一种基于灰度共生矩阵的航海雷达反演海面风向的方法技术

本发明专利技术公开了一种基于灰度共生矩阵的航海雷达反演海面风向的方法，属于海面风向空间域遥感技术领域，具体包括：极坐标海面静态特征提取、图像预处理、快速收敛共生矩阵及自适应趋势融合四个部分。首先，对时序图叠加获得的海面静态特征图像进行局部增强的高斯差分滤波处理，获取主要趋势所在像素；然后，根据类别置信度将主要趋势像素集合进行再分配，并对各集合分别进行粗估计

【技术实现步骤摘要】
一种基于灰度共生矩阵的航海雷达反演海面风向的方法


[0001]本专利技术属于海面风向遥感
，具体地说，是一种基于灰度共生矩阵的航海雷达反演海面风向的方法。

技术介绍

[0002]海面风场是海
‑
汽界重要的动力学因素，对海洋军事作业、航海作业及海洋动力学研究有着至关重要的作用，故基于纹理分析的海面风场辨识极具实用价值与研究前景。传统海面风向测量主要基于船舶和浮标，但此方法受空间覆盖面积的限制，故风场研究热点主要集中在合成孔径雷达(SAR)和航海雷达遥感图像上，SAR可以全天时、全天候成像，但其测量范围很大。航海雷达可以对海表面的空间和时间变化进行实时监测，且不受光线影响，能够测量近船舶1千米的风场信息，为舰船舰载机提供起飞和降落时1km内的平均风场信息，具有重要的工程应用价值。
[0003]现阶段基于航海雷达图像反演海面风场主要有三种方法：第一类方法是基于雷达回波强度与海面风场关系建立模型获取海面风向信息。2012年Lund等应用航海雷达图像回波强度与海面风场建立谐波函数，根据逆风时函数值最大这一特性提取出海面风向信息。2017年Xilong Liu等提出基于集合经验模态分解方法，建立雷达图像固有模态函数分量与海面风场函数关系获取海面风向信息。2019年开始X Chen和WeiminHuang等相继提出各类基于深度学习直接建立雷达图像与风场的模型，根据模型由雷达图像直接获取海面风向信息。通过分析发现这类方法的雷达设备适用性比较差，针对不同型号雷达数据有较大的差异，影响海面风向的反演精度。
[0004]第二类方法是通过雷达图像频谱获取海面风向信息，2016年Yali Wang提出利用波数谱区域值分别获取降雨与非降雨条件下的海面风向信息，由此可以得到波数能量谱与海面风场是存在一定函数关系的。2021年王慧等提出根据航海雷达海面风场条纹特征，利用风场能量谱直接获得海面风向信息，取得了较好的精度和数据适用性。但此方法对条纹尺度特征的依赖性很高，在特殊天气或者条纹尺度不在预估范围的精度有很大降低，部分数据不适用的情况。而且在进行频谱变换时需要对极坐标图像进行笛卡尔坐标变换，在插值变化过程中图像会存在一定的畸变，影响海面风向的反演精度。
[0005]第三类方法是由图像空间域特征获得海面风向信息，2004年Dankert提出基于航海雷达图像中的阵风信号特征，基于光流法提取出海面风场信息，但风场属于静态特征信号，很难在单幅图像中提取出风场空间域特征，导致光流法反演精度无法达到工程要求。2007年Dankert提出根据风条纹特征与海面风向平行特征，基于局部梯度法从海面静态特征图像中提取出海面风向信息。2015年卢志忠等提出一种自适应缩减算法改进的局部梯度算法，设能够连续对图像进行缩减，增强图像适应小尺度风条纹尺度变化的能力。局部梯度法依然存在依赖条纹尺度特征，同样需要极坐标图像向笛卡尔坐标变换，降低了算法精度和数据适用性。
[0006]纹理是人们对于事物表面不同颜色部分的方向性、周期性和精细度的认知。而在
这三个角度中，方向是纹理感知中的一个重要元素。纹理方向可被应用于多种实际场景，如海域风向、风速分析领域、陆地遥感图像辨识领域以及图像模式识别领域。灰度共生矩阵的方法可解决以上问题，但传统的灰度共生矩阵方法具有以下问题：
[0007](1)辨识范围限制。传统的灰度共生矩阵计算方法能准确辨识的角度只有与水平方向成90
°
、45
°
、0
°
和
‑
45
°
的角度。而在实际应用中，仅有部分纹理分布在这些特殊方向上，导致灰度共生矩阵通常不足以解析纹理方向。
[0008](2)应用范围有限。传统的灰度共生矩阵计算仅局限于笛卡尔坐标系下，而在海面风向分析问题中，航海雷达以旋转式扫描成像，生成的图像多基于极坐标。而关于灰度共生矩阵在极坐标下的应用较少。
[0009](3)方向精度不足。传统灰度共生矩阵的方向结果置信区间为10度，而基于孔径雷达的海面方向辨识则需要满足置信区间为1度的精度条件。传统的灰度共生矩阵，尚无法满足实际的精度需求。

