專利名稱：一種雨滴識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于數(shù)字圖像識(shí)別領(lǐng)域，具體涉及一種基于邊緣梯度的雨滴識(shí)別方法，用于自動(dòng)識(shí)別雨滴圖像中的雨滴目標(biāo)并提取相關(guān)的雨滴信息。
背景技術(shù)：
降雨觀測(cè)是天氣現(xiàn)象觀測(cè)中的重要組成部分，在國(guó)民經(jīng)濟(jì)建設(shè)服務(wù)中有著重要的 作用，如防洪、抗旱、減災(zāi)、水利工程的設(shè)計(jì)、工農(nóng)業(yè)生產(chǎn)等，同時(shí)對(duì)氣候變化特別是季風(fēng)研 究等許多方面有著重要的影響。在降雨觀測(cè)中很重要的一點(diǎn)就是要提取降雨所對(duì)應(yīng)的雨滴譜，并進(jìn)而利用其對(duì)降 雨特性如降雨量、降雨強(qiáng)度、降雨類型以及降雨微結(jié)構(gòu)等進(jìn)行分析。雨滴譜是指在單位空間 體積內(nèi)，直徑在D D+ Δ d的雨滴的數(shù)目，即單位體積內(nèi)雨滴大小的分布，英文是Rain Drop SizeDistribution(D SD)。早在19世紀(jì)90年代，國(guó)外許多科研人員開始關(guān)注地面雨滴譜觀測(cè)方法的研究，在 發(fā)表的論文中至少有5種關(guān)于測(cè)量雨滴尺寸和分布的方法動(dòng)力學(xué)方法[Scheleusener P E.Drop Size Distribution and Energy ofFalling Raindrops from a Medium Pressure Irrigation Sprinkler. MichiganState University, East Lansing，1967 :45_48]、斑跡法 [Hall M J. Use of thestain method in determining of the drop-size distribution of coarse liquidsprays. Trans ASAE，1970，13(1) :33_37]、面粉法[Kohl R A.Drop sizedistribution from medium-sized agricultural sprinklers. Trans ASAE,1974, 17(4) :690_693]、照相法[Roels J Μ. Personal Communication. Laboratory ofPhysical Geography, Geographical Institute, University of Utrecht, Netherlands,1981 127-136]和浸潤(rùn)法[McCooll D K. PersonalCommunication. USDA-ARS. Agricultural Engineering Department, Washington State University, Pullman, 1982 :67_82]。近來 已有儀器在測(cè)雨滴大小、形狀的同時(shí)還可測(cè)到雨滴的落速。動(dòng)力學(xué)方法僅適用于測(cè)量均一 滴譜，而不適用于譜寬較大的滴譜測(cè)量。斑跡法的理論基礎(chǔ)是通過一個(gè)較寬譜寬的標(biāo)準(zhǔn)滴 譜來計(jì)算實(shí)際雨滴，其誤差范圍在6% 14%，相當(dāng)于0. 037 37mg。