CN106842154B - 基于图像识别的多普勒雷达径向速度退模糊方法 - Google Patents

基于图像识别的多普勒雷达径向速度退模糊方法 Download PDF

Info

Publication number
CN106842154B
CN106842154B CN201710011017.0A CN201710011017A CN106842154B CN 106842154 B CN106842154 B CN 106842154B CN 201710011017 A CN201710011017 A CN 201710011017A CN 106842154 B CN106842154 B CN 106842154B
Authority
CN
China
Prior art keywords
image
color
radial velocity
region
doppler radar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710011017.0A
Other languages
English (en)
Other versions
CN106842154A (zh
Inventor
杨毅
马锁堂
王莹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou University
Original Assignee
Lanzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Lanzhou University filed Critical Lanzhou University
Priority to CN201710011017.0A priority Critical patent/CN106842154B/zh
Publication of CN106842154A publication Critical patent/CN106842154A/zh
Application granted granted Critical
Publication of CN106842154B publication Critical patent/CN106842154B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/40—Means for monitoring or calibrating
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明基于图像识别的多普勒雷达径向速度退模糊方法包括S100、提取多普勒雷达输出的基数据中的径向风观测信息；S200、处理器根据径向风观测信息中的每个位置的仰角径向速度设置颜色，生成第一图像；S300、处理器根据每个仰角径向速度图像进行分割；S400、处理器将分割的图像进行融合，使图像具有不同的区域块；S500、处理器将图像进行退模糊处理；S600、处理器输出退模糊处理后的图像；本发明的算法中，主要是借助相邻的区域块中的真实值接近的原则，推断Nyquist数n，从而判断其是否模糊(折叠)。并通过取整算法计算出其正确的Nyquist数n，实现计算出准确的真实值，来为图像进行退模糊处理。

