李冰潔，李國(guó)東

（新疆財(cái)經(jīng)大學(xué)應(yīng)用數(shù)學(xué)學(xué)院，新疆烏魯木齊 830012）

CNN邊緣提取在冰雹預(yù)測(cè)中的應(yīng)用

李冰潔，李國(guó)東

（新疆財(cái)經(jīng)大學(xué)應(yīng)用數(shù)學(xué)學(xué)院，新疆烏魯木齊 830012）

冰雹是一種破壞性較為嚴(yán)重的自然災(zāi)害之一.結(jié)合細(xì)胞神經(jīng)網(wǎng)絡(luò)理論對(duì)雹云進(jìn)行了預(yù)測(cè)研究，選取新疆幾個(gè)地區(qū)的冰雹云層圖像進(jìn)行分析，提供了一種簡(jiǎn)單的利用細(xì)胞神經(jīng)網(wǎng)絡(luò)邊緣探測(cè)方法來(lái)判別云層圖像是否降雹.在MATLAB程序進(jìn)行邊緣探測(cè)得到圖像對(duì)應(yīng)的像素矩陣數(shù)據(jù)，將矩陣數(shù)據(jù)處理得到每個(gè)圖像的像素強(qiáng)度，像素強(qiáng)度小于0.8的是降雹云層，大于0.9的是無(wú)雹云層.經(jīng)驗(yàn)證細(xì)胞神經(jīng)網(wǎng)絡(luò)理論在冰雹的預(yù)測(cè)識(shí)別中是有效的.

細(xì)胞神經(jīng)網(wǎng)絡(luò)；冰雹預(yù)報(bào)；邊緣檢測(cè)；MATLAB

0　引言

冰雹是由強(qiáng)對(duì)流天氣系統(tǒng)引起的一種非常劇烈的氣象災(zāi)害.它的形成要有足夠的的水汽供應(yīng)與強(qiáng)烈的空氣對(duì)流.它具有較強(qiáng)烈的隨機(jī)性、突發(fā)性和明顯的區(qū)域特征，雖然出現(xiàn)降雹的范圍小局地性強(qiáng)，持續(xù)時(shí)間短，但是來(lái)勢(shì)兇，強(qiáng)度大，并且常伴有其他災(zāi)害性天氣過(guò)程.雖然氣象臺(tái)根據(jù)衛(wèi)星探測(cè)和雷達(dá)的監(jiān)視，可以提前預(yù)測(cè)冰雹災(zāi)害，但精確度仍然不夠高.天氣雷達(dá)、衛(wèi)星、計(jì)算機(jī)和其他先進(jìn)的設(shè)備在氣象中的大量使用，使冰雹預(yù)測(cè)的精確度大為提升.

目前冰雹預(yù)報(bào)研究的方法主要集中在冰雹的物理過(guò)程處理.如：采用完全彈性三維冰雹數(shù)值模式［1］來(lái)模擬某地區(qū)地面的動(dòng)力和熱力不均勻而形成的初始擾動(dòng)冰雹云模式來(lái)預(yù)報(bào)冰雹；使用運(yùn)動(dòng)視覺(jué)技術(shù)對(duì)冰雹云圖進(jìn)行跟蹤和預(yù)報(bào)［2］，利用區(qū)域標(biāo)記生長(zhǎng)法對(duì)冰雹云圖進(jìn)行濾波，從圖像處理的方向研究，采用模式識(shí)別和計(jì)算機(jī)處理的方法對(duì)Doppler雷達(dá)的徑向速度圖進(jìn)行研究；利用粗糙集理論建立冰雹的單模型預(yù)報(bào)［3］，通過(guò)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建冰雹分類(lèi)器，實(shí)現(xiàn)對(duì)冰雹樣本的自動(dòng)分類(lèi).

