專利名稱：一種雨滴識別方法
技術領域：
本發(fā)明屬于數(shù)字圖像識別領域，具體涉及一種基于四值域分割的雨滴識別方法，用于自動識別雨滴圖像中的雨滴目標并提取相關的雨滴信息。
背景技術：
降雨觀測是天氣現(xiàn)象觀測中的重要組成部分，在國民經濟建設服務中有著重要的 作用，如防洪、抗旱、減災、水利工程的設計、工農業(yè)生產等，同時對氣候變化特別是季風研 究等許多方面有著重要的影響。在降雨觀測中很重要的一點就是要提取降雨所對應的雨滴譜，并進而利用其對降 雨特性如降雨量、降雨強度、降雨類型以及降雨微結構等進行分析。雨滴譜是指在單位空間 體積內，直徑在D D+ Δ d的雨滴的數(shù)目，即單位體積內雨滴大小的分布，英文是Rain Drop SizeDistribution (DSD)。早在19世紀90年代，國外許多科研人員開始關注地面雨滴譜觀測方法的研究，在 發(fā)表的論文中至少有5種關于測量雨滴尺寸和分布的方法動力學方法[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 已有儀器在測雨滴大小、形狀的同時還可測到雨滴的落速。動力學方法僅適用于測量均一 滴譜，而不適用于譜寬較大的滴譜測量。斑跡法的理論基礎是通過一個較寬譜寬的標準滴 譜來計算實際雨滴，其誤差范圍在6% 14%，相當于0. 037 37mg。面粉法的缺點是標準 曲線會隨著不同品質的面粉而產生變化，需要隨時訂正。照相法是用一個單反照相機拍下 雨滴圖像進行人工分析，這種方法是一種直接測量的方法，用于測量均一平面上水滴個體 的大小和形狀，但要測量雨滴的譜分布，需同時取得眾多數(shù)量的整個滴群中的單個數(shù)據(jù)，人 工分析的工作效率低并且有技術上的困難，這也是制約其應用的主要技術瓶頸。浸潤法的 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 用于測量均一尺寸雨滴譜的儀器，而不能直接應用到自然降水的雨滴譜觀測分析中。由上述內容可見，在照相法中，需要人工分析雨滴圖像是制約其實用性和有效性 的主要因素，如果能夠自動識別雨滴圖像中的雨滴目標并提取相關的雨滴信息則能有效地 解決這個問題，并進一步提高其準確性。圖像預處理去噪以及圖像分割是圖像識別中的兩個重要環(huán)節(jié)，也是能否有效識別雨滴目標的關鍵。由于雨滴圖像在露天拍攝時受粉塵、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，對雨滴識別會造成不利的影 響。因此，需要對雨滴圖像進行預處理去噪。各向異性擴散平滑濾波技術[Perona P， Malik J. Scale-spaceand edge detection using anisotropic diffusion [J]. IEEE Transactions onPattern 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 要的細節(jié)信息。圖像分割是將圖像表示為物理上有意義的連通區(qū)域的集合，也就是根據(jù) 目標與背景的先驗知識，對圖像中的目標、背景進行標記、定位，然后將目標從背景或其他 偽目標中分離出來。在雨滴圖像中，雨滴目標與背景之間有較顯著的灰度差異，因此可以 利用基于灰度的圖像分割技術將雨滴目 標與背景分離開。大灃法(Otsu算法)[Otsu N. A threshold selection method from gray-level histograms[J]. IEEETransactions on System Man and Cybernetic，1979，9 (1) :62_66]是一種有效的基于灰度的圖像分割方法。

發(fā)明內容
