CN110532944A - 一种智能图像识别天气现象系统及方法 - Google Patents
一种智能图像识别天气现象系统及方法 Download PDFInfo
- Publication number
- CN110532944A CN110532944A CN201910803490.1A CN201910803490A CN110532944A CN 110532944 A CN110532944 A CN 110532944A CN 201910803490 A CN201910803490 A CN 201910803490A CN 110532944 A CN110532944 A CN 110532944A
- Authority
- CN
- China
- Prior art keywords
- image
- pretreatment
- label
- meteorological
- recognition
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于气象技术领域,具体涉及一种智能图像识别天气现象系统及方法,所述系统包括:图片预处理单元,用于对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;图像类别划分单元,用于对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;图像识别单元,用于对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。具有识别准确性高和识别速度快的优点。
Description
技术领域
本发明属于气象技术领域,具体涉及一种智能图像识别天气现象系统及方法。
背景技术
天气是指某一个地区距离地表较近的大气层在短时间内的具体状态。而天气现象则是指发生在大气中的各种自然现象,即某瞬时内大气中各种气象要素(如气温、气压、湿度、风、云、雾、雨、闪、雪、霜、雷、雹、霾等)空间分布的综合表现。
天气过程就是一定地区的天气现象随时间的变化过程。各种天气系统都具有一定的空间尺度和时间尺度,而且各种尺度系统间相互交织、相互作用。许多天气系统的组合,构成大范围的天气形势,构成半球甚至全球的大气环流。天气系统总是处在不断新生、发展和消亡过程中,在不同发展阶段有着其相对应的天气现象分布。
天气分析,根据天气动力学原理,对填写在有关图表上的观测记录进行描述、操作、推断的过程,是天气预报的基本立足点和主要依据。分有地面天气图分析、等压面图分析、温压场分析和辅助天气图分析等。在进行天气分析时,首先需正确判断和运用观测记录,参考有关分析预报判据和科学研究总结,推断各种天气现象和天气形势的演变过程,注意其前后历史连贯性。重视各有关图表的有机结合。从实际出发,抓住关键天气预报提供科学依据。
现有技术针对天气图像进行分析,往往是人工进行分析,但这种方法往往工作量大,且识别准确性由于人工的标准不统一也会导致识别准确性降低。
发明内容
有鉴于此,本发明的主要目的在于提供一种智能图像识别天气现象系统及方法,具有识别准确性高和识别速度快的优点。
为达到上述目的,本发明的技术方案是这样实现的:
一种智能图像识别天气现象系统,所述系统包括:
图片预处理单元,用于对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;
图像类别划分单元,用于对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;
图像识别单元,用于对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。
进一步的,所述图片预处理单元包括:图像增强单元,用于对采集到的气象原始图片进行图像增强处理;图像去噪单元,用于对图像增强处理后的气象原始图片进行图像去噪处理;图像分割单元,用于对对图像去噪处理后的气象原始图片进行图像分割处理;图像二值化单元,用于对图像分割处理后的气象原始图片进行图像二值化处理,得到预处理图像。
进一步的,所述图像类别划分单元包括:预处理图像识别单元和标签添加单元;所述预处理图像识别单元用于对预处理图像进行图像识别,生成预处理图像识别结果;所述标签添加单元,用于根据预处理图像识别结果,判断图像的类别,根据判断结果,为预处理图像添加标签。
进一步的,所述图像识别单元至少包括:调度单元、风云雾霾识别单元、雨雪霜雹识别单元和闪雷识别单元;所述调度单元,用于根据预处理图像的标签,调度不同的识别单元对预处理图像进行识别,若预处理图像的标签为:风、云、雾或霾,则调度风云雾霾识别单元进行识别,若预处理图像的标签为雨、雪、霜或雹,则调度雨雪霜雹识别单元,若预处理图像的标签为闪或雷,则调度闪雷识别单元。
进一步的,调度单元,所述系统还包括:数据库单元,用于图像识别单元的识别结果、原始气象图片和预处理图像进行存储。
一种智能图像识别天气现象方法,所述方法包括:
步骤1:对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;
步骤2:对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;
