CN114677499B - 一种云微粒子图像粒子区域定位方法 - Google Patents

一种云微粒子图像粒子区域定位方法 Download PDF

Info

Publication number
CN114677499B
CN114677499B CN202210372813.8A CN202210372813A CN114677499B CN 114677499 B CN114677499 B CN 114677499B CN 202210372813 A CN202210372813 A CN 202210372813A CN 114677499 B CN114677499 B CN 114677499B
Authority
CN
China
Prior art keywords
pixel block
auxiliary
central
blocks
neighborhood
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
CN202210372813.8A
Other languages
English (en)
Other versions
CN114677499A (zh
Inventor
刘说
杨玲
杨智鹏
徐梓欣
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.)
Shaanxi Hangyu Weishi Electronic Technology Co.,Ltd.
Original Assignee
Chengdu University of Information Technology
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 Chengdu University of Information Technology filed Critical Chengdu University of Information Technology
Priority to CN202210372813.8A priority Critical patent/CN114677499B/zh
Publication of CN114677499A publication Critical patent/CN114677499A/zh
Application granted granted Critical
Publication of CN114677499B publication Critical patent/CN114677499B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种云微粒子图像粒子区域定位方法，主要包括首先对原始云微粒子图像数据进行数据划分和聚类，然后对所有图像数据进行像素块同区域搜索及像素块属性进行判定，接着对附属像素块进行了基于像素块轮次距离和像素块相似性距离的归属可能性值计算的多重归属性进行认定，再云微粒子区域进行定位，通过该方法可提高云微粒子数据中像素块划分的准确性和粒子区域定位准确性。

Description

一种云微粒子图像粒子区域定位方法
技术领域
本发明属于图像处理及气象领域，具体涉及对机载云粒子成像仪获取的数据进行基于聚类的像素块同区域搜索和附属像素块的多重归属性认定，从而实现云微粒子图像中粒子区域的定位。
背景技术
云降水粒子的形状分类一直是一个重要的研究方向，因为粒子形状的获取是许多研究领域的基础：如在进行人工影响天气作业前，需要有关特定地区和季节的特定云属性的详细信息。需要利用探测设备对液态水含量、凝结核、液滴大小、液滴数量、气溶胶数量，质量浓度等信息进行观测和反演，了解冰云的性质和形成过程也需要对冰云粒子谱情况进行分析。通过机载探头获取云粒子图像，可以获取云内部粒径分布情况，观察粒径分布和粒子形状可以确定不同冰云的性质，例如总浓度、粒径、液态水含量、粒子质量、粒子体积、降水量，有效直径和云反射率等参数，而要准确的获取这些信息离不开对粒子形状的研究。
然而，云降水粒子的形状分类的可靠性严重依赖于粒子区域定位方法的准确性，因为当前云微粒子探测设备观测到的云微粒子数据往往存在粒子破碎、像素丢失、虚假目标等情况，这些情况给粒子区域定位带来了极大的挑战，如果不能很好的解决上述情况产生的问题，会直接导致云微粒子分类的准确性以及利用云微粒子分类结果来进行气象研究的可靠性。而当前对于粒子区域定位的解决方法主要是基于最小外接矩形、形态学处理、模板匹配等方法来实现的，这些方法对于处理云微粒子数据中存在的问题效果并不理想，存在破碎粒子、虚假目标干扰严重、粒子遮挡无法解决的情况。
发明内容
本发明针对上述现有技术的不足，提出了一种云微粒子图像粒子区域定位方法，包括以下步骤：
步骤1：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，得到不同批次、不同数据块的数据集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，对图像中的像素块属性进行判定；
步骤4：对所有图像数据SFN,M,j中的附属像素块的多重归属性进行认定：通过附属像素块中标记号数量挑选出具有像素块归属性争议的附属像素块，然后基于附属像素块与中心像素块之间的距离和相似性得到附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，依据归属可能性值对附属像素块的多重归属性进行认定；
步骤5：遍历所有图像数据SFN,M,J中的所有中心像素块，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，组成不同单个云微粒子区域，从而实现对单个云微粒子区域的定位。
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，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：对所有图像数据SFN,M,j中的附属像素块的多重归属性进行认定：
步骤4.1：对步骤3.1所得的像素块SFN,M,j(Q)进行遍历，如果该像素块为中心像素块，跳过该像素块，如果该像素块为附属像素块，进入步骤4.2；
步骤4.2：对附属像素块的标记号进行分析：如果该附属像素块的标记号只有一个，判定该附属像素块归属于标记号中的中心像素块；如果该附属像素块的标记号超过一个，进入步骤4.3；
步骤4.3：提取该附属像素块的所有标记号中的中心像素块编号，计算该附属像素块与其标记号中的各中心像素块之间的距离DN,M,j(Qb,Qc)，计算该附属像素块与其标记号中的各中心像素块之间的相似性LN,M,j(Qb,Qc)；
步骤4.4：对附属像素块和中心像素块的距离DN,M,j(Qb,Qc)和相似性LN,M,j(Qb,Qc)进行归一化得到D′N,M,j(Qb,Qc)和L′N,M,j(Qb,Qc)，通过公式BN,M,j(Qb,Qc)＝μ1·|D′N,M,j(Qb,Qc)|+μ2·|L′N,M,j(Qb,Qc)|计算附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，其中μ1，μ2为权重；
步骤4.5：对步骤4.4所得的附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值进行比较，选取最大的归属可能性值对应的中心像素块作为该附属像素块的所归属的中心像素块。
进一步的，所述步骤4.3具体为：
提取该附属像素块的所有标记号中的中心像素块编号和轮次数，将中心像素块编号所对应的轮次数作为该中心像素块与附属像素块之间的距离DN,M,j(Qb,Qc)，Qb为附属像素块编号，Qc为中心像素块编号；获取附属像素块的直方图
Figure BDA0003589219050000061
和中心像素块的直方图
Figure BDA0003589219050000062
计算两个直方图之间的KL距离来衡量附属像素块和中心像素块的相似性LN,M,j(Qb,Qc)。
本发明与传统的云微粒子图像提取及分类方法相比，存在以下优点，从而解决了相应技术问题：
1、对云微粒子数据中的附属像素块进行了多重归属性认定，提高了粒子区域定位的准确性，使得云微粒子提取和分类的准确性和可靠性得到较好的提高。
2、对云微粒子数据中的像素块进行了基于像素块轮次距离和像素块相似性距离的归属可能性值计算，提高了云微粒子数据中像素块划分的准确性和粒子区域定位准确性。
3、对云微粒子探测设备所获取的探测数据进行了基于聚类方法的同区域搜索，提高了粒子区域定位的可靠性，保障了云微粒子提取和分类的可靠性。
附图说明
图1为一种云微粒子图像粒子区域定位方法流程图；
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：对云微粒子成像仪获取的原始云微粒子数据进行数据划分，得到不同批次、不同数据块的数据集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，对图像中的像素块属性进行判定；
步骤4：对所有图像数据SFN,M,j中的附属像素块的多重归属性进行认定：通过附属像素块中标记号数量挑选出具有像素块归属性争议的附属像素块，然后基于附属像素块与中心像素块之间的距离和相似性得到附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，依据归属可能性值对附属像素块的多重归属性进行认定；
步骤5：遍历所有图像数据SFN,M,J中的所有中心像素块，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，组成不同单个云微粒子区域，从而实现对单个云微粒子区域的定位。
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，其中gv∈[100,120]；
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，其中th′∈[0.15,0.25]；
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，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，其中th″∈[1.5,2]；
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：对所有图像数据SFN,M,j中的附属像素块的多重归属性进行认定：
步骤4.1：对步骤3.1所得的像素块SFN,M,j(Q)进行遍历，如果该像素块为中心像素块，跳过该像素块，如果该像素块为附属像素块，进入步骤4.2；
步骤4.2：对附属像素块的标记号进行分析：如果该附属像素块的标记号只有一个，判定该附属像素块归属于标记号中的中心像素块；如果该附属像素块的标记号超过一个，进入步骤4.3；
步骤4.3：提取该附属像素块的所有标记号中的中心像素块编号，计算该附属像素块与其标记号中的各中心像素块之间的距离DN,M,j(Qb,Qc)，计算该附属像素块与其标记号中的各中心像素块之间的相似性LN,M,j(Qb,Qc)；
步骤4.4：对附属像素块和中心像素块的距离DN,M,j(Qb,Qc)和相似性LN,M,j(Qb,Qc)进行归一化得到D′N,M,j(Qb,Qc)和L′N,M,j(Qb,Qc)，通过公式BN,M,j(Qb,Qc)＝μ1·|D′N,M,j(Qb,Qc)|+μ2·|L′N,M,j(Qb,Qc]|计算附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，其中μ1，μ2为权重，其中μ1∈[1,1.5]，μ2∈[0.1,0.5]；
步骤4.5：对步骤4.4所得的附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值进行比较，选取最大的归属可能性值对应的中心像素块作为该附属像素块的所归属的中心像素块。
进一步的，所述步骤4.3具体为：
提取该附属像素块的所有标记号中的中心像素块编号和轮次数，将中心像素块编号所对应的轮次数作为该中心像素块与附属像素块之间的距离DN,M,j(Qb,Qc)，Qb为附属像素块编号，Qc为中心像素块编号；获取附属像素块的直方图hN,M,j,Qb和中心像素块的直方图hN,M,j,Qc，计算两个直方图之间的KL距离来衡量附属像素块和中心像素块的相似性LN,M,j(Qb,Qc)。
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 (10)

1.一种云微粒子图像粒子区域定位方法，主要包括以下步骤：
步骤1：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，得到不同批次、不同数据块的数据集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，对图像中的像素块属性进行判定，将筛选出的像素块设为中心像素块，并将其8邻域像素块设为该中心像素块的附属像素块，对所有图像数据SFN,M,J进行像素块同区域搜索具体为：
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，其中，Rh′N,M,J,Q是统计像素块的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的比值，其中gv是阈值；
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；
步骤4：对所有图像数据SFN,M,j中的附属像素块的多重归属性进行认定：通过附属像素块中标记号数量挑选出具有像素块归属性争议的附属像素块，然后基于附属像素块与中心像素块之间的距离和相似性得到附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，依据归属可能性值对附属像素块的多重归属性进行认定；
步骤5：遍历所有图像数据SFN,M,J中的所有中心像素块，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，组成不同单个云微粒子区域，从而实现对单个云微粒子区域的定位。
2.如权利要求1所述的一种云微粒子图像粒子区域定位方法，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所述的一种云微粒子图像粒子区域定位方法，其特征在于对图像中的像素块属性进行判定具体为：
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，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。
4.如权利要求3所述的一种云微粒子图像粒子区域定位方法，其特征在于所述步骤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3所述的一种云微粒子图像粒子区域定位方法，其特征在于步骤4：对所有图像数据SFN,M,j中的附属像素块的多重归属性进行认定：
步骤4.1：对步骤3.1所得的像素块SFN,M,j(Q)进行遍历，如果该像素块为中心像素块，跳过该像素块，如果该像素块为附属像素块，进入步骤4.2；
步骤4.2：对附属像素块的标记号进行分析：如果该附属像素块的标记号只有一个，判定该附属像素块归属于标记号中的中心像素块；如果该附属像素块的标记号超过一个，进入步骤4.3；
步骤4.3：提取该附属像素块的所有标记号中的中心像素块编号，计算该附属像素块与其标记号中的各中心像素块之间的距离DN,M,j(Qb,Qc)，计算该附属像素块与其标记号中的各中心像素块之间的相似性LN,M,j(Qb,Qc)；
步骤4.4：对附属像素块和中心像素块的距离DN,M,j(Qb,Qc)和相似性LN,M,j(Qb,Qc)进行归一化得到D′N,M,j(Qb,Qc)和L′N,M,j(Qb,Qc)，通过公式BN,M,j(Qb,Qc)＝μ1·|D′N,M,j(Qb,Qc)|+μ2·|L′N,M,j(Qb,Qc)|计算附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，其中μ1，μ2为权重；
步骤4.5：对步骤4.4所得的附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值进行比较，选取最大的归属可能性值对应的中心像素块作为该附属像素块的所归属的中心像素块。
6.如权利要求5所述的一种云微粒子图像粒子区域定位方法，其特征在于所述步骤4.3具体为：
提取该附属像素块的所有标记号中的中心像素块编号和轮次数，将中心像素块编号所对应的轮次数作为该中心像素块与附属像素块之间的距离DN,M,j(Qb,Qc)，Qb为附属像素块编号，Qc为中心像素块编号；获取附属像素块的直方图
Figure FDA0004090527250000051
和中心像素块的直方图
Figure FDA0004090527250000052
计算两个直方图之间的KL距离来衡量附属像素块和中心像素块的相似性LN,M,j(Qb,Qc)。
7.如权利要求5所述的一种云微粒子图像粒子区域定位方法，其特征在于步骤4.4：通过公式BN,M,j(Qb,Qc)＝μ1·|D′N,M,j(Qb,Qc)|+μ2·|L′N,M,j(Qb,Qc)|计算附属像素块与该附属像素块的所有标记号中的中心像素块之间的归属可能性值，其中μ1，μ2为权重,μ1∈[1,1.5]，μ2∈[0.1,0.5]。
8.如权利要求3所述的一种云微粒子图像粒子区域定位方法，其特征在于所述步骤3.3：设置阈值gv，阈值gv∈[100,120]。
9.如权利要求3所述的一种云微粒子图像粒子区域定位方法，其特征在于所述步骤3.4：设置阈值th′，阈值th′∈[0.15,0.25]。
10.如权利要求4所述的一种云微粒子图像粒子区域定位方法，其特征在于所述步骤3.6.2：设置阈值th″，阈值th″∈[1.5,2]。
CN202210372813.8A 2022-04-11 2022-04-11 一种云微粒子图像粒子区域定位方法 Active CN114677499B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210372813.8A CN114677499B (zh) 2022-04-11 2022-04-11 一种云微粒子图像粒子区域定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210372813.8A CN114677499B (zh) 2022-04-11 2022-04-11 一种云微粒子图像粒子区域定位方法

Publications (2)

Publication Number Publication Date
CN114677499A CN114677499A (zh) 2022-06-28
CN114677499B true CN114677499B (zh) 2023-04-18

Family

ID=82078078

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210372813.8A Active CN114677499B (zh) 2022-04-11 2022-04-11 一种云微粒子图像粒子区域定位方法

Country Status (1)

Country Link
CN (1) CN114677499B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN111898627A (zh) * 2020-05-27 2020-11-06 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
CN112733968A (zh) * 2021-03-31 2021-04-30 中国气象科学研究院 嵌入超图卷积层的深度学习冰晶粒子图像分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107103604B (zh) * 2017-05-23 2018-11-13 重庆天之助生物科技有限公司 一种微粒子色度自动聚类分析系统
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
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
CN113838061A (zh) * 2021-07-28 2021-12-24 中科云谷科技有限公司 用于图像标注的方法、装置及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN111898627A (zh) * 2020-05-27 2020-11-06 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
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
CN112733968A (zh) * 2021-03-31 2021-04-30 中国气象科学研究院 嵌入超图卷积层的深度学习冰晶粒子图像分类方法

Also Published As

Publication number Publication date
CN114677499A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN108510467B (zh) 基于深度可变形卷积神经网络的sar图像目标识别方法
CN108197538B (zh) 一种基于局部特征和深度学习的卡口车辆检索系统及方法
CN110992341A (zh) 一种基于分割的机载LiDAR点云建筑物提取方法
CN111968171A (zh) 基于人工智能的飞机油量测量方法及系统
CN106570853A (zh) 一种形状与颜色融合的绝缘子识别与缺陷检测方法
CN109447111B (zh) 一种基于子类训练样本的遥感监督分类方法
CN111898627B (zh) 一种基于pca的svm云微粒子优化分类识别方法
CN106897681A (zh) 一种遥感图像对比分析方法及系统
CN113327248B (zh) 一种基于视频的隧道车流量统计方法
CN108509950B (zh) 基于概率特征加权融合的铁路接触网支柱号牌检测识别法
CN103984758B (zh) 根据云像元数量分治的遥感图像时间序列聚类方法
JP2002536728A (ja) 信頼度を利用した代表カラー指定方法
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
CN111950589B (zh) 结合K-means聚类的点云区域生长优化分割方法
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
CN107194917B (zh) 基于dap和arelm的在轨sar图像变化检测方法
CN106777350B (zh) 一种基于卡口数据的以图搜图方法和装置
CN111220619B (zh) 一种绝缘子自爆检测方法
CN114608476B (zh) 一种复杂岩体三维点云结构面智能分析提取方法
CN105469099B (zh) 基于稀疏表示分类的路面裂缝检测和识别方法
CN114677499B (zh) 一种云微粒子图像粒子区域定位方法
CN109544614A (zh) 一种基于图像低频信息相似度的匹配图像对识别的方法
CN106886609B (zh) 街区式农村居民地遥感快速标注方法
CN114708279B (zh) 一种云微粒子数据区域提取方法
US20190251387A1 (en) Image processing

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
TR01 Transfer of patent right

Effective date of registration: 20240723

Address after: East Unit, 16th Floor, Building 10, Qihang Xinyuan, Jianzhang Road Street, Fengdong New City, Xi'an City, Shaanxi Province 710086

Patentee after: Shaanxi Hangyu Weishi Electronic Technology Co.,Ltd.

Country or region after: China

Address before: 610225, No. 24, Section 1, Xuefu Road, Southwest Economic Development Zone, Chengdu, Sichuan

Patentee before: CHENGDU University OF INFORMATION TECHNOLOGY

Country or region before: China

TR01 Transfer of patent right