Description

基于图像识别的多普勒雷达径向速度退模糊方法
技术领域
本发明涉及一种雷达数据采集方法，特别是涉及一种多普勒雷达采集数据的校准方法。
背景技术
任何观测资料在运用前都必须经过质量控制，这一点对多普勒雷达资料更为重要。因为受雷达自身硬件设备的限制，其发射的脉冲重复频率有一定的限制，导致雷达观测资料在强风条件或低脉冲重复频率时会出现速度模糊问题。
多普勒天气雷达能够测得最大径向风速度Vmax称为最大不模糊速度，又称为Nyquist速度，其中为λ雷达发射电磁波波长，FPR为脉冲重复频率。
当实际的风速Vt超过[-Vmax,+Vmax]范围时候，雷达会错误的将其折叠到[-Vmax,+Vmax]范围内，得到为Vr，也就是产生折叠或模糊。那么真实的径向速度Vt和观测的径向速度Vr的关系为：
Vt＝Vr±2nVmax(n＝0,1,2,...)
如果真实的径向风速Vt满足|Vt|＜Vmax,n＝0,则Vt＝Vr，如果真实的径向风速Vt满足|Vt|＞Vmax,n≠0,则Vt≠Vr，就产生速度模糊，n被称为Nyquist数，求解n的过程就被称为速度退模糊(去折叠)。
如果将原始的基数据以图像的形式表现出来，对于稍知一点速度模糊知识的人就能很容易从多普勒雷达径向风图像上直观地找出模糊区域。那么如果能用计算机来模拟人的思维，也就能很容易将模糊区找到并加以纠正。首先将数据画成图像，再将图像分割分成许多像素，然后再将这些像素相互比较进行融合成一些区域，再寻找过雷达的“零线区”，然后将它和相邻的区域进行比较纠正，再利用递归规则将剩下所有的区域都进行比较和纠正。
在业务平台中，面对大批量的雷达资料，一个自动的、高效的退模糊方法一直是科研工作者苦苦探索的难题之一。在速度模糊技术的研究方面，过去的几十年里，已发展了多种退模糊方法(见参考文献1-11)。这些方法中，退模糊的途径大体可以分为两类：第一，连续性检测，主要依据是大气风场的时间和空间分布应该有一定的连续性，通过检测相邻点(空间或时间)观测的雷达速度的跃度来判断是否存在模糊现象。基于这个原理的方法对起始点退模糊值的正确与否非常敏感，一个错误的起始值可能导致大范围的退模糊错误，此外，对缺测较多的区域或者孤立区域，这种方法也有困难。第二，参考值检测。基本思想是利用同一观测区域中其他已知的风观测值来作为退模糊的参考值，这个已知的观测值可以由其他观测工具(如另一已退模糊雷达资料，探空观测，模式结果等)或者通过其他方法(目前普遍使用改进的VAD方法)从资料自身获得。这类方法不受缺测资料的影响，但是要从雷达观测资料自身求取好的基准值也不是一件容易的事。第三种就是将上述两个途径结合一起。
以上方法都是基于原始的雷达基数据并且基本原理大多数都是需要一个正确的参考值，然后根据连续性检测一个一个点进行订正。如果参考值错误则全盘皆输，另外一个一个点的订正需很费机时，在业务中使用很难保证。
参考文献：
[1]Bergen,W.R.,and S.C.Albers,1988:Two-and three-dimensionaldealiasing of Doppler radar velocities.J.Atmos.Oceanic Technol.,5,305-319
[2]Elits,M.D.,and S.D.Smith,1990:Efficient dealiasing of Dopplervelocities using local environment constraints.J.Atmos.Oceanic Technol.,7,118-128
[3]Jing,Z.,and G.Wiener,1993:Two-dimensional dealiasing of Dopplervelocities.J.Atmos.Oceanic Technol.,10,798-808
[4]Yamada,Y.,and M.Chong,1999:VAD-based determination of the Nyquistinterval number of Doppler velocity aliasing without windinformation.J.Meteor.Soc.Japan,77:447-457
[5]Wüest,M.,Germann,U.,Schmid,W.,2000.A variational de-aliasingtechnique.Phys.Chem.Earth,Part B 25,1179–1183.
[6]James,C.N.,Houze Jr.,R.A.,2001.A real-time four-dimensionalDoppler dealiasing scheme.J.Atmos.Ocean.Technol.18,1674–1683.