步骤3:对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。
进一步的,所述步骤1:对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像的方法至少包括以下步骤:
步骤1.1:采用如下公式,将原始图片进行图像增强处理:
;其中:为增强后的图片,为气象原始图片,和为设定的灰度值,和为设定的常数;
步骤1.2:对图像增强处理后的气象原始图片进行高斯去噪处理;
步骤1.3:对高斯去噪处理后的气象原始图片进行阈值图像分割处理;
步骤1.4:对阈值图像分割处理后的气象原始图片进行图像二值化处理;
进一步的,所述步骤3:对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果的方法执行以下步骤:
步骤3.1:根据预处理图像的标签,调度不同的识别单元对预处理图像进行识别,若预处理图像的标签为:风、云、雾或霾,则调度风云雾霾识别单元进行识别,若预处理图像的标签为雨、雪、霜或雹,则调度雨雪霜雹识别单元,若预处理图像的标签为闪或雷,则调度闪雷识别单元;
步骤3.2:所述风云雾霾识别单元对预处理图像进行识别的方法包括:获得预处理图像中各个云团的类别;将设定时间段内的多幅预处理图像进行合成,获得设定时间段内各云团的基本亮温图,将该合成后获得的基本亮温图定义为短时基本亮温图;计算当前时刻的预处理图像与所述短时基本亮温图的灰度值差值图像;对所述灰度值差值图像进行分割,在分割后的差值图像中,再次进行云团识别,根据各个差值图像中的识别云团的数量,得出最终的气象识别结果;
步骤3.3:所述雨雪霜雹识别单元对预处理图像进行识别的方法包括:利用形态滤波算法对所述预处理图像进行滤波处理,对预处理图像的边缘进行识别,得到所述预处理图像中的降水目标区域;计算所述预处理图像目标区域中降水的面积,通过所述降水的面积估算降水量;得出最终的气象识别结果。
步骤3.4:所述闪雷识别单元对预处理图像进行识别的方法包括:计算图像的灰度值差值,进而得到亮度差异,根据亮度差异,得出最终的气象识别结果。
进一步的,所述步骤3.2中,对所述灰度值差值图像进行分割,在分割后的差值图像中,再次进行云团识别,根据各个差值图像中的识别云团的数量,得出最终的气象识别结果的方法执行以下步骤:读取当前时刻t以及上一小时时刻t-Ι的预处理图像,使用灰度值阈值法对所述预处理图像进行分割,将预处理图像中的格点按灰度值大小分为大于等于阈值和小于阈值的两类,其中大于等于阈值的部分分别记为点集合S(t)和点集合S(t-l);其中,点集合S(t)为当前时刻t的云团图像点集合,点集合S(t-l)为上一小时时刻t-1的云团图像点集合;标记所述点集合S(t)和点集合S(t-l)中的连通区域,记录其中与云团降水强度有关的参数,所述参数具体包括:云团的最大灰度值、云团的最小灰度值、云团面积以及云团的位置变化情况;对于点集合S(t)中的各个云团,通过判断其是否在点集合S(t-l)中存在相应的来源云团、在点集合S(t-l)中的来源云团的数量、在与来源云团相比较时其平均灰度值是增加还是减少以及其云团面积变化情况,来将点集合S(t)中的云团划分为十个类别
进一步的,所述步骤3.3中,计算所述预处理图像目标区域中降水的面积,通过所述降水的面积估算降水量;得出最终的气象识别结果的方法执行以下步骤:分别获取降水的外部区域和内部区域具体为:对降水图像作滤波处理得到降水灰度直方图,根据降水灰度分布特点,利用迭代阈值法得到降水的外部区域Ro;利用类间方差阈值法得到所述降水灰度直方图中最大峰值处的阈值s,将低于阈值s的部分划为低灰度区Gl(x,y),将高于阈值s的部分划为高灰度区Gh(x,y):并在低灰度区Gl(x,y)内以平均值迭代运算求取阈值s1:上述公式中,Gmax(X,Y)、Gmin(X,Y)分别是属于同一灰度区内的最大、最小灰度值;再利用s1结合区域生长得出降水的内部区域Ri。
本发明的一种智能图像识别天气现象系统及方法,具有如下有益效果:
1.识别准确性高:本发明通过将气象原始图片进行预处理后,在针对预处理后的图像进行初步的识别,将图片进行分类,然后再对分类的图片进行针对性的识别,显著提升了识别准确率。由于气象变幻莫测,气象图片的种类也繁多,因此针对不同种类的气象图片进行分门别类后,再进行分析,可以提升识别准确率。
2.识别效率高:本发明通过将气象原始图片进行自动识别,相比于人工进行分析,显著提升了识别效率。
附图说明
图1为本发明的实施例提供的智能图像识别天气现象系统的系统结构示意图;
图2为本发明的实施例提供的智能图像识别天气现象方法的方法实流程示意图;
图3为本发明的实施例提供的本发明的智能图像识别天气现象系统及方法识别准确率和现有技术的识别准确率的试验效果比较示意图;
图4为本发明的实施例提供的本发明的图像增强算法增强图像后,图像识别准确率的实验效果示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
一种智能图像识别天气现象系统,所述系统包括:
图片预处理单元,用于对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;
图像类别划分单元,用于对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;
