基于紅外衛(wèi)星云圖的臺(tái)風(fēng)智能識(shí)別及定位方法

羅曉麗

(福州職業(yè)技術(shù)學(xué)院 信息技術(shù)工程系，福建 福州 350108)

基于紅外衛(wèi)星云圖的臺(tái)風(fēng)智能識(shí)別及定位方法

羅曉麗

(福州職業(yè)技術(shù)學(xué)院 信息技術(shù)工程系，福建 福州 350108)

臺(tái)風(fēng)是世界上嚴(yán)重的自然災(zāi)害之一，具有突發(fā)性強(qiáng)、破壞力大的特點(diǎn).目前，利用衛(wèi)星云圖對(duì)臺(tái)風(fēng)云區(qū)識(shí)別及中心定位已成為研究的熱點(diǎn)，主要方法為小波變換、神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)等多種方法相結(jié)合.這些算法大多運(yùn)算復(fù)雜，需要的存儲(chǔ)空間大，識(shí)別精度低，僅適合單臺(tái)風(fēng)云圖.基于雙臺(tái)風(fēng)衛(wèi)星云圖圖像，提出了基于小波和粗糙集融合的方法提取臺(tái)風(fēng)云區(qū)邊緣,同時(shí)使用Matlab軟件進(jìn)行仿真，仿真結(jié)果顯示識(shí)別效率和精度均有明顯提高.

小波變換；Hough變換；粗糙集；圓形度；均方差

臺(tái)風(fēng)具有突發(fā)性強(qiáng)、破壞力大的特點(diǎn)，給地處沿海的福建省帶來充足雨水的同時(shí)也帶來了各種破壞.目前，臺(tái)風(fēng)云系及中心位置的確定主要依靠專業(yè)人員利用氣象衛(wèi)星云圖結(jié)合多種儀器實(shí)時(shí)觀測(cè)完成，為提高臺(tái)風(fēng)中心定位的客觀化、定量化和自動(dòng)化水平，利用衛(wèi)星云圖對(duì)臺(tái)風(fēng)中心進(jìn)行自動(dòng)定位已成為研究熱點(diǎn).

臺(tái)風(fēng)定位技術(shù)包括3個(gè)步驟:圖像融合,云系分割,臺(tái)風(fēng)中心定位.圖像融合步驟有HIS融合、高通濾波(HPF)、多通道融合等方法[1]，這些算法可以保持良好的細(xì)節(jié)，但光譜信息損失嚴(yán)重；臺(tái)風(fēng)云系分割多根據(jù)臺(tái)風(fēng)的邊界、紋理、灰度等信息，利用神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)等技術(shù)方法進(jìn)行分割[2]，這些方法大多適合單臺(tái)風(fēng)分割圖像，對(duì)于雙臺(tái)風(fēng)分割會(huì)失去大量的有用信息，導(dǎo)致邊緣缺失嚴(yán)重；有眼臺(tái)風(fēng)具有類圓密閉云區(qū)特征，李妍等[3]構(gòu)建的自動(dòng)定位臺(tái)風(fēng)中心精度雖較高，但對(duì)雙臺(tái)風(fēng)的定位精度較低.

張翔[4]提出的基于多尺度幾何分析和偏微分方程的臺(tái)風(fēng)云圖融合方法研究是基于小波變換和偏微分方程相結(jié)合的多通道融合方法,該方法在多通道融合中去除噪聲的同時(shí)保持各通道的有用信息,提高了融合后圖像的清晰度,但通道的選取對(duì)圖像的提取效率及精度有很大的影響.粗糙集理論作為一種新的軟計(jì)算方法,在智能信息處理方面具有很大的發(fā)展?jié)摿?粗糙集用于圖像的邊緣檢測(cè)改變了利用信息變化率來對(duì)圖像進(jìn)行處理的方法,從全局來處理圖像,比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)方法取得了更完整的圖像信息，如王丹[5]提出了基于三角模的二元模糊粗糙集模型用于邊緣檢測(cè),魏弘博[6]結(jié)合粗糙集理論解決復(fù)雜背景邊緣問題，均取得了較好的效果.基于上述兩種算法的優(yōu)缺點(diǎn)，本研究提出了基于灰度反差較大的雙通道小波融合圖像然后再采用粗糙集進(jìn)行邊緣檢測(cè)的方法.

1 基于小波和粗糙集融合的改進(jìn)算法

本課題使用的云圖為蘇拉和達(dá)維雙臺(tái)風(fēng)紅外衛(wèi)星云圖,針對(duì)雙臺(tái)風(fēng)云系背景復(fù)雜的特點(diǎn),首先將彩色圖像利用小波變換多尺度融合影像為信息源，根據(jù)粗糙集理論的近似關(guān)系,得到上下近似集;然后,通過上下近似差集得出陸地、海洋、云區(qū)圖像的邊緣，再采用圓形Hough變換擬合臺(tái)風(fēng)云形邊緣，利用均方差最小的方法仿真比較圖像分割的精準(zhǔn)度,得出該方法能夠更精準(zhǔn)地提取臺(tái)風(fēng)圖像特征及定位中心的結(jié)論.

