非安全区域自动识别及安全射界图的自动绘制方法与流程

本发明涉及人工影响天气中的安全射界技术领域，尤其涉及非安全区域自动识别及安全射界图的自动绘制方法。

背景技术：

我国幅员辽阔，地形复杂，气候类型种类多样但稳定性较差，因此受气象灾害影响十分严重。统计结果显示，近年来，气象灾害每年给我国造成的经济损失数以亿计。为了降低气象灾害造成的损失，人工影响天气被越来越多应用到生产生活中。人工影响天气，就是利用人为因素干预天气，降低气象灾害带来的不利影响，利用科技手段和气候资源实现人工增雨、人工防雹以及人工消雾等活动。高炮是人工影响天气最常用的作业方式，由于炮弹存在一定的未爆率，发射出去的炮弹如果没有爆炸最终落入村庄等人口密集区就会产生严重的后果。为了提高作业的安全性，需要安全射界图指导作业。安全射界图是以作业点为中心，以火箭或者高炮的有效射程为半径绘制的区域地图，在该地图中还需要标注出城镇、村庄学校等人口密集区域以及油库、仓库等设施。目前，山东、新疆等地已绘制出安全射界图，但其绘制过程都是手动完成，效率不高且不利于推广。

技术实现要素：

为克服现有技术的不足，本发明旨在提供一种非安全区域自动识别及安全射界图自动绘制方法。该方法能够自动对Google地图上的非安全区域进行自动识别，并自动绘制出安全射界图，绘制效率高、准确率高且易于推广。本发明采用的技术方案是，非安全区域自动识别及安全射界图的自动绘制方法，步骤如下：

步骤一：Google地图的获取

收集Google地图瓦片；

步骤二：去雾

对获得的Google地图瓦片进行去雾处理；

步骤三：灰度化

对图像进行灰度化处理；

步骤四：分割

为了识别出非安全区域的位置，需要对地图瓦片进行阈值分割，将非安全区域与安全区域区分开；

步骤五：去噪

利用去噪算法，剔除噪声点；

步骤六：地图瓦片拼接

将同一作业点周围处理好的地图瓦片按照排列规则拼接到一起；

步骤二至步骤六为非安全区域自动识别过程

步骤七：自动绘制安全射界图。

步骤二：去雾具体为：

去雾原理：

(1)雾图模型

I(x)＝J(x)t(x)+A(1-t(x)) (2)

x为图像中任一像素点，I(x)为现有的待去雾图像，J(x)为恢复后的无雾的图像，A是全球大气光成分，t(x)为透射率；

对式(2)进行整理可得：

其中：上标c表示r/g/b三个通道，已知I^c(x),求出t(x)和A^c即可求得J^c(x)；

A的获取方法

1)按照亮度的大小从暗通道图中取前0.1％的像素；

2)在原始有雾图像I(x)中，寻找满足步骤1)条件像素点，并计算这些像素点的平均值作为A^c值；

t(x)的获取方法

对公式(3)两边求两次最小值运算，得式(4)

其中Ω(x)为以x为中心的一个窗口，y为该窗口内任一像素点。

根据暗通道先验理论有：

把式(5)带入式(4)中，得：

通过待去雾图像I(x)、透射率t(x)和估算的全球大气光值A^c，根据公式(6)完成无雾图像J(x)的复原。

去雾算法的具体实现过程

(1)读取图片并选择三个颜色通道中的最小值对其进行灰度化；

(2)选择大小合适的滤波半径对灰度化后的图像进行最小值滤波，滤波后得到的灰度图像即为暗通道图；

(3)按照亮度的大小从暗通道图中取前0.1％的像素，找到这些像素在原图像中对应的像素点，分别求得红色分量、绿色分量和蓝色分量的平均值作为对应的全球大气光值；

(4)利用图像复原公式推算出无雾图像的颜色分量值，完成复原。

步骤三：灰度化

选择彩色图像蓝色分量值作为图像的灰度值进行灰度化。

步骤四：分割具体步骤：

最大熵阈值分割原理

假设一幅图像有L个灰度级，其中灰度级为i的像素有Ni个，图像像素点总数为N，则灰度级i的概率为：

设图像目标区域为A，图像背景区域为B，则两部分的熵为：

其中:

最大熵分割法的最佳阈值T的计算公式为：

T＝arg max[HA(T)+HB(T)] (11)。

步骤五：去噪步骤中，改进去噪算法实现过程如下：

第一步：对图像进行腐蚀操作；

第二步：(1)选择合适大小的正方形框，按照一定的步长对腐蚀后的图像进行扫描，扫描的同时统计正方形框区域内白色像素点即非安全区域的个数N；

(2)N和第一阈值δ1比较

1)如果N>δ1，白色像素点个数大于第一阈值，说明该区域内非安全区域面积比较大，则跳转到下一区域继续扫描；

2)如果N<δ1，白色像素点个数小于第一阈值，则将该正方形区域再次等分成几个区域，依次扫描这几个区域内白色像素点的个数，并与第二阈值δ2进行比较；

a.如果再次小于第二阈值，即N<δ1<δ2，说明该区域不仅远离大面积白色区域，而且该区域自身面积也比较小，因此该区域为安全区域，并将该区域置黑；

b.若大于第二阈值，即δ2<N<δ1，则不作处理，跳转到下一区域，直到遍历所有区域为止；

第三步，对整幅图像进行膨胀操作。

步骤六：地图瓦片拼接的拼接步骤：

1)确定作业点周围地图瓦片数量；

2)确定地图瓦片的行列数进行拼接。

步骤七：自动绘制安全射界图的绘制流程如下：

第一步是绘制距离圈，以作业点为圆心，根据炮弹射击的最近和最远距离为边界画圆，最近和最远距离中间部分均分成几个等份，绘制出距离圈；

第二步是绘制角度分隔线，以正北方向为起始角，以15°为间隔绘制角度分隔线，这样，地图就被分成了若干个小扇区；

第三步则是判断扇区内是否存在人口密集区，即是否还有白色像素点，如果有，则不作处理；如果没有，则认为该区域为安全区域，可以进行降雨、消雹等作业，并将该区域涂色显示出来。

本发明的特点及有益效果是：

山东、新疆等地能够绘制安全射界图，但其绘制过程是手动完成的，绘制效率低，不利于推广。本发明提出的绘制方法能够自动识别安全区域与非安全区域的位置，并按照需求绘制安全射界图，绘制过程简单，准确率高，易于推广。

本发明提出的去噪算法是在二值开运算的基础上进行改进得到的结果，和二值开运算相比，改进后的去噪算法去噪效果更明显，进一步提升了识别结果的准确性。

在209幅天津地区地图瓦片中，处理效果较好的有198幅，占总数的94.7％。

附图说明：

图1原始Google地图瓦片。

图2去雾后效果。

图3灰度化后效果。

图4阈值分割结果。

图5二值开运算去噪结果。

图6改进去噪算法去噪结果。

图7安全射界图。图中白色区域是非安全(村庄等)区域，黑色区域是安全区域。浅色区域是符合安全作业要求的允许射击区域。

图8本发明流程图。

具体实施方式

为达到本发明目的，本发明的技术方案是：

步骤一：Google地图的获取

本发明主要讨论的区域是天津地区，所以利用地图下载器下载天津地区以作业点为中心，半径10公里范围内的Google地图瓦片(Google地图是由被称为“瓦片”的分辨率大小均为256×256的图片无缝拼接而成)。图1是下载的原始地图瓦片。

步骤二：去雾

空气中存在杂质，下载好的Google地图瓦片不清晰。为了提高识别的准确度，需要先对获得的Google地图瓦片进行去雾处理。图2是去雾后的效果图。

步骤三：灰度化

去雾处理后的Google地图仍然是彩色图像，为了识别非安全区域(人口密集区域和重要设施)的位置，必须先对图像进行灰度化处理，因为分割算法主要针对的是灰度图像。图3是灰度化后的效果图。

