一种云微粒子图像提取及分类方法技术

本发明专利技术涉及一种云微粒子提取及分类方法，主要包括首先对图像数据进行分割处理，然后对图像数据进行类型判定，接着对CIP图像进行图像数据筛选和补全，对CPI图像进行图像数据去标注，之后建立云微粒子图像数据集，并建立基于迁移学习的深度神经网络分类模型，对云微粒子图像进行分类，通过该方法可有效的提高对云微粒子图像的分类准确率和可靠性。

【技术实现步骤摘要】
一种云微粒子图像提取及分类方法
本专利技术属于图像处理及气象领域，具体涉及对不同机载云微粒子探测设备获取的数据进行云微粒子图像提取，并基于神经网络模型实现对云微粒子图像的分类。
技术介绍
近年来，国内气象部门和科研机构都开始利用机载探头和雷达对云微物理结构和云降水过程进行研究。目前，北京市人工影响天气办公室的最新机载探测设备主要来自DropletMeasurementTechnologies(DMT)andStrattonParkEngineeringCompany(SPEC)两家公司，而基于探测设备的探测范围、探测精度、探测环境和获取数据方式的不同，飞机上可能搭载不同的云微粒子探测设备，这些云微粒子探测设备中应用较为广泛的是CPI(CloudParticleImager)和CIP(CloudImagingProbe)两种机载探测设备。而这些机载探测设备所记录的粒子图像是云微物理研究的基础，同时许多气象物理参数可以从云微粒子图像中获得,以进行气象领域多个方向的相关研究。图像分类就是先固定分类标签集合，然后从分类标签集合中找出一个分类标签本文档来自技高网...

【技术保护点】
1.一种云微粒子图像提取方法，主要包括以下步骤：/n步骤1：对云微粒子所述探测设备获取的图像数据进行分割处理；/n步骤2：对探测设备获取到的图像数据进行类型判定，步骤包括：/n步骤2.1：对步骤1所得的二值化图像数据进行矩形区域检测，并记录矩形区域数量N1，当矩形区域数量N1＞M1，判定图像数据类型为CPI数据，执行步骤3，当矩形区域数量小于或等于N1≤M1，执行步骤2.2；/n步骤2.2：计算图像数据中最大矩形区域所占图像数据比例N2，当最大矩形区域所占图像数据比例N2＜M2，判定图像数据类型为CPI数据，执行步骤5，当N2≥M2，判定图像数据类型为CIP数据，执行步骤3；/n步骤3：对图像...

【技术特征摘要】
1.一种云微粒子图像提取方法，主要包括以下步骤：
步骤1：对云微粒子所述探测设备获取的图像数据进行分割处理；
步骤2：对探测设备获取到的图像数据进行类型判定，步骤包括：
步骤2.1：对步骤1所得的二值化图像数据进行矩形区域检测，并记录矩形区域数量N1，当矩形区域数量N1＞M1，判定图像数据类型为CPI数据，执行步骤3，当矩形区域数量小于或等于N1≤M1，执行步骤2.2；
步骤2.2：计算图像数据中最大矩形区域所占图像数据比例N2，当最大矩形区域所占图像数据比例N2＜M2，判定图像数据类型为CPI数据，执行步骤5，当N2≥M2，判定图像数据类型为CIP数据，执行步骤3；
步骤3：对图像数据进行筛选和补全，步骤包括：
步骤3.1：判断图像数据是否丢失像素；
步骤3.2：判断二值化云微粒子图像是否被遮挡，选取中小滑窗矩阵提取二值化图像数据，中小滑窗尺寸为x4×y4，滑动步长为s4，然后，执行以下步骤：
步骤(e)：检测中小滑窗所提取的每个二值化图像信息中是否有满足第3行有连续非零值的情况，当没有这种情况时，执行步骤(f),当有这种情况的时，将连续非零值数量记为c1，并检测该行相邻下方3行每行连续非零值的数量，分别记为c2，c3，c4，当同时满足c1＜round(β1×c2)，c2≤round(β2×c3)，c3≤round(β3×c4)，则判定该中小滑窗所提取的二值化图像信息存在质量问题，且判定将该滑窗中第3行连续非零值像素点所属二值化云微粒子图像存在被遮挡情况；
步骤(f)：检测中小滑窗所提取的每个二值化图像信息中是否有满足倒数第2行有连续非零值的情况，当没有这种情况时，判定二值化云粒子图像无被遮挡，当有这种情况的时，将连续非零值数量记为d1，并检测该行相邻上方3行每行连续非零值的数量，分别记为d1，d2，d3，d4，当同时满足d1＜round(β1×d2)，d2≤round(β2×d3)，d3≤round(β3×d4)，则判定该中小滑窗所提取的二值化图像信息存在质量问题，且判定将该滑窗中倒数第2行连续非零值像素点所属二值化云微粒子图像存在被遮挡情况；
步骤4：将步骤3.1中所记录的存在像素丢失的二值化云微粒子图像进行像素填充，采用结构尺寸为g3×g3的矩阵进行膨胀腐蚀操作，将步骤3.2中所记录的存在被遮挡情况的二值化云微粒子图像进行去除，得到筛选补全的云微粒子图像；
步骤5：对步骤1所得的二值化云微粒子图像进行去标注，得到最终的特征化的云微粒子图像。


