CN116228618B - 一种基于图像识别的气象云图处理系统及方法 - Google Patents

一种基于图像识别的气象云图处理系统及方法 Download PDF

Info

Publication number
CN116228618B
CN116228618B CN202310484982.5A CN202310484982A CN116228618B CN 116228618 B CN116228618 B CN 116228618B CN 202310484982 A CN202310484982 A CN 202310484982A CN 116228618 B CN116228618 B CN 116228618B
Authority
CN
China
Prior art keywords
pixel point
target pixel
image
cloud image
rgb
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
CN202310484982.5A
Other languages
English (en)
Other versions
CN116228618A (zh
Inventor
高飞
武云霞
黄兆霆
陈吟晖
黄铜
王东方
曹侃
王绍武
李杨杨
朱剑玲
刘镇
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.)
Beijing Zhongke Sanqing Environmental Technology Co ltd
Shaanxi Province Environmental Monitoring Center Station
3Clear Technology Co Ltd
Original Assignee
Beijing Zhongke Sanqing Environmental Technology Co ltd
Shaanxi Province Environmental Monitoring Center Station
3Clear Technology Co Ltd
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 Beijing Zhongke Sanqing Environmental Technology Co ltd, Shaanxi Province Environmental Monitoring Center Station, 3Clear Technology Co Ltd filed Critical Beijing Zhongke Sanqing Environmental Technology Co ltd
Priority to CN202310484982.5A priority Critical patent/CN116228618B/zh
Publication of CN116228618A publication Critical patent/CN116228618A/zh
Application granted granted Critical
Publication of CN116228618B publication Critical patent/CN116228618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Environmental & Geological Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Atmospheric Sciences (AREA)
  • Environmental Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像识别的气象云图处理系统及方法，首先基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；通过第一待显示气象云图生成红外气象云图；通过第二待显示气象云图生成可见光气象云图，然后将红外气象云图及可见光气象云图依次进行对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图。