[7]Tabary,p.,and G.Scialom et al.2001:Real-time retrieval of the windfrom aliased velocities measured by Doppler radars.J.Atmos.Oceanic Technol.,18,875-882.
[8]Gong,J.D.,L.L.Wang,and Q.Xu,2003:A three-step dealiasing methodfor Doppler velocity data quality control.J.Atmos.Oceanic Technol.,20,1738-1748.
[9]Gao,J.,Droegemeier,K.K.,2004.A variational technique fordealiasing Doppler radial velocity data.J.Appl.Meteorol.43,934–940.
[10]Zhang J ian,Wang Shunxin.An automated 2D multipass Dopp ler radarvelocity dealiasing scheme.J.Atmos.Oceanic Technol.,2006,23:1239-1248.
[11]Qin Xu,Kang Nai,Li Wei,Pengfei Zhang,Shun Liu,David Parrish.(2011)A VAD-Based Dealiasing Method for Radar Velocity Data QualityControl.Journal of Atmospheric and Oceanic Technology 28:1,50-62.
发明内容
本发明要解决的技术问题是提供一种结构简单、成本低、操作简便的基于图像识别的多普勒雷达径向速度退模糊方法。
本发明基于图像识别的多普勒雷达径向速度退模糊方法，包括
S100、提取多普勒雷达输出的基数据中的径向风观测信息；
S200、处理器根据径向风观测信息中的每个位置的仰角径向速度设置颜色，生成第一图像；
S300、处理器根据每个仰角径向速度图像进行分割；
S400、处理器将分割的图像进行融合，使图像具有不同的区域块；
S500、处理器将图像进行退模糊处理；
S600、处理器输出退模糊处理后的图像；
其中，所述步骤S500包括如下步骤：
S510、确定参考区域：第一次将过雷达位置的零速度等值线区域及附近弱风区域定义为参考区域；
S520、其中一块参考区域i作为开始位置，然后按照一定顺序搜索与参考区域i相邻的区域块j，所述参考区域i的径向速度真实值已知，真实的径向速度在所述参考区域i、区域块j中的平均值分别为Vti、Vtj，雷达观测的图像中的所述参考区域i、区域块j中的平均值分别为Vri，Vrj；所述处理器按处理器按如下公式输出纠正后的Vtj，即完成对于区域块j的退模糊处理；
其中，真实值的平均值Vti、Vtj的单位为米每秒；
观测值的平均值Vri，Vrj的单位为米每秒；
多普勒天气雷达能够测得最大径向风速度称为最大不模糊速度，有称为Nyquist速度Vmax的单位为米每秒；
S530、将退模糊处理后的区域块作为参考区域，继续按一定顺序对于与所述退模糊处理后的区域块相邻的区域块进行退模糊处理，即完成对于图像的退模糊处理。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在所述步骤300中，通过Meanshift分割算法对于图像进行分割。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在，其中所述Meanshift分割算法中的空间半径为7，颜色半径为6，最小个数为300。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在，其中所述S520中包括如下步骤：
S521、通过公式检测所述参考区域i的相邻的区域块j的Nyquist数nj，按如下同时输出区域块的纠正后的实际的风速的平均值Vtj，以对于测量的j块区域风速的平均值Vrj进行纠偏。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在，其中所述步骤S200中，根据所述上述径向速度的颜色按照其所在的区间设置，多个所述区间的端点沿0点对称设置。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在，其中所述步骤300中，对于图像的分割包括如下步骤：