面粉法的缺點(diǎn)是標(biāo)準(zhǔn) 曲線會(huì)隨著不同品質(zhì)的面粉而產(chǎn)生變化，需要隨時(shí)訂正。照相法是用一個(gè)單反照相機(jī)拍下 雨滴圖像進(jìn)行人工分析，這種方法是一種直接測(cè)量的方法，用于測(cè)量均一平面上水滴個(gè)體 的大小和形狀，但要測(cè)量雨滴的譜分布，需同時(shí)取得眾多數(shù)量的整個(gè)滴群中的單個(gè)數(shù)據(jù)，人 工分析的工作效率低并且有技術(shù)上的困難，這也是制約其應(yīng)用的主要技術(shù)瓶頸。浸潤(rùn)法的 主要問題是下落速度太快的大滴可以沖破表面張力而浸入液體中，這種方法主要用來校準(zhǔn) 用于測(cè)量均一尺寸雨滴譜的儀器，而不能直接應(yīng)用到自然降水的雨滴譜觀測(cè)分析中。由上述內(nèi)容可見，在照相法中，需要人工分析雨滴圖像是制約其實(shí)用性和有效性 的主要因素，如果能夠自動(dòng)識(shí)別雨滴圖像中的雨滴目標(biāo)并提取相關(guān)的雨滴信息則能有效地 解決這個(gè)問題，并進(jìn)一步提高其準(zhǔn)確性。圖像預(yù)處理去噪以及目標(biāo)有效特征的提取是圖像識(shí)別中的兩個(gè)重要環(huán)節(jié)，也是能否有效識(shí)別雨滴目標(biāo)的關(guān)鍵。由于雨滴圖像在露天拍攝時(shí)受粉塵、光照、成像承雨玻璃片自身紋理或者攝像頭的影響，雨滴圖像自身含有一定的噪聲，對(duì)雨滴識(shí)別會(huì)造成不利 的影響。因此，需要對(duì)雨滴圖像進(jìn)行預(yù)處理去噪。各向異性擴(kuò)散平滑濾波技術(shù)[Perona P，Malik J. Scale-space and edge detection using anisotropic diffusion[J]. IEEETransactions on Pattern Analysis and Machine Intelligence，1990，12(7) :629 639]與傳統(tǒng)的圖像平滑去噪方法相比，既有效地去除噪聲，又能夠較好地保持圖像的邊緣 和重要的細(xì)節(jié)信息。邊緣是圖像最基本的特征，它存在于目標(biāo)與背景、目標(biāo)與目標(biāo)、區(qū)域與 區(qū)域，基元與基元之間。在雨滴圖像中，雨滴目標(biāo)與背景之間有較顯著的邊界，因此可以提 取雨滴目標(biāo)的邊緣信息來作為描述其的有效特征。索貝爾算子(Sobel operator) [Sobel, I. ,Feldman,G. A 3x3Isotropic Gradient Operator for ImageProcessing. presented at a talk at the Stanford Artificial Project in 1968,unpublished but often cited, orig. in Pattern Classification and Scene Analysis,Duda,R. and Hart,P. ,John Wiley and Sons, ' 73 271-272]是一種有效的邊緣提取算子。

發(fā)明內(nèi)容