图像识别单元,用于对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。
具体的,早期的天气分析都是人工操作的,常把这种分析称为主观分析。使用高速电子计算机来模仿人工操作绘制天气图,并将气象要素值内插到网格点上作为数值预报的初值的这种分析,称为客观分析,或称计算机分析。但因计算机分析方案及其工艺等方面,还存在着一些缺点和不足之处,故不能完全用它替代人脑的分析和判断。有一些天气图,先由机器分析,再由人工作出补充和修正分析,称为人机结合分析。客观分析的项目除了实况天气图之外,还有各种物理量的诊断分析和雷达、卫星图像识别等。
实施例2
在上一实施例的基础上,所述图片预处理单元包括:图像增强单元,用于对采集到的气象原始图片进行图像增强处理;图像去噪单元,用于对图像增强处理后的气象原始图片进行图像去噪处理;图像分割单元,用于对对图像去噪处理后的气象原始图片进行图像分割处理;图像二值化单元,用于对图像分割处理后的气象原始图片进行图像二值化处理,得到预处理图像。
实施例3
在上一实施例的基础上,所述图像类别划分单元包括:预处理图像识别单元和标签添加单元;所述预处理图像识别单元用于对预处理图像进行图像识别,生成预处理图像识别结果;所述标签添加单元,用于根据预处理图像识别结果,判断图像的类别,根据判断结果,为预处理图像添加标签。
具体的,强降雨是触发洪水、滑坡、泥石流的关键因素。对于造成强降雨的对流云团位置和 范围的准确识别,以及对云团移动路径进行追踪,能为洪水、滑坡、泥石流等下游灾害子链 的启动提供正确的触发条件和相应的参数。
具体的,静止气象卫星可以24小时不间断地对地表约三分之一的区域进行连续观测,每 半小时产生一组遥感资料,观测范围广,观测频次高,可以捕捉到时间变化较快的天气现 象,特别适合对中尺度强对流天气的预警。这些优点是极轨气象卫星以及地面观测手段所 不具备的。因此,使用静止卫星遥感资料对强对流云团进行识别和追踪,有非常重要的实际
实施例4
在上一实施例的基础上,所述图像识别单元至少包括:调度单元、风云雾霾识别单元、雨雪霜雹识别单元和闪雷识别单元;所述调度单元,用于根据预处理图像的标签,调度不同的识别单元对预处理图像进行识别,若预处理图像的标签为:风、云、雾或霾,则调度风云雾霾识别单元进行识别,若预处理图像的标签为雨、雪、霜或雹,则调度雨雪霜雹识别单元,若预处理图像的标签为闪或雷,则调度闪雷识别单元。
实施例5
在上一实施例的基础上,调度单元,所述系统还包括:数据库单元,用于图像识别单元的识别结果、原始气象图片和预处理图像进行存储。
实施例6
一种智能图像识别天气现象方法,所述方法包括:
步骤1:对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;
步骤2:对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;
步骤3:对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。
实施例7
在上一实施例的基础上,所述步骤1:对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像的方法至少包括以下步骤:
步骤1.1:采用如下公式,将原始图片进行图像增强处理:
;其中:为增强后的图片,为气象原始图片,和为设定的灰度值,和为设定的常数;
步骤1.2:对图像增强处理后的气象原始图片进行高斯去噪处理;
步骤1.3:对高斯去噪处理后的气象原始图片进行阈值图像分割处理;
步骤1.4:对阈值图像分割处理后的气象原始图片进行图像二值化处理。
具体的,图像在采集过程中不可避免地会受到传感器灵敏度、噪声干扰以及模数转化时量化问题等因素影响而导致图像无法达到人眼的视觉效果,为了实现人眼观察或者机器自动分析的目的,对原始图像所做的改善行为,就被称作图像增强技术。因此图像增强技术虽然是改善图像质量的通用方法,但是它也同样带有针对性,它必须是针对某一特定的需要而采用的特定的算法来实现图像质量的改善。
图像增强技术根据各种不同目的而产生了多种算法,根据处理空间的不同把这些算法分为基于空间域的图像增强算法和基于变换域的图像增强算法。基于空间域的图像增强算法又可以分为空域的变换增强算法、空域的滤波增强算法以及空域的彩色增强算法;基于变换域的图像增强算法可以分为频率域平滑增强算法、频率域的锐化增强算法以及频域彩色增强算法。
实施例8
在上一实施例的基础上,所述步骤3:对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果的方法执行以下步骤:
步骤3.1:根据预处理图像的标签,调度不同的识别单元对预处理图像进行识别,若预处理图像的标签为:风、云、雾或霾,则调度风云雾霾识别单元进行识别,若预处理图像的标签为雨、雪、霜或雹,则调度雨雪霜雹识别单元,若预处理图像的标签为闪或雷,则调度闪雷识别单元;
步骤3.2:所述风云雾霾识别单元对预处理图像进行识别的方法包括:获得预处理图像中各个云团的类别;将设定时间段内的多幅预处理图像进行合成,获得设定时间段内各云团的基本亮温图,将该合成后获得的基本亮温图定义为短时基本亮温图;计算当前时刻的预处理图像与所述短时基本亮温图的灰度值差值图像;对所述灰度值差值图像进行分割,在分割后的差值图像中,再次进行云团识别,根据各个差值图像中的识别云团的数量,得出最终的气象识别结果;
