CN107992782B - 基于图像几何特征参量的云降水粒子形状识别方法 - Google Patents
基于图像几何特征参量的云降水粒子形状识别方法 Download PDFInfo
- Publication number
- CN107992782B CN107992782B CN201610922675.0A CN201610922675A CN107992782B CN 107992782 B CN107992782 B CN 107992782B CN 201610922675 A CN201610922675 A CN 201610922675A CN 107992782 B CN107992782 B CN 107992782B
- Authority
- CN
- China
- Prior art keywords
- image
- particle
- cloud precipitation
- cloud
- precipitation particle
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像几何特征参量的云降水粒子形状识别方法,属于数字图像识别领域,目的在自动检测云降水粒子目标的基础上,识别并判定其形状,以提高云微物理过程的自动分析能力。该方法包括:(1)云降水粒子图像获取步骤;(2)云降水粒子目标检测与提取步骤;(3)云降水粒子形状图像数据库创建步骤;(4)云降水粒子形状几何特征参量提取与选取步骤;(5)云降水粒子形状识别步骤。本发明基于图像几何特征参量的云降水粒子形状识别方法,通过建立云降水粒子形状图像数据库,选取出可有效表征粒子形状的几何特征参量,并通过优化识别步骤,提高了识别的准确性和速度,可用于机载云降水粒子自动测量场合。
Description
技术领域
本发明属于数字图像识别领域,具体涉及一种基于图像几何特征参量的云降水粒子形状识别方法,用于自动识别云降水粒子的形状信息,以提高云微物理过程自动分析的能力。
背景技术
利用飞机携带观测仪器直接入云探测是目前云降水物理和人工影响天气研究中一种重要的观测手段。同时,飞机入云观测获得的数据也可以用于验证雷达、卫星等遥感测量的结果以及模式和参数化模拟的结果。
识别云中粒子形状对于云微物理的变化认识具有重要的作用。云粒子形状会影响到自身的散射特性、增长率和下落末速度。云粒子的散射能力可极大地影响到全球气候和辐射平衡,同时,对卫星和雷达等遥感的反演订正等也极其重要。通过凝华和凇附过程,冰粒子的形状会影响到其自身的增长率。而降水粒子的增长率,对天气和预报模式是很重要的。下落末速度会影响到冰粒子的生命期,并反过来影响地球的辐射总量收支。因此云中粒子形状及其变化对云降水物理研究、天气预报和气候变化都具有重要的意义。
1981年美国怀俄明大学的Rahman等人利用飞机采集到云粒子图像,运用自适应的卡尔曼滤波方法结合贝叶斯决策理论可将完整的和部分的云粒子图像分成7种基本的粒子形态(板状,星形形状,柱状,空间辐枝状,帽柱状,霰和雨滴),但该方法计算量大,影响了其实时性。
1987年美国农垦局的Holroyd则开发了一套利用图像几何特征参量对机载仪器2DC采集到的云粒子图像进行识别分类的技术,该技术可将云粒子分成8类,分别是微小状、线状、聚合状、霰、球状、板状、不规则状和枝状,该方法简单易行,运行速度较快,但识别准确度有限。
2000年加拿大气象局的Korolev和Sussman利用所获取的云粒子几何特征,采用简单的无量纲比值关系,通过反问题求解方式,将粒子形状分成球形、不规则形、针形和枝状形,但Korolev和Sussman所提方法是一种概率的统计识别方法,无法对单个粒子进行识别。
在国内,2014年北京大学王磊等借鉴Holroyd所提出的方法,提出了适用于灰度探头粒子识别的方法,所提形状分类方法把粒子二维图像分为8类,分别是:微小状、线状、聚合状、霰、球状、板状、不规则状和枝状。但王磊的方法同样存在着识别准确度有限的问题。
虽然在过去的三十年里已经有诸多的云降水粒子形状自动识别方法问世,但都存在一定的局限性。
发明内容
为客服现有方法中所存在的问题,本发明提供一种基于图像几何特征参量的云降水粒子形状识别方法,能够自动识别云中粒子形状,提高了云微物理过程分析的自动化程度和精度。
本发明的一种基于图像几何特征参量的云降水粒子形状识别方法,包括如下步骤:
(1)图像获取步骤,从机载光阵成像设备中获取云中粒子图像;
(2)对获取的粒子图像数据进行云降水粒子目标检测,获得云降水粒子目标检测结果图像;
