基于支持向量机的天气雷达电磁干扰回波识别方法技术

本发明专利技术涉及图像信息处理技术，为实现充分利用三类电磁干扰回波的不同特征及SVM方法的优越性，可同时识别三类电磁干扰回波，提高电磁干扰回波识别的准确率。本发明专利技术，基于支持向量机的天气雷达电磁干扰回波识别方法，步骤如下：步骤1、建立训练样本集步骤2、载入正负样本并分配标签；步骤3、提取正负样本特征步骤4、训练SVM分类器，并生成对应训练样本数据的SVM分类器；步骤5、保存分类器步骤6、检测分类器分类的准确性步骤7、载入测试图像；步骤8、提取测试图像特征步骤9、利用已经训练好的SVM分类器对测试图进行分类；步骤10、实现对螺旋电磁干扰回波和麻点状电磁干扰回波的识别。本发明专利技术主要应用于图像信息处理场合。

【技术实现步骤摘要】
基于支持向量机的天气雷达电磁干扰回波识别方法
本专利技术涉及图像信息处理
，具体讲,涉及基于支持向量机的天气雷达电磁干扰回波识别方法。
技术介绍
天气雷达回波分为气象回波和非气象回波，而非气象回波会对气象回波的识别造成干扰。非气象回波主要分为地物回波，生物回波，电磁干扰回波和雷达故障异常回波。其中，电磁干扰回波是指雷达回波受外界同频或临频设备的干扰而出现的干扰回波现象，这些干扰回波可以分为三类，即径向干扰回波、螺旋状干扰回波和麻点状干扰回波。近距离的电磁干扰，雷达屏幕上会产生满屏的干扰麻点；而远距离电磁干扰，则会在某个方向上存在固定的干扰。若是单频点电磁干扰，干扰呈直线状；而对于具有一定带宽的干扰，则会在雷达屏幕上产生满屏干扰麻点。电磁干扰回波是影响新一代天气雷达产品质量的重要因素，它的出现会降低雷达生成的产品质量，主要是对反射率资料的污染，这给雷达资料的应用带来了很大的困扰。虽然雷达操作员或者预报员可以人为的观察到电磁干扰回波并给出标记，但是如果没有一种自动的识别方法，对于实时业务中的降水估测以及雷达资料同化会造成很大的影响。为此，人们希望从硬件和软件方面提出消除电磁干扰的方法，以提高雷达基数据和其它二次产品的质量。通过硬件的方法来解决这一问题目前尚未实现，在软件方面主要是通过设计不同的算法来对电磁干扰回波进行识别，目前已有的识别算法很少，主要有孤立回波消除算法和径向干扰识别算法。孤立回波算法对于具有孤立性的干扰回波进行滤波处理，首先，在观测图上建立一个移动的窗口，如果该窗口内中心点周围的有效值的点少于某一阈值时，则将该中心点去除，即视该点为孤立性的电磁干扰回波。因此该方法适合用来识别或去除螺旋状与麻点电磁干扰回波。然而，由于干扰源出现的距离不定、方位随机、脉宽和工作重频不同，螺旋状干扰回波的形态不尽相同，即在径向上和方位上的连续性不同，所以孤立回波消除算法不能够完全滤除不同形态的螺旋状的电磁干扰回波，同样，对于麻点状干扰回波来说也存在这个问题；径向干扰识别方法是根据电磁干扰回波形态建立的。首先，对同一距离上的距离库沿切向方向划分回波段。然后，统计每个径向上回波强度有效的总距离库数RT和距离库所在的回波段的宽度为0～5之间的距离库数RN，计算RD(RD＝RN/RT×100％)，若RD≥30％则判定此径向为电磁干扰回波。该方法只适合用来识别径向电磁干扰回波，并且只能识别小于5个径向的窄电磁干扰回波，超出此范围的径向电磁干扰回波该方法无法进行识别。因此，目前的电磁干扰回波识别方法均需要加以改进和提高。图像分类可以作为信息提取的一种方法，目前已经广泛的应用到各个领域中。图像分类研究的重点主要集中在图像特征的选择与提取和分类模型的选择这两个方面。HOG(HistogramofOrientedGradient)即方向梯度直方图，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述符。HOG特征对图像几何的和光学的形变都能保持很好的不变性，对光照强度具有很好的鲁棒性，在户外检测中使用广泛。支持向量机(SVM)是建立在统计学习理论基础上的一种数据挖掘方法，现已被证明对于分类、回归和模式识别等问题的处理效果非常理想。SVM从本质上讲是一种前向神经网络，根据结构风险最小化准则，在使训练样本分类误差极小化的前提下，尽量提高分类器的泛化推广能力。其基本原理是寻找一个满足分类要求的最优分类超平面，使得该超平面在保证分类精度的同时，使超平面两侧的分类间隔最大。
