述输入的RGB云图像素点之间的位置对应关系，得到所述输入的RGB云图的云检测结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中利用超像素分割算法对所述RGB云图进行分割得到的分割结果表示为：

$y=\arg \underset{y}{\min }\frac{y^T(D-W)y}{y^T\mathrm{Dy}}$

其中，y表示对于输入图像的一个分割；y^T表示对y进行转置操作；W＝{w_ij}是关联矩阵，w_ij是连接像素点i和j之间的权重；D是对角矩阵，对角线元素D_ii＝∑_jw_ij。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2进一步包括以下步骤：

步骤S21，将所述RGB云图分解为R、G、B三个颜色通道的图像；

步骤S22，用R颜色通道的图像减去B颜色通道的图像，得到一单通道的R-B图像；

步骤S23，对所述单通道的R-B图像的像素进行归一化，得到特征图像。

4.根据权利要求3所述的方法，其特征在于，所述步骤S23中，所述归一化为将所述单通道的R-B图像的像素归一化到0～255。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3进一步包括以下步骤：

步骤S31，计算所述特征图像的全局阈值T_g以及所述步骤S1得到的每一超像素块的初始局部阈值S_l；

步骤S32，计算所述特征图像的最大像素值W_max和最小像素值W_min；

步骤S33，计算每一超像素块的最大像素值L_max和最小像素值L_min；

步骤S34，对每一超像素块的局部阈值进行修正，得到每一超像素块的最终局部阈值T_l。

6.根据权利要求5所述的方法，其特征在于，所述步骤S31中，利用otsu算法计算所述特征图像的全局阈值T_g以及所述步骤S1得到的每一超像素块的初始局部阈值S_l。

7.根据权利要求6所述的方法，其特征在于，利用otsu算法计算所述特征图像的全局阈值T_g可表示为：

V(T)＝P_CP_S(μ_C-μ_S)，

T_g＝max{V(T)}(1＜T＜255)，

其中，P_C是某一像素属于云点的发生概率，P_S是某一像素属于天空的发生概率，μ_C和μ_S分别是云和天空所对应的所有像素的均值，T表示某一像素的像素值。

8.根据权利要求5所述的方法，其特征在于，所述步骤S34中，利用下式对每一超像素块的局部阈值进行修正，得到每一超像素块的最终局部阈值T_l：

如果L_max＜L_g，则T_l＝L_max；

如果L_min＞T_g，则T_l＝L_min；

否则 $T_l=\frac{1}{2}\·S_l+\frac{1}{2}\·T_g.$

9.根据权利要求1所述的方法，其特征在于，所述步骤S4中，首先计算每一超像素块的中心位置，并设定其为所述步骤S3计算得到的局部阈值在相应超像素块中所对应的位置，然后再利用双线性插值算法对这些局部阈值进行插值，从而得到一个和原始输入的RGB云图像同样大小的阈值矩阵。

Images