Description

一种基于图像识别的气象云图处理系统及方法
技术领域
本发明涉及气象图像处理领域，尤其涉及一种基于图像识别的气象云图处理系统及方法。
背景技术
利用卫星云图可以识别不同的天气系统，确定它们的位置，估计其强度和发展趋势，为天气分析和天气预报提供依据；在海洋、沙漠、高原等缺少气象观测台站的地区，卫星云图所提供的资料，弥补了常规探测资料的不足，对提高预报准确率起了重要作用；
在现有技术中，技术人员将红外气象云图与可见光气象云图进行融合，进而获取更加精准的融合气象云图，为气象识别提供更为精准的判断基础；
但是在研究中发现，单独将红外气象云图与可见光气象云图进行融合得到的融合气象云图不够精准，某些像素点的精度不够完整，进而导致气象识别出现误差从而不能精准地识别出气象信息。
发明内容
本发明的目的在于提供一种基于图像识别的气象云图处理系统及方法，解决了现有技术中指出的上述技术问题。
本发明提供了一种基于图像识别的气象云图处理系统，包括红外线卫星、可见光卫星、图像处理融合服务器；
其中，所述红外线卫星，用于获取第一待显示气象云图，并根据所述第一待显示气象云图，生成红外线云图；
所述可见光卫星，用于获取第二待显示气象云图，并根据所述第二待显示气象云图，生成可见光云图；
所述红外线卫星获取的第一待显示气象云图与所述可见光卫星获取的第二待显示气象云图是基于同一区域得到两种不同形式的气象云图；
所述图像处理融合服务器，用于将所述红外线云图与所述可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
较佳的，所述图像处理融合服务器，包括云图对齐模块、云图预处理模块、云图配准模块、云图融合模块；
其中，所述云图对齐模块，用于将所述红外线云图与所述可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；
所述云图预处理模块，用于对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；
所述云图配准模块，用于对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；
所述云图融合模块，用于将配准后的红外线云图图像与配准后的可见光云图图像通过基于IHS变换的图像融合方法进行图像融合，得到融合气象云图。
较佳的，所述云图融合模块，具体用于将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
分别计算获取I的权重wI、H的权重wH、S的权重wS；
将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
将融合后的图像进行反向IHS变换，得到最终的融合气象云图RGBnew。
较佳的，所述云图融合模块，在具体实施时，具体用于系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；
并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点；
将优化RGB像素点进行融合，获取融合气象云图。
较佳的，所述云图融合模块，在具体实施时，具体用于获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
迭代获取优化RGB像素点操作：对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系；
若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；
所述差值为IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量；
若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合；第二反向变换集合为初始为空的集合；
预设迭代最大次数阈值；将目标像素点进行优化后，得到优化后的目标像素点，重新返回上述迭代获取优化RGB像素点操作，进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点；
目标像素点迭代次数初始为0。
较佳的，所述云图融合模块，在具体实施时，具体用于获取当前目标像素点的亮度分量Id、色调分量Hd和饱和度分量Sd；
分别对Id的参数进行调整；对Hd的参数进行调整；对Sd的参数进行调整；分别计算获取Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’；
所述Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’计算方式分别为：
wId’=a’*Id/(a’*Id+b’*Hd+c’*Sd) ；
wHd’=b’*Hd/(a’*Id+b’*Hd+c’*Sd) ；
wSd’=c’*Sd/(a’*Id+b’*Hd+c’*Sd) ；
式中，a’、b’、c’分别为调整后的新参数；
将当前目标像素点的Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’进行融合，得到优化后的目标像素点。
相应地，本发明还提出了一种基于图像识别的气象云图处理方法，包括如下操作步骤：
基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；
根据第一待显示气象云图，开始生成红外线卫星的红外线云图；
根据第二待显示气象云图，由可见光卫星生成可见光云图；
其中，所述红外线云图是基于同一区域的第一待显示气象云图对应通过红外线卫星生成的；
其中，所述可见光云图是基于同一区域的第二待显示气象云图对应通过可见光卫星生成的；
将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图。
较佳的，将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图，具体包括如下操作步骤：
将红外线云图与可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；
对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；
对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；
将配准后的红外线云图图像与配准后的可见光云图图像通过基于IHS变换的图像融合方法进行图像融合，得到融合气象云图。
较佳的，将配准后的图像进行图像融合，获取融合气象云图，具体包括如下操作步骤：
将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
分别计算获取I的权重wI、H的权重wH、S的权重wS；
将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
将融合后的图像进行反向IHS变换，得到最终的融合气象云图RGBnew。
较佳的，将融合后的图像进行反向IHS变换，得到最终的融合气象云图，包括如下操作步骤：
系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；
并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点；
将优化RGB像素点进行融合，获取融合气象云图。
较佳的，系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点，具体包括如下操作步骤：