技术实现思路

[0010]为了解决上述技术问题，本专利技术披露了一种基于灰度共生矩阵的航海雷达反演海面风向的方法，基于改进的灰度共生矩阵方法，更有效的直接从X
‑
band航海雷达极坐标图像中提取出海面风向信息。
[0011]本专利技术采用的具体技术方案如下：
[0012]一种基于灰度共生矩阵的航海雷达反演海面风向的方法，包括以下几个步骤：
[0013]步骤1，极坐标海面静态特征提取。海面风场属于静态特征，故需对得到的各时段的雷达图像序列进行叠加，通过较长时间序列下的海面风向状态对整体的海面风向趋势进行判断，依据小尺度风条纹与海面风向平行这一特征，以实现包含海面风场信息的海面静态特征提取。由于极坐标系与图像极坐标系对中心坐标及坐标轴方向定义不同，故对图像进行处理时，需要重新建系。原始极坐标系的原点位于图像中心，偏移角正方向为逆时针，而图像极坐标系由于受图像矩阵坐标索引的限制，建立的极坐标系只能遵循偏移角坐标系为顺时针，且起始角度必须为水平方向。故基于图像坐标系应用灰度共生矩阵时，在进行后续角度运算过程中需要进行角度换算。后续的图像预处理、灰度共生矩阵运算以及趋势融合方法均基于本部分建立的极坐标系。
[0014]步骤2，图像预处理。现使用滤波方法对海面静态特征图像进行预处理，对风向特征所在像素集合进行提取，为后续运算构建基础。首先，本专利技术针对海面静态特征图像的特点，对像素值分布进行聚类，并获取优势像素类别。针对提取出的优势像素类别，进行高斯差分滤波处理，以获取主要趋势所在像素。本专利技术根据类别置信度将主要趋势像素集合进行再分配，并对各集合分别进行快速收敛的灰度共生矩阵运算，在得到各类别的角度后，根据各类别的聚类结果进行自适应角度融合，并最终得到辨识出的图像总体趋势。
[0015]步骤3，快速收敛灰度共生矩阵。基于原始灰度共生矩阵，本专利技术通过粗估计
‑
细估计循环过渡的方式，实现灰度共生矩阵的快速收敛及精度提升。
[0016]步骤4，自适应趋势融合。对图像预处理中得到的各趋势类别分别进行基于灰度共生矩阵的方向估计后，将各趋势类别所包含像素的数量，作为该趋势方向的置信度，进行自适应趋势融合，得到最终的图像整体趋势。图像中各趋势类别所占的权重的表达式为：
[0017][0018][0019]其中，i＝1,2,...,N
η
,k＝1,2,...,N
η
,η
k
为第k个优势群的权重，N
k
为第k个优势群包含的像素数量，为全部优势群像素数量的总和，M
k
为第k个优势群。
[0020]最终的图像整体趋势角度可表示为：
[0021][0022]其中，θ
k
为各优势群进行灰度共生矩阵方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰度共生矩阵的航海雷达反演海面风向的方法，其特征在于，具体步骤如下：步骤1，极坐标海面静态特征提取；步骤2，基于局部增强的高斯差分滤波图像特征提取；步骤3，采用粗估计
‑
细估计循环过渡方法的快速收敛灰度共生矩阵角度估计；步骤4，优势方向显著性分析下的自适应趋势融合。2.根据权利要求1所述的一种基于灰度共生矩阵的航海雷达反演海面风向的方法，其特征在于，所述步骤1中对采样的各时段雷达图像序列进行叠加，通过对一个时间序列下包含海面风场信息的海面静态特征状态整体的海面风向趋势进行判断，依据小尺度风条纹与海面风向平行这一特征，实现测量区域平均海面风向提取。3.