专利名称：一种地基可见光云图识别处理方法
技术领域：
本发明涉及数字图像处理技术领域，特别是一种适用于气象站气象分析的地基可见光云图识别处理方法。
背景技术：
云是地球上水文循环的一个重要环节，它与地面辐射相互作用共同影响着局地和全球尺度的能量平衡。不同类型云的辐射特性以及其分布情况，对天气预报的准确性、全球气候变化和飞行保障等具有重要意义。由于云时刻变化，目前国内外普遍依靠人的目力进行地基云类别的观测，自动观测仍在探索研究阶段。其中以基于数字图像处理技术进行云类属识别处理为主，广泛用到的是基于蓝红灰度比(或辐射亮度比)、不同云具有不同的纹理作为分割和分类依据，但最终的判别结果不够理想，主要原因如下 第一，低能见度下，由于气溶胶的增加造成天空色度的蓝色成分削弱，有气溶胶的天空将变得灰白，如利用蓝红灰度比进行云和天空的分离，会将气溶胶大气误判为云；第二，云类别繁多，形态相异也相近，时刻变化复杂，图像表现形式单一，仅是利用单纯一种特征进行判别，识别率必定不高。
发明内容
针对现有技术中云识别率较低的问题，本发明提供一种识别处理效果好，且易于实现和管理的地基可见光云图识别处理方法。因为考虑到云为半透明物体，而不同类别云具有不同的透明度值，本发明将传统的云纹理特征与透明度结合，以更能充分表现不同云的特征，从而大幅提高识别率。为实现上述目的，本发明采取的技术方案为一种地基可见光云图识别处理方法，包括以下步骤I)采集包含地基可见光云图的原始图像；2).将采集到的彩色的原始图像由RGB空间变换到灰度空间，获得与原始图像相对应的灰度图像；然后对灰度图像进行滤波处理得到去噪图像，再对去噪图像进行非线性灰度变换以得到增强图像，并将增强图像由灰度空间变换到RGB空间，以获得彩色增强图像；3).利用基于感知颜色空间的自然图像抠图方法，从彩色增强图像中将天空背景和云前景分离开来；4).从分离出的云前景中提取特征集；5).根据提取出的特征集中的数据，利用训练好的神经网络分类器进行云类型的分类判别，得到云类型的判别结果。为了便于获知识别结果以及日后对识别历史的查看，本发明还包括步骤6):显示并存储云类型的判别结果以及云特征集。进一步的，本发明步骤2中利用自适应维纳滤波方法对灰度图像进行滤波去噪处理，再利用免疫遗传算法确定图像非线性灰度变换增强参数，然后对图像进行非线性灰度变换，得到增强图像。优选的，本发明步骤4中，所述特征集包括云前景彩色云图中RGB三通道的透明度均值、最大值和最小值，以及云前景灰度云图0°、45°、90° >135°四个方向对应的二阶矩、对比度、相关性和熵，各自的平均值，这些特征数据即可作为云类型识别的要素特征，以综合多因素识别云类型，提高识别的准确率。更进一步的，本发明还包括收集不同云类型对应的特征作为云类型特征数据库，并利用云类型特征数据库进行神经网络分类器的训练。云类型特征数据库中的特征值种类与步骤4中提取的特征集中的特征值种类相对应，基于这样的云类型特征数据库训练的神经网络分类器，在进行云类别识别时可较准确并迅速的得到云类型的识别结果。有益效果本发明利用透明度匹配算法对云图进行了分离，在分离的基础上提取出云图的特 征值用于云类型的识别，识别的准确度大大提高；且本发明结构简单，仅需现有的图像采集器和计算机即可实现，为气象站的准确预测灾害天气提供了技术保障；同时本发明的存储显示功能便于气象信息的管理。
图I所示为本发明的具体实施例的方法流程图；图2所示为本发明中非线性灰度变换图像增强方法的流程图；图3所示为图2图像增强方法中免疫遗传算法流程图；图4所示为基于感知颜色空间抠图方法的透明度统计图像分割示意图；图5所示为云类型识别BP神经网络的结构模型示意图。
具体实施例方式为使本发明的内容更加明显易懂，以下结合附图和具体实施方式