步骤四：分割

地图瓦片灰度化处理之后，为了识别出非安全区域的位置，需要对地图瓦片进行阈值分割，将非安全区域与安全区域区分开。图4是阈值分割后的效果图。

步骤五：去噪

分割后的地图瓦片存在白色噪声点，这些噪声点影响了非安全区域的识别，势必对安全射界图的绘制产生不利的影响。因此，本发明提出了改进的去噪算法，能够有效地剔除噪声点，提高识别精度。图5是二值开运算处理后的效果图。图6是改进去噪算法处理的效果图。

步骤六：地图瓦片拼接

由于Google地图瓦片大小固定(256×256),同一作业点作业范围由多个地图瓦片构成，因此需要将同一作业点周围处理好的地图瓦片按照排列规则拼接到一起。

步骤二至步骤六为非安全区域自动识别过程。

步骤七：自动绘制安全射界图

地图瓦片完成拼接后，根据安全射界图绘制的绘制要求自动绘制作业点的安全射界图。

本发明的具体实例如下。

步骤一：Google地图的获取

本发明主要讨论的区域是天津地区，首先利用地图下载器下载作业点周围的Google地图瓦片(Google地图是由被称为“瓦片”的分辨率大小均为256×256的图片无缝拼接而成)，其具体过程为：

1.输入作业点的经度和纬度的坐标值；

2.框选大小适当的区域。通常选取以作业点为中心，半径10公里的区域；

3.下载区域内的地图瓦片。

步骤二：去雾

对获取到的Google地图瓦片进行观察，发现这些图像因为受到大气中的杂质(例如雾霾颗粒、水蒸气)影响而降低图像的质量。由于这些颗粒物的存在，图像的颜色和对比度会有所退化。为了消除这些影响，提升图片质量，需要对地图瓦片进行去雾处理。

去雾原理：

(2)暗通道先验

在介绍去雾算法之前，首先要提到一个概念——暗通道先验，即：对于户外图像来说，只要其不包含大量天空区域，则该图像的像素中至少一个颜色通道具有很低的值。换句话说，就是非天空区域中每个像素点颜色三分量中的最小值都很小。它的数学定义是：对于任意一个输入图像J，暗通道的数学描述式：

式中J^c表示彩色图像中三个不同的颜色分量，Ω(x)表示以像素x为中心的一个窗口，y为该窗口内任一像素点，J^dark(x)被称为暗通道图。

通过对大量无雾图片进行统计，结果显示J^dark(x)→0；该描述即为暗通道先验定理。

(3)雾图模型

在计算机模型中，公式(2)所描述的雾图形成模型被广泛使用。

I(x)＝J(x)t(x)+A(1-t(x)) (2)

I(x)为现有的待去雾图像，J(x)为恢复后的无雾的图像，A是全球大气光成分，t(x)为透射率。

对式(2)进行整理可得：

其中：上标c表示r/g/b三个通道。

已知I(x),求出t(x)和A^c即可求得J(x)

A的获取方法

1)按照亮度的大小从暗通道图中取前0.1％的像素；

2)在原始有雾图像I(x)中，寻找满足步骤1)条件像素点，并计算这些像素点的平均值作为A^c值。

t(x)的获取方法

对公式(3)两边求两次最小值运算，得式(4)