技术实现思路
为克服现有技术的不足，本专利技术旨在提出一种天气雷达电磁干扰回波识别方法。充分利用三类电磁干扰回波的不同特征及SVM方法的优越性，可同时识别三类电磁干扰回波，提高电磁干扰回波识别的准确率。为此，本专利技术采用的技术方案是，基于支持向量机的天气雷达电磁干扰回波识别方法，步骤如下：步骤1、建立训练样本集建立正样本集为径向电磁干扰回波图像，负样本集为螺旋状电磁干扰回波和麻点状电磁干扰回波图像；步骤2、载入正负样本并分配标签；步骤3、提取正负样本特征读入正样本图像，将彩色图像转换为灰度图像，然后提取其HOG特征；读入负样本图像，将彩色图像转换为灰度图像，然后提取其HOG特征；步骤4、训练SVM分类器，并生成对应训练样本数据的SVM分类器；步骤5、保存分类器步骤6、检测分类器分类的准确性将正负样本集对应的HOG特征混合，随机分为两组，一组为新的训练集，一组为验证集，使用验证集对分类器分类结果进行自检测，测试分类器分类的准确率；步骤7、载入测试图像；步骤8、提取测试图像特征读入测试图像，将彩色图像转换为灰度图像，然后提取其HOG特征；步骤9、利用已经训练好的SVM分类器对测试图进行分类，获得径向电磁干扰与螺旋电磁干扰和麻点状电磁干扰回波的分类结果，实现对径向电磁干扰回波的识别；如测试结果为径向电磁干扰回波，则程序结束；如测试结果为非径向电磁干扰回波，则进行下一步；步骤10、建立正样本集为螺旋状电磁干扰回波图像，负样本集为麻点状电磁干扰回波图像，重复步骤2到步骤9，获得螺旋电磁干扰与麻点状电磁干扰回波的分类结果，实现对螺旋电磁干扰回波和麻点状电磁干扰回波的识别。更进一步的技术方案是所述步骤3和步骤8中，HOG特征提取的具体方法是：首先，计算样本图像中每个像素点的梯度幅值和梯度方向；然后，将图像分成若干联通区域，这些连通区域叫做细胞单元，再将细胞单元划分成若干个块，将0°～180°平均分为若干个通道；其次，采集细胞单元中各个像素点的梯度的方向直方图；最后，将不同通道的像素的梯度大小累加，取得一组由各个通道像素梯度累加和构成的向量，再以块为单位，对向量进行归一化处理，将归一化处理后的向量链接起来，构成HOG样本特征描述符；计算梯度是使用两个离散微分模板(-1，0，1)和(-1，0，1)T，T表示转置，分别对图像水平方向和竖直方向进行处理，得到每个像素点的梯度。步骤4中，获取SVM分类器具体过程是：根据已知样本集求取最优SVM分类函数的过程即可解决分类问题，对于非线性问题，首先把非线性问题变换转化为某个高维空间中的线性问题，然后在变换之后的空间里求解最优分类面，设给定样本集为s＝{(xi,yi)|i＝1,2…n}，xi∈Rd为d维空间中的向量，yi＝{+1,-1}是xi对应的类别标号，i是样本集编号，假定非线性映射为其中为映射函数，支持向量机分类面写成：w为权值向量，b为偏移常量，为分类间隔，分类间隔取得最大值的优化问题可表示为求的最小值问题，约束条件为根据KKT(Karush-Kuhn-Tucker)条件及拉格朗日函数得到分类函数为：其中，sgn(·)为符号函数，ai为最优拉格朗日乘子，x为待测样本，高维空间的点乘运算(xi·x)由低维空间的核函数k(xi，xj)代替，分类函数可改写为常用的核函数如下：多项式核函数k(x,xi)＝[(x·xi)+1]qq＝1,2,3…；高斯径向基函数σ为参数；sigmoid函数k(x,xi)＝tanh(b(x,xi)+c)b，c为常数；傅里叶级数其中N为常数；B样条核函数k(x,xi)＝B2p+1(x-xi)其中B2p+1(x)是2p+1阶B；选取不同的核函数可产生不同的SVM分类函数，从而得到不同的SVM分类器，因此可以通过核函本文档来自技高网...

【技术保护点】
一种基于支持向量机的天气雷达电磁干扰回波识别方法，其特征是，步骤如下：步骤1、建立训练样本集建立正样本集为径向电磁干扰回波图像，负样本集为螺旋状电磁干扰回波和麻点状电磁干扰回波图像；步骤2、载入正负样本并分配标签；步骤3、提取正负样本特征读入正样本图像，将彩色图像转换为灰度图像，然后提取其HOG特征；读入负样本图像，将彩色图像转换为灰度图像，然后提取其HOG特征；步骤4、训练SVM分类器，并生成对应训练样本数据的SVM分类器；步骤5、保存分类器步骤6、检测分类器分类的准确性将正负样本集对应的HOG特征混合，随机分为两组，一组为新的训练集，一组为验证集，使用验证集对分类器分类结果进行自检测，测试分类器分类的准确率；步骤7、载入测试图像；步骤8、提取测试图像特征读入测试图像，将彩色图像转换为灰度图像，然后提取其HOG特征；步骤9、利用已经训练好的SVM分类器对测试图进行分类，获得径向电磁干扰与螺旋电磁干扰和麻点状电磁干扰回波的分类结果，实现对径向电磁干扰回波的识别；如测试结果为径向电磁干扰回波，则程序结束；如测试结果为非径向电磁干扰回波，则进行下一步；步骤10、建立正样本集为螺旋状电磁干扰回波图像，负样本集为麻点状电磁干扰回波图像，重复步骤2到步骤9，获得螺旋电磁干扰与麻点状电磁干扰回波的分类结果，实现对螺旋电磁干扰回波和麻点状电磁干扰回波的识别。...

【技术特征摘要】
1.一种基于支持向量机的天气雷达电磁干扰回波识别方法，其特征是，步骤如下：步骤1、建立训练样本集建立正样本集为径向电磁干扰回波图像，负样本集为螺旋状电磁干扰回波和麻点状电磁干扰回波图像；步骤2、载入正负样本并分配标签；步骤3、提取正负样本特征读入正样本图像，将彩色图像转换为灰度图像，然后提取其HOG特征；读入负样本图像，将彩色图像转换为灰度图像，然后提取其HOG特征；步骤4、训练SVM分类器，并生成对应训练样本数据的SVM分类器；步骤5、保存分类器步骤6、检测分类器分类的准确性将正负样本集对应的HOG特征混合，随机分为两组，一组为新的训练集，一组为验证集，使用验证集对分类器分类结果进行自检测，测试分类器分类的准确率；步骤7、载入测试图像；步骤8、提取测试图像特征读入测试图像，将彩色图像转换为灰度图像，然后提取其HOG特征；步骤9、利用已经训练好的SVM分类器对测试图进行分类，获得径向电磁干扰与螺旋电磁干扰和麻点状电磁干扰回波的分类结果，实现对径向电磁干扰回波的识别；如测试结果为径向电磁干扰回波，则程序结束；如测试结果为非径向电磁干扰回波，则进行下一步；步骤10、建立正样本集为螺旋状电磁干扰回波图像，负样本集为麻点状电磁干扰回波图像，重复步骤2到步骤9，获得螺旋电磁干扰与麻点状电磁干扰回波的分类结果，实现对螺旋电磁干扰回波和麻点状电磁干扰回波的识别。2.如权利要求1所述的基于支持向量机的天气雷达电磁干扰回波识别方法，其特征是，更进一步的技术方案是所述步骤3和步骤8中，HOG特征提取的具体方法是：首先，计算样本图像中每个像素点的梯度幅值和梯度方向；然后，将图像分成若干联通区域，这些连通区域叫做细胞单元，再将细胞单元划分成若干个块，将0°～180°平均分为若干个通道；其次，采集细胞单元中各个像素点的梯度的方向直方图；最后，将不同通道的像素的梯度大小累加，取得...

【专利技术属性】
技术研发人员：唐晨，陈明明，李碧原，徐文君，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津,12