本發(fā)明提供一種基于四值域分割的雨滴識別方法，目的在于克服現(xiàn)有方法中所存 在的問題，通過自動識別雨滴圖像中的雨滴目標并提取相關的雨滴信息，以提高降雨天氣 現(xiàn)象觀測的自動化程度與精度。本發(fā)明的一種基于四值域分割的雨滴識別方法，包括如下步驟(1)圖像獲取步驟，即從成像設備中分別獲取尺寸大小一致的待識別的雨滴圖像 及其所對應的背景圖像；(2)圖像預處理步驟，即分別對上述獲取的待識別雨滴圖像及其對應的背景圖像 進行平滑去噪，得到結果圖像分別為I (X，y)和B(X，y)；(3)圖像差分步驟，即對I(x，y)和B(x，y)進行差分操作，獲取差分圖像S (x，y) =I(x, y)-B(x,y) | ；(4)圖像四值域分割步驟，即對差分圖像進行四值域分割，獲取屬于四個不同灰度 值域的分層分割圖像，分別為！^“。、!^“。、!^^，。和T6 t(x，y)；(5)雨滴識別步驟，基于上述分層分割圖像，并結合圖像形態(tài)學方法完成對雨滴目 標的識別，具體過程為(5. 1)分別對 T3 t (χ, y)、T4 t (χ, y)、T5 t (χ, y)和 T6 t (χ, y)進行 N 次圖像形態(tài)學腐 蝕操作，獲取對應的腐蝕圖像TR3 t (χ, y)、TR4 t (χ, y)、TR5 t (χ, y)和TR61 (χ，y)，其中N的取 值范圍為[1，4]；(5. 2)再分別將 T3 t (X，y)、T4 t (x，y)、T5 t (χ, y)和 T6 t (χ, y)中面積大于閾值 Maxarea且灰度值為255的連通域的灰度值置為0 ；(5. 3)分別將 TR3 t (X，y)、TR41 (χ, y)、TR5 t (χ, y)和 TR6 t (χ, y)中面積大于閾值 Maxareal且灰度值為255的連通域的灰度值置為0 ；(5. 4)分別根據(jù)面積和形狀信息將經步驟(5. 2)處理后的T3 t(x，y)、T4 t(x，y)、T5 t(x，y)與T6 t(x，y)中滿足下述條件之一且灰度值為255的連通域的灰度置為0 (A) Areai > Maxarea2 并且 Axisratioi > Ratio ；(B)Minarea < Areai < Maxarea2 并且 Axisratioi > Ratiol ；
(C)Axisratioi > Ratio2,其中，Areai為 T3 t (x，y)、T4 t (x，y)、T5 t (x, y)和 T6 t (x, y)中灰度值為 255 的任 一連通域CAi的面積，Axisratioi為其最小外接橢圓長、短軸的長度比，Minarea、Maxarea2、 Ratio、Ratiol 和 Ratio2 均為預設值；(5. 5)分別根據(jù)面積和形狀信息將經步驟(5. 3)處理后的TR3 t (χ,y)、TR4 t (χ,y)、 TR5 t (χ, y)和TR6 t(x，y)中滿足以下條件之一且灰度值為255的連通域的灰度置為O (A) RAreai > Maxarea3 ^ RAxisratioi > Ratio ；(B)Minareal < RAreai < Maxarea3 ^ RAxisratioi > Ratiol ；(C)RAxisratioi > Ratio2 ；其中，RAreai為 TR3 t (χ，y)、TR4 t (χ, y)、TR5 t (χ, y)和 TR6 t (χ，y)中灰度值為 255 的任一連通域RCAi的面積，RAxisratioi為其最小外接橢圓長、短軸的長度比，MinareaU Maxarea3均為預設值；(5. 6)分別對 TR3 t (χ, y)、TR4 t (χ, y)、TR5 t (χ, y)和 TR6 t (χ, y)進行 N 次圖像形態(tài) 學膨脹操作；(5. 7)對 T3 t (X，y)、T4 t (x，y)、T5 t (x，y)、T6 t (x，y)、TR3 t (x，y)、TR4 t (x，y)、TR5 t(x, y)與TR6 t(x，y)進行疊加融合，得到融合圖像TFusion (X，y)