获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
迭代获取优化RGB像素点操作：对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系；
若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；
所述差值为IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量；
若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合；第二反向变换集合为初始为空的集合；
预设迭代最大次数阈值；将目标像素点进行优化后，得到优化后的目标像素点，重新返回上述迭代获取优化RGB像素点操作，进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点；
目标像素点迭代次数初始为0。
较佳的，将目标像素点进行优化，得到优化后的目标像素点，包括如下操作步骤：
获取当前目标像素点的亮度分量Id、色调分量Hd和饱和度分量Sd；
分别对Id的参数进行调整；对Hd的参数进行调整；对Sd的参数进行调整；分别计算获取Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’；
将当前目标像素点的Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’进行融合，得到优化后的目标像素点。
与现有技术相比，本发明实施例至少存在如下方面的技术优势：
分析本发明提供的上述一种基于图像识别的气象云图处理系统及方法可知，在具体应用时，首先基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；通过第一待显示气象云图生成红外气象云图；通过第二待显示气象云图生成可见光气象云图；将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
其中，通过对齐的操作使得两幅图像内容和形状相同，并且分辨率相同，方便后续的融合操作；其中，预处理是指通过对图像进行预处理，以实现减少图像噪点的技术目的，同时进一步提高图像的细节和清晰度；然后进行图像配准，找到两幅图像之间的相似性和差异性，并对其进行调整，使得两幅图像可以在空间上进行融合；最终通过基于IHS变换的图像融合方法将两幅图像进行融合，得到融合气象云图；在具体实施时对图像的I、H、S分量进行设置权重，使各分量进行不同权重等级的加强显示，更加突出地显示出图像中的细节，进而使后续获取融合气象云图的显示的准确率更高，使判断气象信息结果更加精准；同时在具体实施时，使最终获得的RGB目标像素点精度更加完整，进而使最终得到的融合气象云图RGBnew（即融合气象云图）的真实显示的像素精度更完整并且更加精准。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种基于图像识别的气象云图处理系统的整体示意架构图；
图2为本发明实施例二提供的一种基于图像识别的气象云图处理方法的整体拓扑图；
图3为本发明实施例二提供的一种基于图像识别的气象云图处理方法的整体操作流程图；
图4为本发明实施例二提供的一种基于图像识别的气象云图处理方法中获取融合气象云图的操作流程示意图；
图5为本发明实施例二提供的一种基于图像识别的气象云图处理方法中获取融合气象云图的操作流程示意图；
图6为本发明实施例二提供的一种基于图像识别的气象云图处理方法中得到最终的融合气象云图的操作流程示意图；
图7为本发明实施例二提供的一种基于图像识别的气象云图处理方法中获取优化RGB像素点的操作步骤示意图；
图8为本发明实施例二提供的一种基于图像识别的气象云图处理方法中获取优化RGB像素点的流程示意图；
图9为本发明实施例二提供的一种基于图像识别的气象云图处理方法中得到优化后的目标像素点的操作流程示意图。
附图标记：第一待显示气象云图11；第二待显示气象云图12；红外线卫星20；可见光卫星30；图像处理融合服务器40；显示设备50；云图对齐模块41；云图预处理模块42；云图配准模块43； 云图融合模块44。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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所有其他实施例，都属于本发明保护的范围。
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
实施例 一
如图1所示，本发明提出了一种基于图像识别的气象云图处理系统，包括红外线卫星20、可见光卫星30、图像处理融合服务器40；
其中，所述红外线卫星，用于获取一种形式的待显示气象云图（即第一待显示气象云图），并根据所述第一待显示气象云图，生成红外线云图；
所述可见光卫星，用于获取另一种形式的待显示气象云图（即第二待显示气象云图），并根据所述第二待显示气象云图，生成可见光云图；
所述红外线卫星获取的第一待显示气象云图与所述可见光卫星获取的第二待显示气象云图是基于同一区域得到两种不同形式的气象云图；
所述图像处理融合服务器40，用于将所述红外线云图与所述可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
较佳的，所述图像处理融合服务器40，包括云图对齐模块41、云图预处理模块42、云图配准模块43、云图融合模块44；
其中，所述云图对齐模块41，用于将所述红外线云图与所述可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；
所述云图预处理模块42，用于对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；
所述云图配准模块43，用于对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；
所述云图融合模块44，用于将配准后的红外线云图图像与配准后的可见光云图图像通过基于IHS变换的图像融合方法进行图像融合，得到融合气象云图。
较佳的，所述云图融合模块，具体用于将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
分别计算获取I的权重wI、H的权重wH、S的权重wS；
将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
将融合后的图像进行反向IHS变换，得到最终的融合气象云图RGBnew。
较佳的，所述云图融合模块，在具体实施时，具体用于系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；
并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点；
将优化RGB像素点进行融合，获取融合气象云图。
较佳的，所述云图融合模块，在具体实施时，具体用于获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
迭代获取优化RGB像素点操作：对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系；
若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；
