一种基于云块特征变化的静止气象卫星降水估算方法与流程

文档序号：12906424阅读：203来源：国知局

本发明属于降水估算技术领域，尤其涉及一种基于云块特征变化的静止气象卫星降水估算方法。

背景技术：

随着气象卫星的发展，应用卫星资料估计降水的分布和强度，作为卫星资料应用的一个重要方面也同时发展起来。地面观测和高空探测站点稀疏，受地表热力差异的影响，降水的局地性差异较大。

图像分割是一个经典的图像处理问题，其目的是将一幅图像划分为若干有意义的区域，其中每个区域具有相似的特征和意义，但由于它处理对象的复杂性和目标的多样性，一直是计算机视觉领域的难点和热点问题。特别是近年来随着技术革命进一步深入，图像分割在越来越多的领域如工业生产、视频应用、医学图像处理、生物图像处理、智能交通、电子商务、电子政务、人机接口、虚拟现实等得到了广泛的应用。随着互联网的飞速发展及网络类型与带宽的增加，成像设备成本的下降，产生的图像迅猛增多，基于图像处理的产品与我们的日常生活也越来越紧密相关。图像分割作为图像处理中的一项关键技术，因此对图像分割技术的研究不仅具有重要的理论价值而且具有很好的实用价值

图像分割研究始于二十世纪七十年代，经过近半个世纪的发展，提出了大量经典的图像分割算法。传统的经典图像分割主要有阈值分割、基于边缘的分割、基于区域的分割、基于全局优化准则的分割和基于统计的分割等。很多算法都在特定的应用场景中取得了好的分割效果，但由于图像成像方式及设备的多元化、处理物体的多样性及物体形状不规则性等原因导致没有一种图像分割算法能够很好的处理所有类型的图像。

图像分割在统计中也称为聚类分析。近年来基于统计的有限混合模型(finitemixturemode,fmm)的研究一直非常活跃。然而基于高斯分布的fmm的一个明显缺点是它对噪声非常敏感。而学生氏分布与高斯分布相比具有更重的尾部，因此它对噪声具有很好的健壮性，是高斯分布的健壮替代。

综上所述，现有技术存在的问题是：目前地面观测和高空探测站点稀疏，受地表热力差异的影响，降水的局地性差异较大；降水估算的数据还存在偏差较大；现有图像分割方法中，在存在噪声的情况下不能进行高效分割，降低求解参数过程的复杂度；而且不能提高图像分割的鲁棒性，提高图像分割的质量。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种基于云块特征变化的静止气象卫星降水估算方法。

本发明是这样实现的，一种基于云块特征变化的静止气象卫星降水估算系统，所述基于云块特征变化的静止气象卫星降水估算系统包括：

归一化处理模块，用于获取卫星降水模拟参数特征集以刻画云降水的发生与发展过程，选用最值归一化方法对不同量纲云图特征参数进行归一化处理；

所述归一化处理模块利用阴影区域的这一属性，通过对彩色rgb影像进行如下的归一化处理：

其中：r、g、b分别为原始的rgb分量，r′、g′、b′分别为归一化后的rgb分量；在b′分量中，阴影区域主要占据的是高像素值端，通过对b′分量图采用阈值分割的方法，设置一个较高的阈值就得到大致的阴影区域；

所述阈值分割的方法包括：

1)输入待分割图像，得到图像的颜色信息；假设一副图像中共有n个像素，这些像素被分为k个类；

2)设置聚类数目k及迭代终止的似然函数变化值和迭代的最大次数，计算像素的最大后验概率，根据最大后验概率原则得到像素的类别；像素的平均值的求解按下面公式进行求解，式中表示近邻系统，nn表示近邻系统中近邻的个数；

3)初始化参数，使用k-均值算法得到均值μ和协方差σ，然后初始化变量，设置变量η＝1，精度λ＝(ησ)^-1，v＝1，利用近邻关系求得像素中的每个像素的均值具体包括：

计算学生t分布的参数λ＝(ησ)^-1；

根据学生t分布可以分解为高斯分布和伽马分布的乘积关系

st(x|μ,λ,v)＝n(x|μ,(ηλ)^-1gam(η|v/2,v/2))

其中伽马分布的定义为

利用求得的参数η,λ,μ,v，求得学生t分布的值；

4)利用当前的μk和σk计算高斯分布，计算学生t分布；计算场景混合系数πnk和后验概率znk；根据求得的高斯分布函数和学生t分布函数，根据下面两个式子求得场景混合系数πnk和后验概率znk

得到大致的阴影区域后通过归一化处理模块内置的图像处理子模块进行图像的处理；所述图像的处理包括：图像处理子模块利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像，采用3*3均值滤波器，利用滤波模板遍历图像每个像素，每次将模板中心置于当前像素，以模板内所有像素的平均值作为当前像素新值，模板为

分别计算图像滤波前后各自边缘灰度信息，滤波处理前的待评价图像f统计信息为sum_orig,滤波处理后的参考图像f2统计信息为sum_filter,具体计算公式如下：

其中，w1与w2是根据离中心像素的距离设定的权值，w1＝1，w2＝1/3；

将得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标，为方便评价，取较大的为分母，较小的为分子，保持该值介于(0,1)之间；