S301、截图模块以30ppi截取图像，作为第一图像；
S302、截图模块以300ppi截取图像，作为第二图像；
S303、网格布置模块将第一图像、第二图像中设置由多个正六边形组成的蜂窝状网格，所述正六边形的内接圆的直径D通过如下公式获得：
其中，正六边形的内接圆的直径D的单位为个像素；
a为第一图像中每一排或每一列中的0.5mm长度中的像素个数；
b为第二图像中每一排或每一列中的0.5mm长度中的像素个数；
S304、比较模块将上述设有蜂窝状网格的第一图像、第二图像的网格中的图像比较，
当第一图像的网格中的图像与第二图像的网格中的图像颜色相同时，则提取第二图像中相应网格的图像作为第三图像相应位置的图像；
当第一图像的网格中的图像与第二图像的网格中的图像颜色不同时，则提取第二图像中的占比最大的颜色作为第三图像相应位置的图像；
S305、按所述第三图像中的颜色块的轮廓分割。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在，其中所述步骤S400中，图像融合的方式包括如下步骤：
S411、将图像中的颜色块按原有位置拼接成第三图像，使第三图像具有不同的区域块。
本发明基于图像识别的多普勒雷达径向速度退模糊方法在，其中所述步骤300中，对于图像的分割包括如下步骤：
S311、截图模块截取图像生成多个第四图像；
S312、滤光模块将所述第四图像按所述步骤S200中的设置的颜色个数过滤所述第四图像；
使用上述13种颜色的每个作为滤纸，依次过滤13个所述第四图像，生成13个第五图像；
剔除第五图像中面积小于预设阈值E的图像块；
将剔除后的第五图像堆叠组合为第六图像，其中，当同一位置的第五图像的颜色均相同时，则第六图像的该位置与第五图像的颜色相同，当同一位置的第五图像之间的颜色不同时，则以该位置出现的颜色块的面积最大的第五图像的颜色块作为第六图像的该位置的颜色块；
其中，根据第五图像中的最大图像块的面积F、第五图像中的图像块的个数G，按如下公式输出预设阈值E：
其中，所述最大图像块的面积F的单位为个像素；
所述图像块的个数G的单位为个。
本发明基于图像识别的多普勒雷达径向速度退模糊方法与现有技术不同之处在于本发明基于图像识别的多普勒雷达径向速度退模糊方法中，主要是借助相邻的区域块中的真实值接近的原则，推断Nyquist数n，从而判断其是否模糊(折叠)。并通过取整算法计算出其正确的Nyquist数n，实现计算出准确的真实值，来为图像进行退模糊处理。
下面结合附图对本发明的基于图像识别的多普勒雷达径向速度退模糊方法作进一步说明。
附图说明
图1是基于图像识别的多普勒雷达径向速度退模糊方法的流程图；
图2a是具有一次模糊(一次折叠)的雷达生成的原始图像；
图2b是图2a的分割融合后的图像；
图2c是图2b退模糊后的图像；
图3a是具有两次模糊(两次折叠)的雷达生成的原始图像；
图3b是图3a的分割融合后的图像；
图3c是图3b退模糊后的图像。
具体实施方式
如图1～3c所示，参见图1，本发明基于图像识别的多普勒雷达径向速度退模糊方法包括
S100、提取多普勒雷达输出的基数据中的径向风观测信息；
S200、处理器根据径向风观测信息中的每个位置的仰角径向速度设置颜色，生成第一图像；
其中，
径向速度为-80～-53时，所述颜色为浅蓝色；
径向速度为-53～-34时，所述颜色为蓝色；
径向速度为-34～-21时，所述颜色为深蓝色；
径向速度-21～-8时，所述颜色为浅绿色；
径向速度为-8～-5时，所述颜色为绿色；
径向速度为-5～-2时，所述颜色为深绿色；
径向速度为-2～+2时，所述颜色为浅黄色；
径向速度为+2～+5时，所述颜色为黄色；
径向速度为+5～+8时，所述颜色为深黄色；
径向速度+8～+21时，所述颜色为浅红色；
径向速度为+21～+34时，所述颜色为红色；
径向速度为+34～+53时，所述颜色为深红色；
径向速度为+53～+80时，所述颜色为粉红色。
其中，所述径向速度的单位为米每秒。
其中，上述多个区间相互沿0点的坐标对称设置。
其中，仰角为雷达以倾斜的姿态，绕竖直的轴线旋转一周时的每个角度的位置。例如，雷达以向上仰起的姿态，以纵轴方向旋转地检测，其中，旋转到45°方向时检测到的风的水平方向的速度为1米/秒，表示，仰角为45°使，风的径向速度为1米/秒。其可根据其检测到的位置标记浅黄色。其中，雷达一般检测的与其径向相垂直的风的速度为0。
S300、处理器根据每个仰角径向速度图像进行分割，参见图2a、2b、3a、3b；
S400、处理器将分割的图像进行融合，使图像具有不同的区域块；
S500、处理器将图像进行退模糊处理，参见图2b、2c、3b、3c；
S600、处理器输出退模糊处理后的图像；