(3)对云降水粒子目标检测结果图像中每个粒子目标,提取图像几何特征参量,包括粒子宽度直径、长度直径、周长、面积、边缘光阵数目、线性拟合直径、垂直宽度、拟合直线夹角、线性拟合相关系数、线性拟合残差、投影拟合残差、Korolev参数KR1、矩形度、扁度、圆形度、面积比、轴比、Holroyd轴比、周长直径面积比、凸度、等效面积圆直径;
(4)云降水粒子形状识别步骤,
首先,建立要识别的云降水粒子形状图像数据库,获取各形状粒子的特征参数及其特征值的分布直方图,利用直方图方法确立各形状粒子识别的特征参数和特征值识别范围,并创建基于图像几何特征参量的云降水粒子形状分类器。
然后,提取待识别云降水粒子目标的图像几何特征值,作为分类器的输入,得到分类结果,即为待识别云降水粒子目标形状的识别结果。
本发明利用数字图像自动识别技术,可自动识别云降水粒子形状的相关信息,为云降水粒子形状的识别提供了一种新的方法。该方法具有运算速度快、识别准确性高等优点。结合其它信息,本发明可进一步应用于云中冰水含量计算分析、不同形状云粒子统计、实时的云微物理结构分析等,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是一幅待识别的云降水粒子图像,图像中黑色部分表示背景,每一块白色区域表示一个云降水粒子;
图3是一个待识别的单粒子图像帧;
图4是粒子图像中几个典型的几何特征参量,包括粒子宽度直径Nx,长度直径Ny,线性拟合直径d,垂直宽度w,线性拟合直线夹角A;
图5是球形状粒子的圆形度的直方图统计分布图;
图6是粒子形状识别的步骤流程图。
具体实施方式
本发明以粒子图像的几何特征参量作为识别云降水粒子形状的显著特征,利用多参量联合的方式可快速有效地对云降水粒子形状进行识别分类,处理流程如图1所示。
(1)图像获取步骤,从机载光阵成像设备获取待识别的云降水粒子图像,图2所示的是一幅待识别的云降水粒子图像;
(2)对获取的云降水粒子图像数据进行检测获取粒子图像帧,这里粒子图象帧是根据仪器采集粒子图像过程定义的,当有粒子出现在仪器采样区挡住仪器激光光束时在仪器传感器光电二极管阵列上形成粒子影像,仪器立即对光电二极管阵列上的粒子影像信号进行采集,直到云粒子飞出采样区,这时激光光照恢复,仪器对粒子影像信号采集停止,并对刚刚采集到的粒子影像数据进行标记和存储,从而形成一个粒子图象帧。多个粒子图象帧存储在一起,直到堆满预留的存储空间就往上位机传输,从而在上位机上显示为一幅粒子图像,如图2所示,一个待识别的粒子图像帧如图3所示;
(3)基于拟识别的云降水粒子类别和已获取的粒子图像帧,构建云降水粒子图像形状数据库;然后对云降水粒子图像形状数据库中粒子图像的几何特征参量进行提取,获得一组和云降水粒子形状相关的几何特征参量值。其中包括:
(3.1)宽度直径Nx:宽度直径沿着光阵方向,与飞行方向相垂直,是粒子影像在光阵上投影时所能覆盖住的光电二极管数的最大值。
(3.2)长度直径Ny:长度直径是粒子影像中沿着飞机飞行方向所覆盖的光阵条数。
(3.3)周长Np:粒子图像的周长,即粒子图像边缘像素的总和。
(3.4)面积Ns:粒子图像所覆盖的光电二极管数目的总和,即粒子图像中的像素数目。粒子图像面积是粒子的一个基本特征,它描述了粒子的大小。
(3.5)边缘光阵数目Nedge:沿飞行方向,粒子图像中所覆盖的光阵边缘单元像素的数目。
(3.6)线性拟合直径d:在粒子图像中以光阵方向为自变量x,以飞行方向为因变量y,对粒子图像像素做像素线性回归,则粒子图像投影到一条递归线上的像素长度。
(3.7)垂直宽度w:与递归线相互垂直的粒子图像像素宽度。
(3.8)线性拟合直线夹角A:线性拟合递归线d与光阵方向水平轴x之间的夹角。
(3.9)线性拟合相关系数:粒子图像线性拟合递归的相关系数。对于柱状或者针状粒子而言,该值接近于1.而对于球形对称的粒子来说该值接近于0。
(3.10)线性拟合残差:粒子图像线性递归拟合时的标准偏差。
(3.11)投影拟合残差:利用多项式拟合的最小均方误差。
(3.12)Korolev参数KR1:
其中:Dx:X方向的直径;Dy:y方向的直径;S:粒子影像面积。对于圆形粒子而言,KR1值接近于1,而对于柱状或者针状粒子该值在3--8之间。
(3.13)矩形度:矩形度定义为物体的面积A0与物体的最小外接矩形(MER)的面积AR之比,即R=A0/AR。矩形度反映了物体在最小外界矩形中的填充程度,矩形的矩形度为1,圆的矩形度为π/4,三角形的矩形度为0.5。对于其它形状,矩形度的取值范围为(0,1)。利用矩形度可以区分矩形、圆形和不规则形状。
(3.14)扁度:扁度或称狭长度,本文采用归一化定义:
式中a为物体长轴,b为物体的短轴。物体的长轴和短轴有一种简单的定义是具有最小外接矩形的长边和短边,但这种定义受边界的毛刺影响很大。
(3.15)圆形度:圆形度反映了物体接近圆形的程度,也称作区域的紧凑性,定义为4π倍的区域面积S与周长P的平方之比(有的文献定义为周长的平方与4π倍的区域面积之比),即:
(3.16)面积比:粒子图像面积与等直径的圆的面积比值。球形状粒子的面积比值接近于1,但柱状或针状粒子的面积比值非常小。
(3.17)轴比:横向直径与纵向直径中的大值与小值的比值。
(3.18)Holroyd轴比:线性拟合直径与垂直宽度间的大值与小值的比值。
(3.19)周长直径面积(PDA):周长与直径的积除上面积的比值。圆形状粒子图像该值较小,但不规则状的粒子该值则比较大。
(3.20)凸度:粒子图像面积与最小外接多边形的面积的比值。
(3.21)等效面积圆直径:具有与该粒子面积相等的圆的直径。
(4)图像几何特征参量的优化选择,利用基于云降水粒子图像形状数据库所获取的粒子图像几何特征参量,基于直方图分布的方法,获取每一种形状粒子的几何特征参量分布的统计值,图5给出了球形状粒子圆形度数值的直方图分布状况,然后对每一个特征参量在各种形状粒子上的直方图分布特征进行统计,表1给出了各形状粒子圆形度数值的直方图分布特征统计结果,这里仅以圆形度给出一个示例,实际操作中需要统计出上述步骤(3)中各几何特征值的直方图分布状况,然后选择出能有效区分粒子形状的若干几何特征参量及其特征值,如从下表中可以看出利用圆形度值可以将球形状粒子、板状粒子和霰粒子与其它几种形状粒子区分开,然后再继续结合其它几何特征参量将球形状粒子、板状粒子和霰粒子区分开,最终确定出适合云降水粒子形状识别的最优步骤,作为云降水粒子形状的识别方法,如图6所示;
各形状粒子圆形度的统计值
数值范围 | 主值区间(>=80%) | 间距 | 峰值区间 | |
聚合状 | 0.096-0.608 | 0.17-0.46 | 0.07 | 0.24 |
柱状 | 0.34-0.77 | 0.40-0.65 | 0.06 | 0.46 |
枝状 | 0.09-0.71 | 0.27-0.62 | 0.09 | 0.53 |
霰 | 0.27-0.84 | 0.51-0.76 | 0.08 | 0.68 |
不规则状 | 0.2-0.69 | 0.34-0.62 | 0.07 | 0.48 |
针状 | 0.09-0.55 | 0.22-0.42 | 0.07 | 0.29 |
板状 | 0.08-0.84 | 0.3-0.84 | 0.11 | 0.73 |
球状 | 0.33-0.89 | 0.65-0.89 | 0.08 | 0.89 |
(5)输入待识别的云降水粒子图像,提取单个云降水粒子图像的几何特征参量,然后利用步骤(4)所确定的几何特征参量和识别步骤进行云降水粒子形状的识别,得到每个粒子的分类结果。在此基础上可以获得所研究区域或者时段内各种形状粒子的分布情况,以辅助研判该云中区域的粒子增长过程。
Claims (5)
1.一种基于图像几何特征参量的云降水粒子形状识别方法,包括如下步骤:
(1)云降水粒子图像获取步骤,从机载光阵成像设备中获取待识别的云降水粒子图像及其所在的背景图像;
(2)对获取的云降水粒子图像进行粒子图像帧目标检测,获得待检测的单个云降水粒子目标图像;
(3)基于拟要识别的云降水粒子形状类别和所提取的单个云降水粒子图像数据,构建云降水粒子形状图像数据库;
(4)提取出云降水粒子形状图像数据库中每类粒子图像的多个图像几何特征参量;
(5)基于直方图分布的统计方法,对云降水粒子形状图像数据库中每类粒子图像的几何特征参量进行统计,以选择出可以明确表征粒子图像形状的特征参量及其特征值,并依据所选的特征参量和特征值对于各粒子图像形状参量的区分强度来确定出云降水粒子形状识别步骤,作为云降水粒子形状的识别方法;
(6)输入待识别的云降水粒子图像,提取单个云降水粒子图像的几何特征参量,然后利用步骤(5)所确定的识别步骤和几何特征参量进行云降水粒子形状的识别,得到分类结果。
2.根据权利要求1所述的方法,其特征在于,所述的识别结果包括聚合状、柱状、枝状、霰、不规则状、针状、板状和球状共8种形状粒子。
3.根据权利要求1所述的方法,其特征在于所述步骤(2),利用图像获取过程基于单粒子检测原理要求,在两个连续的粒子图像之间存在一条边界背景图像,通过检测粒子图像的边界从而获取所要检测的单粒子图像。