本發(fā)明提供一種基于邊緣梯度的雨滴識(shí)別方法，目的在于克服現(xiàn)有方法中所存 在的問題，通過自動(dòng)識(shí)別雨滴圖像中的雨滴目標(biāo)并提取相關(guān)的雨滴信息，以提高降雨天氣 現(xiàn)象觀測(cè)的自動(dòng)化程度與精度。本發(fā)明的一種基于邊緣梯度的雨滴識(shí)別方法，包括如下步 驟(1)圖像獲取步驟，即從成像設(shè)備中分別獲取尺寸大小一致的待識(shí)別的雨滴圖像 及其所對(duì)應(yīng)的背景圖像；(2)圖像預(yù)處理步驟，即分別對(duì)上述獲取的待識(shí)別雨滴圖像及其對(duì)應(yīng)的背景圖像 進(jìn)行平滑去噪，得到結(jié)果圖像分別為I (x，y)和B(x，y)；(3)圖像差分步驟，即對(duì)I (X，y)和B(x，y)進(jìn)行差分操作，獲取差分圖像S (x，y) =I(x, y)-B(x,y) | ；(4)邊緣梯度圖像提取步驟，即提取差分圖像S (x，y)所對(duì)應(yīng)的邊緣梯度圖像E (X， y)；(5)邊緣梯度圖像二值化步驟，以閾值Thd對(duì)邊緣梯度圖像E(x，y)進(jìn)行二值化操 作，獲取二值化的邊緣梯度圖像T (x，y)
|0,如果五 {X,y)~{255,如果五(6)圖像形態(tài)學(xué)處理步驟，利用圖像形態(tài)學(xué)方法對(duì)二值化的邊緣梯度圖像T(X，y) 進(jìn)行處理，得到最終的雨滴識(shí)別結(jié)果，即T(x，y)中灰度值為255的連通域，具體過程如下(6. 1)對(duì)T(x，y)進(jìn)行圖像形態(tài)學(xué)開操作；(6. 2)將T(x，y)中面積小于閾值MinArea且灰度值為255的連通域的灰度置為 O ；(6. 3)對(duì)經(jīng)步驟(6. 2)處理后的T(x，y)進(jìn)行圖像形態(tài)學(xué)閉操作；(6. 4)對(duì)經(jīng)步驟(6. 3)處理后的T(x，y)中灰度值為255的像素點(diǎn)所占比例超過閾值Ratio的圖像行或列的灰度置為O ；(6. 5)再對(duì)T(x，y)進(jìn)行圖像形態(tài)學(xué)閉操作；(6. 6)將將經(jīng)步驟(6. 5)處理后的T(x，y)中最小外接矩形的長(zhǎng)和/或?qū)挸^對(duì) 應(yīng)的預(yù)定值且灰度值為255的連通域Ci的灰度置為0 ；(6. 7)對(duì)經(jīng)步驟(6. 6)處理后的T(x，y)中灰度值為255的連通域進(jìn)行內(nèi)部孔洞 填充；(6. 8)將經(jīng)步驟(6. 7)處理后的T(x，y)中最小外接橢圓的長(zhǎng)、短軸長(zhǎng)度比大于閾 值Ratiol且灰度值為255的連通域的灰度置為O ；(6. 9)將經(jīng)步驟(6. 8)處理后的T (x, y)中面積小于閾值MinArea且灰度值為255 的連通域的灰度置為O ；此時(shí)，T(x，y)中灰度值為255的連通域即為識(shí)別出的雨滴。對(duì)上述識(shí)別出的雨滴可進(jìn)一步提取雨滴信息，包括雨滴目標(biāo)數(shù)目、雨滴目標(biāo)平均 直徑及平均直徑分布譜，其中雨滴平均直徑MeanDiai定義為MeanDiai = ^MajorLi ^MinLiMajorLi為雨滴最小外接橢圓的長(zhǎng)軸長(zhǎng)度，MinLi為短軸長(zhǎng)度；平均直徑分布譜定義為設(shè)雨滴目標(biāo)平均直徑的值域?yàn)镽N = [MinDia, MaxDia]，將RN平均分成Numl個(gè)子 值域(RNj, j = 1,2, ...Numl-2，Numl-I, Numl}，雨滴目標(biāo)平均直徑分布譜即指雨滴平均直 徑MeanDiai分布在RN中各個(gè)子值域上的數(shù)目。上述步驟(2)中，所述的平滑去噪通過采用各向異性擴(kuò)散平滑濾波實(shí)現(xiàn)。上述步驟(4)中，所述的邊緣梯度圖像E(x，y)通過索貝爾算子(Sobel)提取E(x, y) =γ) ESv f + (S (χ, y) ESh f)其中0表示卷積操作，ESh與ESv分別是Sobel算子的橫向與縱向模板。上述步驟(6)中，所述圖像形態(tài)學(xué)操作中所采用的形態(tài)學(xué)結(jié)構(gòu)元素SE為<formula>formula see original document page 6</formula>