其中Ω(x)为以x为中心的一个窗口，y为该窗口内任一像素点。

根据前述的暗通道先验理论有：

把式(5)带入式(4)中，得：

通过待去雾图像I(x)、透射率t(x)和估算的全球大气光值A^c，根据公式(6)完成无雾图像J(x)的复原。

去雾算法的具体实现过程

(1)读取图片并选择三个颜色通道中的最小值对其进行灰度化；

(2)选择大小合适的滤波半径对灰度化后的图像进行最小值滤波，滤波后得到的灰度图像即为暗通道图；

(3)按照亮度的大小从暗通道图中取前0.1％的像素，找到这些像素在原图像中对应的像素点，分别求得红色分量、绿色分量和蓝色分量的平均值作为对应的全球大气光值；

(4)利用图像复原公式推算出无雾图像的颜色分量值，完成复原。

步骤三：灰度化

去雾处理后的Google地图仍然是彩色图像，为了识别非安全区域(人口密集区域和重要设施)的位置，必须先对图像进行灰度化处理，因为分割算法主要针对的是灰度图像。灰度化时，既要简化图像，又要使图像中人口密集区域与安全区域的对比度尽可能高，只有这样才能保证阈值分割的准确性。考虑到去雾后图像的颜色特点，选择彩色图像蓝色分量值作为图像的灰度值进行灰度化，这么做是因为去雾后图像村庄等区域颜色偏亮，蓝色分量值比较大，其他安全区域呈现绿色或者黄色，这些颜色的蓝色分量值都比较低，选择蓝色分量值进行灰度化可以提高安全区域和非安全区域的对比度，为分割做好准备。

步骤四：分割

经过去雾和灰度化处理后，原始的彩色图像变成对比度比较明显的灰度图像。为了识别安全区域(农田、山区)和非安全区域(村庄及其他重要设施)，需要对获得的灰度图像进行阈值分割处理。

最大熵阈值分割原理

假设一幅图像有L个灰度级，其中灰度级为i的像素有Ni个，图像像素点总数为N，则灰度级i的概率为：

设图像目标区域为A，图像背景区域为B，则两部分的熵为：

其中：

最大熵分割法的最佳阈值T的计算公式为：

T＝arg max[HA(T)+HB(T)] (11)

步骤五：去噪

为了提高识别精度，需要对分割后图像进行去噪处理，删除掉零散的噪声点。为了提高识别的准确率，本发明在二值开运算基础上提出了一种改进去噪算法，该算法能够更好的剔除噪声点，提高识别准确率。

改进去噪算法实现过程如下：

第一步：对图像进行腐蚀操作；

第二步：(1)选择合适大小的正方形框，按照一定的步长对腐蚀后的图像进行扫描，扫描的同时统计正方形框区域内白色像素点(非安全区域)的个数N；

(2)N和第一阈值δ1比较

1)如果N>δ1(白色像素点个数大于第一阈值)，说明该区域内非安全区域面积比较大，则跳转到下一区域继续扫描；

2)如果N<δ1(白色像素点个数小于第一阈值)，则将该正方形区域再次等分成几个区域，依次扫描这几个区域内白色像素点的个数，并与第二阈值δ2进行比较；

a.如果再次小于第二阈值，即N<δ1<δ2，说明该区域不仅远离大面积白色区域，而且该区域自身面积也比较小，因此该区域为安全区域，并将该区域置黑；

b.若大于第二阈值，即δ2<N<δ1，则不作处理，跳转到下一区域，直到遍历所有区域为止；

第三步，对整幅图像进行膨胀操作。

步骤六：地图瓦片拼接

由于Google地图瓦片大小固定(256×256),同一作业点作业范围由多个地图瓦片构成，因此需要将同一作业点周围处理好的地图瓦片按照排列规则拼接到一起。

拼接步骤：

1.确定作业点周围地图瓦片数量。

2.确定地图瓦片的行列数进行拼接。

步骤七：自动绘制安全射界图

地图瓦片完成拼接后，根据安全射界图绘制的绘制要求，绘制作业点的安全射界图。

绘制流程如下：

第一步是绘制距离圈，以作业点为圆心，根据炮弹射击的最近和最远距离为边界画圆，最近和最远距离中间部分均分成几个等份，绘制出距离圈。

第二步是绘制角度分隔线，以正北方向为起始角，以15°为间隔绘制角度分隔线，这样，地图就被分成了若干个小扇区。

第三步则是判断扇区内是否存在人口密集区，即是否还有白色像素点，如果有，则不作处理；如果没有，则认为该区域为安全区域，可以进行降雨、消雹等作业，并将该区域涂色显示出来。