做进一步描述。如图I所示，本发明的具体实施例方法包括步骤I)采集图像，并将原始图像由RGB空间变换到灰度空间，获得原始图像对应的灰度图像；图像在RGB空间与灰度空间的转换可利用现有技术实现。2).对步骤I获得的灰度图像进行自适应维纳滤波以得到去噪图像，并对去噪图像进行非线性灰度变换以得到增强图像。其中自适应维纳滤波器为现有技术，其根据局部图像的差异来调整参数，对局部差异大的地方进行小的平滑操作，对局部差异小的地方进行大的平滑操作。如图2所示，上述步骤中的图像增强过程的具体流程为2. I)采用式(I)对去噪图像f (i，j)进行归一化处理。
/, ;、— /(/，./) —min(/(/，/))g(hJ) =-,t j,,·
max(./(/,./))-誦(f (/, /))d)式(I)中，i和j表示图像像素点所在的坐标行与列，f (i，j)表示坐标为(i，j)的原始图像灰度值，g(i，j)为其处理后的灰度值。2. 2)对归一化处理后的图像，采用如图3所示的现有的基本免疫遗传算法寻求最佳变换参数α和β (O < α，β < 10)。针对不同图像，α和β的值可利用免疫遗传算法自动寻得最优参数，图像不同，最优结果也不同。其中免疫遗传算法的适应度函数涉及图像的方差Fa。、信息熵Ε、像素差别Ffc以及信噪改变量In。等图像质量紧密相关的四个性能评价参数，这四个评价指标是推动免疫遗传算法寻找最佳参数的动力，即免疫遗传算法中适应度函数的构成因素。适应度值越大，图像质量越好。适应度函数表达式为Fitness = E · Inc · Fac+Fbr (2)其中，图像的方差
权利要求
1.一种地基可见光云图识别处理方法，其特征是，包括以下步骤 1).采集包含地基可见光云图的原始图像； 2).将采集到的彩色的原始图像由RGB空间变换到灰度空间，获得与原始图像相对应的灰度图像；然后对灰度图像进行滤波处理得到去噪图像，再对去噪图像进行非线性灰度变换以得到增强图像，并将增强图像由灰度空间变换到RGB空间，以获得彩色增强图像； 3).利用基于感知颜色空间的自然图像抠图方法，从彩色增强图像中将天空背景和云前景分离开来； 4).从分离出的云前景中提取特征集； 5).根据提取出的特征集中的数据，利用训练好的神经网络分类器进行云类型的分类判别，得到云类型的判别结果。
2.根据权利要求I所述的地基可见光云图识别处理方法，其特征是，还包括步骤 6).显示并存储云类型的判别结果以及云特征集。
3.根据权利要求I所述的地基可见光云图识别处理方法，其特征是，步骤2中利用自适应维纳滤波方法对灰度图像进行滤波去噪处理，再利用免疫遗传算法确定图像非线性灰度变换增强参数，然后对图像进行非线性灰度变换，得到增强图像。
4.根据权利要求I所述的地基可见光云图识别处理方法，其特征是，步骤4中，所述特征集包括云前景彩色云图中RGB三通道的透明度均值、最大值和最小值，以及云前景灰度云图0°、45°、90°、135°四个方向对应的二阶矩、对比度、相关性和熵，各自的平均值。
5.根据权利要求I所述的地基可见光云图识别处理方法，其特征是，还包括收集不同云类型对应的特征作为云类型特征数据库，并利用云类型特征数据库进行神经网络分类器的训练。
全文摘要
本发明公开一种地基可见光云图识别处理方法，其包括采集云图、对输入的彩色图像进行去噪、增强等预处理，然后采用基于感知颜色空间的透明度分割出天空背景和云前景；再提取出云前景图像的透明度值，同时辅以纹理特征共同作为不同云类别的区别特征；最后利用神经网络结合云类别特征数据库中进行云类型的分类，并存储和显示相应特征和结果。本发明适用于地基全天空可见光云的识别处理工作，可解决人工目判的局限，具备一定的自动化判别功能，方法实现容易、结构简单、成本低，对常见的云识别分类具有较好效果，尤其是对于背景天空的纯净度要求不高的情况下，云空分离效果较一般的阈值判别法好。
文档编号G06K9/46GK102902956SQ20121033324
公开日2013年1月30日 申请日期2012年9月10日 优先权日2012年9月10日
发明者王敏, 周树道, 陈晓颖, 黄峰 申请人:中国人民解放军理工大学气象学院