圖1是本發(fā)明流程示意圖；圖2是一幅待識(shí)別的雨滴圖像；圖3是待識(shí)別雨滴圖像所對(duì)應(yīng)的背景圖像；圖4是待識(shí)別雨滴圖像的各向異性擴(kuò)散平滑濾波結(jié)果圖像；
圖5是背景圖像的各向異性擴(kuò)散平滑濾波結(jié)果圖像；圖6是差分圖像；圖7是差分圖像所對(duì)應(yīng)的邊緣梯度圖像；圖8是二值化的邊緣梯度圖像；圖9是圖像形態(tài)學(xué)開操作的結(jié)果；圖10是去除小連通域后的結(jié)果；上述步驟(6.6)中，設(shè)所述連通域Ci的最小外接矩形的高度為Hi,寬度為WyMTp NT1、MT2和NT2為預(yù)設(shè)值，則如果Hi彡MT1且Wi彡NT1則將Ci的灰度置為0 ；如果Hi彡MT2或Wi彡NT2則將Ci的灰度置為0。本發(fā)明將數(shù)字圖像自動(dòng)識(shí)別技術(shù)弓丨入到了降雨天氣現(xiàn)象觀測(cè)中，可以自動(dòng)識(shí)別雨 滴圖像中的雨滴目標(biāo)并提取相關(guān)的雨滴信息。本發(fā)明可應(yīng)用于雨滴譜的觀測(cè)與獲取，從而 克服現(xiàn)有的照相法觀測(cè)雨滴譜的過程中人工分析雨滴圖像效率低且難度大的問題。結(jié)合時(shí) 間信息，本發(fā)明可進(jìn)一步應(yīng)用于降雨量統(tǒng)計(jì)、實(shí)時(shí)雨強(qiáng)監(jiān)測(cè)以及降雨相態(tài)與微結(jié)構(gòu)分析等， 在國(guó)民經(jīng)濟(jì)建設(shè)服務(wù)中有著重要的作用。圖11是圖像形態(tài)學(xué)閉操作的結(jié)果；圖12是孔洞填充的結(jié)果；圖13是去除形狀不滿足要求的虛假目標(biāo)的結(jié)果；圖14所示的是雨滴目標(biāo)最終識(shí)別結(jié)果。
具體實(shí)施例方式本發(fā)明將各項(xiàng)異性擴(kuò)散平滑濾波作為圖像預(yù)處理的方法，以邊緣梯度信息作為雨 滴目標(biāo)的有效特征通過結(jié)合圖像形態(tài)學(xué)的方法能有效地識(shí)別雨滴目標(biāo)并提取相關(guān)的雨滴 信息，處理流程如圖1所示(1)圖像獲取步驟，分別從成像設(shè)備獲取尺寸大小一致的待識(shí)別的雨滴圖像及其 所對(duì)應(yīng)的背景圖像。背景圖像是指按一定條件清除了觀測(cè)系統(tǒng)中的所有雨滴后，成像設(shè)備 所拍攝的圖像。圖2所示的是待識(shí)別雨滴圖像，圖3所示的是圖2所對(duì)應(yīng)的背景圖像；(2)圖像預(yù)處理步驟，由于雨滴圖像在露天拍攝時(shí)受粉塵、光照、成像承雨玻璃片 自身紋理或者攝像頭的影響，雨滴圖像自身含有一定的噪聲，對(duì)雨滴識(shí)別會(huì)造成不利的影 響。因此，需要對(duì)雨滴圖像進(jìn)行預(yù)處理去噪。本發(fā)明將利用各向異性擴(kuò)散平滑濾波的技術(shù) 分別對(duì)待識(shí)別雨滴圖像及其背景圖像進(jìn)行平滑去噪。