其中，所述步骤S500包括如下步骤：
S510、确定参考区域：第一次将过雷达位置的零速度等值线区域及附近弱风区域定义为参考区域；
因为在风向与径向方向垂直或接近垂直时候，径向速度为0或接近0，这样速度肯定不会超过Vmax，所以在雷达附近的“零线区”一般不会出现模糊。所以将过雷达位置的“零线区”作为首先的参考区域。
因为在风向与径向方向垂直或接近垂直时候，径向速度为0或接近0，这样速度肯定不会超过Vmax，所以在雷达附近的“零线区”一般不会出现模糊。所以将过雷达位置的“零线区”作为首先的参考区域。
S520、其中一块参考区域i作为开始位置，然后按照一定顺序搜索与参考区域i相邻的区域块j，所述参考区域i的径向速度真实值已知，真实的径向速度在所述参考区域i、区域块j中的平均值分别为Vti、Vtj，雷达观测的图像中的所述参考区域i、区域块j中的平均值分别为Vri，Vrj；所述处理器按处理器按如下公式输出纠正后的Vtj，即完成对于区域块j的退模糊处理；
其中，真实值的平均值Vti、Vtj的单位为米每秒；
观测值的平均值Vri，Vrj的单位为米每秒；
nint不是n*int，而是取整函数nint。
多普勒天气雷达能够测得最大径向风速度称为最大不模糊速度，有称为Nyquist速度Vmax的单位为米每秒；
S530、将退模糊处理后的区域块作为参考区域，继续按一定顺序对于与所述退模糊处理后的区域块相邻的区域块进行退模糊处理，即完成对于图像的退模糊处理。
其中，一定顺序为顺序或逆序。
其中，由于背景技术中提到，那么真实的径向速度Vt和观测的径向速度Vr的关系为：
Vt＝Vr±2nVmax(n＝0,1,2,...)；
假设参考区域为i块，将这一块区域作为开始位置然后按照一定顺序(顺序或逆序)进行搜索相邻的区域块。假设i区域为参考区域，其径向速度真实值已知(第一次初值为零线区域；或为经过退模糊后得到真实值)。假设相邻两块分别记为i(参考区域),j的话，相应真实的径向速度为Vti，Vtj；对应的雷达观测的径向速度(在图像中为每块的平均值)为Vri，Vrj。
并且参考区域i、区域块j两块相邻，它们真实的速度应该接近，那么区域块j的Nyquist数n可按照下式来进行估计：
综上，将上述两个公式合并，得到区域块j纠正后的Vtj的如下公式：
以此类推，从而对于整个推向均进行退模糊处理。
本发明的算法中，主要是借助相邻的区域块中的真实值接近的原则，推断Nyquist数n，从而判断其是否模糊(折叠)。并通过取整算法计算出其正确的Nyquist数n，实现计算出准确的真实值，来为图像进行退模糊处理。
优选地，所述步骤300中，通过Meanshift分割算法对于图像进行分割。
退模糊处理首先将雷达的原始基数据以数字图像的形式表现出来，然后再对图像进行分割，作为后续的图像融合分析和图像纠正的基础。
由于图像分割是图像处理中的关键技术之一，到目前为止，图像分割的方法有很多,每个算法都有自身的缺点和优点，至今没有一种普遍适用于分割各种图像的有效方法。所以我们在应用的时候应根据要处理图像的具体特征来选择合适的分割算法，以达到最好的分割效果。
在图像分割中，如果颜色的差别比较大，则分割的效果越好，所以为了方便分割处理，同时兼顾雷达资料的显示效果，将资料的颜色分成13个区间。在颜色的选择上也是选择差别比较大的颜色。通过比较多种算法，最终选择了Meanshift分割算法。
本发明采用的Meanshift分割算法具有如下优点：
(a)算法的复杂度小；
(b)易于与其它算法集成；
(c)采用加权直方图，对目标小角度旋转、轻微变形和部分遮挡等不敏感。
优选地，所述Meanshift分割算法中的空间半径为7，颜色半径为6，最小个数为300。
本发明通过上述数值选择，可满足本项目的基本需求，也能够保证效果和效率。
理论上讲分割结果分类别越多，最后得到的区域也就越多，这样最后进行连续性检验来识别和纠正模糊区效果越好，但是很费时间。如果分的类别比较少的话，可能就不能找出模糊区，则纠正失败。所以该部分关键问题是将分割好的图像按照数值大小(或颜色)分成几类，才能保证效果和效率？
在算法的分割过程中，通过选择空间半径(spatialRadius)、颜色半径(colorRadius)和最小个数(Minum number)等参数可以控制分割的区域的个数，在本项目中，通过试验比较最后分别选择7、6和300(该参数在软件中可以重新设置)，最后分割的结果基本满足项目的需要。
优选地，所述S520中包括如下步骤：
S521、通过公式检测所述参考区域i的相邻的区域块j的Nyquist数nj，按如下同时输出区域块的纠正后的实际的风速的平均值Vtj，以对于测量的j块区域风速的平均值Vrj进行纠偏。