所述差值为IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量；
若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合；第二反向变换集合为初始为空的集合；
预设迭代最大次数阈值；将目标像素点进行优化后，得到优化后的目标像素点，重新返回上述迭代获取优化RGB像素点操作，进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点；
目标像素点迭代次数初始为0。
较佳的，所述云图融合模块，在具体实施时，具体用于获取当前目标像素点的亮度分量Id、色调分量Hd和饱和度分量Sd；
分别对Id的参数进行调整；对Hd的参数进行调整；对Sd的参数进行调整；分别计算获取Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’；
将当前目标像素点的Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’进行融合，得到优化后的目标像素点。
综上，本发明提供的上述一种基于图像识别的气象云图处理系统，在具体操作时，首先基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；通过第一待显示气象云图生成红外气象云图；通过第二待显示气象云图生成可见光气象云图，然后将红外线云图与可见光云图分别进行对齐、预处理、配准后，通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
其中，通过对齐的操作使得两幅图像内容和形状相同，并且分辨率相同，方便后续的融合操作；其中，预处理是指通过对图像进行预处理，以实现减少图像噪点的技术目的，同时进一步提高图像的细节和清晰度；然后进行图像配准，找到两幅图像之间的相似性和差异性，并对其进行调整，使得两幅图像可以在空间上进行融合；最终通过基于IHS变换的图像融合方法将两幅图像进行融合，得到融合气象云图；在具体实施时对图像的I、H、S分量进行设置权重，使各分量进行不同权重等级的加强显示，更加突出地显示出图像中的细节，进而使后续获取融合气象云图的显示的准确率更高，使判断气象信息结果更加精准；同时在具体实施时，使最终获得的RGB目标像素点精度更加完整，进而使最终得到的融合气象云图RGBnew（即融合气象云图）的真实显示的像素精度更完整并且更加精准。
实施例 二
如图2或图3所示，图2为本发明实施例一提供的一种基于图像识别的气象云图处理方法的整体拓扑图；图3为本发明实施例一提供的一种基于图像识别的气象云图处理方法的整体操作流程图；
相应地，本发明还提出了一种基于图像识别的气象云图处理方法，包括如下操作步骤：
步骤S10：基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；
步骤S20：根据第一待显示气象云图，开始生成红外线卫星的红外线云图；
步骤S30：根据第二待显示气象云图，由可见光卫星生成可见光云图；
其中，所述红外线云图是基于同一区域的第一待显示气象云图对应通过红外线卫星生成的；
其中，所述可见光云图是基于同一区域的第二待显示气象云图对应通过可见光卫星生成的；
步骤S40：将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图。
分析上述主要技术方案可知：在进行基于图像识别的气象云图处理方法操作时，将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
其中，通过对齐的操作使得两幅图像内容和形状相同，并且分辨率相同，方便后续的融合操作；其中，预处理是指通过对图像进行预处理，以实现减少图像噪点的技术目的，同时进一步提高图像的细节和清晰度；然后进行图像配准，找到两幅图像之间的相似性和差异性，并对其进行调整，使得两幅图像可以在空间上进行融合；最终通过基于IHS变换的图像融合方法将两幅图像进行融合，得到融合气象云图；在具体实施时对图像的I、H、S分量进行设置权重，使各分量进行不同权重等级的加强显示，更加突出地显示出图像中的细节，进而使后续获取融合气象云图的显示的准确率更高，使判断气象信息结果更加精准；同时在具体实施时，使最终获得的RGB目标像素点精度更加完整，进而使最终得到的融合气象云图RGBnew（即融合气象云图）的真实显示的像素精度更完整并且更加精准。
具体地，如图4所示，在步骤S40中，将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图，包括如下操作步骤：
步骤S41：将红外线云图与可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；
需要说明的是，对齐的目的在于使得两幅图像内容和形状相同，并且分辨率相同，方便后续的融合操作；图像对齐的技术是寻找图像的单应性矩阵，然后扭曲图像达到对齐的效果，图像对齐的技术为现有技术，本发明实施例不再赘述；
步骤S42：对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；
预处理包括去噪处理、插值操作和高斯平滑处理，以实现减少图像噪点的技术目的，同时进一步提高图像的细节和清晰度；
需要说明的是，图像处理的目的在于减少图像噪点、提高图像的细节和清晰度；图像处理的操作为现有技术，本发明实施例不再赘述；
步骤S43：对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；
需要说明的是，图像配准的目的在于找到两幅图像之间的相似性和差异性，并对其进行调整，使得两幅图像可以在空间上进行融合；图像配准是首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准；图像配准的方法为现有技术，本发明实施例不再赘述；
步骤S44：将配准后的红外线云图图像与配准后的可见光云图图像通过基于IHS变换的图像融合方法进行图像融合，得到融合气象云图。
具体地，如图5所示，在步骤S44中，将配准后的图像进行图像融合，获取融合气象云图，具体包括如下操作步骤：
步骤S441：将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
亮度分量I、色调分量H和饱和度分量S的计算方式为：
Figure SMS_1
；
Figure SMS_2
；
Figure SMS_3
；
需要说明的是，基于IHS变换的图像融合方法是将图像分解为亮度（I）、色调（H）和饱和度（S）三个分量，并将亮度值进行融合，色调和饱和度分量不进行融合，以保持原有色调和饱和度；上述对红外线云图和可见光云图进行IHS变换是将RGB的红外线云图与RGB的可见光云图分别进行IHS变换，IHS变换是现有技术，本发明实施例不再赘述。
步骤S442：分别计算获取I的权重wI、H的权重wH、S的权重wS；
计算方式为：
wI=a*I/(a*I+b*H+c*S) ；
wH=b*H/(a*I+b*H+c*S) ；
wS=c*S/(a*I+b*H+c*S) ；
式中，a、b、c分别为人工调整的参数（目的是控制每个分量在融合中的占比，以达到最佳效果）；
需要说明的是，权重函数法是以图像亮度值为基础，通过人工设置权重来实现不同分量在融合中的占比，并使图像融合后的效果更好；
步骤S443：将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
融合后的图像IHS计算方式为： IHS=wI+ wH+wS；