根据最佳视觉效果的dmos范围得出对应的一个模糊度指标范围[min,max]；得出的最终图像显示在与归一化处理模块无线连接的智能终端屏幕上；

降水估算模块，构建基于三层前向型反向传播神经网络的卫星降水估算模型，用于该地域降水估算，并采用多指标体系分析模型的降水模拟精度；

所述多指标体系分析模型计算公式

式中：——观测时段内气象变量的平均值；

yi——观测时段内第i个气象变量的采样瞬时值，即样本，其中，错误、可疑的非正确样本应丢弃而不用于计算，即令yi＝0；

n——观测时段内的样本总数，由采样频率和平均值时间区间决定；

m——观测时段内正确的样本数(m≤n)。

进一步，所述阈值分割的方法还包括：

计算均值μk和协方差σk；修改ηk的值并求得精度值

进一步，所述阈值分割的方法还包括：计算对数似然函数的值，计算其变化值

或迭代次数超过规定数就退出循环操作，否则执行初始化参数步骤；

计算像素的最大后验概率，根据最大后验概率原则得到像素的类别。

进一步，所述计算对数似然函数的值中，根据整个图像的对数似然函数

求解参数的复杂性，引入隐含变量znk，使得对数似然函数重新被写为

根据学生t分布可以由高斯分布和伽马分布乘积所组成的内在关系，对数似然函数被重新写为如下所式

进一步，求函数l(θ)关于参数ηk的导数为

其中d表示数据的维数，图像为彩色时d＝3,灰度时d＝1；设置得到

求得ηk的值为

求函数l(θ)关于参数λk的导数为

设置得到等式

求得λk的值为

进一步，求函数l(θ)关于参数μk的导数为

设置得到等式，

求得μk的值为

进一步，当对数似然函数值的变化率达到一定范围或迭代的循环次数达到一定的输入后，根据最大后验概率准则

得到像素的标记。

本发明的另一目的在于提供一种基于云块特征变化的静止气象卫星降水估算方法，包括以下步骤：

步骤一，获取卫星降水模拟参数特征集以刻画云降水的发生与发展过程，选用最值归一化方法对不同量纲云图特征参数进行归一化处理；

步骤二，构建基于三层前向型反向传播神经网络的卫星降水估算模型，用于该地域降水估算，并采用多指标体系分析模型的降水模拟精度。

本发明的优点及积极效果为：利用气象卫星遥感资料所推导出的降水分布可以大大弥补常规气象观测的不足，提供更为丰富的降水信息；利于开展短时临近预报，有利于监测洪涝灾害，有利于对地质灾害做出提前预警，对提高天气预报准确率和防灾减灾具有重要的意义。层前向型反向传播神经网络卫星降水估算模型的估算结果与雨量计实测值间的相关性可以达到0.57；模型估算结果系统性的低估偏小，预示着对该地域弱降水强度将有较好的指示性。

基于高斯分布的fmm的一个明显缺点是它没有考虑像素的空间关系。因此对噪声的抗噪性不强。本发明有效的吸取了像素直接的空间关系，具有更好的鲁棒性；

本发明将其具有更强的抗噪性，能够得到更好地分割效果；

本发明提出的场景混合参数被显示的表示为概率向量，这样避免了在大多数空间混合模型中对其求解需要额外的补救计算，提高了算法的效率；

本发明利用学生t分布的模型与高斯分布存在内在的关联关系，从而将学生t分布转换为高斯分布，一方面减少了求解的参数个数，另一方面简化了求解过程，使得本发明易于实现。

本发明结合空间变化混合模型的优势和学生t-分布的健壮性，提出了一种基于学生氏分布的空间变化混合模型。本发明中，定义的权值函数用来表示像素之间的空间关系，该空间关系与像素的高斯分布紧密相关。场景混合系数显式的被表示成为概率向量。它们自动满足概率向量这一限制条件。因此在推理过程中省去了补救计算这一步骤，从而简化了求解过程，进而提高算法的高效性。本发明基于最大化对数似然函数，鉴于学生t分布函数的复杂表示性，根据学生t分布与高斯分布的内在关系，将学生t分布参数的求解转换为高斯分布参数的求解。这种方式不但简化了求解参数的数目，而且也降低了参数求解过程的复杂性，从而使得整个算法求解过程相对比较简单。

本发明充分考虑了像素之间的空间关系，同时表示像素空间关系的场景混合系数被显示的表示为概率向量。本发明所需参数数目远小于基于马尔科夫随机场的其它模型的参数，因此它很容易实现。此外，使用期望最大化算法来进行参数的求解，得到参数的优化值。

本发明提供的图像模糊度评价方法，不同于传统的评价方法建立在待评价图像自身结构特点基础上，从相对评价的角度出发，利用滤波器构造待评价图像的参考图像，计算变化前后图像边缘统计信息的比值作为评价指标。本发明的原理简单，实现了图像模糊度评价的内容无关性和实时性，可以快速准确评价比较任何图像之间的模糊度。

附图说明

图1是本发明实施例提供的基于云块特征变化的静止气象卫星降水估算方法流程图。

图2是本发明实施例提供的基于云块特征变化的静止气象卫星降水估算系统示意图。

图中：1、归一化处理模块；2、降水估算模块。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于云块特征变化的静止气象卫星降水估算方法包括以下步骤：

s101：获取卫星降水模拟参数特征集以刻画云降水的发生与发展过程，选用最值归一化方法对不同量纲云图特征参数进行归一化处理；

s102：构建基于三层前向型反向传播神经网络的卫星降水估算模型，用于该地域降水估算，并采用多指标体系分析模型的降水模拟精度。

如图2所示，本发明实施例提供的基于云块特征变化的静止气象卫星降水估算系统，所述基于云块特征变化的静止气象卫星降水估算系统包括：

归一化处理模块1，用于获取卫星降水模拟参数特征集以刻画云降水的发生与发展过程，选用最值归一化方法对不同量纲云图特征参数进行归一化处理；