CN114648711B - 一种基于聚类的云微粒子图像虚假目标滤除方法 - Google Patents
一种基于聚类的云微粒子图像虚假目标滤除方法 Download PDFInfo
- Publication number
- CN114648711B CN114648711B CN202210374321.2A CN202210374321A CN114648711B CN 114648711 B CN114648711 B CN 114648711B CN 202210374321 A CN202210374321 A CN 202210374321A CN 114648711 B CN114648711 B CN 114648711B
- Authority
- CN
- China
- Prior art keywords
- pixel block
- cloud particle
- image
- data
- cloud
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Abstract
本发明涉及一种基于聚类的云微粒子图像虚假目标滤除方法，主要包括首先对原始云微粒子图像数据进行聚类和同区域搜索，然后对所有图像数据进行单个云微粒子区域提取，接着将单个云微粒子区域与其所属图像数据中的中心像素块之间的空间重叠关系特征、单个云微粒子区域的长宽比特征及单个云微粒子区域的统计分布特征结合，对原始云微粒子图像中的虚假目标进行滤除，通过该方法来对虚假目标进行滤除，可以提高云微粒子图像中虚假目标滤除的准确性和可靠性。
Description
技术领域
本发明属于图像处理及气象领域，具体涉及对云粒子成像仪生成的原始云微粒子图像数据进行基于聚类的单个云微粒子区域提取，并基于聚类像素块属性进行单个云微粒子区域的虚假目标滤除。
背景技术
目前，利用先进的机载探测设备能直接获取云微粒子图像，但由于受到飞机飞行速度、数据采集环境等因素的影响，机载探测设备获取的原始云微粒子图像存在较多的质量问题，而对大量且混杂的原始数据进行有效的分类识别处理是至关重要的，其分类识别准确性将直接影响后续气象参数反演、地面观测设备验证、人工影响天气作业评估的准确性和可靠性。
对云微粒子图像数据进行基于人工智能方法的分析处理是一个重要的研究方向，而基于人工智能的分析方法往往需要大量的数据作为支撑，虽然云微粒子图像数据能够满足人工智能类方法对数据量的要求，但是如何保证原始云微粒子图像数据质量的可靠性成为重要问题。
因此，对机载探测设备获取的原始云微粒子图像进行筛选，提升原始云微粒子图像数据的质量是至关重要的。当前，由云微粒子探测设备直接获取的原始云微粒子图像主要存在粒子破碎、像素丢失、虚假目标等情况，其中，虚假目标对图像质量的影响较为直接且严重，现阶段对云微粒子图像中的虚假目标问题的解决方法主要集中在利用形态学方法或依据云微粒子的形状特征来滤除虚假目标，但是这些方法在滤除虚假目标的同时往往会对真实目标即真实云微粒子数据造成破坏，使得真实云微粒子数据出现一定程度的失真。
发明内容
本发明针对上述现有技术的不足，提出了一种基于聚类的云微粒子图像虚假目标滤除方法，包括以下步骤：
步骤1：对原始云微粒子数据进行数据划分，得到数据划分结果DLN,M；
步骤2：对步骤1所得的所有DLN,M中的图像数据进行聚类方法处理，得到不同批次、数据块的DLN,M数据集的处理后的包含像素块的图像数据结果SFN,M,J，其中变量N表示批次编号，M表示数据块编号，J表示相同批次和数据块内的图像数据编号，J∈[1,j]，变量j为DLN,M中图像数据数量；
步骤3：对所有图像数据SFN,M,J进行像素块同区域搜索；
步骤4：遍历每个图像中所有中心像素块，提取单个粒子：以中心像素块为核心，以归属于该中心像素块的附属像素块为扩展区域，两者共同作为单个云微粒子区域；
步骤5：滤除原始云微粒子图像中的虚假目标：将单个云微粒子区域与其所属图像数据中的中心像素块之间的空间重叠关系特征、单个云微粒子区域的长宽比特征及单个云微粒子区域的统计分布特征结合，对原始云微粒子图像中的虚假目标进行滤除；
步骤6：将云微粒子数据集进行标准化，基于离群值方法。
进一步的，步骤1具体为：
对云微粒子成像仪获取的原始云微粒子数据进行数据划分：首先按照数据获取的时间将原始云微粒子数据划分为n个批次，然后对每个批次数据根据数据获取的温度将不同批次原始云微粒子数据划分为m个数据块，从而得到不同批次、不同数据块的数据集DLN,M，其中，N表示批次编号，M表示数据块编号。
进一步的，步骤3：对所有图像数据SFN,M,J进行像素块同区域搜索包括：
步骤3.1：按照从左到右，从上到下的规则遍历图像数据SFN,M,J中的所有像素块，并对像素块进行编号得到SFN,M,J(Q)，Q表示图像中像素块编号，Q∈[1,q]，变量q为图像中的像素块数量；
步骤3.2：对步骤3.1所得的像素块SFN,M,J(Q)生成其对应的直方图hN,M,J,Q，将满足相同N、M、J条件下的hN,M,J,Q分为一组，得到n·m·j组；
步骤3.3：对步骤3.2所得的n·m·j组直方图hN,M,J,Q，设置阈值gv，统计每个直方图中灰度值大于等于gv的区域中的最大纵坐标值和小于gv的区域中的最大纵坐标值，并计算前者与后者的比值Rh′N,M,J,Q；
步骤3.4：对步骤3.3所得的n·m·j组比值数据集进行分析，设置阈值th′，统计每组比值数据集里小于阈值的比值Rh′N,M,J,Q′，Q′表示比值数据集中满足Rh′N,M,j,Q＜th′条件的筛选出的比值对应的图像中像素块编号；
步骤3.5：对步骤3.4所得的n·m·j组筛选出的像素块，按照逐组处理的方式，通过每组像素块在图像数据中的空间分布，将这些筛选出的像素块设为中心像素块CN,M,J,Q′，并将其8邻域像素块设为该中心像素块的附属像素块，如果出现某附属像素块同时属于多个中心像素块，将其随机分配给其中一个中心像素块；按照从左到右，从上到下的规则，对所有中心像素块进行步骤3.6至步骤3.8的处理；
步骤3.6：对中心像素块进行同区域搜索，搜索规则为：从中心像素块上方开始，按照顺时针顺序，逐一搜索中心像素块8邻域像素块；
步骤3.7：对附属像素块进行同区域搜索，搜索规则为：首先判断该附属像素块的8邻域像素块编号是否与其标记号中的附属的中心像素块编号相同，如果相同，跳过这些邻域像素块，如果不相同，设置阈值th″，如果邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，将其设置为第e轮附属像素块，且将其附属的前一轮附属像素块标记号作为该附属像素块标记号，并且将轮次数更新为该轮的轮次数，继续搜索；如果邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索，当搜索完8邻域范围结束，变量e表示附属像素块是从步骤3.5得到的中心像素块开始，第e次8邻域搜索得到的附属像素块，e∈[2,E],变量E为从中心像素块开始，搜索完所有附属像素块的轮次；
步骤3.8：重复步骤3.7对所有轮次附属像素块进行附属像素块同区域搜索直到搜索8邻域没有附属像素块。
进一步的，所述步骤3.6具体为：
对搜索到的某一邻域像素块，首先判断其属性是否为其它中心像素块，如果是，执行步骤3.6.1，如果不是，判断其是否为其他中心像素块的附属像素块，如果是，执行步骤3.6.2，如果不是，执行步骤3.6.3；当搜索完8邻域范围结束；
步骤3.6.1：更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块，且将其所依附的中心像素块的编号和轮次数附加到该像素块编号之后作为该附属像素块的标记号，继续搜索；
步骤3.6.2：设置阈值th″，如果该邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，在其原有属性基础上增加一项属性为当前中心像素的第1轮附属像素块，且将其当前附属的中心像素块编号和轮次数增加到该像素块已有标记号后面作为该附属像素块新增标记号；如果该邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索；
步骤3.6.3：设置阈值th″，如果邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块，且将其附属的中心像素块编号和轮次数附加到该像素块编号之后作为该附属像素块的标记号，继续搜索；如果邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索。
进一步的，步骤4：遍历每个图像中所有中心像素块，提取单个粒子包括：
步骤4.1：以中心像素块为核心，以归属于该中心像素块的附属像素块为扩展区域，两者共同作为单个云微粒子区域，若某个附属像素块同时归属多个中心像素块，将其归属于不同中心像素块，组成不同单个云微粒子区域REN,M,J,Z，其中，变量N表示批次编号，M表示数据块编号，J表示相同批次和数据块内的图像数据编号，Z表示相同批次、数据块、图像数据编号内的单个云微粒子区域的编号，Z∈[1,z]，变量z为DLN,M,J中单个云微粒子区域；
步骤4.2：对步骤4.1所得的每个单个云微粒子区域进行原始中心像素块统计分析：在相同N、M、J条件下，将每个单个云微粒子区域REN,M,J,Z与步骤3.5中筛选出的中心像素块CN,M,J,Q′进行空间位置匹配，统计两者重合的像素块数量RCN,M,J,Z；
步骤4.3：建立与原始云微粒子图像尺寸相同的由像素值为0的像素点组成的索引图像，分别对每一个云微粒子区域，将区域内像素点的坐标对应到索引图像中，并更新相应坐标像素值为1，生成一幅更新的索引图像；
步骤4.4：将步骤4.3所得的针对每一个云微粒子区域生成的多幅更新索引图像分别与原始云微粒子图像相乘，得到多幅针对每个云微粒子区域生成的单个云微粒子大图像，通过最小外接矩形操作对所有单个云微粒子大图像进行裁剪，获得单个云微粒子小图像。
进一步的，步骤5具体为：
步骤5.1：根据步骤4.2所得结果，对步骤4.4获得的所有单个云微粒子小图像进行分析：设置阈值η1，如果单个云微粒子小图像对应的RCN,M,J,Z满足条件RCN,M,J,Z＞η1，跳过该单个云微粒子小图像，如果单个云微粒子小图像对应的RCN,M,J,Z不满足该条件，进入步骤5.2：
步骤5.2：计算单个云微粒子小图像长宽比值RCRN,M,J,Z，设置阈值η2，如果单个云微粒子小图像长宽比值满足条件RCRN,M,J,Z＞η2，该单个云微粒子小图像判定为虚假目标；如果单个云微粒子小图像长宽比值不满足该条件，进入步骤5.3；
步骤5.3：计算单个云微粒子小图像直方图HN,M,J,Z，设置阈值gv″′，统计直方图HN,M,J,Z中灰度值大于等于gv″′的区域中的最大纵坐标值和小于gv″′的区域中的最大纵坐标值，并计算前者与后者的比值RHN,M,J,Z,设置阈值σ，如果RHN,M,J,Z≤σ，则跳过该单个云微粒子小图像，如果RHN,M,J,Z＞σ，则继续判断该单个云微粒子小图像的长宽比值是否满足条件RCRN,M,J,Z＞η3，η3为阈值，如果满足条件，判断该单个云微粒子小图像为虚假目标，如果不满足条件，跳过该单个云微粒子小图像；
步骤5.4：将判断为虚假目标的单个云微粒子小图像去除，剩余的所有单个云微粒子小图像组成云微粒子数据集。
进一步的，步骤6：将云微粒子数据集进行标准化包括：
步骤6.1：统计云微粒子数据集中每幅单个云微粒子小图像的边长，长度单位为像素点个数，以粒子数据集中边长长度为横坐标，边长长度出现的次数为纵坐标，建立直方图，利用离群值检测方法检测出直方图的离群值；
步骤6.2：去除步骤6.1中的离群值，选取直方图中剩余的边长中最长的边长ML，通过公式
得到统一尺寸，其中L为统一尺寸，ρ为权重；将云微粒子数据集按照统一尺寸L进行尺寸变化，对边长小于统一尺寸L的云微粒子数据进行边缘像素点的镜像复制扩展，对于边长大于统一尺寸L的云微粒子数据进行等比例的压缩，从而得到统一化等边长云微粒子数据集；
步骤6.3：将步骤6.2所得的统一化等边长云微粒子数据集通过等比例展缩来制作成2N大小的数据，N∈(6,7,8)，从而得到标准化云微粒子数据集。
本发明与传统的云微粒子图像虚假目标滤除方法相比，存在以下优点，从而解决了相应技术问题：
1、对云微粒子图像进行聚类处理，将像素块作为基本单元组成单个云微粒子区域，使得对虚假目标区域的定位更加准确，降低了滤除虚假目标时对真实目标造成的失真影响。
2、对云微粒子图像进行中心像素块筛选，将单个云微粒子区域与中心像素块的空间位置匹配作为滤除虚假目标的特征，提高了云微粒子图像中虚假目标滤除的准确性，降低了虚假目标滤除对真实目标的影响。
3、将单个云微粒子区域与中心像素块的空间位置匹配、单个云微粒子小图像长宽比、单个云微粒子小图像直方图联合来对虚假目标进行滤除，提高了虚假目标滤除的准确性和可靠性。
附图说明
图1为一种基于聚类的云微粒子图像虚假目标滤除方法流程图；
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，方法流程图如图1所示，包括以下步骤：
步骤1：对原始云微粒子数据进行数据划分，得到数据划分结果DLN,M；
步骤2：对步骤1所得的所有DLN,M中的图像数据进行聚类方法处理，得到不同批次、数据块的DLN,M数据集的处理后的包含像素块的图像数据结果SFN,M,J，其中变量N表示批次编号，M表示数据块编号，J表示相同批次和数据块内的图像数据编号，J∈[1,j]，变量j为DLN,M中图像数据数量；
步骤3：对所有图像数据SFN,M,J进行像素块同区域搜索；
步骤4：遍历每个图像中所有中心像素块，提取单个粒子：以中心像素块为核心，以归属于该中心像素块的附属像素块为扩展区域，两者共同作为单个云微粒子区域；
步骤5：滤除原始云微粒子图像中的虚假目标：将单个云微粒子区域与其所属图像数据中的中心像素块之间的空间重叠关系特征、单个云微粒子区域的长宽比特征及单个云微粒子区域的统计分布特征结合，对原始云微粒子图像中的虚假目标进行滤除；
步骤6：将云微粒子数据集进行标准化，基于离群值方法。
进一步的，步骤1具体为：
对云微粒子成像仪获取的原始云微粒子数据进行数据划分：首先按照数据获取的时间将原始云微粒子数据划分为n个批次，然后对每个批次数据根据数据获取的温度将不同批次原始云微粒子数据划分为m个数据块，从而得到不同批次、不同数据块的数据集DLN,M，其中，N表示批次编号，M表示数据块编号。
进一步的，步骤3：对所有图像数据SFN,M,J进行像素块同区域搜索包括：
步骤3.1：按照从左到右，从上到下的规则遍历图像数据SFN,M,J中的所有像素块，并对像素块进行编号得到SFN,M,J(Q)，Q表示图像中像素块编号，Q∈[1,q]，变量q为图像中的像素块数量；
步骤3.2：对步骤3.1所得的像素块SFN,M,J(Q)生成其对应的直方图hN,M,J,Q，将满足相同N、M、J条件下的hN,M,J,Q分为一组，得到n·m·j组；
步骤3.3：对步骤3.2所得的n·m·j组直方图hN,M,J,Q，设置阈值gv，统计每个直方图中灰度值大于等于gv的区域中的最大纵坐标值和小于gv的区域中的最大纵坐标值，并计算前者与后者的比值Rh′N,M,J,Q；
步骤3.4：对步骤3.3所得的n·m·j组比值数据集进行分析，设置阈值th′，统计每组比值数据集里小于阈值的比值Rh′N,M,J,Q′，Q′表示比值数据集中满足Rh′N,M,j,Q＜th′条件的筛选出的比值对应的图像中像素块编号；
步骤3.5：对步骤3.4所得的n·m·j组筛选出的像素块，按照逐组处理的方式，通过每组像素块在图像数据中的空间分布，将这些筛选出的像素块设为中心像素块CN,M,J,Q′，并将其8邻域像素块设为该中心像素块的附属像素块，如果出现某附属像素块同时属于多个中心像素块，将其随机分配给其中一个中心像素块；按照从左到右，从上到下的规则，对所有中心像素块进行步骤3.6至步骤3.8的处理；
步骤3.6：对中心像素块进行同区域搜索，搜索规则为：从中心像素块上方开始，按照顺时针顺序，逐一搜索中心像素块8邻域像素块；
步骤3.7：对附属像素块进行同区域搜索，搜索规则为：首先判断该附属像素块的8邻域像素块编号是否与其标记号中的附属的中心像素块编号相同，如果相同，跳过这些邻域像素块，如果不相同，设置阈值th″，如果邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，将其设置为第e轮附属像素块，且将其附属的前一轮附属像素块标记号作为该附属像素块标记号，并且将轮次数更新为该轮的轮次数，继续搜索；如果邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索，当搜索完8邻域范围结束，变量e表示附属像素块是从步骤3.5得到的中心像素块开始，第e次8邻域搜索得到的附属像素块，e∈[2,E],变量E为从中心像素块开始，搜索完所有附属像素块的轮次；
步骤3.8：重复步骤3.7对所有轮次附属像素块进行附属像素块同区域搜索直到搜索8邻域没有附属像素块。
进一步的，所述步骤3.6具体为：
对搜索到的某一邻域像素块，首先判断其属性是否为其它中心像素块，如果是，执行步骤3.6.1，如果不是，判断其是否为其他中心像素块的附属像素块，如果是，执行步骤3.6.2，如果不是，执行步骤3.6.3；当搜索完8邻域范围结束；
步骤3.6.1：更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块，且将其所依附的中心像素块的编号和轮次数附加到该像素块编号之后作为该附属像素块的标记号，继续搜索；
步骤3.6.2：设置阈值th″，如果该邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，在其原有属性基础上增加一项属性为当前中心像素的第1轮附属像素块，且将其当前附属的中心像素块编号和轮次数增加到该像素块已有标记号后面作为该附属像素块新增标记号；如果该邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索；
步骤3.6.3：设置阈值th″，如果邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块，且将其附属的中心像素块编号和轮次数附加到该像素块编号之后作为该附属像素块的标记号，继续搜索；如果邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索。
进一步的，步骤4：遍历每个图像中所有中心像素块，提取单个粒子包括：
步骤4.1：以中心像素块为核心，以归属于该中心像素块的附属像素块为扩展区域，两者共同作为单个云微粒子区域，若某个附属像素块同时归属多个中心像素块，将其归属于不同中心像素块，组成不同单个云微粒子区域REN,M,J,Z，其中，变量N表示批次编号，M表示数据块编号，J表示相同批次和数据块内的图像数据编号，Z表示相同批次、数据块、图像数据编号内的单个云微粒子区域的编号，Z∈[1,z]，变量z为DLN,M,J中单个云微粒子区域；
步骤4.2：对步骤4.1所得的每个单个云微粒子区域进行原始中心像素块统计分析：在相同N、M、J条件下，将每个单个云微粒子区域REN,M,J,Z与步骤3.5中筛选出的中心像素块CN,M,J,Q′进行空间位置匹配，统计两者重合的像素块数量RCN,M,J,Z；
步骤4.3：建立与原始云微粒子图像尺寸相同的由像素值为0的像素点组成的索引图像，分别对每一个云微粒子区域，将区域内像素点的坐标对应到索引图像中，并更新相应坐标像素值为1，生成一幅更新的索引图像；
步骤4.4：将步骤4.3所得的针对每一个云微粒子区域生成的多幅更新索引图像分别与原始云微粒子图像相乘，得到多幅针对每个云微粒子区域生成的单个云微粒子大图像，通过最小外接矩形操作对所有单个云微粒子大图像进行裁剪，获得单个云微粒子小图像。
进一步的，步骤5具体为：
步骤5.1：根据步骤4.2所得结果，对步骤4.4获得的所有单个云微粒子小图像进行分析：设置阈值η1，如果单个云微粒子小图像对应的RCN,M,J,Z满足条件RCN,M,J,Z＞η1，跳过该单个云微粒子小图像，如果单个云微粒子小图像对应的RCN,M,J,Z不满足该条件，进入步骤5.2，其中阈值η1∈[10,15]；
步骤5.2：计算单个云微粒子小图像长宽比值RCRN,M,J,Z，设置阈值η2，如果单个云微粒子小图像长宽比值满足条件RCRN,M,J,Z＞η2，该单个云微粒子小图像判定为虚假目标；如果单个云微粒子小图像长宽比值不满足该条件，进入步骤5.3其中阈值η2∈[2,3]；
步骤5.3：计算单个云微粒子小图像直方图HN,M,J,Z，设置阈值gv″′，统计直方图HN,M,J,Z中灰度值大于等于gv″′的区域中的最大纵坐标值和小于gv″′的区域中的最大纵坐标值，并计算前者与后者的比值RHN,M,J,Z,设置阈值σ，如果RHN,M,J,Z≤σ，则跳过该单个云微粒子小图像，如果RHN,M,J,Z＞σ，则继续判断该单个云微粒子小图像的长宽比值是否满足条件RCRN,M,J,Z＞η3，η3为阈值，如果满足条件，判断该单个云微粒子小图像为虚假目标，如果不满足条件，跳过该单个云微粒子小图像；
步骤5.4：将判断为虚假目标的单个云微粒子小图像去除，剩余的所有单个云微粒子小图像组成云微粒子数据集。
进一步的，步骤6：将云微粒子数据集进行标准化包括：
步骤6.1：统计云微粒子数据集中每幅单个云微粒子小图像的边长，长度单位为像素点个数，以粒子数据集中边长长度为横坐标，边长长度出现的次数为纵坐标，建立直方图，利用离群值检测方法检测出直方图的离群值；
步骤6.2：去除步骤6.1中的离群值，选取直方图中剩余的边长中最长的边长ML，通过公式
得到统一尺寸，其中L为统一尺寸，ρ为权重；将云微粒子数据集按照统一尺寸L进行尺寸变化，对边长小于统一尺寸L的云微粒子数据进行边缘像素点的镜像复制扩展，对于边长大于统一尺寸L的云微粒子数据进行等比例的压缩，从而得到统一化等边长云微粒子数据集，其中权重ρ∈[0.9,0.95]；
步骤6.3：将步骤6.2所得的统一化等边长云微粒子数据集通过等比例展缩来制作成2N大小的数据，N∈(6,7,8)，从而得到标准化云微粒子数据集；
显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的其他实施例，都属于本发明保护的范围。
Claims (9)
1.一种基于聚类的云微粒子图像虚假目标滤除方法，主要包括以下步骤：
步骤1：对原始云微粒子数据进行数据划分，得到数据划分结果DLN,M；
步骤2：对步骤1所得的所有DLN,M中的图像数据进行聚类方法处理，得到不同批次、数据块的DLN,M数据集的处理后的包含像素块的图像数据结果SFN,M,J，其中变量N表示批次编号，M表示数据块编号，J表示相同批次和数据块内的图像数据编号，J∈[1,j]，变量j为DLN,M中图像数据数量；
步骤3：对所有图像数据SFN,M,J进行像素块同区域搜索；
步骤4：遍历每个图像中所有中心像素块，提取单个粒子：以中心像素块为核心，以归属于该中心像素块的附属像素块为扩展区域，两者共同作为单个云微粒子区域具体包括；
步骤4.1：以中心像素块为核心，以归属于该中心像素块的附属像素块为扩展区域，两者共同作为单个云微粒子区域，若某个附属像素块同时归属多个中心像素块，将其归属于不同中心像素块，组成不同单个云微粒子区域REN,M,J,Z，其中，变量N表示批次编号，M表示数据块编号，J表示相同批次和数据块内的图像数据编号，Z表示相同批次、数据块、图像数据编号内的单个云微粒子区域的编号，Z∈[1,z]，变量z为DLN,M,J中单个云微粒子区域；
步骤4.2：对步骤4.1所得的每个单个云微粒子区域进行原始中心像素块统计分析：在相同N、M、J条件下，将每个单个云微粒子区域REN,M,J,Z与步骤3.5中筛选出的中心像素块CN,M,J,Q′进行空间位置匹配，统计两者重合的像素块数量RCN,M,J,Z；
步骤4.3：建立与原始云微粒子图像尺寸相同的由像素值为0的像素点组成的索引图像，分别对每一个云微粒子区域，将区域内像素点的坐标对应到索引图像中，并更新相应坐标像素值为1，生成一幅更新的索引图像；
步骤4.4：将步骤4.3所得的针对每一个云微粒子区域生成的多幅更新索引图像分别与原始云微粒子图像相乘，得到多幅针对每个云微粒子区域生成的单个云微粒子大图像，通过最小外接矩形操作对所有单个云微粒子大图像进行裁剪，获得单个云微粒子小图像；
步骤5：将单个云微粒子区域与其所属图像数据中的中心像素块之间的空间重叠关系特征、单个云微粒子区域的长宽比特征及单个云微粒子区域的统计分布特征结合，对原始云微粒子图像中的虚假目标进行滤除；
步骤6：基于离群值检测方法，对云微粒子图像组成的数据集进行图像尺寸的筛选，然后采用镜像复制扩展、等比例压缩方法，将云微粒子图像组成的数据集转换为统一化等边长云微粒子数据集。
2.如权利要求1所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤1具体为：
对云微粒子成像仪获取的原始云微粒子数据进行数据划分：首先按照数据获取的时间将原始云微粒子数据划分为n个批次，然后对每个批次数据根据数据获取的温度将不同批次原始云微粒子数据划分为m个数据块，从而得到不同批次、不同数据块的数据集DLN,M，其中，N表示批次编号，M表示数据块编号。
3.如权利要求1所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤3：对所有图像数据SFN,M,J进行像素块同区域搜索包括：
步骤3.1：按照从左到右，从上到下的规则遍历图像数据SFN,M,J中的所有像素块，并对像素块进行编号得到SFN,M,J(Q)，Q表示图像中像素块编号，Q∈[1,q]，变量q为图像中的像素块数量；
步骤3.2：对步骤3.1所得的像素块SFN,M,J(Q)生成其对应的直方图hN,M,J,Q，将满足相同N、M、J条件下的hN,M,J,Q分为一组，得到n·m·j组；
步骤3.3：对步骤3.2所得的n·m·j组直方图hN,M,J,Q，设置阈值gv，统计每个直方图中灰度值大于等于gv的区域中的最大纵坐标值和小于gv的区域中的最大纵坐标值，并计算前者与后者的比值Rh′N,M,J,Q；
步骤3.4：对步骤3.3所得的n·m·j组比值数据集进行分析，设置阈值th′，统计每组比值数据集里小于阈值的比值Rh′N,M,J,Q′，Q′表示比值数据集中满足Rh′N,M,j,Q＜th′条件的筛选出的比值对应的图像中像素块编号；
步骤3.5：对步骤3.4所得的n·m·j组筛选出的像素块，按照逐组处理的方式，通过每组像素块在图像数据中的空间分布，将这些筛选出的像素块设为中心像素块CN,M,J,Q′，并将其8邻域像素块设为该中心像素块的附属像素块，如果出现某附属像素块同时属于多个中心像素块，将其随机分配给其中一个中心像素块；按照从左到右，从上到下的规则，对所有中心像素块进行步骤3.6至步骤3.8的处理；
步骤3.6：对中心像素块进行同区域搜索，搜索规则为：从中心像素块上方开始，按照顺时针顺序，逐一搜索中心像素块8邻域像素块；
步骤3.7：对附属像素块进行同区域搜索，搜索规则为：首先判断该附属像素块的8邻域像素块编号是否与其标记号中的附属的中心像素块编号相同，如果相同，跳过这些邻域像素块，如果不相同，设置阈值th″，如果邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，将其设置为第e轮附属像素块，且将其附属的前一轮附属像素块标记号作为该附属像素块标记号，并且将轮次数更新为该轮的轮次数，继续搜索；如果邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索，当搜索完8邻域范围结束，变量e表示附属像素块是从步骤3.5得到的中心像素块开始，第e次8邻域搜索得到的附属像素块，e∈[2,E],变量E为从中心像素块开始，搜索完所有附属像素块的轮次；
步骤3.8：重复步骤3.7对所有轮次附属像素块进行附属像素块同区域搜索直到搜索8邻域没有附属像素块。
4.如权利要求3所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤3.6具体为：
对搜索到的某一邻域像素块，首先判断其属性是否为其它中心像素块，如果是，执行步骤3.6.1，如果不是，判断其是否为其他中心像素块的附属像素块，如果是，执行步骤3.6.2，如果不是，执行步骤3.6.3；当搜索完8邻域范围结束；
步骤3.6.1：更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块，且将其所依附的中心像素块的编号和轮次数附加到该像素块编号之后作为该附属像素块的标记号，继续搜索；
步骤3.6.2：设置阈值th″，如果该邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，在其原有属性基础上增加一项属性为当前中心像素的第1轮附属像素块，且将其当前附属的中心像素块编号和轮次数增加到该像素块已有标记号后面作为该附属像素块新增标记号；如果该邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索；
步骤3.6.3：设置阈值th″，如果邻域像素块的Rh′N,M,J,Q满足条件Rh′N,M,J,Q＜th″，更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块，且将其附属的中心像素块编号和轮次数附加到该像素块编号之后作为该附属像素块的标记号，继续搜索；如果邻域像素块的Rh′N,M,J,Q不满足条件Rh′N,M,J,Q＜th″，跳过该像素块，继续搜索。
5.如权利要求4所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤5具体为：
步骤5.1：根据步骤4.2所得结果，对步骤4.4获得的所有单个云微粒子小图像进行分析：设置阈值η1，如果单个云微粒子小图像对应的RCN,M,J,Z满足条件RCN,M,J,Z＞η1，跳过该单个云微粒子小图像，如果单个云微粒子小图像对应的RCN,M,J,Z不满足该条件，进入步骤5.2：
步骤5.2：计算单个云微粒子小图像长宽比值RCRN,M,J,Z，设置阈值η2，如果单个云微粒子小图像长宽比值满足条件RCRN,M,J,Z＞η2，该单个云微粒子小图像判定为虚假目标；如果单个云微粒子小图像长宽比值不满足该条件，进入步骤5.3；
步骤5.3：计算单个云微粒子小图像直方图HN,M,J,Z，设置阈值gv″′，统计直方图HN,M,J,Z中灰度值大于等于gv″′的区域中的最大纵坐标值和小于gv″′的区域中的最大纵坐标值，并计算前者与后者的比值RHN,M,J,Z,设置阈值σ，如果RHN,M,J,Z≤σ，则跳过该单个云微粒子小图像，如果RHN,M,J,Z＞σ，则继续判断该单个云微粒子小图像的长宽比值是否满足条件RCRN,M,J,Z＞η3，η3为阈值，如果满足条件，判断该单个云微粒子小图像为虚假目标，如果不满足条件，跳过该单个云微粒子小图像；
步骤5.4：将判断为虚假目标的单个云微粒子小图像去除，剩余的所有单个云微粒子小图像组成云微粒子数据集。
6.如权利要求1所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤6具体为：
步骤6.1：统计云微粒子数据集中每幅单个云微粒子小图像的边长，长度单位为像素点个数，以粒子数据集中边长长度为横坐标，边长长度出现的次数为纵坐标，建立直方图，利用离群值检测方法检测出直方图的离群值；
步骤6.2：去除步骤6.1中的离群值，选取直方图中剩余的边长中最长的边长ML，通过公式
得到统一尺寸，其中L为统一尺寸，ρ为权重；将云微粒子数据集按照统一尺寸L进行尺寸变化，对边长小于统一尺寸L的云微粒子数据进行边缘像素点的镜像复制扩展，对于边长大于统一尺寸L的云微粒子数据进行等比例的压缩，从而得到统一化等边长云微粒子数据集；
步骤6.3：将步骤6.2所得的统一化等边长云微粒子数据集通过等比例展缩来制作成2N大小的数据，N∈(6,7,8)，从而得到标准化云微粒子数据集。
7.如权利要求5所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤5.1，设置阈值η1，其中η1∈[10,15]。
8.如权利要求5所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤5.2，设置阈值η2，其中η2∈[2,3]。
9.如权利要求6所述的一种基于聚类的云微粒子图像虚假目标滤除方法，其特征在于步骤6.2，通过公式
得到统一尺寸，其中L为统一尺寸，ρ为权重，其中ρ∈[0.9,0.95]。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210374321.2A CN114648711B (zh) | 2022-04-11 | 2022-04-11 | 一种基于聚类的云微粒子图像虚假目标滤除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210374321.2A CN114648711B (zh) | 2022-04-11 | 2022-04-11 | 一种基于聚类的云微粒子图像虚假目标滤除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114648711A CN114648711A (zh) | 2022-06-21 |
| CN114648711B true CN114648711B (zh) | 2023-03-10 |
Family
ID=81997022
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210374321.2A Active CN114648711B (zh) | 2022-04-11 | 2022-04-11 | 一种基于聚类的云微粒子图像虚假目标滤除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114648711B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507417A (zh) * | 2011-11-29 | 2012-06-20 | 长春迪瑞医疗科技股份有限公司 | 一种粒子自动分类方法 |
| CN103049931A (zh) * | 2012-12-17 | 2013-04-17 | 南京信息工程大学 | 基于粒子系统的云团快速三维仿真算法 |
| CN104615722A (zh) * | 2015-02-06 | 2015-05-13 | 浙江工业大学 | 基于密度搜索与快速划分的混合数据聚类方法 |
| CN105139035A (zh) * | 2015-08-31 | 2015-12-09 | 浙江工业大学 | 基于密度的聚类中心自动确定的混合属性数据流聚类方法 |
| CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
| CN109344812A (zh) * | 2018-11-27 | 2019-02-15 | 武汉大学 | 一种改进的基于聚类的单光子点云数据去噪方法 |
| CN109800713A (zh) * | 2019-01-21 | 2019-05-24 | 成都信息工程大学 | 基于区域增长的遥感图像云检测方法 |
| CN111788602A (zh) * | 2017-12-29 | 2020-10-16 | 菲力尔系统公司 | 点云去噪系统和方法 |
| CN111798398A (zh) * | 2020-07-10 | 2020-10-20 | 三一重工股份有限公司 | 点云降噪方法、装置、电子设备和计算机可读存储介质 |
| CN111860570A (zh) * | 2020-06-03 | 2020-10-30 | 成都信息工程大学 | 一种云微粒子图像提取及分类方法 |
| CN113762122A (zh) * | 2021-08-31 | 2021-12-07 | 中船重工鹏力（南京）大气海洋信息系统有限公司 | 一种基于频闪照片的雨滴检测算法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8634074B2 (en) * | 2010-06-08 | 2014-01-21 | University Corporation For Atmospheric Research | Method and system for high volume sample rate holographic particle measurement |
| CN109886980B (zh) * | 2019-03-04 | 2023-04-14 | 电子科技大学 | 一种基于邻域强度纹理编码的红外图像卷云检测方法 |
| CN114066773B (zh) * | 2021-11-26 | 2023-10-27 | 哈尔滨理工大学 | 一种基于点云特征与蒙特卡洛扩展法的动态物体去除 |
-
2022
- 2022-04-11 CN CN202210374321.2A patent/CN114648711B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102507417A (zh) * | 2011-11-29 | 2012-06-20 | 长春迪瑞医疗科技股份有限公司 | 一种粒子自动分类方法 |
| CN103049931A (zh) * | 2012-12-17 | 2013-04-17 | 南京信息工程大学 | 基于粒子系统的云团快速三维仿真算法 |
| CN104615722A (zh) * | 2015-02-06 | 2015-05-13 | 浙江工业大学 | 基于密度搜索与快速划分的混合数据聚类方法 |
| CN105139035A (zh) * | 2015-08-31 | 2015-12-09 | 浙江工业大学 | 基于密度的聚类中心自动确定的混合属性数据流聚类方法 |
| CN106651886A (zh) * | 2017-01-03 | 2017-05-10 | 北京工业大学 | 一种基于超像素聚类优化cnn的云图分割方法 |
| CN111788602A (zh) * | 2017-12-29 | 2020-10-16 | 菲力尔系统公司 | 点云去噪系统和方法 |
| CN109344812A (zh) * | 2018-11-27 | 2019-02-15 | 武汉大学 | 一种改进的基于聚类的单光子点云数据去噪方法 |
| CN109800713A (zh) * | 2019-01-21 | 2019-05-24 | 成都信息工程大学 | 基于区域增长的遥感图像云检测方法 |
| CN111860570A (zh) * | 2020-06-03 | 2020-10-30 | 成都信息工程大学 | 一种云微粒子图像提取及分类方法 |
| CN111798398A (zh) * | 2020-07-10 | 2020-10-20 | 三一重工股份有限公司 | 点云降噪方法、装置、电子设备和计算机可读存储介质 |
| CN113762122A (zh) * | 2021-08-31 | 2021-12-07 | 中船重工鹏力（南京）大气海洋信息系统有限公司 | 一种基于频闪照片的雨滴检测算法 |
Non-Patent Citations (7)
| Title |
|---|
| A long-term study of cloud residuals from low-level Arctic clouds;Linn Karlsson 等;《Atmospheric Chemistry and Physics》;20210614;第8933-8959页 * |
| Design and implementation of the maximum Dimension algorithm for ice crystal particles Recorded by 2D image probe;Zepei Wu 等;《ICMO 2019》;20191228;第1-4页 * |
| Low-complexity point cloud denoising for LiDAR by PCA-based dimension reduction;Yao Duan 等;《Optics Communications》;20201028;第1-7页 * |
| Neural Network Classification of Ice-Crystal Images Observed by an Airborne Cloud Imaging Probe;Zepei Wu 等;《Atmosphere-Ocean》;20201202;第1-14页 * |
| Optimized Intelligent Algorithm for Classifying Cloud Particles Recorded by a Cloud Particle Imager;ZEPEI WU 等;《JOURNAL OF ATMOSPHERIC AND OCEANIC TECHNOLOGY》;20210819;第1337-1393页 * |
| 改进SVM分类和稀疏表示的图像混合去噪算法;赵蒙娜 等;《小型微型计算机系统》;20190731;第1544-1547页 * |
| 自适应中值滤波在云雷达数据预处理的应用;王德旺 等;《激光技术》;20120325;第36卷(第2期);第221-224页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114648711A (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7792382B2 (en) | Method and apparatus for filtering, clustering, and region fitting by mean shift of images using kernel function values | |
| CN111968171A (zh) | 基于人工智能的飞机油量测量方法及系统 | |
| US8379990B2 (en) | Object recognition apparatus, computer readable medium storing object recognition program, and image retrieval service providing method | |
| CN107424166B (zh) | 点云分割方法及装置 | |
| CN106033443B (zh) | 一种车辆检索中的扩展查询方法及装置 | |
| CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
| CN113052245B (zh) | 图像聚类方法和装置、电子设备及存储介质 | |
| CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
| CN111915583A (zh) | 复杂场景中基于车载红外热像仪的车辆和行人检测方法 | |
| CN114972370A (zh) | 一种用于神经网络推理的遥感图像自适应分割方法 | |
| CN115375629A (zh) | 一种lcd屏幕中线缺陷检测及缺陷信息提取方法 | |
| CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
| CN111783681A (zh) | 大规模人脸库识别方法、系统、计算机设备及存储介质 | |
| CN113689431B (zh) | 工业产品外观缺陷检测方法和装置 | |
| CN114648711B (zh) | 一种基于聚类的云微粒子图像虚假目标滤除方法 | |
| CN114723944A (zh) | 图像分析方法、存储介质和电子设备 | |
| CN114359632A (zh) | 一种基于改进PointNet++神经网络的点云目标分类方法 | |
| CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
| CN110033045A (zh) | 一种训练识别图像雾化的方法和装置 | |
| CN106934836B (zh) | 一种雾霾图像基于自动聚类的大气光值计算方法及系统 | |
| CN115588145B (zh) | 基于无人机的河道垃圾漂浮识别方法及系统 | |
| JP4967045B2 (ja) | 背景判別装置、方法及びプログラム | |
| Divya et al. | Segmentation of Defected Regions in Leaves using K-Means and OTSU's Method | |
| CN111339823A (zh) | 基于机器视觉和反向投影算法的打谷晒场检测方法 | |
| CN115294368A (zh) | 数据筛选方法、装置、电子设备及计算机存储介质 |
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 |