與傳統(tǒng)的圖像平滑去噪方法相比，各 向異性擴(kuò)散平滑濾波的優(yōu)點(diǎn)在于既有效地去除噪聲，又能夠較好地保持圖像的邊緣和重要 的細(xì)節(jié)信息。圖4與圖5分別所示的是待識(shí)別雨滴圖像與背景圖像的各向異性擴(kuò)散平滑濾 波結(jié)果；(3)圖像差分步驟，對(duì)待識(shí)別雨滴圖像及其背景圖像的各向異性擴(kuò)散平滑濾波結(jié) 果圖像進(jìn)行差分操作，獲取差分圖像。差分圖像中雨滴目標(biāo)得到了突出，而背景被弱化甚至 消除從而有利于雨滴目標(biāo)的識(shí)別待識(shí)別雨滴圖像及其背景圖像的各向異性擴(kuò)散平滑濾波結(jié)果圖像分別為I (X，y) 和B(x，y)，對(duì)兩者進(jìn)行差分操作所獲取的差分圖像S(χ，y)定義為
S (χ, y) = 11 (χ, y)-B(x, y)圖6所示的是差分圖像；(4)邊緣梯度圖像提取步驟，利用邊緣提取算子提取差分圖像對(duì)應(yīng)的邊緣梯度圖 像，本實(shí)施例優(yōu)選利用索貝爾算子提取差分圖像S (x，y)所對(duì)應(yīng)的邊緣梯度圖像E (x，y) <formula>formula see original document page 8</formula>其中0表示卷積操作，ESh與ESv分別是Sobel算子的橫向與縱向模板。在本實(shí)施 例中，可選取ESh與ESvS義中任意一組，優(yōu)選選取為
<formula>formula see original document page 8</formula>本發(fā)明將主要利用邊緣信息作為雨滴目標(biāo)的有效特征，完成對(duì)雨滴的識(shí)別。圖7 所示的是差分圖像所對(duì)應(yīng)的邊緣梯度圖像；(5)邊緣梯度圖像二值化步驟，以閾值Thd對(duì)邊緣梯度圖像E(x，y)進(jìn)行二值化操 作，獲取二值化的邊緣梯度圖像T (x，y)<formula>formula see original document page 8</formula>T(x,y)中灰度值為255的連通域?yàn)闈撛诘挠甑文繕?biāo)。具體實(shí)施中Thd取[15，20] 之間的整數(shù)。圖8所示的是二值化的邊緣梯度圖像；(6)圖像形態(tài)學(xué)處理步驟，利用圖像形態(tài)學(xué)方法對(duì)二值化的邊緣梯度圖像T (X，y) 進(jìn)行處理，得到最終的雨滴識(shí)別結(jié)果，即T(x，y)中灰度值為255的連通域(6. 1)對(duì)T(x，y)進(jìn)行圖像形態(tài)學(xué)開操作。進(jìn)行圖像形態(tài)學(xué)開操作的目的是將T(x， y)中的一些干擾成分與雨滴目標(biāo)分隔開并弱化，以便于進(jìn)一步的去除。具體實(shí)施中所采用 的形態(tài)學(xué)結(jié)構(gòu)元素SE的定義如下
<formula>formula see original document page 8</formula>
圖9所示的是圖像形態(tài)學(xué)開操作的結(jié)果；(6. 2)將將經(jīng)步驟(6. 1)處理后的T (X，y)中面積小于閾值MinArea且灰度值為 255的連通域的灰度置為0。這里主要是為了去除T(x，y)中的干擾成分如噪聲殘留。具體 實(shí)施中閾值MinArea的取值范圍為