在過(guò)去的冰雹研究工作中，冰雹預(yù)報(bào)大多是在雷達(dá)獲取的數(shù)值方面的研究，如云層高度，濕度等，判別率較低.而本文是從雷達(dá)探測(cè)圖像的處理角度，運(yùn)用細(xì)胞神經(jīng)網(wǎng)絡(luò)這一新的領(lǐng)域研究冰雹預(yù)報(bào).細(xì)胞神經(jīng)網(wǎng)絡(luò)邊緣提取是圖像處理的基本方法，曾多次運(yùn)用在醫(yī)學(xué)領(lǐng)域，但很少有人將其運(yùn)用在冰雹預(yù)報(bào)當(dāng)中.由于每張彩色圖像都是多維的，邊緣提取出來(lái)的每個(gè)矩陣都是M行N列的，計(jì)算比較復(fù)雜，很多方法得出的數(shù)據(jù)有很多組特征值，本文采取數(shù)模公式最終將每張圖片計(jì)算成一個(gè)數(shù)值，得出每幅圖像的像素強(qiáng)度，進(jìn)而來(lái)識(shí)別雷達(dá)反射率圖像降雹與否.

1　CNN細(xì)胞神經(jīng)網(wǎng)絡(luò)技術(shù)

細(xì)胞神經(jīng)網(wǎng)絡(luò)［4］（CNN）是一種處理信號(hào)的非線(xiàn)性處理器，借鑒Hopfield神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)與CA處理單元細(xì)胞的概念，解決了模擬電路的實(shí)現(xiàn)問(wèn)題，便于網(wǎng)絡(luò)動(dòng)態(tài)特性的分析，也具有平行性、局域性和穩(wěn)定性等特點(diǎn).

CNN的細(xì)胞與周?chē)噜彽募?xì)胞直接聯(lián)系構(gòu)成全局聯(lián)通神經(jīng)網(wǎng)絡(luò)，但是對(duì)于一個(gè)單獨(dú)的細(xì)胞來(lái)說(shuō)，它只與其領(lǐng)域內(nèi)的細(xì)胞發(fā)生連接，細(xì)胞之間發(fā)生聯(lián)系的距離為r.圖1是一個(gè)規(guī)模為4×4的CNN模型的結(jié)構(gòu)，整個(gè)模型結(jié)構(gòu)是由M×N個(gè)細(xì)胞排列成M行N列，Cij代表第i行第j列的細(xì)胞.細(xì)胞與周?chē)?xì)胞直接發(fā)生互相聯(lián)系的最遠(yuǎn)距離稱(chēng)為R［5］.

CNN的狀態(tài)方程如下［6］：

其中xi，j，yi，j，ui，j和zi，j分別代表細(xì)胞Ci，j的狀態(tài)，輸出，輸入和閾值.A為反饋模板，B為控制模板.式（1）的動(dòng)力學(xué)性質(zhì)由模板A，B和z來(lái)決定.A，B，z的不同會(huì)產(chǎn)生不同的效果.CNN輸出函數(shù)如圖2.

CNN輸出方程為：

圖1　細(xì)胞的排列結(jié)構(gòu)

其中i=1，2，…，m；j=1，2，…，n.

設(shè)1表示為黑色，-1表示為白色，那么

若ui，j=1，則ui，j周?chē)?個(gè)細(xì)胞也全為黑色，wi，j=-1，此時(shí)判斷出ui，j不是邊緣；

若ui，j=1，則ui，j周?chē)?個(gè)細(xì)胞中至少存在一個(gè)是白色，那么就可以判斷出此ui，j為邊緣；

若ui，j=1，ui，j周?chē)蠵個(gè)細(xì)胞表現(xiàn)為白色，那么剩下8-P個(gè)就為黑色，就有wi，j=-1+2P≥1；

這樣遞增遞減的圖線(xiàn)就會(huì)形成穩(wěn)定點(diǎn).因此標(biāo)準(zhǔn)細(xì)胞神經(jīng)網(wǎng)絡(luò)模型的圖形可以用圖3來(lái)表示.