步骤3.3:所述雨雪霜雹识别单元对预处理图像进行识别的方法包括:利用形态滤波算法对所述预处理图像进行滤波处理,对预处理图像的边缘进行识别,得到所述预处理图像中的降水目标区域;计算所述预处理图像目标区域中降水的面积,通过所述降水的面积估算降水量;得出最终的气象识别结果。
步骤3.4:所述闪雷识别单元对预处理图像进行识别的方法包括:计算图像的灰度值差值,进而得到亮度差异,根据亮度差异,得出最终的气象识别结果。
实施例9
在上一实施例的基础上,所述步骤3.2中,对所述灰度值差值图像进行分割,在分割后的差值图像中,再次进行云团识别,根据各个差值图像中的识别云团的数量,得出最终的气象识别结果的方法执行以下步骤:读取当前时刻t以及上一小时时刻t-Ι的预处理图像,使用灰度值阈值法对所述预处理图像进行分割,将预处理图像中的格点按灰度值大小分为大于等于阈值和小于阈值的两类,其中大于等于阈值的部分分别记为点集合S(t)和点集合S(t-l);其中,点集合S(t)为当前时刻t的云团图像点集合,点集合S(t-l)为上一小时时刻t-1的云团图像点集合;标记所述点集合S(t)和点集合S(t-l)中的连通区域,记录其中与云团降水强度有关的参数,所述参数具体包括:云团的最大灰度值、云团的最小灰度值、云团面积以及云团的位置变化情况;对于点集合S(t)中的各个云团,通过判断其是否在点集合S(t-l)中存在相应的来源云团、在点集合S(t-l)中的来源云团的数量、在与来源云团相比较时其平均灰度值是增加还是减少以及其云团面积变化情况,来将点集合S(t)中的云团划分为十个类别
实施例10
在上一实施例的基础上,所述步骤3.3中,计算所述预处理图像目标区域中降水的面积,通过所述降水的面积估算降水量;得出最终的气象识别结果的方法执行以下步骤:分别获取降水的外部区域和内部区域具体为:对降水图像作滤波处理得到降水灰度直方图,根据降水灰度分布特点,利用迭代阈值法得到降水的外部区域Ro;利用类间方差阈值法得到所述降水灰度直方图中最大峰值处的阈值s,将低于阈值s的部分划为低灰度区Gl(x,y),将高于阈值s的部分划为高灰度区Gh(x,y):并在低灰度区Gl(x,y)内以平均值迭代运算求取阈值s1:上述公式中,Gmax(X,Y)、Gmin(X,Y)分别是属于同一灰度区内的最大、最小灰度值;再利用s1结合区域生长得出降水的内部区域Ri。
以上所述仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的系统,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
所属技术领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的存储装置、处理装置的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
术语“第一”、“第二”等是用于区别类似的对象,而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种智能图像识别天气现象系统,其特征在于,所述系统包括:
图片预处理单元,用于对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;
图像类别划分单元,用于对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;
图像识别单元,用于对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。
2.如权利要求1所述的系统,其特征在于,所述图片预处理单元包括:图像增强单元,用于对采集到的气象原始图片进行图像增强处理;图像去噪单元,用于对图像增强处理后的气象原始图片进行图像去噪处理;图像分割单元,用于对对图像去噪处理后的气象原始图片进行图像分割处理;图像二值化单元,用于对图像分割处理后的气象原始图片进行图像二值化处理,得到预处理图像。
3.如权利要求2所述的系统,其特征在于,所述图像类别划分单元包括:预处理图像识别单元和标签添加单元;所述预处理图像识别单元用于对预处理图像进行图像识别,生成预处理图像识别结果;所述标签添加单元,用于根据预处理图像识别结果,判断图像的类别,根据判断结果,为预处理图像添加标签。
4.如权利要求3所述的系统,其特征在于,所述图像识别单元至少包括:调度单元、风云雾霾识别单元、雨雪霜雹识别单元和闪雷识别单元;所述调度单元,用于根据预处理图像的标签,调度不同的识别单元对预处理图像进行识别,若预处理图像的标签为:风、云、雾或霾,则调度风云雾霾识别单元进行识别,若预处理图像的标签为雨、雪、霜或雹,则调度雨雪霜雹识别单元,若预处理图像的标签为闪或雷,则调度闪雷识别单元。
5.如权利要求4所述的系统,其特征在于,调度单元,所述系统还包括:数据库单元,用于图像识别单元的识别结果、原始气象图片和预处理图像进行存储。
6.一种基于权利要求1至5之一所述系统的智能图像识别天气现象方法,其特征在于,所述方法包括:
步骤1:对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像;