需要说明的是，一般来说，传统的融合方式是将红外线云图的I分量融合进可见光云图中，这样操作存在严重的光谱畸变现象，本发明实施例将红外线云图的I、H、S分量与可见光云图的I、H、S分量分别分配权重后进行融合，大大降低光谱畸变现象，使融合后的图像识别度提高，特别适用于本发明实施例中的气象云图中的红外线云图和可见光云图的图像融合场景处理；
上述I的权重wI、H的权重wH、S的权重wS进行融合，指的是将计算出来的I、H、S的带有权重的三个分量进行融合，即可获取融合后的IHS图像，在融合后的IHS图像中，基于各分量的权重， 对各分量进行不同权重等级的加强显示，更加突出地显示出图像中的细节，进而使后续获取融合气象云图的显示的准确率更高，使判断气象信息结果更加精准；
本发明实施例所采用的技术方案不但提高了融合后的图像的空间分辨率，同时尽量保留了图像的光谱信息。
步骤S444：将融合后的图像进行反向IHS变换，得到最终的融合气象云图RGBnew（即融合气象云图）。
融合气象云图的Rnew、Gnew、Bnew的计算方式分别对应为：
Figure SMS_4
；
Figure SMS_5
；
Figure SMS_6
；
至此，图像融合得到融合气象云图的处理流程结束。
需要说明的是，上述“将融合后的图像进行反向IHS变换”指的是将融合后的图像重新转换到RGB空间。
在本发明实施例的技术方案具体实施时，技术人员进一步还发现将融合后的图像（即为融合后的IHS图像）直接进行反向IHS变换获取的RGB图像在一些像素点的处理后，真实显示的像素精度不够完整，并且在某些关键点的显示较为模糊，本发明实施例多次迭代得到优化RGB目标像素点，进而实现融合后的图像经过反向IHS变换得到真实显示的像素精度更完整并且更加精准地融合气象云图（即为融合气象云图RGBnew）；
具体地，如图6所示，在步骤S444中，将融合后的图像进行反向IHS变换，得到最终的融合气象云图，包括如下操作步骤：
步骤S4441：系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；
并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点；
步骤S4442：将优化RGB像素点进行融合，获取融合气象云图。
具体地，如图7或图8所示，图7为本发明实施例二提供的一种基于图像识别的气象云图处理方法中获取优化RGB像素点的操作步骤示意图；图8为本发明实施例二提供的一种基于图像识别的气象云图处理方法中获取优化RGB像素点的流程示意图；
在步骤S4441的执行步骤中，具体包括如下操作步骤：
步骤S44411：获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
步骤S44412：随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
需要说明的是，上述目标像素点的整体优化参数量化分值Ta，其指的是将目标像素点的整体优化参数进行量化并进行打分，分值由低至高依次为1、2、3、4、5、……、i；上述i指的是最高分值为i分；
步骤S44413：（迭代获取优化RGB像素点操作）对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
差值T的计算方式为T=Ta-Tb；
式中，T为差值；
Ta为目标像素点的整体优化参数量化分值；
Tb为RGB目标像素点的整体优化参数量化分值；
需要说明的是，上述RGB目标像素点的整体优化参数量化分值Tb，其指的是对当前目标像素点执行反向IHS变换操作后得到的RGB像素点，对RGB像素点的整体优化参数进行量化并进行打分，分值由低至高依次为1、2、3、4、5、……、i；上述i指的是最高分值为i分；
步骤S44414：预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系；
步骤S44415：若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；其中，差值代表了IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量；
步骤S44416：若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合（放在第二反向变换集合不做目标像素点的舍弃处理）；第二反向变换集合为初始为空的集合；
步骤S44417：预设迭代最大次数阈值；将目标像素点进行优化后，得到优化后的目标像素点，重新返回上述步骤S44413进行操作（即为迭代获取优化RGB像素点操作，即如果判断为差值T小于T’则对当前的目标像素点不舍弃，而是选择先优化然后返回步骤S44413继续进行反向IHS变换操作）；进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点（即最终优化后的RGB目标像素点）；
所述预设迭代最大次数阈值为人为根据经验设置的一个常数；在初始迭代处理操作时，目标像素点的迭代次数N等于1；
随后执行上述步骤S4442：将优化RGB像素点（即最终优化后的RGB目标像素点）进行融合，获取融合气象云图。
技术补充说明：上述步骤S44411为系统初始化操作，其目的是将融合后的图像的像素点放入第一反向变换集合；
上述步骤S44412是遍历第一反向变换集合中的所有像素点，获取目标像素点及目标像素点对应的整体优化参数量化分值；
上述步骤S44413是对当前目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值；并计算RGB目标像素点的整体优化参数量化分值与目标像素点的整体优化参数量化分值的差值；
上述步骤S44414是判断差值与整体优化参数量化分值差值最低阈值的大小关系；
上述步骤S44415是将差值大于或等于预设整体优化参数量化分值差值最低阈值对应的RGB目标像素点确定为优化RGB目标像素点；重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合中所有像素点全部访问过；
上述步骤S44416是将差值小于整体优化参数量化分值差值最低阈值对应的目标像素点放入第二反向变换集合；
上述步骤S44417是将第二反向变换集合中的目标像素点进行优化后，得到优化后的目标像素点，重新返回上述步骤S44413进行操作，并将目标像素点迭代次数加1；直至目标像素点对应的差值大于或等于整体优化参数量化分值差值最低阈值得到RGB目标像素点或目标像素点迭代次数等于预设的迭代最大次数阈值得到RGB目标像素点；
本发明实施例所采用的技术方案，通过将融合后的图像（即为融合后的IHS图像）的每个像素点依次进行反向IHS变换处理，并在处理时提出融合后的图像的像素点的整体优化参数量化分值与反向IHS变换处理的RGB像素点的整体优化参数量化分值，并将融合后的图像的像素点的整体优化参数量化分值与反向IHS变换处理的RGB像素点的整体优化参数量化分值进行求差并得到差值（差值代表了IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量）；
随后，使差值与预设的整体优化参数量化分值差值最低阈值进行对比，进而确定差值大于或等于整体优化参数量化分值差值最低阈值的RGB像素点为优化RGB像素点；上述可保障在处理过程中，将符合条件的反向IHS变换后得到的RGB像素点保留，并将不符合条件的（即为差值小于整体优化参数量化分值差值最低阈值的RGB像素点）的反向IHS变换后得到的RGB像素点对应的融合后的图像的像素点进行优化后重新进行反向IHS变换处理，重新得到符合条件的RGB像素点；