1.1通道分離

真彩色圖像由紅色、綠色、藍(lán)色灰度圖像疊加而成，如圖1所示.而且,在每個(gè)通道的灰度圖像邊緣和背景會(huì)有不同的灰度反差，選取灰度反差較大的通道有利于提取圖像邊緣.

圖1 彩色圖像通道疊加原理Fig.1 Color image channel superposition principle

1.2多尺度小波分解、融合圖像[7]

先對(duì)灰度反差較大通道圖像進(jìn)行二維小波二層分解，公式如下：

式中：g(x,y)為原圖， ?為不同的3個(gè)高頻分量，j為分解尺度，函數(shù)φ(x)和小波函數(shù)ψ(x)對(duì)應(yīng)的濾波器矩陣分別為H和G，小波分解過程可描述為

式中：j=0,1,2，…,j-1;h,d,v分別表示水平、垂直、對(duì)角高頻分量；H′，G′分別為H，G的共軛轉(zhuǎn)置矩陣.

對(duì)灰度反差較大的通道圖像中各個(gè)尺度小波分解的3個(gè)高頻分量，采取對(duì)應(yīng)變換域內(nèi)高頻系數(shù)進(jìn)行比較，取絕對(duì)值較大者為融合后的小波系數(shù)[8]，公式如下：

通過對(duì)灰度反差較大的兩個(gè)通道圖像中各個(gè)尺度小波低頻分量方差匹配度與閾值的比較，確定融合圖像的小波分解系數(shù),Ga，Gb為R，G兩圖像以某點(diǎn)P為中心的區(qū)域方差，n2p(i,j)為方差匹配度，H為比較的閾值[9].偽代碼如下：

ifn2p(i,j)

ifGa(i,j)>=Gb(i,j)

y(i,j)=A(i,j);

else

y(i,j)=B(i,j);

end

else

ifGa(i,j)>=Gb(i,j)

y(i,j)=Wmax*A(i,j)+Wmin*B(i,j);

else

y(i,j)=Wmin*A(i,j)+Wmax*B(i,j);

end

end

1.3圖像分割

在粗糙集理論中，根據(jù)邊緣和噪聲像素點(diǎn)都有灰度值梯度較大的特性得到上近似集，然后通過噪聲不同于邊緣像素點(diǎn)的特性(即以噪聲點(diǎn)為中心，周圍8個(gè)像素點(diǎn)中有且僅有1個(gè)噪聲點(diǎn))得到下近似集[10]，最后通過上下近似的差集得圖像邊緣，提取特征值.原理如下：

將一幅圖像看成一個(gè)由M×N個(gè)像素組成的集合，構(gòu)成論域U,每一個(gè)像素x就是U中的一個(gè)對(duì)象.圖像的近似空間為知識(shí)集k=(U,T).3×3窗口中心像素A(i,j)為

(1)

計(jì)算每個(gè)像素點(diǎn)為中心的灰度梯度值和方向角,窗口內(nèi)所有像素的灰度值矩陣F(i,j)為

(2)

定義條件屬性集R={C1,C2},其中C1表示像素的灰度梯度屬性,C2表示像素的噪聲屬性.屬性C1={0,1},設(shè)定閾值為H,C1為0表示像素的灰度梯度小于H,C1為1表示像素的灰度梯度大于H;屬性C2={0,1},設(shè)定閾值為K,C2為0表示3×3模板中心像素點(diǎn)與相鄰點(diǎn)的灰度差大于閾值K的個(gè)數(shù)少于7,C2為1表示灰度差大于閾值K的個(gè)數(shù)至少為7.

首先，用Ostu的最大類間方差法計(jì)算閾值H,它的基本思想是把圖像中的像素分成C0和C1兩部分,C0由灰度級(jí)數(shù)為0～g的像素組成,C1由灰度級(jí)數(shù)為g～T的像素組成[11-12].通過取閾值來計(jì)算C0和C1之間的類間方差δ2(g):

δ2(g)=P0(g)×P1(g)×(Avg(C0)-Avg(C1))2,

式中:P0(g)和P1(g)分別代表C0和C1中所包含的像素?cái)?shù);Avg(C0)和Avg(C1)分別代表C0和C1中像素的平均灰度值利用不可分辨關(guān)系的等價(jià)概念,根據(jù)屬性C1進(jìn)行劃分,等價(jià)關(guān)系

R1={x(i,j)f(i,j)>H},

(3)

式中:R1為可能的邊緣像素集合；x(i,j)為像素點(diǎn)；f(i,j)為像素點(diǎn)x(i,j)對(duì)應(yīng)的灰度梯度.根據(jù)屬性C2進(jìn)行劃分,count為統(tǒng)計(jì)中心像素點(diǎn)與相鄰點(diǎn)的灰度差大于閾值K的個(gè)數(shù)[13],用集合形式可表示為

R2={x(i,j)count≥7},

(4)

式中:R2表示噪聲集.

R1-R2表示去除了噪聲后邊緣像素集合.

1.4圖形擬合及定位

Hough變換用圓形極坐標(biāo)曲線Hough變換擬合圖形邊緣，不采用傳統(tǒng)的Hough變換投票方式.該方法不僅克服了傳統(tǒng)的圓形Hough變換計(jì)算復(fù)雜且時(shí)效性差的缺點(diǎn)，而且降低了探索空間的處理，更具準(zhǔn)確性[14].具體做法如下：

(1)在投票前，加入命令[rows,cols] = find(BW),查找非零元素的行列坐標(biāo)，減少參與投票的無效點(diǎn).

(2)根據(jù)圓的一般方程表示有3個(gè)變量, 見公式(5)：

(x-a)2+(y-b)2=r2,

(5)

式中:(a,b)為圓心;r為圓的半徑.

圖2 提取R，G，B三通道灰度圖像Fig.2 Gray image of R, G, B of three channels

利用極坐標(biāo)公式x=a+rcos(theta),y=b+rsin(theta)求出a和b的值[15].圓形極坐標(biāo)曲線Hough變換擬合圖形邊緣,降低了維度，減少了循環(huán)，節(jié)省了空間.其中，(x,y)為某個(gè)邊緣點(diǎn)的坐標(biāo)，a和b為其對(duì)應(yīng)的參數(shù)空間的坐標(biāo).

2 基于紅外衛(wèi)星云圖的臺(tái)風(fēng)識(shí)別及定位仿真過程

2.1臺(tái)風(fēng)云圖通道分離

對(duì)真彩色RGB進(jìn)行通道分離.利用Matlab提取得到R,G,B這3個(gè)通道的灰度圖像(見圖2)，發(fā)現(xiàn)R,G通道圖像邊緣和背景反差較大,所以取R,G通道圖像進(jìn)行小波融合.

2.2臺(tái)風(fēng)云圖通道融合

分別對(duì)R，G通道灰度圖像進(jìn)行2層小波分解及重構(gòu)，如圖3和圖4所示，得到的融合后圖像如圖5所示.

圖3 R通道小波分解Fig.3 R channel wavelet decomposition

圖4 G通道小波分解Fig.4 G channel wavelet decomposition

圖5 R，G通道小波融合Fig.5 R,G channel wavelet fusion

表1 融合前后圖像的信息熵及梯度信息Tab.1 Entropy and gradient information before and after fusion image

2.3臺(tái)風(fēng)云圖通道融合前后邊緣信息量實(shí)驗(yàn)數(shù)據(jù)對(duì)比

計(jì)算融合前后圖像的信息熵及梯度信息，后者比前者保留了更多的邊緣信息，見表1.

2．4采用粗糙集算法及Sobel算子提取臺(tái)風(fēng)云形邊緣及擬合精度對(duì)比

本算法采用粗糙集提取臺(tái)風(fēng)云形邊緣，并利用極坐標(biāo)擬合臺(tái)風(fēng)中心，提取結(jié)果見圖6.與傳統(tǒng)的利用Sobel 算子提取臺(tái)風(fēng)云形邊緣及用Hough變換擬合及定位結(jié)果進(jìn)行對(duì)比,見圖7.

圖6 本算法臺(tái)風(fēng)云區(qū)擬合及中心定位結(jié)果Fig.6 Typhoon cloud area fitting and center positioning results of the algorithm

圖7 傳統(tǒng)Hough變換算法臺(tái)風(fēng)云區(qū)擬合及中心定位結(jié)果Fig.7 Typhoon cloud area fitting and center positioning result by the traditional Hough transform algorithm

通過對(duì)比，傳統(tǒng)Sobel算子及本算法計(jì)算擬合前后圖形均方差最小,證實(shí)了本課題算法的精準(zhǔn)性.

擬合前圖像為ImageA,擬合后圖像為ImageB,算法主要代碼如下:

表2 兩種算法均方差比較Tab.2 Variance comparison of two algorithms

d1= (ImageA(i,j) - ImageB(i,j))^2，

d2= ImageA(i,j)^2，

式中:d1為擬合前后圖形的方差;d2為原圖邊緣像素值平方;dNMSE為均方差.實(shí)驗(yàn)結(jié)果見表2.

由實(shí)驗(yàn)結(jié)果可知，本算法比傳統(tǒng)Hough變換在精度上有較大提升.

3 結(jié)論

(1)對(duì)彩色云圖選取R,G通道圖像，采用小波變換高頻分量取大、低頻分量采用方差匹配度與閾值的比較融合圖像.圖像的邊緣和背景會(huì)出現(xiàn)明顯的亮度反差，為準(zhǔn)確提取圖像邊緣提供了保證.

(2)對(duì)合成圖像采用集合的方法而不采用傳統(tǒng)函數(shù)分割，減少了傳統(tǒng)函數(shù)平滑帶來的邊緣缺失和過度光滑等問題.

(3)不采用傳統(tǒng)的Hough變換投票方式，而用圓形極坐標(biāo)曲線Hough變換擬合圖形邊緣.該方法不僅克服了傳統(tǒng)的圓形Hough變換計(jì)算復(fù)雜且時(shí)效性差的缺點(diǎn)，同時(shí)又比遺傳算法更具準(zhǔn)確性.

[1] 姜波.多通道衛(wèi)星云圖的圖像處理技術(shù)研究[J].哈爾濱工程大學(xué)學(xué)報(bào),2012(3):21-22.

[2] 魯娟,張長(zhǎng)江,張翔,等.利用邊界特征自動(dòng)識(shí)別臺(tái)風(fēng)云系[J].遙感報(bào),2010(5):8-9.

[3] 李妍,陳希,費(fèi)樹岷.基于紅外衛(wèi)星云圖的臺(tái)風(fēng)中心自動(dòng)定位方法研究[J].紅外,2010(3):15-17.

[4] 張翔.基于多尺度幾何分析和偏微分方程的臺(tái)風(fēng)云圖融合方法研究[D].金華：浙江師范大學(xué),2011.

[5] 王丹.粗糙集理論在圖像處理中的若干問題研究[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2005.

[6] 魏弘博.基于粗糙集的圖像增強(qiáng)和邊緣檢測(cè)[D].蘭州:蘭州大學(xué),2009.

[7] 程塨,郭雷,趙天云,等.一種基于小波變換的多聚焦圖像融合方法[J].計(jì)算機(jī)工程與應(yīng)用，2012,48(1):194-196.

[8] 曹治國(guó),王文武.應(yīng)用統(tǒng)計(jì)信號(hào)處理和模糊數(shù)學(xué)的圖像融合算法[J].光電工程,2005(5)：13-15.

[9] 楚恒,李杰,朱維樂.一種基于小波變換的多聚焦圖像融合方法[J].光電工程,2005(8):66-67.

[10]劉國(guó)英,傅明,唐賢瑛.基于粗集理論的含噪圖像邊緣檢測(cè)[J].電腦與信息技術(shù),2003(4):34-36.

[11]孟海東,張玉英,宋飛燕.一種基于加權(quán)歐氏距離聚類方法的研究[J].計(jì)算機(jī)應(yīng)用,2006,26(22):152-153.

[12]吳偉,劉玉鳳.改進(jìn)的模糊邊緣檢測(cè)算法在圖像處理中的應(yīng)用[J].沈陽理工大學(xué)學(xué)報(bào),2007(5)：133-136.

[13]童星,王命延.一種基于粗糙集的圖像邊緣檢測(cè)方法[J].計(jì)算機(jī)與現(xiàn)代化,2009(10)：56-59.

[14]王國(guó)宏,孔敏,何友.Hough變換及其在信息處理中的應(yīng)用 [M ].北京:兵器工業(yè)出版社, 2005：11-14.

[15]王菁菁,范影樂.基于Hough變換的圓檢測(cè)技術(shù)[J].杭州電子科技大學(xué)學(xué)報(bào),2005(4)：23-26.

Typhoonresearchofintelligentidentificationandpositioningmethodbasedonwaveletandroughsets

LUOXiaoli

(DepartmentofInformationTechnologyEngineering,FuzhouPolytechnicCollege,Fuzhou350108,China)

Typhoon is one of the most serious natural disasters in the world with the characteristics of sudden occurrence and great damage. At present, using satellite cloud picture to identify typhoon cloud zone and positioning the center of typhoon has become a research hot issue. The main method is the combination of wavelet transformation, mathematical morphology and neural network methods, most of these algorithms have a high computing complex, large storage space is needed, and obtain a low accuracy of typhoon cloud image, which is only suitable for single typhoon. Based on the double typhoon satellite cloud images, this paper puts forward the method using wavelet fusion and rough set edge extraction of the area, while the use of Matlab software simulation is used. The simulation results show that the recognition efficiency and precision are improved obviously.

wavelet transformation; Hough transformation; rough set; circular degree; mean deviation

TP311.13

A

1674-330X(2017)03-0072-05

2017-02-12

福州市科技局項(xiàng)目(2015-S-156)

羅曉麗(1971-)，女，黑龍江五常人，講師，研究方向?yàn)檐浖こ?