圖2　CNN輸出函數(shù)

圖3　穩(wěn)定點(diǎn)圖形

2　圖像邊緣提取

圖像的邊緣是圖像的一個(gè)最基本的特征，圖像的大部分信息都儲(chǔ)存在它的邊緣之中，因此對(duì)圖像的邊緣提取是圖像處理的最基本、最重要的方法之一［7］.邊緣檢測(cè)一般可分為4個(gè)階段：濾波、檢測(cè)、增強(qiáng)、定位，它的實(shí)質(zhì)是采用某種算法提取出圖像中對(duì)象與背景之間的交界線(xiàn)［8］.

2.1傳統(tǒng)邊緣檢測(cè)算子

傳統(tǒng)的邊緣檢測(cè)算子有：Roberts、Sobel、Prewitt算子.Roberts算子的原理［9］是根據(jù)任意一對(duì)互相垂直方向上的差分可以用來(lái)計(jì)算梯度，在2×2的領(lǐng)域上計(jì)算圖像的Roberts梯度，所以Roberts算子采用的是2×2的模板.

Sobel算子的原理［10］是在邊緣像素點(diǎn)處與之臨近的像素達(dá)到權(quán)達(dá)到極值，利用像素上、下、左、右鄰域的灰度加權(quán)算法，采用3×3的模板.還引入了局部平均，使其受噪聲的影響減小但是增加了計(jì)算量，通常會(huì)檢測(cè)出許多偽邊緣，對(duì)邊緣的定位精度也不高.

Prewitt算子與Sobel算子原理一樣，不同的地方在于Prewitt算子［11］沒(méi)有把重點(diǎn)放在接近模板中心的像素點(diǎn)，權(quán)值有所變化，同樣采用了3×3的模板.通過(guò)像素平均的原理對(duì)噪聲有抑制作用，這樣相當(dāng)于對(duì)圖像進(jìn)行了低通濾波，所以Prewitt算子的邊緣定位效果不如Sobel算子.

圖4～圖7分別是原圖和3種算子對(duì)Lena圖的邊緣檢測(cè)效果圖.

圖4　原圖

圖5　Roberts算子檢測(cè)邊緣

圖6　Sobel算子檢測(cè)邊緣

圖7　Prewitt算子檢測(cè)邊緣

2.2CNN的邊緣提取模板

CNN是一種反饋型神經(jīng)網(wǎng)絡(luò)，CNN的穩(wěn)定性與時(shí)滯性，使其在靜態(tài)圖像與動(dòng)態(tài)圖像的處理中有顯著效果［12］.在CNN中細(xì)胞之間的連接權(quán)重被稱(chēng)為CNN模板，這些不同的模板決定了CNN性能的不同. CNN圖像邊緣檢測(cè)模板能夠提取出圖像中處于邊界上的像素點(diǎn).邊緣提取的技術(shù)是利用圖像中灰度的變化來(lái)檢測(cè)和提取邊緣［13］.邊緣提取模板如下：

可以根據(jù)不同問(wèn)題的需要來(lái)改變矩陣A、B、Z的參數(shù)，A、B、Z的參數(shù)不同可等到不同圖形效果.

通過(guò)細(xì)胞神經(jīng)網(wǎng)絡(luò)的邊緣探測(cè)模板對(duì)探測(cè)得到的圖像在MATLAB程序中進(jìn)行邊緣探測(cè)得到邊緣探測(cè)圖形［14］，如圖8所示.對(duì)比以上的邊緣檢測(cè)模板，傳統(tǒng)的邊緣算子在抗噪聲性能、邊緣定位及視覺(jué)感知等方面難以滿(mǎn)足實(shí)際需求.可以得出CNN邊緣檢測(cè)模板的Lena圖的輪廓更加清晰明了，局部細(xì)節(jié)檢測(cè)結(jié)果非常明顯，圖像的邊緣都比較連續(xù)，比較復(fù)雜的信息部位比如說(shuō)頭發(fā)檢測(cè)的都非常仔細(xì)，可以看出CNN在邊緣探測(cè)中具有明顯的優(yōu)勢(shì).