与此同时，预设了迭代最大次数阈值，即保障一定的重新处理次数后仍然不满足符合条件的RGB像素点仍可以作为优化RGB像素点（虽然当前的RGB像素点未满足差值大于或等于整体优化参数量化分值差值最低阈值，但经过多次迭代后，差值会极大地接近整体优化参数量化分值差值最低阈值），进而保障反向IHS变换处理的速度同时可保障反向IHS变换处理得到的融合气象云图RGBnew的真实显示的像素精度更完整并且更加精准。
具体地，如图9所示，在步骤S44417中，将目标像素点进行优化，得到优化后的目标像素点，包括如下操作步骤：
步骤S444171：获取当前目标像素点的亮度分量Id、色调分量Hd和饱和度分量Sd；
步骤S444172：分别对Id的参数进行调整；对Hd的参数进行调整；对Sd的参数进行调整；分别计算获取Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’；
计算方式为：
wId’=a’*Id/(a’*Id+b’*Hd+c’*Sd) ；
wHd’=b’*Hd/(a’*Id+b’*Hd+c’*Sd) ；
wSd’=c’*Sd/(a’*Id+b’*Hd+c’*Sd) ；
式中，a’、b’、c’分别为调整后的新参数；
步骤S444173：将当前目标像素点的Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’进行融合，得到优化后的目标像素点；
本发明实施例所采用的技术方案，将当前目标像素点进行重新拆分为I、H、S三个分量，并对三个分量的参数进行优化调整，并重新计算三个分量分别对应的权重；然后将三个分量分别对应的权重进行融合，得到优化后的目标像素点；使当前目标像素点在进行反向IHS变换操作时获取的RGB目标像素点的对应的差值可接近（或称大于或等于）预设的整体优化参数量化分值差值最低阈值，进而使获得的RGB目标像素点精度更加完整。
综上，本发明实例提出的一种基于图像识别的气象云图处理系统及方法，首先基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；通过第一待显示气象云图生成红外气象云图；通过第二待显示气象云图生成可见光气象云图；将红外线云图与可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；使得两幅图像内容和形状相同，并且分辨率相同，方便后续的融合操作；
然后对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；预处理包括去噪处理、插值操作和高斯平滑处理，以实现减少图像噪点的技术目的，同时进一步提高图像的细节和清晰度；
然后对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；找到两幅图像之间的相似性和差异性，并对其进行调整，使得两幅图像可以在空间上进行融合；图像配准是首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像配准；
将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
需要说明的是，基于IHS变换的图像融合方法是将图像分解为亮度（I）、色调（H）和饱和度（S）三个分量，并将亮度值进行融合，色调和饱和度分量不进行融合，以保持原有色调和饱和度；分别计算获取I的权重wI、H的权重wH、S的权重wS；
权重函数法是以图像亮度值为基础，通过人工设置权重来实现不同分量在融合中的占比，并使图像融合后的效果更好；
将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
一般来说，传统的融合方式是将红外线云图的I分量融合进可见光云图中，这样操作存在严重的光谱畸变现象，本发明实施例将红外线云图的I、H、S分量与可见光云图的I、H、S分量分别分配权重后进行融合，大大降低光谱畸变现象，使融合后的图像识别度提高，特别适用于本发明实施例中的气象云图中的红外线云图和可见光云图的图像融合场景处理；
将计算出来的I、H、S的带有权重的三个分量进行融合，即可获取融合后的IHS图像，在融合后的IHS图像中，基于各分量的权重， 对各分量进行不同权重等级的加强显示，更加突出地显示出图像中的细节，进而使后续获取融合气象云图的显示的准确率更高，使判断气象信息结果更加精准；
不但提高了融合后的图像的空间分辨率，同时尽量保留了图像的光谱信息；
获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系，若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；
若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合；第二反向变换集合为初始为空的集合；
预设迭代最大次数阈值；获取当前目标像素点的亮度分量Id、色调分量Hd和饱和度分量Sd；分别对Id的参数进行调整；对Hd的参数进行调整；对Sd的参数进行调整；分别计算获取Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’；
将当前目标像素点的Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’进行融合，得到优化后的目标像素点；
将当前目标像素点进行重新拆分为I、H、S三个分量，并对三个分量的参数进行优化调整，并重新计算三个分量分别对应的权重；然后将三个分量分别对应的权重进行融合，得到优化后的目标像素点；使当前目标像素点在进行反向IHS变换操作时获取的RGB目标像素点的对应的差值可接近（或称大于或等于）预设的整体优化参数量化分值差值最低阈值，进而使获得的RGB目标像素点精度更加完整。重新返回上述步骤S44413进行操作；进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点（即最终优化后的RGB目标像素点）；
将优化RGB像素点（即最终优化后的RGB目标像素点）进行融合，获取融合气象云图。
通过将融合后的图像（即为融合后的IHS图像）的每个像素点依次进行反向IHS变换处理，并在处理时提出融合后的图像的像素点的整体优化参数量化分值与反向IHS变换处理的RGB像素点的整体优化参数量化分值，并将融合后的图像的像素点的整体优化参数量化分值与反向IHS变换处理的RGB像素点的整体优化参数量化分值进行求差并得到差值（差值代表了IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量）；
随后，使差值与预设的整体优化参数量化分值差值最低阈值进行对比，进而确定差值大于或等于整体优化参数量化分值差值最低阈值的RGB像素点为优化RGB像素点；上述可保障在处理过程中，将符合条件的反向IHS变换后得到的RGB像素点保留，并将不符合条件的（即为差值小于整体优化参数量化分值差值最低阈值的RGB像素点）的反向IHS变换后得到的RGB像素点对应的融合后的图像的像素点进行优化后重新进行反向IHS变换处理，重新得到符合条件的RGB像素点；与此同时，预设了迭代最大次数阈值，即保障一定的重新处理次数后仍然不满足符合条件的RGB像素点仍可以作为优化RGB像素点（虽然当前的RGB像素点未满足差值大于或等于整体优化参数量化分值差值最低阈值，但经过多次迭代后，差值会极大地接近整体优化参数量化分值差值最低阈值），进而保障反向IHS变换处理的速度同时可保障反向IHS变换处理得到的融合气象云图RGBnew的真实显示的像素精度更完整并且更加精准。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (5)