具体地说，首先将“零线”区域找出来，然后再按照周围的各个区域进行连续性检验，如果连续则不进行纠正，并将该区域添加到已经纠正的区域队列中，如果不连续则进行纠正，纠正后将该区域添加到已经纠正的区域队列中，所有与零带相邻的区域都纠正完后，再从纠正区域队列中取出第一区域，用该区域矫正与其相邻的区域，这样一直递归进行下去，直到纠正区域队列为0，则所有的区域都矫正结束。如果各个小区域之间有缺测就用周围已经纠正过得正确的区域进行填充，如果该缺测区域周围的区域没有已经纠正过的区域，则该区域也就不能被纠正。
优选地，所述步骤S200中，根据所述上述径向速度的颜色按照其所在的区间设置，多个所述区间的端点沿0点对称设置。
本发明中的沿0点对称设置的多个区间，可方便退模糊的计算。
当然，所述步骤300中，对于图像的分割还可为：其包括如下步骤：
S301、截图模块以30ppi截取图像，作为第一图像；
S302、截图模块以300ppi截取图像，作为第二图像；
S303、网格布置模块将第一图像、第二图像中设置由多个正六边形组成的蜂窝状网格，所述正六边形的内接圆的直径D通过如下公式获得：
其中，正六边形的内接圆的直径D的单位为个像素；
a为第一图像中每一排或每一列中的0.5mm长度中的像素个数；
b为第二图像中每一排或每一列中的0.5mm长度中的像素个数；
S304、比较模块将上述设有蜂窝状网格的第一图像、第二图像的网格中的图像比较，
当第一图像的网格中的图像与第二图像的网格中的图像颜色相同时，则提取第二图像中相应网格的图像作为第三图像相应位置的图像；
当第一图像的网格中的图像与第二图像的网格中的图像颜色不同时，则提取第二图像中的占比最大的颜色作为第三图像相应位置的图像；
S305、按所述第三图像中的颜色块的轮廓分割。
本发明通过上述方法分割图像，可对于雷达测量时，产生的多个跳点，即产生的多个误测值进行平滑过度化，从而使图像中的每个颜色块的面积不至于过小，并且，每个颜色块中表达的数值也更为准确，从而使退模糊的算法的计算量也更小，计算速度更快。
优选地，所述步骤S400中，图像融合的方式包括如下步骤：
S411、将图像中的颜色块按原有位置拼接成第三图像，使第三图像具有不同的区域块。
本发明通过上述方式可使第三图像的区域块尽可能的少，并且，第三图像的区域块的分类更加清晰，从而使退模糊方法的计算更加准确、计算速度更快。
当然，所述步骤300中，对于图像的分割方法还可为：其包括如下步骤：
S311、截图模块截取图像生成多个第四图像；
S312、滤光模块将所述第四图像按所述步骤S200中的设置的颜色个数过滤所述第四图像；
其中，设置的颜色为13种，背景色为黑色，第四图像13个；
使用上述13种颜色的每个作为滤纸，依次过滤13个所述第四图像，生成13个第五图像；
就是说，如果第四图像中有一个红色的颜色块，则经过红色滤纸过滤后的第五图像，仅仅有红色的颜色块。
剔除第五图像中面积小于预设阈值E的图像块；
将剔除后的第五图像堆叠组合为第六图像，其中，当同一位置的第五图像的颜色均相同时，则第六图像的该位置与第五图像的颜色相同，当同一位置的第五图像之间的颜色不同时，则以该位置出现的颜色块的面积最大的第五图像的颜色块作为第六图像的该位置的颜色块；
其中，根据第五图像中的最大图像块的面积F、第五图像中的图像块的个数G，按如下公式输出预设阈值E：
其中，所述最大图像块的面积F的单位为个像素；
所述图像块的个数G的单位为个。
本发明通过上述分割方法，可对于图像进行涂抹化，从而使用于退模糊的第六图像的颜色块更少，便于退模糊的计算。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于：包括
S100、提取多普勒雷达输出的基数据中的径向风观测信息；
S200、处理器根据径向风观测信息中的每个位置的仰角径向速度设置颜色，生成第一图像；
S300、处理器根据每个仰角径向速度图像进行分割；
S400、处理器将分割的图像进行融合，使图像具有不同的区域块；
S500、处理器将图像进行退模糊处理；
S600、处理器输出退模糊处理后的图像；
其中，所述步骤S500包括如下步骤：
S510、确定参考区域：第一次将过雷达位置的零速度等值线区域及附近弱风区域定义为参考区域；
S520、其中一块参考区域i作为开始位置，然后按照一定顺序搜索与参考区域i相邻的区域块j，所述参考区域i的径向速度真实值已知，真实的径向速度在所述参考区域i、区域块j中的平均值分别为Vti、Vtj，雷达观测的图像中观测的径向速度在所述参考区域i的平均值为Vri、雷达观测的图像中观测的径向速度在区域块j的平均值为Vrj；所述处理器按如下公式输出纠正后的Vtj，即完成对于区域块j的退模糊处理；
其中，所述Vti、Vtj的单位为米每秒；