圖8　邊緣提取圖

3　細(xì)胞神經(jīng)網(wǎng)絡(luò)在冰雹預(yù)測(cè)中的應(yīng)用

3.1對(duì)云層圖像的邊緣提取

冰雹的形成與云的發(fā)展有著密切關(guān)系，冰雹云移動(dòng)快伴有強(qiáng)烈的連續(xù)翻滾，如何識(shí)別冰雹云是準(zhǔn)確預(yù)見(jiàn)冰雹出現(xiàn)的關(guān)鍵所在.利用以上介紹的邊緣提取模板對(duì)降雹與無(wú)雹的云層雷達(dá)圖像進(jìn)行邊緣提取，圖9是降雹與無(wú)雹兩組圖片中部分圖像的邊緣提取圖.

圖9　降雹與無(wú)雹兩組圖片中部分圖像的邊緣提取圖

在MATLAB程序中的圖像邊緣探測(cè)首先將每個(gè)圖像分為3層，經(jīng)過(guò)一系列的運(yùn)算得到每個(gè)圖像的3個(gè)邊緣提取矩陣A，B，C利用以下公式：

其中aij∈A，bij∈B，cij∈C.

函數(shù)H可以解釋為：將得到的3個(gè)矩陣分別求和相加再取平均得出的數(shù)據(jù)除以255像素單位化，得出每個(gè)云層圖像的像素強(qiáng)度.

根據(jù)上述公式對(duì)選取的降雹與無(wú)雹兩組圖像數(shù)據(jù)經(jīng)行處理得出：

表1　無(wú)雹雷達(dá)圖像處理數(shù)據(jù)

表2　降雹雷達(dá)圖像處理數(shù)據(jù)

由以上數(shù)據(jù)可得出降雹的圖像邊緣提取最終得出的每幅圖數(shù)據(jù)都在0.7左右，無(wú)雹的數(shù)據(jù)都大于0.9.由此可以根據(jù)數(shù)據(jù)大小來(lái)判斷是否降冰雹.

4　模擬仿真與驗(yàn)證

選取另外6個(gè)天氣（3個(gè)雹云，3個(gè)非雹云）來(lái)驗(yàn)證我們的規(guī)律.這樣依據(jù)前面的方法，可以得到仿真結(jié)果（表3）.

表3　驗(yàn)證樣本處理數(shù)據(jù)

表3中N代表無(wú)雹圖像的提取數(shù)據(jù)，Y代表降雹圖像的提取數(shù)據(jù).空白代表截取的圖像到此為止.

5　結(jié)論分析

仿真結(jié)果及數(shù)據(jù)表明，降雹的圖像邊緣提取最終得出的每幅圖數(shù)據(jù)都在0.7左右，無(wú)雹的數(shù)據(jù)都大于0.9是成立的.本文處理方法是將得到的三維圖像的三層數(shù)據(jù)矩陣的數(shù)值像素單位化并且都相加，方法較為簡(jiǎn)單，雖然每個(gè)像素值都得到了應(yīng)用，得到了降雹與無(wú)雹的圖象像素強(qiáng)度值，但是數(shù)值大小還是比較相近的，不易區(qū)分.

我國(guó)是農(nóng)業(yè)大國(guó)且屬于冰雹多發(fā)區(qū)，準(zhǔn)確預(yù)報(bào)冰雹是非常重要的.CNN細(xì)胞網(wǎng)絡(luò)神經(jīng)在圖像邊緣提取中的應(yīng)用，可以將雷達(dá)探測(cè)的云層圖像進(jìn)行分解提取出邊緣，應(yīng)用相應(yīng)的數(shù)據(jù)矩陣分析從而更好地預(yù)測(cè)冰雹，盡可能減少冰雹的危害.

［1］ 周穎，文繼芬，黃浩雋.復(fù)雜地形下冰雹預(yù)報(bào)的數(shù)值試驗(yàn)研究［J］.成都信息工程學(xué)院學(xué)報(bào)，2004，19（4）：553-557.