根据权利要求1所述的一种基于灰度共生矩阵的航海雷达反演海面风向的方法，其特征在于，所述步骤2中基于局部增强的高斯差分滤波图像特征提取方法如下：首先、针对极坐标的图像特点，对像素值分布进行聚类，并获取优势像素类别；其次，针对提取出的优势像素类别，进行高斯差分滤波处理，获取主要趋势所在像素；然后，根据类别置信度将主要趋势像素集合进行再分配，并对各集合分别进行快速收敛的灰度共生矩阵运算；最后，在得到各类别的角度后，根据各类别的聚类结果进行自适应角度融合，并最终得到辨识出的图像总体趋势。4.根据权利要求1所述的一种基于灰度共生矩阵的航海雷达反演海面风向的方法，其特征在于，所述步骤4中自适应趋势融合方法是对图像预处理中得到的各趋势类别分别进行基于灰度共生矩阵的方向估计后，将各趋势类别所包含像素的数量，作为该趋势方向的置信度，进行自适应趋势融合，得到最终的图像整体趋势；图像中各趋势类别所占的权重的表达式为：表达式为：其中，i＝1,2,...,N
η
,k＝1,2,...,N
η
,η
k
为第k个优势群的权重，N
k
为第k个优势群包含的像素数量，为全部优势群像素数量的总和，M
k
为第k个优势群；最终的图像整体趋势角度表示为：其中，θ
k
为各优势群进行灰度共生矩阵方向估计后的角度，为最终的图像整体趋势角度。5.根据权利要求3所述的一种基于灰度共生矩阵的航海雷达反演海面风向的方法，其特征在于，所述步骤2包括以下步骤：步骤2.1，图像特征提取；
步骤2.2，高斯差分滤波处理；步骤2.3，四邻域连通域搜索。6.根据权利要求5所述的一种基于灰度共生矩阵的航海雷达反演海面风向的方法，其特征在于，所述步骤2包括以下步骤：步骤2.1，图像特征提取：
①
绘制输入图像I的像素直方图，用如下公式表示：I(i,j)＝P
k
ꢀꢀꢀꢀ
(4)其中，I(i,j)为输入的极坐标海面静态特征图像，P
k
为第k个像素的像素值；
②
求取q个最显著的像素值，用如下公式表示：F＝max(P
k
,q)
ꢀꢀꢀꢀ
(5)其中，F为最终求得的显著像素值，q为显著像素值的个数；
③
对第二步求取的q个像素值进行增强处理，将像素增强为红色；
④
对整个像素集，将除了第二步的q个显著像素值之外的其他信息去除，令其为白色；步骤2.2，高斯差分滤波处理：
①
对输入图像I求取初始相角下的二维高斯谱函数G(I)0和相角为k的二维高斯谱函数G(I)
k
，高斯差分滤波后的图像I'的二维高斯谱函数G(I)为初始相角和相角为k的二维高斯谱函数之差，其公式分别表示为：为：为：其中，G(I(i,j))0表示初始相角下的二维高斯谱函数，G(I(i,j))
k
表示相角为k的二维高斯谱函数，G(I'(i,j))表示高斯差分滤波后的二维高斯谱函数；
②
对高斯差分滤波后的图像I'，有其服从函数：服从函数：其中，I'(i,j)表示高斯差分滤波后的图像，表示经过幅值转换的图像；
③
对经过幅值转换的图像进行二值化处理，即设置阈值对低于该界限的设置为负界值0，对高于该界限的设置为正界值1，上述二值化处理可表达为：
其中，为阈值，为滤波后图像的矩阵像素平均值，表示二值化处理后的图像；步骤2.3，四邻域连通域搜索：
①
数据准备；图像的大小为N
r
*N
c
，则灰度矩阵为行数为N
r
，列数为N
c
的矩阵，令经过二值化后的图像矩阵为B，首先，生成一个标记矩阵C，其大小为N
r
*N
c
，且此标记矩阵中各个点的像素值均为1且颜色为白色，用于对已经寻找过的像素点进行标记；在此算法中，i为行索引值，j为列索引值，即C(i,j)表示标记矩阵C中，第i行，第j列的像素值，由先前对于矩阵大小的定义，有1≤i≤N
r
，1≤j≤N

【专利技术属性】
技术研发人员：王慧，李诗语，邱海洋，智鹏飞，唐权，
申请(专利权)人：江苏科技大学，
类型：发明
国别省市：