4.根据权利要求1所述的方法,其特征在于,所述图像特征包括粒子宽度直径、长度直径、周长、面积、边缘光阵数目、线性拟合直径、垂直宽度、线性拟合直线夹角、线性拟合相关系数、线性拟合残差、投影拟合残差、Korolev参数KR1、矩形度、扁度、圆形度、面积比、轴比、Holroyd轴比、周长直径面积比、凸度、等效面积圆直径。
5.根据权利要求1所述的方法,其特征在于,这里选取出的最有效的识别特征参量为凸度、圆形度、线性相关系数、线性拟合残差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610922675.0A CN107992782B (zh) | 2016-10-27 | 2016-10-27 | 基于图像几何特征参量的云降水粒子形状识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610922675.0A CN107992782B (zh) | 2016-10-27 | 2016-10-27 | 基于图像几何特征参量的云降水粒子形状识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107992782A CN107992782A (zh) | 2018-05-04 |
CN107992782B true CN107992782B (zh) | 2020-05-19 |
Family
ID=62028317
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610922675.0A Active CN107992782B (zh) | 2016-10-27 | 2016-10-27 | 基于图像几何特征参量的云降水粒子形状识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992782B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059713A (zh) * | 2019-03-07 | 2019-07-26 | 中国人民解放军国防科技大学 | 一种基于降水粒子多特征参量的降水类型识别方法 |
CN109937778A (zh) * | 2019-03-11 | 2019-06-28 | 中国气象科学研究院 | 云水资源、大气水凝物总量及其降水效率计算方法及装置 |
CN110174347B (zh) * | 2019-05-28 | 2022-01-28 | 中国科学院大气物理研究所 | 一种机载测量过程中时变的到达时间间隔阈值的破碎粒子识别方法 |
CN111898627B (zh) * | 2020-05-27 | 2021-06-15 | 成都信息工程大学 | 一种基于pca的svm云微粒子优化分类识别方法 |
CN111860571B (zh) * | 2020-06-03 | 2021-05-25 | 成都信息工程大学 | 一种基于cip数据质量控制的云微粒子分类方法 |
CN113341483B (zh) * | 2021-06-21 | 2022-10-18 | 安徽省大气探测技术保障中心 | 一种降水现象仪雨滴粒径粒速模拟检测装置 |
CN113435401B (zh) * | 2021-07-14 | 2024-04-30 | 中国气象科学研究院 | 过冷水区的飞机云物理探测识别方法、装置及存储介质 |
CN114119706A (zh) * | 2021-10-28 | 2022-03-01 | 中国气象科学研究院 | 云粒子图像形状识别方法、系统及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254191A (zh) * | 2011-07-08 | 2011-11-23 | 华中科技大学 | 一种基于图像处理的降水粒子相态识别方法 |
CN102323192A (zh) * | 2011-08-01 | 2012-01-18 | 北京信息科技大学 | 云粒子测量系统和方法 |
CN103439756A (zh) * | 2013-07-31 | 2013-12-11 | 中国人民解放军理工大学 | 一种基于粒子成像测速的自然降水粒子微物理特征测量方法 |
CN204718956U (zh) * | 2015-07-02 | 2015-10-21 | 南京信息工程大学 | 一种云粒子探测器 |
CN105115862A (zh) * | 2015-07-02 | 2015-12-02 | 南京信息工程大学 | 一种云粒子探测方法及探测器 |
-
2016