1.一种基于图像识别的气象云图处理系统，其特征在于，包括红外线卫星、可见光卫星、图像处理融合服务器；
其中，所述红外线卫星，用于获取第一待显示气象云图，并根据所述第一待显示气象云图，生成红外线云图；
所述可见光卫星，用于获取第二待显示气象云图，并根据所述第二待显示气象云图，生成可见光云图；
所述红外线卫星获取的第一待显示气象云图与所述可见光卫星获取的第二待显示气象云图是基于同一区域得到两种不同形式的气象云图；
所述图像处理融合服务器，用于将所述红外线云图与所述可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
所述图像处理融合服务器，包括云图对齐模块、云图预处理模块、云图配准模块、云图融合模块；
其中，所述云图对齐模块，用于将所述红外线云图与所述可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；
所述云图预处理模块，用于对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；
所述云图配准模块，用于对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；
所述云图融合模块，用于将配准后的红外线云图图像与配准后的可见光云图图像通过基于IHS变换的图像融合方法进行图像融合，得到融合气象云图；
所述云图融合模块，具体用于将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
分别计算获取I的权重wI、H的权重wH、S的权重wS；
将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
将融合后的图像进行反向IHS变换，得到最终的融合气象云图RGBnew；
所述云图融合模块，具体用于系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；
并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点；
将优化RGB像素点进行融合，获取融合气象云图；
所述云图融合模块，具体用于获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
迭代获取优化RGB像素点操作：对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系；
若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；
所述差值为IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量；
若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合；第二反向变换集合为初始为空的集合；
预设迭代最大次数阈值；将目标像素点进行优化后，得到优化后的目标像素点，重新返回上述迭代获取优化RGB像素点操作，进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点；
目标像素点迭代次数初始为0。
2.一种基于图像识别的气象云图处理方法，根据权利要求1所述的基于图像识别的气象云图处理系统实施处理操作，其特征在于，包括如下操作步骤：
基于同一区域，获取两种形式的待显示气象云图，即第一待显示气象云图和第二待显示气象云图；
根据第一待显示气象云图，开始生成红外线卫星的红外线云图；
根据第二待显示气象云图，由可见光卫星生成可见光云图；
其中，所述红外线云图是基于同一区域的第一待显示气象云图对应通过红外线卫星生成的；
其中，所述可见光云图是基于同一区域的第二待显示气象云图对应通过可见光卫星生成的；
将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图；
所述将红外线云图与可见光云图依次通过对齐、预处理、配准后通过基于IHS变换的图像融合方法进行融合获取融合气象云图，包括如下操作步骤：
将红外线云图与可见光云图进行对齐，分别对应获取对齐后的红外线云图与对齐后的可见光云图；
对对齐后的红外线云图与对齐后的可见光云图分别进行图像预处理，分别对应获取处理后的红外线云图与处理后的可见光云图；
对处理后的红外线云图与处理后的可见光云图进行图像配准，分别对应得到配准后的红外线云图图像与配准后的可见光云图图像；
将配准后的红外线云图图像与配准后的可见光云图图像通过基于IHS变换的图像融合方法进行图像融合，得到融合气象云图；
所述将配准后的图像进行图像融合，获取融合气象云图，包括如下操作步骤：
将对齐后的红外线云图和可见光云图进行IHS变换，分别得到亮度分量I、色调分量H和饱和度分量S；
所述亮度分量I、色调分量H和饱和度分量S的计算方式分别为：
Figure QLYQS_1
；
Figure QLYQS_2
；/>
Figure QLYQS_3
；分别计算获取I的权重wI、H的权重wH、S的权重wS；
所述I的权重wI、H的权重wH、S的权重wS计算方式分别为：
wI=a*I/(a*I+b*H+c*S) ；
wH=b*H/(a*I+b*H+c*S) ；
wS=c*S/(a*I+b*H+c*S) ；
式中，a、b、c分别为人工调整的参数；
将I的权重wI、H的权重wH、S的权重wS进行融合，得到融合后的图像；
所述融合后的图像IHS计算方式为： IHS=wI+ wH+wS；
将融合后的图像进行反向IHS变换，得到最终的融合气象云图RGBnew；
所述融合气象云图的Rnew、Gnew、Bnew的计算方式为：
Figure QLYQS_4
；
Figure QLYQS_5
；/>
Figure QLYQS_6
；所述将融合后的图像进行反向IHS变换，得到最终的融合气象云图，包括如下操作步骤：
系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；
并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点；
将优化RGB像素点进行融合，获取融合气象云图；
所述系统初始化，根据融合后的图像获取目标像素点及目标像素点对应的整体优化参数量化分值；通过反向IHS变换操作获取当前目标像素点对应的RGB目标像素点及RGB目标像素点的整体优化参数量化分值；并通过目标像素点对应的整体优化参数量化分值及RGB目标像素点的整体优化参数量化分值获取差值，从而进一步获取符合预设条件的优化RGB像素点；并对不符合预设条件的RGB目标像素点对应的目标像素点通过迭代算法，根据目标像素点对应的整体优化参数量化分值，求取得到优化RGB像素点，具体包括如下操作步骤：
获取融合后的图像的所有像素点，并将所有的像素点放入第一反向变换集合；第一反向变换集合是初始化为空的集合；
随机任意选择第一反向变换集合中的一个像素点为目标像素点；并获取目标像素点的整体优化参数量化分值Ta；
迭代获取优化RGB像素点操作：对所述目标像素点执行反向IHS变换操作，获取RGB目标像素点以及RGB目标像素点的整体优化参数量化分值Tb；并计算RGB目标像素点的整体优化参数量化分值Tb与目标像素点的整体优化参数量化分值Ta的差值T；
所述差值T的计算方式为：T=Ta-Tb；
式中，T为差值；
Ta为目标像素点的整体优化参数量化分值；
Tb为RGB目标像素点的整体优化参数量化分值；
预设整体优化参数量化分值差值最低阈值T’，并判断差值T与整体优化参数量化分值差值最低阈值T’的大小关系；
若所述差值T大于或等于所述整体优化参数量化分值差值最低阈值T’，则判定确定当前RGB目标像素点为优化RGB目标像素点；并从第一反向变换集合中筛除目标像素点，然后重新选择新的目标像素点进行反向IHS变换操作，直至第一反向变换集合为空；
若差值T小于整体优化参数量化分值差值最低阈值T’，则将目标像素点放入第二反向变换集合；第二反向变换集合为初始为空的集合；
预设迭代最大次数阈值；将目标像素点进行优化后，得到优化后的目标像素点，重新返回上述迭代获取优化RGB像素点操作，进行首次迭代处理操作，记当前目标像素点的迭代次数为N；不断重复迭代处理操作，在每次迭代处理操作完成时，同时将目标像素点的迭代次数加1；直至目标像素的迭代次数等于迭代最大次数阈值，则将目标像素点的对应的最后一次迭代得到的RGB目标像素点确定为优化RGB目标像素点。
3.根据权利要求2所述的一种基于图像识别的气象云图处理方法，其特征在于，所述预设迭代最大次数阈值为常数；在初始迭代处理操作时，目标像素点的迭代次数N等于1。
4.根据权利要求3所述的一种基于图像识别的气象云图处理方法，其特征在于，所述将目标像素点进行优化，得到优化后的目标像素点，包括如下操作步骤：
获取当前目标像素点的亮度分量Id、色调分量Hd和饱和度分量Sd；
分别对Id的参数进行调整；对Hd的参数进行调整；对Sd的参数进行调整；分别计算获取Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’；
将当前目标像素点的Id的权重wId’、Hd的权重wHd’、Sd的权重wSd’进行融合，得到优化后的目标像素点。
5.根据权利要求4所述的一种基于图像识别的气象云图处理方法，其特征在于，所述差值为IHS像素点转化成RGB像素点所产生的IHS像素点的整体优化参数量化分值Ta减去RGB像素点的整体优化参数量化分值Tb的差值变化量。
CN202310484982.5A 2023-05-04 2023-05-04 一种基于图像识别的气象云图处理系统及方法 Active CN116228618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310484982.5A CN116228618B (zh) 2023-05-04 2023-05-04 一种基于图像识别的气象云图处理系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310484982.5A CN116228618B (zh) 2023-05-04 2023-05-04 一种基于图像识别的气象云图处理系统及方法