步骤2:对预处理图像按照设定天气的天气类别进行类别划分,为预处理图像添加类别标签;所述类别标签至少包括以下几种类别:风、云、雾、雨、闪、雪、霜、雷、雹和霾;
步骤3:对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果。
7.如权利要求6所述的方法,其特征在于,所述步骤1:对采集到的气象原始图片依次进行图像增强、图像去噪、图像分割和图像二值化处理,得到预处理图像的方法至少包括以下步骤:
步骤1.1:采用如下公式,将原始图片进行图像增强处理:
;
其中:为增强后的图片,为气象原始图片,和为设定的灰度值,和为设定的常数;
步骤1.2:对图像增强处理后的气象原始图片进行高斯去噪处理;
步骤1.3:对高斯去噪处理后的气象原始图片进行阈值图像分割处理;
步骤1.4:对阈值图像分割处理后的气象原始图片进行图像二值化处理。
8.如权利要求7所述的方法,其特征在于,所述步骤3:对添加标签后的预处理图像,调用和标签对应的识别方法进行图像识别,得到气象识别结果的方法执行以下步骤:
步骤3.1:根据预处理图像的标签,调度不同的识别单元对预处理图像进行识别,若预处理图像的标签为:风、云、雾或霾,则调度风云雾霾识别单元进行识别,若预处理图像的标签为雨、雪、霜或雹,则调度雨雪霜雹识别单元,若预处理图像的标签为闪或雷,则调度闪雷识别单元;
步骤3.2:所述风云雾霾识别单元对预处理图像进行识别的方法包括:获得预处理图像中各个云团的类别;将设定时间段内的多幅预处理图像进行合成,获得设定时间段内各云团的基本亮温图,将该合成后获得的基本亮温图定义为短时基本亮温图;计算当前时刻的预处理图像与所述短时基本亮温图的灰度值差值图像;对所述灰度值差值图像进行分割,在分割后的差值图像中,再次进行云团识别,根据各个差值图像中的识别云团的数量,得出最终的气象识别结果;
步骤3.3:所述雨雪霜雹识别单元对预处理图像进行识别的方法包括:利用形态滤波算法对所述预处理图像进行滤波处理,对预处理图像的边缘进行识别,得到所述预处理图像中的降水目标区域;计算所述预处理图像目标区域中降水的面积,通过所述降水的面积估算降水量;得出最终的气象识别结果。
步骤3.4:所述闪雷识别单元对预处理图像进行识别的方法包括:计算图像的灰度值差值,进而得到亮度差异,根据亮度差异,得出最终的气象识别结果。
9.如权利要求8所述的方法,其特征在于,所述步骤3.2中,对所述灰度值差值图像进行分割,在分割后的差值图像中,再次进行云团识别,根据各个差值图像中的识别云团的数量,得出最终的气象识别结果的方法执行以下步骤:读取当前时刻t以及上一小时时刻t-Ι的预处理图像,使用灰度值阈值法对所述预处理图像进行分割,将预处理图像中的格点按灰度值大小分为大于等于阈值和小于阈值的两类,其中大于等于阈值的部分分别记为点集合S(t)和点集合S(t-l);其中,点集合S(t)为当前时刻t的云团图像点集合,点集合S(t-l)为上一小时时刻t-1的云团图像点集合;标记所述点集合S(t)和点集合S(t-l)中的连通区域,记录其中与云团降水强度有关的参数,所述参数具体包括:云团的最大灰度值、云团的最小灰度值、云团面积以及云团的位置变化情况;对于点集合S(t)中的各个云团,通过判断其是否在点集合S(t-l)中存在相应的来源云团、在点集合S(t-l)中的来源云团的数量、在与来源云团相比较时其平均灰度值是增加还是减少以及其云团面积变化情况,来将点集合S(t)中的云团划分为十个类别。
10.如权利要求9所述的方法,其特征在于,所述步骤3.3中,计算所述预处理图像目标区域中降水的面积,通过所述降水的面积估算降水量;得出最终的气象识别结果的方法执行以下步骤:分别获取降水的外部区域和内部区域具体为:对降水图像作滤波处理得到降水灰度直方图,根据降水灰度分布特点,利用迭代阈值法得到降水的外部区域Ro;利用类间方差阈值法得到所述降水灰度直方图中最大峰值处的阈值s,将低于阈值s的部分划为低灰度区Gl(x,y),将高于阈值s的部分划为高灰度区Gh(x,y):并在低灰度区Gl(x,y)内以平均值迭代运算求取阈值s1:上述公式中,Gmax(X,Y)、Gmin(X,Y)分别是属于同一灰度区内的最大、最小灰度值;再利用s1结合区域生长得出降水的内部区域Ri。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803490.1A CN110532944A (zh) | 2019-08-28 | 2019-08-28 | 一种智能图像识别天气现象系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910803490.1A CN110532944A (zh) | 2019-08-28 | 2019-08-28 | 一种智能图像识别天气现象系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110532944A true CN110532944A (zh) | 2019-12-03 |
Family
ID=68664898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910803490.1A Pending CN110532944A (zh) | 2019-08-28 | 2019-08-28 | 一种智能图像识别天气现象系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110532944A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348062A (zh) * | 2020-10-26 | 2021-02-09 | 上海眼控科技股份有限公司 | 气象图像预测方法、装置、计算机设备和存储介质 |
CN113076784A (zh) * | 2020-01-05 | 2021-07-06 | 祝爱莲 | 基于云朵检测的雨情预报平台 |
CN116502151A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129566A (zh) * | 2011-03-09 | 2011-07-20 | 国家卫星气象中心 | 基于静止气象卫星识别暴雨云团的方法 |
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
US20160334546A1 (en) * | 2015-05-14 | 2016-11-17 | Beijing University Of Posts And Telecommunications | Weather recognition method and device based on image information detection |
WO2017117027A1 (en) * | 2015-12-28 | 2017-07-06 | Google Inc. | Generating labels for images associated with a user |
CN108197644A (zh) * | 2017-12-27 | 2018-06-22 | 深圳市大熊动漫文化有限公司 | 一种图像识别方法和装置 |
CN108805198A (zh) * | 2018-06-08 | 2018-11-13 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN109800679A (zh) * | 2018-12-29 | 2019-05-24 | 上海依图网络科技有限公司 | 一种确定待识别对象的属性信息的方法及装置 |
-
2019
- 2019-08-28 CN CN201910803490.1A patent/CN110532944A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129566A (zh) * | 2011-03-09 | 2011-07-20 | 国家卫星气象中心 | 基于静止气象卫星识别暴雨云团的方法 |
US20160334546A1 (en) * | 2015-05-14 | 2016-11-17 | Beijing University Of Posts And Telecommunications | Weather recognition method and device based on image information detection |
WO2017117027A1 (en) * | 2015-12-28 | 2017-07-06 | Google Inc. | Generating labels for images associated with a user |
CN106023177A (zh) * | 2016-05-14 | 2016-10-12 | 吉林大学 | 一种气象卫星云图的雷暴云识别方法和系统 |
CN108197644A (zh) * | 2017-12-27 | 2018-06-22 | 深圳市大熊动漫文化有限公司 | 一种图像识别方法和装置 |
CN108805198A (zh) * | 2018-06-08 | 2018-11-13 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和电子设备 |
CN109800679A (zh) * | 2018-12-29 | 2019-05-24 | 上海依图网络科技有限公司 | 一种确定待识别对象的属性信息的方法及装置 |
Non-Patent Citations (4)
Title |
---|
AJAYI GBEMINIYI OLUWAFEMI等: ""Multi-Class Weather Classification from Still Image Using Said "", 《2019 SOUTHERN AFRICAN UNIVERSITIES POWER ENGINEERING CONFERENCE》 * |
DI LIN等: ""RSCM: Region Selection and Concurrency Model for Multi-Class Weather Recognition"", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
于浩等: ""基于贝叶斯分类的两类图像自动识别"", 《图像与信号处理》 * |
刘国华编著: "《HALCON数字图像处理》", 31 May 2018, 西安:西安电子科技大学出版社 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076784A (zh) * | 2020-01-05 | 2021-07-06 | 祝爱莲 | 基于云朵检测的雨情预报平台 |
CN113076784B (zh) * | 2020-01-05 | 2022-11-25 | 泰州无印广告传媒有限公司 | 基于云朵检测的雨情预报平台 |
CN112348062A (zh) * | 2020-10-26 | 2021-02-09 | 上海眼控科技股份有限公司 | 气象图像预测方法、装置、计算机设备和存储介质 |
CN116502151A (zh) * | 2023-06-29 | 2023-07-28 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
CN116502151B (zh) * | 2023-06-29 | 2023-09-12 | 深圳市千百炼科技有限公司 | 基于多维度气象数据的气象预测方法、系统、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106339775B (zh) | 基于天气分型和气象要素聚类的空气重污染案例判别方法 | |
CN106127725B (zh) | 一种基于多分辨率cnn的毫米波雷达云图分割方法 | |
CN110532944A (zh) | 一种智能图像识别天气现象系统及方法 | |
CN113033670B (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
Behrangi et al. | Daytime precipitation estimation using bispectral cloud classification system | |
CN103198332A (zh) | 一种实时鲁棒的远红外车载行人检测方法 | |
CN102136059A (zh) | 一种基于视频分析的烟雾检测方法 | |
CN109063754A (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN105046259B (zh) | 基于多特征融合的日冕物质抛射检测方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
Kavzoğlu et al. | The use of object-based image analysis for monitoring 2021 marine mucilage bloom in the sea of marmara | |
CN110610506A (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
CN116029860B (zh) | 基于gis的智慧农业种植区域规划辅助决策系统 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
Bargoti et al. | Image classification with orchard metadata | |
Hacking et al. | Vineyard yield estimation using 2-D proximal sensing: A multitemporal approach | |
Shen et al. | Identifying veraison process of colored wine grapes in field conditions combining deep learning and image analysis | |
CN110929222A (zh) | 基于遥感植被冠层水分指数的灌溉农田识别方法 | |
Pao et al. | Locating the typhoon center from the IR satellite cloud images | |
CN109446965A (zh) | 一种基于无人机数据的烟田自动识别方法 | |
AU2021101496A4 (en) | A Process for grape leaf disease identification using machine learning techniques | |
Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
CN113837039A (zh) | 一种基于卷积神经网络的果实生长形态视觉辨识方法 | |
An et al. | Outdoor illegal construction identification algorithm based on 3D point cloud segmentation |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |