CN114708279A - 一种云微粒子数据区域提取方法 - Google Patents
一种云微粒子数据区域提取方法 Download PDFInfo
- Publication number
- CN114708279A CN114708279A CN202210374304.9A CN202210374304A CN114708279A CN 114708279 A CN114708279 A CN 114708279A CN 202210374304 A CN202210374304 A CN 202210374304A CN 114708279 A CN114708279 A CN 114708279A
- Authority
- CN
- China
- Prior art keywords
- pixel block
- neighborhood
- auxiliary
- blocks
- central
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种云微粒子数据区域提取方法,主要包括对云微粒子数据进行数据集筛选和聚类,然后对所有图像数据中的像素块属性进行初步确认,在对初步确认的中心像素块和附属像素块分别进行中心像素块同区域搜索和附属像素块同区域搜索后,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,以单个云微粒子区域为对象进行云微粒子提取,通过该方法提高了云微粒子数据区域提取的完整性和准确性。
Description
技术领域
本发明属于图像处理及气象领域,具体涉及对机载云微粒子探测设备获取的数据进行数据划分,并基于聚类方法和同区域搜索方法对云微粒子区域进行确定和提取。
背景技术
气候变化影响着云的形成和发展,全球范围内的人工影响天气工作正在努力增加降水并减轻冰雹。为了更有效的进行人工影响天气作业,需要有关特定地区和季节特定的云属性的详细信息。为了知道何时何地播种云,了解特定的气溶胶和云特性至关重要,所以需要利用探头仪器获得液态水含量、凝结核、液滴大小、液滴数量、气溶胶数量,质量浓度等信息。
目前,国内外气象部门和科研机构都已经在利用机载云粒子成像探头对云层内部的微物理结构进行直接观测。相比于利用雷达等遥感设备对云进行观测,云粒子成像仪获取的云信息更加准确和直观,并且机载探测设备所记录的粒子图像是云微物理研究的基础,
然而,由于云微粒子探测设备获取到的云微粒子原始数据中存在破碎粒子、虚假目标、粒子遮挡等问题,如果不对这些问题进行处理直接进行数据分析会使得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降低。而当前对于粒子区域的提取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原始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、粒子遮挡无法处理的情况。
发明内容
本发明针对上述现有技术的不足,提出了云微粒子数据区域提取方法,包括以下步骤:
一种云微粒子数据区域提取方法,主要包括以下步骤:
步骤1:对云微粒子探测设备采集的原始云微粒子图像数据进行数据划分,得到相应数据划分结果;
步骤2:对步骤1所得的每个DLN,M中的所有图像数据进行图像聚类方法处理,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:首先根据像素块直方图统计分布特征对像素块属性进行初步确认,将部分像素块属性标记为中心像素块或附属像素块,然后对初步确认的中心像素块和附属像素块分别进行中心像素块同区域搜索和附属像素块同区域搜索,对初步确认的像素块属性进行进一步确认,并对未确认属性的像素块进行属性确认;
步骤4: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,若某个附属像素块同时归属多个中心像素块,重复将其归属于不同中心像素块,组成不同单个云微粒子区域,最后以单个云微粒子区域为对象进行云微粒子提取。
进一步的,步骤1对云微粒子探测设备采集的原始云微粒子图像数据进行数据划分具体为:
首先对云微粒子探测设备采集的原始云微粒子图像数据DLall进行批次划分:按照云微粒子探测设备采集数据的时间段不同将DLall划分为n个批次,DLN为第N个批次的原始云微粒子图像数据,N∈[1,n],然后对每个DLN进行数据块划分:按照云微粒子探测设备采集数据时所处海拔局度不同将DLN划分为m个数据块,DLN,M为第N个批次中的第M个数据块,M∈[1,m]。
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:从附属像素块上方开始,按照顺时针顺序,逐一搜索附属像素块8邻域像素块;
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:基于设置的阈值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,所述步骤3.7具体为:
对搜索到的某一邻域像素块,首先判断该邻域像素块编号是否与此附属像素块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,执行步骤3.7.1;
步骤3.7.1: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邻域范围时结束搜索,其中,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。
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、对云微粒子数据进行了基于直方图分布比例的像素块筛选,初步筛选了云微粒子数据聚类结果中的中心像素块,确保了云微粒子数据区域提取的可靠性。
2、对云微粒子数据进行了基于中心像素块的同区域搜索,提高了云微粒子数据区域提取的准确性。
3、对云微粒子数据进行了基于附属像素块的同区域搜索,提高了云微粒子数据区域提取的完整性和准确性。
附图说明
图1为一种微粒子数据区域提取方法流程图;
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:
一种云微粒子数据区域提取方法,主要包括以下步骤:
步骤1:对云微粒子探测设备采集的原始云微粒子图像数据进行数据划分,得到相应数据划分结果;
步骤2:对步骤1所得的每个DLN,M中的所有图像数据进行图像聚类方法处理,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:首先根据像素块直方图统计分布特征对像素块属性进行初步确认,将部分像素块属性标记为中心像素块或附属像素块,然后对初步确认的中心像素块和附属像素块分别进行中心像素块同区域搜索和附属像素块同区域搜索,对初步确认的像素块属性进行进一步确认,并对未确认属性的像素块进行属性确认;
步骤4: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,若某个附属像素块同时归属多个中心像素块,重复将其归属于不同中心像素块,组成不同单个云微粒子区域,最后以单个云微粒子区域为对象进行云微粒子提取。
进一步的,步骤1对云微粒子探测设备采集的原始云微粒子图像数据进行数据划分具体为:
首先对云微粒子探测设备采集的原始云微粒子图像数据DLall进行批次划分:按照云微粒子探测设备采集数据的时间段不同将DLall划分为n个批次,DLN为第N个批次的原始云微粒子图像数据,N∈[1,n],然后对每个DLN进行数据块划分:按照云微粒子探测设备采集数据时所处海拔高度不同将DLN划分为m个数据块,DLN,M为第N个批次中的第M个数据块,M∈[1,m]。
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,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,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;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3.7:对附属像素块进行同区域搜索,搜索规则为:从附属像素块上方开始,按照顺时针顺序,逐一搜索附属像素块8邻域像素块;对搜索到的某一邻域像素块,首先判断该邻域像素块编号是否与此附属像素块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,执行步骤3.7.1;
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:
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,th″∈[1.5,2];
步骤3.6.3:基于设置的阈值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,所述步骤3.7具体为:
步骤3.7.1: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邻域范围时结束搜索,其中,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。
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)
1.一种云微粒子数据区域提取方法,主要包括以下步骤:
步骤1:对云微粒子探测设备采集的原始云微粒子图像数据进行数据划分,得到相应数据划分结果DLN,M;
步骤2:对数据划分结果DLN,M中的所有图像数据进行图像聚类方法处理,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:首先根据像素块直方图统计分布特征对像素块属性进行初步确认,将部分像素块属性标记为中心像素块或附属像素块,然后对初步确认的中心像素块和附属像素块分别进行中心像素块同区域搜索和附属像素块同区域搜索,对初步确认的像素块属性进行进一步确认,并对未确认属性的像素块进行属性确认;
步骤4: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,若某个附属像素块同时归属多个中心像素块,重复将其归属于不同中心像素块,组成不同单个云微粒子区域,最后以单个云微粒子区域为对象进行云微粒子提取。
2.如权利要求1所述的一种云微粒子数据区域提取方法,其特征在于步骤1对云微粒子探测设备采集的原始云微粒子图像数据进行数据划分具体为:
首先对云微粒子探测设备采集的原始云微粒子图像数据DLall进行批次划分:按照云微粒子探测设备采集数据的时间段不同将DLall划分为n个批次,DLN为第N个批次的原始云微粒子图像数据,N∈[1,n],然后对每个DLN进行数据块划分:按照云微粒子探测设备采集数据时所处海拔高度不同将DLN划分为m个数据块,DLN,M为第N个批次中的第M个数据块,M∈[1,m]。
3.如权利要求1所述的一种云微粒子数据区域提取方法,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,并设置该中心像素块的附属像素块;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:从附属像素块上方开始,按照顺时针顺序,逐一搜索附属像素块8邻域像素块;
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所述的一种云微粒子数据区域提取方法,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:基于设置的阈值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数据区域提取方法,其特征在于所述步骤3.7具体为:
对搜索到的某一邻域像素块,首先判断该邻域像素块编号是否与此附属像素块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,执行步骤3.7.1;
步骤3.7.1: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邻域范围时结束搜索,其中,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。
6.如权利要求3所述的一种云微粒子数据区域提取方法,其特征在于所述步骤3.3:设置阈值gv,其中阈值gv∈[100,120]。
7.如权利要求3所述的一种云微粒子数据区域提取方法,其特征在于所述步骤3.4:设置阈值th′,其中阈值th′∈[0.15,0.25]。
8.如权利要求4所述的一种云微粒子数据区域提取方法,其特征在于所述步骤3.6.2:设置阈值th″,其中阈值th″∈[1.5,2]。
9.如权利要求3所述的一种云微粒子数据区域提取方法,其特征在于所述步骤3.5设置该中心像素块的附属像素块具体为,将该中心像素块的8邻域像素块设为该中心像素块的附属像素块。
10.如权利要求9所述的一种云微粒子数据区域提取方法,其特征在于将该中心像素块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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374304.9A CN114708279B (zh) | 2022-04-11 | 2022-04-11 | 一种云微粒子数据区域提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210374304.9A CN114708279B (zh) | 2022-04-11 | 2022-04-11 | 一种云微粒子数据区域提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708279A true CN114708279A (zh) | 2022-07-05 |
CN114708279B CN114708279B (zh) | 2023-04-07 |
Family
ID=82172732
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210374304.9A Active CN114708279B (zh) | 2022-04-11 | 2022-04-11 | 一种云微粒子数据区域提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708279B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN110120042A (zh) * | 2019-05-13 | 2019-08-13 | 哈尔滨工业大学 | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 |
CN110826526A (zh) * | 2019-11-19 | 2020-02-21 | 上海无线电设备研究所 | 一种测云雷达识别云类的方法 |
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 |
-
2022
- 2022-04-11 CN CN202210374304.9A patent/CN114708279B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN110120042A (zh) * | 2019-05-13 | 2019-08-13 | 哈尔滨工业大学 | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 |
CN110826526A (zh) * | 2019-11-19 | 2020-02-21 | 上海无线电设备研究所 | 一种测云雷达识别云类的方法 |
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 |
Non-Patent Citations (2)
Title |
---|
GM MCFARQUHAR ET AL: "Calibration and Laboratory Test of the Department of Energy Cloud Particle Imager" * |
来旭等: "卫星云图感兴趣区域自动提取方法研究", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114708279B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN104657706B (zh) | 基于图像的高铁线路线杆断裂与联接结构体异常检测方法 | |
CN113012150A (zh) | 一种特征融合的高密度稻田无人机图像稻穗计数方法 | |
CN111462134A (zh) | 高分遥感影像和激光雷达点云融合的单木分割方法及系统 | |
CN111860570B (zh) | 一种云微粒子图像提取及分类方法 | |
CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
CN113327248B (zh) | 一种基于视频的隧道车流量统计方法 | |
CN111860571B (zh) | 一种基于cip数据质量控制的云微粒子分类方法 | |
CN111967313A (zh) | 一种深度学习目标检测算法辅助的无人机图像标注方法 | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN109684986B (zh) | 一种基于车辆检测跟踪的车辆分析方法及系统 | |
Aplin et al. | Predicting missing field boundaries to increase per-field classification accuracy | |
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 | |
CN112163639A (zh) | 一种基于高度分布特征向量的作物倒伏分级方法 | |
CN114254692A (zh) | 基于多源闪电数据的多尺度的雷暴智能分类与识别方法 | |
CN105469099B (zh) | 基于稀疏表示分类的路面裂缝检测和识别方法 | |
CN114708279B (zh) | 一种云微粒子数据区域提取方法 | |
CN109186533A (zh) | 一种基于bp神经网络算法的地面防空雷达遮蔽角计算方法 | |
CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
CN116434054A (zh) | 一种基于线面结合的密集遥感地物提取方法 | |
CN107230201B (zh) | 基于样本自标定elm的在轨sar图像变化检测方法 | |
CN114677499B (zh) | 一种云微粒子图像粒子区域定位方法 | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
CN114821136B (zh) | 一种自适应的云微粒子图像数据处理方法 | |
CN114648711B (zh) | 一种基于聚类的云微粒子图像虚假目标滤除方法 |
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 |