255如果坌7；.<formula>formula see original document page 7</formula> <formula>formula see original document page 7</formula>(5.8)對TFuSi0n(x，y)進行附次圖像形態(tài)學膨脹操作，其中附的取值范圍為[1， 4]；(5. 9)對經步驟(5. 8)處理后的TFusion (X，y)中灰度值為255的連通域進行內 部孔洞填充；(5. 10)再將TFusion (X，y)中面積大于閾值Maxarea4且灰度值為255的連通域 的灰度值置為O ；(5. 11)對經上述步驟處理后的TFusion (X，y)進行M次圖像形態(tài)學腐蝕操作；(5. 12)再將TFusion (X，y)中面積小于預設值Minareal且灰度值為255的連通 域的灰度置為0，此時，TFusion(x, y)中灰度值為255的連通域即為最終識別出的雨滴。本發(fā)明所述的四值域分割具體過程如下設差分圖像S(x，y)的灰度級集合為G= {0,1,…L}，其中L為S(x，y)中的最高 灰度級值，首先確定分割閾值t，并將S(x，y)中的像素點按灰度值分為暗區(qū)集合C1 = {O, 1，…t}和亮區(qū)集合C2 = {t+1，t+2，…L}兩類，接下來對暗區(qū)集合C1= {0,1,…t}和亮區(qū)集合C2= {t+1, t+2,…L}中的像素 點分別再次進行分割，C1和C2分別被分割為兩個新的集合，設C1的分割閾值為C2的分 割閾值為t2，C1被重新劃分為C3與C4，C2被重新劃分為C5與C6,則<formula>formula see original document page 7</formula>
C5 = {t+1，t+2...t2} C6 = {t2+l，t2+2...L}如此，圖像中的像素點被分割為四類，分別劃分到了四個灰度值域集合中，對C3、 C4、C5與C6中的像素點分別進行處理，生成各自對應的分層分割結果圖像T3 t(x，y) ,T4 t (χ, y)、T5t(x，y)和 T6t(x，y)，其中
Jo如果風XJkQ .WU 仏叫255如果取加 ." = 3，4，5，6上述步驟(5.6)中的所述圖像形態(tài)學膨脹操作中所采用的形態(tài)學結構元素SE 為
'0 0 0 1 0 0 0' 0 111110 "0 0 1 0 0] 01111100 1110 或浙=1111111。 "0 1 0] ^= 1 1 1 1 1 0 111110 SE= 1 1 1 , 0 11100 111110
0 1 oj L0 0 1 0 0J
，將RN平均分成Numl個子 值域(RNj, j = 1,2, ...Numl-2，Numl-I, Numl}，雨滴目標平均直徑分布譜即指雨滴平均直 徑MeanDiai分布在RN中各個子值域上的數(shù)目。本發(fā)明將數(shù)字圖像自動識別技術弓丨入到了降雨天氣現(xiàn)象觀測中，可以自動識別雨 滴圖像中的雨滴目標并提取相關的雨滴信息。本發(fā)明可應用于雨滴譜的觀測與獲取，從而 克服現(xiàn)有的照相法觀測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。結合時 間信息，本發(fā)明可進一步應用于降雨量統(tǒng)計、實時雨強監(jiān)測以及降雨相態(tài)與微結構分析等， 在國民經濟建設服務中有著重要的作用。


圖1是本發(fā)明流程示意圖；圖2是一幅待識別的雨滴圖像；圖3是待識別雨滴圖像所對應的背景圖像；圖4是差分圖像；圖5是差分圖像的分層分割結果圖像T3 t(x，y)；圖6是差分圖像的分層分割結果圖像T4 t(x，y)；圖7是差分圖像的分層分割結果圖像T5 t(x，y)；
