【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。 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。