，單位為平方毫米。圖10所示的是去除小 連通域后的結(jié)果；(6. 3)對(duì)經(jīng)步驟(6. 2)處理后的T(x，y)進(jìn)行圖像形態(tài)學(xué)閉操作。這里主要是為了使雨滴目標(biāo)的邊緣更連續(xù)，減少缺失。具體實(shí)施中采用與(6. 1)相同的形態(tài)學(xué)結(jié)構(gòu)元素。 圖11所示的是圖像形態(tài)學(xué)閉操作的結(jié)果；(6. 4)對(duì)經(jīng)步驟(6. 3)處理后的T(x，y)中灰度值為255的像素點(diǎn)所占比例超過 閾值Ratio的圖像行或列的灰度置為0。這里主要是為了去除圖像邊緣處的干擾。具體實(shí) 施中閾值Ratio的取值范圍為
；(6. 5)對(duì)經(jīng)步驟(6. 4)處理后的T(x，y)進(jìn)行圖像形態(tài)學(xué)閉操作，具體實(shí)施中采用 與(6. 3)相同的形態(tài)學(xué)結(jié)構(gòu)元素。；(6. 6)將經(jīng)步驟(6. 5)處理后的T(x，y)中最小外接矩形邊長(zhǎng)超過預(yù)定值且灰度值 為255的連通域的灰度置為0。這里主要是為了去除一些區(qū)域尺寸特征過大的連通域。設(shè) 灰度值為255的任一連通域Ci的最小外接矩形的高度為Hi,寬度為Wi, MT1, NT1, MT2和NT2 為事先設(shè)定的預(yù)定值(6. 6. 1)如果Hi彡MT1且Wi彡NT1則將Ci的灰度置為0。具體實(shí)施中MT1的取值 范圍為[20，27] ,NT1的取值范圍為[20，27]，單位為毫米；(6. 6. 2)如果Hi彡MT2或Wi彡NT2則將Ci的灰度置為0。具體實(shí)施中MT2的取值 范圍為[27，35]，NT2的取值范圍為[27，35]，單位為毫米;(6. 7)對(duì)經(jīng)步驟(6. 6)處理后的T(x，y)中灰度值為255的連通域進(jìn)行內(nèi)部孔洞 填充。這里主要是為了將雨滴目標(biāo)進(jìn)一步實(shí)體化，這樣既避免了 T(x，y)中雨滴目標(biāo)互相嵌 套的情況也有利于后續(xù)雨滴信息的提取。圖12所示的是孔洞填充的結(jié)果；(6. 8)將經(jīng)步驟(6. 7)處理后的T(x，y)中最小外接橢圓長(zhǎng)、短軸長(zhǎng)度比大于預(yù)定 值Ratiol且灰度值為255的連通域的灰度置為0。這里主要是為了去除形狀不滿足要求的 虛假雨滴目標(biāo)。具體實(shí)施中預(yù)定值Ratiol的取值范圍為[4，8]。圖13所示的是相關(guān)的處 理結(jié)果；(6. 9)將經(jīng)步驟(6. 8)處理后的T (x, y)中面積小于閾值MinArea且灰度值為255 的連通域的灰度置為0。這里主要是為了去除T(x，y)中的干擾成分如噪聲殘留。具體實(shí)施 中閾值MinArea的取值范圍為W. 14，0. 19]，單位為平方毫米，得到最終的識(shí)別結(jié)果。T(x， y)中灰度值為255的連通域即為最終所識(shí)別出的雨滴目標(biāo)。圖14所示的是彩色顯示的最 終雨滴識(shí)別結(jié)果；(7)雨滴信息提取步驟，提取雨滴目標(biāo)數(shù)目、雨滴目標(biāo)平均直徑及其平均直徑分布 譜(7. 1)雨滴目標(biāo)的數(shù)目Num，即T(x，y)中灰度值為255的連通域的數(shù)目；(7. 2)設(shè)雨滴目標(biāo)Ri最小外接橢圓的長(zhǎng)軸長(zhǎng)度為MajorLi,短軸長(zhǎng)度為MinLi,則該 雨滴目標(biāo)的平均直徑MeanDiai定義為MeanDiai = ^MajorLi XMinLi統(tǒng)計(jì)每個(gè)雨滴目標(biāo)的最小外接橢圓的長(zhǎng)軸長(zhǎng)度MajorLi和短軸長(zhǎng)度為MinLi,即可 得出雨滴目標(biāo)的平均直徑MeanDiai ；(7. 3)雨滴目標(biāo)平均直徑分布譜DiaSpectrum描述的是雨滴平均直徑MeanDiai分 布在雨滴目標(biāo)平均直徑值域RN中各個(gè)子值域上的數(shù)目。其中，雨滴圖像中雨滴目標(biāo)平均直 徑的值域?yàn)镽N = [MinDia,MaxDia],MinDia為雨滴目標(biāo)平均直徑的最小值，MaxDia為雨滴 目標(biāo)平均直徑的最大值，將RN平均分成Numl個(gè)子值域{RNj，j = 1,2,…Numl_2，Numl-I，Numl}，Numl為自然數(shù)。根據(jù)雨滴目標(biāo)的平均直徑MeanDiai及 上述步驟 得出的各子值域即 可確定出雨滴目標(biāo)平均直徑分布譜DiaSpectrum。具體實(shí)施中Numl取[20，30]間的整數(shù)。
權(quán)利要求
一種基于邊緣梯度的雨滴識(shí)別方法，包括如下步驟(1)圖像獲取步驟，即從成像設(shè)備中分別獲取尺寸大小一致的待識(shí)別的雨滴圖像及其所對(duì)應(yīng)的背景圖像；(2)圖像預(yù)處理步驟，即分別對(duì)上述獲取的待識(shí)別雨滴圖像及其對(duì)應(yīng)的背景圖像進(jìn)行平滑去噪，得到結(jié)果圖像分別為I(x，y)和B(x，y)；(3)圖像差分步驟，即對(duì)I(x，y)和B(x，y)進(jìn)行差分操作，獲取差分圖像S(x，y)＝|I(x，y)-B(x，y)|；(4)邊緣梯度圖像提取步驟，即提取差分圖像S(x，y)所對(duì)應(yīng)的邊緣梯度圖像E(x，y)；(5)邊緣梯度圖像二值化步驟，以閾值Thd對(duì)邊緣梯度圖像E(x，y)進(jìn)行二值化操作，獲取二值化的邊緣梯度圖像T(x，y)(6)圖像形態(tài)學(xué)處理步驟，利用圖像形態(tài)學(xué)方法對(duì)二值化的邊緣梯度圖像T(x，y)進(jìn)行處理，得到最終的雨滴識(shí)別結(jié)果，即T(x，y)中灰度值為255的連通域，具體過程如下(6.1)對(duì)T(x，y)進(jìn)行圖像形態(tài)學(xué)開操作；(6.2)將T(x，y)中面積小于閾值MinArea且灰度值為255的連通域的灰度置為0；(6.3)對(duì)經(jīng)步驟(6.2)處理后的T(x，y)進(jìn)行圖像形態(tài)學(xué)閉操作；(6.4)對(duì)經(jīng)步驟(6.3)處理后的T(x，y)中灰度值為255的像素點(diǎn)所占比例超過閾值Ratio的圖像行或列的灰度置為0；(6.5)再對(duì)T(x，y)進(jìn)行圖像形態(tài)學(xué)閉操作；(6.6)將將經(jīng)步驟(6.5)處理后的T(x，y)中最小外接矩形的長(zhǎng)和/或?qū)挸^對(duì)應(yīng)的預(yù)定值且灰度值為255的連通域Ci的灰度置為0；(6.7)對(duì)經(jīng)步驟(6.6)處理后的T(x，y)中灰度值為255的連通域進(jìn)行內(nèi)部孔洞填充；(6.8)將經(jīng)步驟(6.7)處理后的T(x，y)中最小外接橢圓的長(zhǎng)、短軸長(zhǎng)度比大于閾值Ratio1且灰度值為255的連通域的灰度置為0；(6.9)將經(jīng)步驟(6.8)處理后的T(x，y)中面積小于閾值MinArea且灰度值為255的連通域的灰度置為0；此時(shí)，T(x，y)中灰度值為255的連通域即為識(shí)別出的雨滴。FDA0000020557150000011.tif
2.根據(jù)權(quán)利要求1所述的雨滴識(shí)別方法，其特征在于，對(duì)上述識(shí)別出的雨滴可進(jìn)一步 提取雨滴信息，包括雨滴目標(biāo)數(shù)目、雨滴目標(biāo)平均直徑及平均直徑分布譜，其中雨滴平均直 徑MeanDiai定義為MeanDiai =MajorL1*MinL1MajorLi為雨滴最小外接橢圓的長(zhǎng)軸長(zhǎng)度，MinLi為短軸長(zhǎng)度； 平均直徑分布譜定義為設(shè)雨滴目標(biāo)平均直徑的值域?yàn)镽N = [MinDia, MaxDia]，將RN平均分成Numl個(gè)子值 域(RNj, j = 1,2, ...Numl-2，Numl-I, Numl}，雨滴目標(biāo)平均直徑分布譜即指雨滴平均直徑 MeanDiai分布在RN中各個(gè)子值域上的數(shù)目。
3.如權(quán)利要求1或2所述的一種基于邊緣梯度的雨滴識(shí)別方法，其特征在于，上述步驟(2)中，所述的平滑去噪通過采用各向異性擴(kuò)散平滑濾波實(shí)現(xiàn)。
4.如權(quán)利要求1-3之一所述的一種基于邊緣梯度的雨滴識(shí)別方法，其特征在于，上述 步驟(4)中，所述的邊緣梯度圖像E(x，y)通過索貝爾算子(Sobel)提取E(x, y) = J((S(x, y) ESv )2 + (S(x, y) ESh f)其中0表示卷積操作，ESh與ESv分別是Sobel算子的橫向與縱向模板。
5.如權(quán)利要求1-4之一所述的一種基于邊緣梯度的雨滴識(shí)別方法，其特征在于，上述 步驟(6)中，所述圖像形態(tài)學(xué)操作中所采用的形態(tài)學(xué)結(jié)構(gòu)元素SE為<formula>formula see original document page 3</formula>
6.如權(quán)利要求1-5之一所述的一種基于邊緣梯度的雨滴識(shí)別方法，其特征在于，上述 步驟(6.6)中，設(shè)所述連通域Gi的最小外接矩形的高度為Hi,寬度為Wi, MTpNTpMI^n NT2 為預(yù)設(shè)值，則如果Hi彡MT1且Wi彡NT1則將Ci的灰度置為0 ； 如果Hi彡MT2或Wi彡NT2則將Ci的灰度置為0。
全文摘要
一種雨滴識(shí)別方法，屬于數(shù)字圖像識(shí)別領(lǐng)域，目的在于自動(dòng)識(shí)別雨滴圖像中的雨滴目標(biāo)并提取相關(guān)的雨滴信息，以提高降雨天氣現(xiàn)象觀測(cè)的自動(dòng)化程度與精度。本發(fā)明用于降雨天氣現(xiàn)象觀測(cè)中雨滴譜的自動(dòng)觀測(cè)與獲取。順序包括(1)圖像獲取步驟，(2)圖像預(yù)處理步驟，(3)圖像差分步驟，(4)邊緣梯度圖像提取步驟，(5)邊緣梯度圖像二值化步驟，(6)圖像形態(tài)學(xué)處理步驟，(7)雨滴信息提取步驟。本發(fā)明將各項(xiàng)異性擴(kuò)散平滑濾波作為圖像預(yù)處理的方法，以邊緣梯度信息作為雨滴目標(biāo)的有效特征，通過結(jié)合圖像形態(tài)學(xué)的方法能有效地識(shí)別雨滴目標(biāo)并提取相關(guān)的雨滴信息，從而提高降雨天氣現(xiàn)象觀測(cè)的自動(dòng)化程度與精度。
文檔編號(hào)G06K9/54GK101814139SQ20101014582
公開日2010年8月25日 申請(qǐng)日期2010年4月14日 優(yōu)先權(quán)日2010年4月14日
發(fā)明者卓問, 曹治國(guó), 段西堯, 熊嶷, 肖陽, 鄢睿丞, 馬舒慶 申請(qǐng)人:華中科技大學(xué)