所述Vri，Vrj的单位为米每秒；
多普勒天气雷达能够测得最大径向风速度Vmax的单位为米每秒；
S530、将退模糊处理后的区域块作为参考区域，继续按一定顺序对于与所述退模糊处理后的区域块相邻的区域块进行退模糊处理，即完成对于图像的退模糊处理。
2.根据权利要求1所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于所述步骤300中，通过Meanshift分割算法对于图像进行分割。
3.根据权利要求2所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于：所述Meanshift分割算法中的空间半径为7，颜色半径为6，最小个数为300。
4.根据权利要求1所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于所述S520中包括如下步骤：
S521、通过公式检测所述参考区域i的相邻的区域块j的Nyquist数nj，按如下同时输出区域块的纠正后的实际的风速的平均值Vtj，以对于测量的j块区域风速的平均值Vrj进行纠偏。
5.根据权利要求1所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于所述步骤S200中，根据径向速度的颜色按照其所在的区间设置，多个所述区间的端点沿0点对称设置。
6.根据权利要求1所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于所述步骤300中，对于图像的分割包括如下步骤：
S301、截图模块以30ppi截取图像，作为第一图像；
S302、截图模块以300ppi截取图像，作为第二图像；
S303、网格布置模块将第一图像、第二图像中设置由多个正六边形组成的蜂窝状网格，所述正六边形的内接圆的直径D通过如下公式获得：
其中，正六边形的内接圆的直径D的单位为个像素；
a为第一图像中每一排或每一列中的0.5mm长度中的像素个数；
b为第二图像中每一排或每一列中的0.5mm长度中的像素个数；
S304、比较模块将上述设有蜂窝状网格的第一图像、第二图像的网格中的图像比较，
当第一图像的网格中的图像与第二图像的网格中的图像颜色相同时，则提取第二图像中相应网格的图像作为第三图像相应位置的图像；
当第一图像的网格中的图像与第二图像的网格中的图像颜色不同时，则提取第二图像中的占比最大的颜色作为第三图像相应位置的图像；
S305、按所述第三图像中的颜色块的轮廓分割。
7.根据权利要求6所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于：所述步骤S400中，图像融合的方式包括如下步骤：
S411、将图像中的颜色块按原有位置拼接成第三图像，使第三图像具有不同的区域块。
8.根据权利要求1所述的基于图像识别的多普勒雷达径向速度退模糊方法，其特征在于所述步骤300中，对于图像的分割包括如下步骤：
S311、截图模块截取图像生成多个第四图像；
S312、滤光模块将所述第四图像按所述步骤S200中的设置的颜色个数过滤所述第四图像；
使用浅蓝色、蓝色、深蓝色、浅绿色、绿色、深绿色、浅黄色、黄色、深黄色、浅红色、红色、深红色、粉红色共计13种颜色的每个作为滤纸，依次过滤13个所述第四图像，生成13个第五图像；
剔除第五图像中面积小于预设阈值E的图像块；
将剔除后的第五图像堆叠组合为第六图像，其中，当同一位置的第五图像的颜色均相同时，则第六图像的该位置与第五图像的颜色相同，当同一位置的第五图像之间的颜色不同时，则以该位置出现的颜色块的面积最大的第五图像的颜色块作为第六图像的该位置的颜色块；
其中，根据第五图像中的最大图像块的面积F、第五图像中的图像块的个数G，按如下公式输出预设阈值E：
其中，所述最大图像块的面积F的单位为个像素；
所述图像块的个数G的单位为个。
CN201710011017.0A 2017-01-06 2017-01-06 基于图像识别的多普勒雷达径向速度退模糊方法 Active CN106842154B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710011017.0A CN106842154B (zh) 2017-01-06 2017-01-06 基于图像识别的多普勒雷达径向速度退模糊方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710011017.0A CN106842154B (zh) 2017-01-06 2017-01-06 基于图像识别的多普勒雷达径向速度退模糊方法