Publications (2)

Publication Number Publication Date
CN116228618A CN116228618A (zh) 2023-06-06
CN116228618B true CN116228618B (zh) 2023-07-14

Family

ID=86585787

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310484982.5A Active CN116228618B (zh) 2023-05-04 2023-05-04 一种基于图像识别的气象云图处理系统及方法

Country Status (1)

Country Link
CN (1) CN116228618B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364272A (zh) * 2017-12-30 2018-08-03 广东金泽润技术有限公司 一种高性能红外-可见光融合探测方法
CN115345774A (zh) * 2022-08-16 2022-11-15 南方电网电力科技股份有限公司 一种红外图像与可见光图像的融合方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266686A (zh) * 2008-05-05 2008-09-17 西北工业大学 一种基于sfim和ihs变换的图像融合方法
CN109903239B (zh) * 2019-01-28 2023-02-14 华南理工大学 一种基于加权全变分的自适应图像去雾方法
CN110210541B (zh) * 2019-05-23 2021-09-03 浙江大华技术股份有限公司 图像融合方法及设备、存储装置
WO2022070943A1 (ja) * 2020-09-29 2022-04-07 コニカミノルタ株式会社 ガス可視化画像処理装置、ガス可視化画像処理方法、および、プログラム
CN114170503A (zh) * 2021-11-12 2022-03-11 西安中科西光航天科技有限公司 一种气象卫星遥感云图的处理方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108364272A (zh) * 2017-12-30 2018-08-03 广东金泽润技术有限公司 一种高性能红外-可见光融合探测方法
CN115345774A (zh) * 2022-08-16 2022-11-15 南方电网电力科技股份有限公司 一种红外图像与可见光图像的融合方法和系统

Also Published As

Publication number Publication date
CN116228618A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
Shin et al. Radiance–reflectance combined optimization and structure-guided $\ell _0 $-Norm for single image dehazing
US8525900B2 (en) Multiple exposure high dynamic range image capture
US20110211732A1 (en) Multiple exposure high dynamic range image capture
CN110956581B (zh) 一种基于双通道生成-融合网络的图像模态变换方法
CN112653846B (zh) 用于生成高动态范围图像的方法、设备和计算机可读介质
CN107958465A (zh) 一种基于深度卷积神经网络的单幅图像去雾方法
CN109389569B (zh) 基于改进DehazeNet的监控视频实时去雾方法
CN111784620B (zh) 空间信息引导角度信息的光场相机全聚焦图像融合算法
CN113052170B (zh) 一种无约束场景下的小目标车牌识别方法
CN114429457A (zh) 一种基于双模态融合的风机叶片缺陷智能检测方法
CN111489321A (zh) 基于派生图和Retinex的深度网络图像增强方法和系统
US20230328396A1 (en) White balance correction method and apparatus, device, and storage medium
CN116228618B (zh) 一种基于图像识别的气象云图处理系统及方法
CN116258653B (zh) 一种基于深度学习的微光图像增强方法和系统
KR20040069869A (ko) 영상신호의 블러링 판단장치 및 방법
CN111738964A (zh) 一种基于建模的图像数据增强的方法
CN110570441A (zh) 一种超高清低延时视频控制方法及系统
JP2000357226A (ja) 濃淡画像の２値化方法および濃淡画像の２値化プログラムを記録した記録媒体
CN112991236B (zh) 一种基于模板的图像增强方法及装置
CN114693712A (zh) 一种基于深度学习的暗视觉及低照度图像边缘检测方法
Guo et al. Single Image Dehazing Using Adaptive Sky Segmentation
CN114140361A (zh) 融合多级特征的生成式对抗网络图像去雾方法
CN117237779B (zh) 可见光图像和红外图像结合分析的图像识别方法及系统
Li et al. Image fast dehazing algorithm based on dark channel prior improvement
CN117274584B (zh) 遥感图像的阴影处理方法及装置、存储介质、终端

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