圖8是差分圖像的分層分割結果圖像T6 t(x，y)；圖9是疊加融合圖像TFusion (x, y)；圖10是最終雨滴識別結果圖像；
具體實施例方式本發(fā)明將各項異性
擴散平滑濾波作為圖像預處理的方法，以灰度信息作為雨滴目 標的有效特征，通過結合圖像四值域分割與圖像形態(tài)學的方法能有效地識別雨滴目標并提 取相關的雨滴信息，處理流程如圖1所示(1)圖像獲取步驟，分別從成像設備獲取尺寸大小一致的待識別雨滴圖像及其所 對應的背景圖像。背景圖像是指按一定條件清除了觀測系統(tǒng)中的所有雨滴后，成像設備所 拍攝的圖像。圖2所示的是待識別雨滴圖像，圖3所示的是圖2所對應的背景圖像；(2)圖像預處理步驟，由于雨滴圖像在露天拍攝時受粉塵、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，對雨滴識別會造成不利的影 響。因此，需要對雨滴圖像進行預處理去噪。本發(fā)明將利用各向異性擴散平滑濾波的技術 分別對待識別雨滴圖像及其背景圖像進行平滑去噪。與傳統(tǒng)的圖像平滑去噪方法相比，各 向異性擴散平滑濾波的優(yōu)點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 的細節(jié)信息；(3)圖像差分步驟，對待識別雨滴圖像及其背景圖像的各向異性擴散平滑濾波結 果圖像進行差分操作，獲取差分圖像。差分圖像中雨滴目標得到了突出，而背景被弱化甚至 消除從而有利于雨滴目標的識別待識別雨滴圖像及其背景圖像的各向異性擴散平滑濾波結果圖像分別為I (X，y) 和B(x，y)，對兩者進行差分操作所獲取的差分圖像S(χ，y)定義為S (x, y) = 11 (χ, y)-B(x, y)圖4所示的是差分圖像；(4)圖像四值域分割步驟，對差分圖像進行基于大灃法(Otsu算法)的圖像四值域 分割，獲取屬于四個不同灰度值域的分層分割圖像設差分圖像S(x，y)的灰度級集合為G= {0,1,…L}，其中L為S(x，y)中的最高 灰度級值，首先利用Otsu算法確定分割閾值t，將S(x，y)中的像素點按灰度值分為暗區(qū)集 合(^= {0,1,…t}和亮區(qū)集合C2= {t+l，t+2，…L}兩類。接下來對暗區(qū)集合C1= {0， 1，…t}和亮區(qū)集合C2= {t+l，t+2，…L}中的像素點分別再次進行Otsu分割，C1和C2會 被分別分割為兩個新的集合。設C1的分割閾值為C2的分割閾值為t2，C1被重新劃分為 C3與C4, C2被重新劃分為C5與C6,則C3 = {0, l-'-tJC4 = {ti+1, t1+2---t}C5 = {t+1，t+2...t2} C6 = {t2+l，t2+2...L}如此，圖像中的像素點被分割為四類，分別劃分到了四個灰度值域集合中，從而完 成了對S(x，y)的基于Otsu算法的圖像四值域分割。在得到最終的四值域分割結果時，對 C3、C4、C5與C6中的像素點分別進行處理，生成各自對應的分層分割結果圖像T3 t (χ, y)、T4 t (X，y)、T5 t (χ, y)與 T61 (X, y),其中<formula>formula see original document page 10</formula>圖5至圖8所示的是S(χ，y)所對應的各分層分割結果圖像。由以上的分割結果 圖像可以看到，雨滴目標中具有不同灰度的區(qū)域被分割到了屬于不同灰度值域的分層分割 結果中，并以灰度值255來表征。接下來，本發(fā)明將分別提取各層次分割結果圖像中的雨滴 成分，并將其融合形成最終的雨滴識別結果。(5)雨滴識別步驟，基于圖像四值域分割所獲取的分層分割圖像，并結合圖像形態(tài) 學的方法完成對雨滴目標的識別(5. 