2.如权利要求1所述的一种云微粒子图像提取方法，其特征在于对云微粒子探测设备获取的图像数据进行分割处理，具体步骤包括:
步骤1.1：对图像数据进行二值化处理，得到二值化图像数据，具体方法为，首先将RGB三通道图像转化为单通道灰度图像，灰度化图像数据，然后再将图像数据二值化，二值化阈值设为T；
步骤1.2：对二值化的图像数据进行形态学处理，形态学处理先采用一个结构单元为g1×g1的矩阵进行腐蚀操作，然后选择一个结构单元为g1×g1的矩阵进行膨胀操作，然后，对形态学处理后的二值化图像数据进行连通域搜索，先遍历图像中所以像素值为1的点，分别以这些像素值为1的像素点为中心点，搜索中心点相邻的下,左,右,左下,左上,右上和右下八方向上的像素点，当某个点值为1，则这两个像素点属于同一连接域，以该点为中心，继续搜索连通域之外的八方向相邻像素，连通域搜索完成后，标记相应的区域矩形得到连通域数量，最后,通过从左到右以及从上到下标记区域左上角的坐标，从二值化图像数据分割提取出相应标记区域的二值化云微粒子图像数据，从灰度化图像数据分割提取出相应标记区域的灰度化云微粒子图像数据。


3.如权利要求1所述的一种云微粒子图像提取方法，其特征在于步骤3.1：判断图像数据是否丢失像素，步骤包括：
步骤(a)：选取大、中、小三种滑窗矩阵提取二值化图像数据信息，大滑窗尺寸为x1×y1，所述第一滑动步长为s1，中滑窗尺寸为x2×y2，第二滑动步长为s2，小滑窗尺寸为x3×y3，第三滑动步长为s3，滑窗提取二值化图像数据信息的过程为：首先，选取尺寸为m×l的矩阵为滑窗，将矩阵Mml第1个元素Mml(1,1)与二值化图像数据的i行j列像素点C(i,j)重合，作为滑窗矩阵Mml在二值化图像数据C上滑动的起点位置，并以从左到右顺序将滑窗矩阵Mml进行滑动，滑动步长为s，当滑窗矩阵上的点Mml(1,1)与二值化图像数据上的点C(i,q-l)重合后，对滑窗矩阵Mml进行换行，将滑窗矩阵Mml第1个元素Mml(1,1)与二值化图像数据像素点C(i+k(m-1),j)进行重合，作为滑窗矩阵在二值化图像数据C上滑动的换行起点位置，并以从左到右顺序将滑窗矩阵Mml进行滑动，滑动步长为s，当滑窗矩阵上的点Mml(1,1)与二值化图像数据上的点C(i+k(m-1),q-l)重合后，继续对Mml进行换行，直到矩阵遍历滑动过了二值化图像数据上所有像素点，变量k为换行的次数，p×q为二值化图像数据的尺寸；
步骤(b)：检测大滑窗所提取的所有二值化图像信息中是否有满足整行像素值全为0，且该行的相邻上方8行和下方8行都存在某1行像素值全为1情况的行，将满足该情况的所有行的行号记入a1中，当a1中没有记录，判定图像数据不存在像素丢失的质量问题，执行步骤3.2，当a1中有记录，判定图像数据可能存在像素丢失的质量问题，执行步骤(c)；
步骤(c)：检测a1中所记录的所有行号在中滑窗所提取的所有二值化图像信息中，是否有满足整行像素值全为0，且该行的相邻上方5行和下方5行存在某1行像素值全为1情况的行，将满足该情况的所有行的行号记入a2中，当a2中没有记录，执行步骤(c1)，当a2中有记录，执行步骤(d)；
步骤(c1)：检测a1中所记录的所有行号在中滑窗所提取的所有二值化图像信息中，是否有满足整行像素值全为0，且该行的相邻上方6行和下方6行存在某1行像素值全为1情况的行，将满足该情况的所有行的行号记入a21中，当a21中没有记录，判定图像数据不存在像素丢失的质量问题，进入步骤3.2，当a21中有记录，判定图像数据可能存在像素丢失的质量问题，执行步骤(d)；
步骤(d)：检测a2中所记录的所有行号在小滑窗所提取的所有二值化图像信息中，是否有满足整行像素值全为0，且该行的相邻上方3行和下方3行存在像素值全为1情况的行，将满足该情况的所有行的行号记入a3中，并将满足该情况的行的像素点在二值化图像数据上的坐标位置记入a4中，当a3中没有记录，进入步骤3.2，当a3中有记录，则判定图像数据存在质量问题，且a4中所记录的像素点所属的二值化云微粒子图像，存在像素丢失的情况。


4.如权利要求1所述的一种云微粒子图像提取方法，其特征在于步骤5：对步骤1所得的二值化云微粒子图像进行去标注，步骤为：
步骤5.1：确定二值化云微粒子图像中的标注区域，具体方法为：设二值化云微粒子图像为IBin，对二值化云微粒子图像IBin进行纵向和横向的搜索，因为云微粒子往往存在于云微粒子图像的中心位置，纵向搜索即从二值化云微粒子图像左上角第一个像素点开始，从上到下，从左到右搜索，当搜索到像素点值为1，标记该像素点横坐标i1，接着换下一列继续搜索，直到搜索到r1个像素点值为1，搜索结束，得到r1个像素点的横坐标in,(n＝1,2,…,r1)，对in降序排列，取中间值记为imid,横向搜索即从二值化云微粒子图像右下角第一个像素点开始，从右到左，从下到上搜索，当搜索到像素点值为1，标记该像素点横纵坐标j1，接着换下一列继续搜索，直到搜索到r2个像素点值为1，搜索结束，得到r2个像素点的横纵坐标jn,n＝1,2,…,r2，对取r2个横纵坐标中jn值降序排列，取中间值记为jmid，假设云微粒子图像尺寸P×Q，则估计的标注位置为IBin([imid，P]，[1，jmid])，为了确保标注能完全去除，将估计的标注区域增加扩大，最终标注区域为IBin([iexp，P]，[1，jexp])，其中，iexp＝round(β1·imid)，jexp＝round(β2·jmid)，β1∈(0.8,1)，β2∈(1,1.2)；
步骤5.2：对步骤5.1得到的标注区域进行去形态学处理，具体方法为：对标注区域先膨胀再腐蚀，对应的参数设置为：膨胀操作的矩阵选择的是g2×g2的正方形结构元素,腐蚀操作的矩阵选择的是g2×g2的单位矩阵结构元素,这样既可去除标注信息，提高分类识别准确率；
步骤5.3：将去标注后的二值化云微粒子图像进行取反，再乘以原灰度化云微粒子图像，得到去标注后的云微粒子图像，将所得图像的背景图像灰度值由0全部换为255，得到最终的特征化的云微粒子图像。


5.一种云微粒子图像分类方法，主要包括以下步骤：
步骤1：对云微粒子探测设备获取的图像数据进行分割处理，步骤包括:
步骤1.1：对图像数据进行二值化处理，得到二值化图像数据，具体方法为，首先将RGB三通道图像转化为单通道灰度图像，灰度化图像数据，然后再将图像数据二值化，二值化阈值设为T；
步骤1.2：对二值化的图像数据进行形态学处...

【专利技术属性】
技术研发人员：刘说，张无暇，杨玲，徐梓欣，杨智鹏，
申请(专利权)人：成都信息工程大学，
类型：发明
国别省市：四川;51