- 2016-10-27 CN CN201610922675.0A patent/CN107992782B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254191A (zh) * | 2011-07-08 | 2011-11-23 | 华中科技大学 | 一种基于图像处理的降水粒子相态识别方法 |
CN102323192A (zh) * | 2011-08-01 | 2012-01-18 | 北京信息科技大学 | 云粒子测量系统和方法 |
CN103439756A (zh) * | 2013-07-31 | 2013-12-11 | 中国人民解放军理工大学 | 一种基于粒子成像测速的自然降水粒子微物理特征测量方法 |
CN204718956U (zh) * | 2015-07-02 | 2015-10-21 | 南京信息工程大学 | 一种云粒子探测器 |
CN105115862A (zh) * | 2015-07-02 | 2015-12-02 | 南京信息工程大学 | 一种云粒子探测方法及探测器 |
Also Published As
Publication number | Publication date |
---|---|
CN107992782A (zh) | 2018-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992782B (zh) | 基于图像几何特征参量的云降水粒子形状识别方法 | |
CN109785337B (zh) | 一种基于实例分割算法的栏内哺乳动物清点方法 | |
CN104036239B (zh) | 基于特征融合和聚类的高分辨sar图像快速舰船检测方法 | |
CN102043958B (zh) | 一种高分辨率遥感图像多类目标检测识别方法 | |
CN109559324B (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN105608479A (zh) | 结合深度数据的异常行为检测方法及系统 | |
CN101807352A (zh) | 一种模糊模式识别的车位检测方法 | |
CN109164450B (zh) | 一种基于多普勒雷达数据的下击暴流预测方法 | |
CN111898627B (zh) | 一种基于pca的svm云微粒子优化分类识别方法 | |
CN108414991A (zh) | 高分辨雷达非均匀杂波场景微小目标恒虚警检测方法 | |
CN109684986B (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 | |
CN110059713A (zh) | 一种基于降水粒子多特征参量的降水类型识别方法 | |
CN111582271A (zh) | 一种基于地质雷达的铁路隧道内部病害检测方法及其装置 | |
CN108229473A (zh) | 车辆年检标签检测方法及装置 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN112036384A (zh) | 精子头部形态识别方法、装置及设备 | |
CN110824478B (zh) | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 | |
CN103198323B (zh) | 一种基于曲线拟合的行人检测方法 | |
Zewei et al. | Vehicle recognition and classification method based on laser scanning point cloud data | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN117129390A (zh) | 一种基于线阵摄像的降雨粒子实时监测系统及方法 | |
Chen et al. | 2d tree detection in large urban landscapes using aerial lidar data | |
CN114169404A (zh) | 一种基于图像智能获取边坡病害量化信息方法 | |
CN111507423B (zh) | 输电线路通道清理的工程量测算方法 | |
CN113296072A (zh) | 一种基于YOLOv3模型的雷暴大风自动识别方法及系统 |
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 |