1)分別對 T3 t (χ, y)、T4 t (χ, y)、T5 t (χ, y)與 T6 t (χ, y)進行 N 次圖像形態(tài)學腐 蝕操作，獲取腐蝕圖像TR3 t (χ, y)、TR4 t (χ, y)、TR5 t (χ, y)與TR6 t (χ, y)。進行腐蝕操作的 目的是將T3 t (χ, y)、T4 t (χ, y)、T5 t (χ, y)與T6 t (χ, y)中的雨滴成分與背景成分盡可能地分 割開，從而避免在后續(xù)的處理中被剔除掉。雖然腐蝕操作也同時會造成雨滴成分的損失，但 可以通過最終與未腐蝕圖像的處理結果相融合而得到彌補。具體實施中，N的取值范圍為 [1,4],所采用的形態(tài)學結構元素SE的定義如下
<formula>formula see original document page 10</formula>(5. 2)分別將 T3 t(x，y)、T4 t(x，y)、T5 t(x，y)與 T6 t (χ, y)中面積大于閾值 Maxarea 且灰度值為255的連通域的灰度置為0。這里主要是利用先驗知識去除背景成分。具體實 施中閾值Maxarea的取值范圍為[24，30]，單位為平方毫米；(5. 3)分別將 TR3 t (X，y)、TR4 t (χ, y)、TR5 t (χ, y)與 TR6 t (χ, y)中面積大于預定值 Maxareal且灰度值為255的連通域的灰度置為0 ；這里主要是利用先驗知識去除背景成分。 具體實施中預定值Maxareal的取值范圍為[24，30]，單位為平方毫米；(5. 4)分別根據(jù)面積和形狀信息將經步驟(5. 2)處理后的T3 t (χ, y)、T4 t (χ, y)、T5 t(x，y)與T6 t(x，y)中滿足下述條件之一且灰度值為255的連通域的灰度置為0，以進一步 去除非雨滴的成分(A) Areai > Maxarea2 并且 Axisratioi > Ratio ；(B)Minarea < Areai < Maxarea2 并且 Axisratioi > Ratiol ；(C)Axisratioi > Ratio2。其中，Areai為 T3 t (x，y)、T4 t (x，y)、T5 t (x，y)與 T6 t (x, y)中灰度值為 255 的任 一連通域CAi的面積，Axisratioi為其最小外接橢圓長、短軸的長度比，Minarea、Maxarea2、 Ratio、Ratiol和Ratio2均為預設值，且Minarea、Maxarea2的取值范圍分別為[1. 5,4], [6，11]，單位為平方毫米；1^^0、1^^01和1^^02的取值范圍分別為[2，3]、[3，5]和[5， 7]；
(5. 5)分別根據(jù)面積和形狀信息將經步驟(5. 3)處理后的TR3 t (χ,y)、TR4 t (χ,y)、 TR5 t (χ, y)與TR6 t(x，y)中滿足以下條件之一且灰度值為255的連通域的灰度置為0。(A) RAreai > Maxarea3 ^ RAxisratioi > Ratio ；(B)Minareal < RAreai < Maxarea3 ^ RAxisratioi > Ratiol ；(C)RAxisratioi > Ratio2 ；其中，RAreai為 TR3 t (χ，y)、TR4 t (χ, y)、TR5 t (χ, y)與 TR6 t (χ，y)中灰度值為 255 的任一連通域RCAi的面積，RAxisratioi為其最小外接橢圓長、短軸的長度比，MinareaU Maxarea3、Ratio、Ratiol和Ratio2均為預設值，且Minareal、Maxarea3的取值范圍分別為 [1. 5，4]、[6，11]，單位為平方毫米；Ratio、Ratiol和Ratio2的取值范圍分別為[2，3]、[3， 5]和[5,7]；(5. 6)分別對經步驟(5. 5)處理后的 TR3 t (x, y)、TR41 (χ, y) ,TR5 t (χ, y)與 TR6 t (χ, y)進行N次圖像形態(tài)學膨脹操作，這里進行膨脹操作的目的是為了彌補(5. 1)中的腐蝕操 作對TR31 (χ，y)、TR4 t (x，y)、TR5 t (x，y)與TR61 (χ, y)中雨滴成分的破壞。具體實施中，采 用與(5. 1)相同的形態(tài)學結構元素SE ；(5. 7)對上述各步驟處理后的 T3 t (x, y)、T4 t (χ, y)、T5 t (χ, y)、T6 t (χ, y)、TR3 t (χ, y)、TR4 t (χ, y)、TR5 t (χ, y)與 TR6 t (χ, y)進行疊加融合，得到融合圖像 TFusion (x, y)
<formula>formula see original document page 11</formula>圖9所示的是融合圖像，TFusion (x，y)中灰度值為255的連通域為潛在的雨滴目 標；(5. 8)對融合圖像TFusion(X，y)進行附次圖像形態(tài)學膨脹操作，這里進行膨脹 操作的目的是為了使本屬于同一雨滴目標而又分隔開的不同連通域聚合成一個完整的連 通域。具體實施中采用與(5. 1)相同的形態(tài)學結構元素SE，m的取值范圍為[1，4]；(5. 9)對經步驟(5. 8)處理后的融合圖像TFusion(x，y)中灰度值為255的連通 域進行內部孔洞填充，這里主要是為了將雨滴目標進一步實體化，有利于后續(xù)雨滴信息的 提??；(5. 10)將經步驟(5. 9)處理后的融合圖像TFusion (x, y)中面積大于閾值 Maxarea4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面積過大的虛假雨 滴目標。具體實施中閾值Maxarea4的取值范圍為[70，80]，單位為平方毫米；(5. 11)對經步驟(5. 10)處理后的TFusion (x，y)進行附次圖像形態(tài)學腐蝕操作， 這里是為了消除因(5.8)中膨脹操作而造成的雨滴目標被放大的問題。具體實施中采用與 (5. 1)相同的形態(tài)學結構元素SE;(5. 12)將經步驟(5. 11)處理后的TFusion (x，y)中面積小于Minareal且灰度值 為255的連通域的灰度置為0，得到最終的雨滴識別結果，TFusion (x，y)中灰度值為255的 連通域即為最終識別出的雨滴目標。圖10所示的是最終雨滴識別結果；(6)雨滴信息提取步驟，提取雨滴目標數(shù)目、雨滴目標平均直徑及其平均直徑分布譜(6. 1)雨滴目標的數(shù)目Num，即T(x，y)中灰度值為255的連通域的數(shù)目；(6. 2)設雨滴目標Ri最小外接橢圓的長軸長度為MajorLi,短軸長度為MinLi,則該 雨滴目標的平均直徑MeanDiai定義為MeanDiai = ^MajorLi XMinLi統(tǒng)計每個雨滴目標的最小外接橢圓的長軸長度MajorLjn短軸長度為MinLi,即可 得出雨滴目標的平均直徑MeanDiai ；(6. 3)雨滴目標平均直徑分布譜DiaSpectrum描述的是雨滴平均直徑MeanDiai分 布在雨滴目標平均直徑值域RN中各個子值域上的數(shù)目。其中，雨滴圖像中雨滴目標平均直 徑的值域為RN = [MinDia,MaxDia],MinDia為雨滴目標平均直徑的最小值，MaxDia為雨滴 目標平均直徑的最大值，將RN平均分成Numl個子值域{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 可確定出雨滴目標平均直徑分布譜DiaSpectrum。具體實施中Numl取[20，30]間的整數(shù)。
權利要求
一種基于四值域分割的雨滴識別方法，包括如下步驟(1)圖像獲取步驟，即從成像設備中分別獲取尺寸大小一致的待識別的雨滴圖像及其所對應的背景圖像；(2)圖像預處理步驟，即分別對上述獲取的待識別雨滴圖像及其對應的背景圖像進行平滑去噪，得到結果圖像分別為I(x，y)和B(x，y)；(3)圖像差分步驟，即對I(x，y)和B(x，y)進行差分操作，獲取差分圖像S(x，y)＝|I(x，y)-B(x，y)|；(4)圖像四值域分割步驟，即對差分圖像進行四值域分割，獲取屬于四個不同灰度值域的分層分割圖像，分別為T3_t(x，y)、T4_t(x，y)、T5_t(x，y)和T6_t(x，y)；(5)雨滴識別步驟，基于上述分層分割圖像，并結合圖像形態(tài)學方法完成對雨滴目標的識別，具體過程為(5.1)分別對T3_t(x，y)、T4_t(x，y)、T5_t(x，y)和T6_t(x，y)進行N次圖像形態(tài)學腐蝕操作，獲取對應的腐蝕圖像TR3_t(x，y)、TR4_t(x，y)、TR5_t(x，y)和TR6_t(x，y)，其中N的取值范圍為[1，4]；(5.2)再分別將T3_t(x，y)、T4_t(x，y)、T5_t(x，y)和T6_t(x，y)中面積大于閾值Maxarea且灰度值為255的連通域的灰度值置為0；(5.3)分別將TR3_t(x，y)、TR4_t(x，y)、TR5_t(x，y)和TR6_t(x，y)中面積大于閾值Maxarea1且灰度值為255的連通域的灰度值置為0；(5.4)分別根據(jù)面積和形狀信息將經步驟(5.2)處理后的T3_t(x，y)、T4_t(x，y)、T5_t(x，y)與T6_t(x，y)中滿足下述條件之一且灰度值為255的連通域的灰度置為0(A)Areai＞Maxarea2并且Axisratioi＞Ratio；(B)Minarea＜Areai＜Maxarea2并且Axisratioi＞Ratio1；(C)Axisratioi＞Ratio2，其中，Areai為T3_t(x，y)、T4_t(x，y)、T5_t(x，y)和T6_t(x，y)中灰度值為255的任一連通域CAi的面積，Axisratioi為其最小外接橢圓長、短軸的長度比，Minarea、Maxarea2、Ratio、Ratio1和Ratio2均為預設值；(5.5)分別根據(jù)面積和形狀信息將經步驟(5.3)處理后的TR3_t(x，y)、TR4_t(x，y)、TR5_t(x，y)和TR6_t(x，y)中滿足以下條件之一且灰度值為255的連通域的灰度置為0(A)RAreai＞Maxarea3并且RAxisratioi＞Ratio；(B)Minarea1＜RAreai＜Maxarea3并且RAxisratioi＞Ratio1；(C)RAxisratioi＞Ratio2；其中，RAreai為TR3_t(x，y)、TR4_t(x，y)、TR5_t(x，y)和TR6_t(x，y)中灰度值為255的任一連通域RCAi的面積，RAxisratioi為其最小外接橢圓長、短軸的長度比，Minarea1、Maxarea3均為預設值；(5.6)分別對TR3_t(x，y)、TR4_t(x，y)、TR5_t(x，y)和TR6_t(x，y)進行N次圖像形態(tài)學膨脹操作；(5.7)對T3_t(x，y)、T4_t(x，y)、T5_t(x，y)、T6_t(x，y)、TR3_t(x，y)、TR4_t(x，y)、TR5_t(x，y)與TR6_t(x，y)進行疊加融合，得到融合圖像TFusion(x，y)(5.8)對TFusion(x，y)進行N1次圖像形態(tài)學膨脹操作，其中N1的取值范圍為[1，4]；(5.9)對經步驟(5.8)處理后的TFusion(x，y)中灰度值為255的連通域進行內部孔洞填充；(5.10)再將TFusion(x，y)中面積大于閾值Maxarea4且灰度值為255的連通域的灰度值置為0；(5.11)對經上述步驟處理后的TFusion(x，y)進行N1次圖像形態(tài)學腐蝕操作；(5.12)再將TFusion(x，y)中面積小于預設值Minarea1且灰度值為255的連通域的灰度置為0，此時，TFusion(x，y)中灰度值為255的連通域即為最終識別出的雨滴。FDA0000020557550000031.tif
2.如權利要求1所述的一種基于邊緣梯度的雨滴識別方法，其特征在于，所述的四值 域分割具體過程如下設差分圖像S(x，y)的灰度級集合為G= {0,1,1}，其中1^為5(1，7)中的最高灰度 級值，首先確定分割閾值t，并將S(x，y)中的像素點按灰度值分為暗區(qū)集合Q = {0,1,… t}和亮區(qū)集合C2 = {t+1，t+2，…L}兩類，接下來對暗區(qū)集合{0,1,…t}和亮區(qū)集合C2= {t+1, t+2,…L}中的像素點分 別再次進行分割，和C2分別被分割為兩個新的集合，設Q的分割閾值為、C2的分割閾 值為t2，被重新劃分為C3與C4，C2被重新劃分為C5與C6，則C3 = {0,1-tjC4 = {ti+l, t1+2---t}C5 = {t+l,t+2."t2} C6 = {t2+l, t2+2."L}如此，圖像中的像素點被分割為四類，分別劃分到了四個灰度值域集合中，對c3、c4、c5 與c6中的像素點分別進行處理，生成各自對應的分層分割結果圖像T3 t (x, y)、T4 t (x, y)、T5 t(x, y)和 T6t(x，y)，其中<formula>formula see original document page 3</formula>
3.根據(jù)權利要求1或2所述的雨滴識別方法，其特征在于，上述步驟(5. 6)中的所述圖 像形態(tài)學膨脹操作中所采用的形態(tài)學結構元素SE為<formula>formula see original document page 3</formula>
4.根據(jù)權利要求1-3之一所述的雨滴識別方法，其特征在于，對上述識別出的雨滴可進一步提取雨滴信息，包括雨滴目標數(shù)目、雨滴目標平均直徑及平均直徑分布譜，其中雨滴 平均直徑MeanDiai定義為<formula>formula see original document page 4</formula>MajorLi為雨滴最小外接橢圓的長軸長度，Min^為短軸長度； 平均直徑分布譜定義為設雨滴目標平均直徑的值域為RN = [MinDia，MaxDia]，將RN平均分成Numl個子值 域{RNj, j = 1,2, ...Numl-2，Numl-1，Numl}，雨滴目標平均直徑分布譜即指雨滴平均直徑 MeanDiai分布在RN中各個子值域上的數(shù)目。
全文摘要
一種雨滴識別方法，屬于數(shù)字圖像識別領域，目的在于自動識別雨滴圖像中的雨滴目標并提取相關的雨滴信息，以提高降雨天氣現(xiàn)象觀測的自動化程度與精度。本發(fā)明用于降雨天氣現(xiàn)象觀測中雨滴譜的自動觀測與獲取。順序包括(1)圖像獲取步驟，(2)圖像預處理步驟，(3)圖像差分步驟，(4)圖像四值域分割步驟，(5)雨滴識別步驟，(6)雨滴信息提取步驟。本發(fā)明將各項異性擴散平滑濾波作為圖像預處理的方法，以灰度信息作為雨滴目標的有效特征，通過結合圖像四值域分割與圖像形態(tài)學的方法能有效地識別雨滴目標并提取相關的雨滴信息，從而提高降雨天氣現(xiàn)象觀測的自動化程度與精度。
文檔編號G06K9/54GK101833655SQ20101014582
公開日2010年9月15日 申請日期2010年4月14日 優(yōu)先權日2010年4月14日
發(fā)明者卓問, 曹治國, 段西堯, 熊嶷, 肖陽, 鄢睿丞, 馬舒慶 申請人:華中科技大學