［2］ 楊玉峰.基于雷達(dá)回波反射率圖的冰雹云識(shí)別系統(tǒng)的研究［D］，天津：天津大學(xué)，2005.

［3］ 蔣吉麗.基于BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)對(duì)流天氣預(yù)報(bào)模型研究［D］.成都：電子科技大學(xué)，2010.

［4］ 王懷穎.細(xì)胞神經(jīng)網(wǎng)絡(luò)在圖像處理中的應(yīng)用技術(shù)研究［D］.南京：南京航空航天大學(xué)，2007.

［5］ 黎蕾.細(xì)胞神經(jīng)網(wǎng)絡(luò)超混沌及其同步方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

［6］ 葉波，李傳東.自適應(yīng)聯(lián)想記憶細(xì)胞神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計(jì)［J］.計(jì)算機(jī)應(yīng)用，2012，32（2）：411-415.

［7］ 薛菲菲.基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的彩色圖像邊緣提取研究［D］.天津：天津師范大學(xué).2013.

［8］ 喬鬧生，鄒北驥，鄧?yán)冢?一種基于圖像融合的含噪圖像邊緣檢測(cè)方法［J］.光電子激光，2012，23（11）：2215-2219.

［9］ 張?zhí)l(fā)，高朝陽(yáng).數(shù)字圖像邊緣檢測(cè)方法的分析與研究［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2011，20（10）：141-145.

［10］ 朱柱.邊緣檢測(cè)技術(shù)研究［D］.蘇州：蘇州大學(xué)，2010.

［11］ 湯敏.基于細(xì)胞神經(jīng)網(wǎng)絡(luò)的灰度圖像邊緣提取［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（10）：276-279.

［12］ 龍述君，張永新，向麗.具有混合時(shí)滯的隨機(jī)細(xì)胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析［J］.四川師范大學(xué)學(xué)報(bào)，2012，35（6）：796-801.

［13］ 喬鬧生，鄒北驥，鄧?yán)?，?基于圖像融合的含噪圖像邊緣檢測(cè)方法［J］.光電子激光，2012，23（11）：2216-2219.

［14］ 董長(zhǎng)虹，賴(lài)志國(guó)，余嘯海.MATLAB圖像處理與應(yīng)用［M］，北京：國(guó)防工業(yè)出版社，2004.

Study on CNN Edge Extraction in Hail Prediction

LI Bing-jie，LI Guo-dong
（School of Applied Mathematics，Xinjiang University of Finance and Economics，Xinjiang Urumqi，830012）

The hail is one of the most serious a devastating natural disaster.Bring huge losses to agriculture，architecture，communication，electric power，transportation and people's life and property.Chinese hail disasters occur frequently state，we need as soon as possible to prevent hail.This paper combines the theory of cellular neural network prediction research of hail cloud.Selection of hail clouds image in several areas of Xinjiang are analyzed，and Provides a simple use of cellular neural network edge detection method to identify whether the image of hail cloud.Edge detection of image data corresponding to the pixel matrix in the MATLAB program，the matrix data processing to get the pixel intensity of each image，pixel intensity is less than 0.8 is hail clouds，greater than 0.9 is no hail cloud.Results show that using cell neural network theory in the prediction of hail identification is effective.

cellular neural network；forecast of hail；edge detection；MATLAB

P412.25

A

1671-6876（2016）03-0228-05

［責(zé)任編輯：蔣海龍］

2016-01-15

國(guó)家自然科學(xué)基金項(xiàng)目（11461063）；國(guó)家社科基金項(xiàng)目（14BTJ021）；教育部人文社會(huì)科學(xué)基金項(xiàng)目（13YJAZH040）；新疆維吾爾自治區(qū)高?？蒲杏?jì)劃項(xiàng)目（XJEDU2013I26）

李國(guó)東（1972-），男，黑龍江鶴崗人，教授，博士，碩士生導(dǎo)師，研究方向?yàn)閿?shù)據(jù)挖掘與分析.E-mail：lgdzhy@126.com