Publications (2)

Publication Number Publication Date
CN106842154A CN106842154A (zh) 2017-06-13
CN106842154B true CN106842154B (zh) 2019-02-19

Family

ID=59117029

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710011017.0A Active CN106842154B (zh) 2017-01-06 2017-01-06 基于图像识别的多普勒雷达径向速度退模糊方法

Country Status (1)

Country Link
CN (1) CN106842154B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108919217B (zh) * 2018-05-14 2021-05-25 浙江吉利汽车研究院有限公司 一种点云数据处理方法、装置、控制器及雷达传感器
CN111856436A (zh) * 2020-07-02 2020-10-30 大连理工大学 一种多线激光雷达和红外相机的联合标定装置及标定方法
CN113835091B (zh) * 2021-07-05 2024-05-28 浙江省气象信息网络中心 适应多种天气事件的多普勒雷达径向速度自动退模糊方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5027122A (en) * 1990-03-12 1991-06-25 Raytheon Company Method and apparatus for doppler velocity de-aliasing
KR101255737B1 (ko) * 2012-09-24 2013-04-26 대한민국 참조 바람장을 이용한 레이더 시선속도 접힘 풀기 방법
CN105988114A (zh) * 2015-02-02 2016-10-05 福建省气象台 多普勒雷达风速资料的填补方法
CN106249242B (zh) * 2016-09-26 2018-10-19 北京无线电测量研究所 一种双频段天气雷达观测平台及双频段天气雷达引导式退速度模糊方法

Also Published As

Publication number Publication date
CN106842154A (zh) 2017-06-13

Similar Documents

Publication Publication Date Title
US9207069B2 (en) Device for generating a three-dimensional model based on point cloud data
CN110221603A (zh) 一种基于激光雷达多帧点云融合的远距离障碍物检测方法
EP3070430B1 (en) Moving body position estimation device and moving body position estimation method
EP3657439B1 (en) Measurement target top-surface estimation method, guide information display device, and crane
CN106842154B (zh) 基于图像识别的多普勒雷达径向速度退模糊方法
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN105069843A (zh) 一种面向城市三维建模的密集点云的快速提取方法
Wang et al. Window detection from mobile LiDAR data
CN112798811B (zh) 速度测量方法、装置和设备
CN108416798B (zh) 一种基于光流的车辆距离估计方法
CN111709968B (zh) 一种基于图像处理的低空目标探测跟踪方法
EP3809367B1 (en) Measurement target top-surface estimation method, guide information display device, and crane
Bendicks et al. Improved 3-D particle tracking velocimetry with colored particles
CN108305277A (zh) 一种基于直线段的异源图像匹配方法
KR20180092591A (ko) Uav 영상매칭 기술을 이용한 구조물 형상변화 탐지 알고리즘
CN107271445A (zh) 一种缺陷检测方法及装置
US20220148200A1 (en) Estimating the movement of an image position
Ma et al. Intelligent optimization of seam-line finding for orthophoto mosaicking with LiDAR point clouds
Dryanovski et al. Incremental registration of RGB-D images
Zhang et al. Object defect detection based on data fusion of a 3D point cloud and 2D image
Boerner et al. Brute force matching between camera shots and synthetic images from point clouds
Hebel et al. Pre-classification of points and segmentation of urban objects by scan line analysis of airborne LiDAR data
Zhou et al. Occlusion detection for urban aerial true orthoimage generation
CN108109171A (zh) 无人机航片旋偏角的检测方法、装置、设备和存储介质
Gonçalves et al. 3D cliff reconstruction by drone: An in-depth analysis of the image network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant