石峰 宋曉毅 安陽工學院

引言：針對氣象學科基礎(chǔ)研究中的雪花形狀分類問題，文章提出一種基于BP神經(jīng)網(wǎng)絡(luò)的雪花形狀分類方法。首先對雪花圖像進行圖像預處理并提取雪花的輪廓特性；在此基礎(chǔ)上利用雪花輪廓得到雪花的縱橫軸比、矩形度、周長凹凸比、面積凹凸比、形狀參數(shù)以及致密度6種形狀特征參數(shù)，采取BP神經(jīng)網(wǎng)絡(luò)設(shè)計分類器。實驗表明，該分類器識別率可以達到91.67%，能夠為后續(xù)研究雪花物理結(jié)構(gòu)與人工干預降雪之間的關(guān)系提供可靠數(shù)據(jù)支撐。

1 圖像預處理

首先對圖像進行二值化處理，在13種基于直方圖的圖像全局二值化算法中，本文應用最大類間方差法（Otsu）進行圖像二值化處理，獲得最優(yōu)的圖像分割閾值。并對分割后的圖像形態(tài)學操作，完成邊緣檢測和提取輪廓線。

2 形狀特征參數(shù)提取

雪花圖像包含了豐富的特征信息，比如形狀特征和紋理特征，根據(jù)形狀分類的相關(guān)理論，本文利用雪花的輪廓、凸包和最小包圍盒得到形狀描述，利用這些形狀描述計算出縱橫軸比、矩形度、周長凹凸比、面積凹凸比、形狀參數(shù)和致密度6種相對形態(tài)參數(shù)。

2.1 雪花輪廓提取

本文先提取雪花的外部輪廓，通過采用輪廓跟蹤法對雪花圖像進行輪廓提取，具體算法步驟為：（1）對圖像預處理后的雪花二值化圖像采用自頂向下、從左到右的順序進行掃描，得到第一個像素點為1的點，此時將其作為起始點，進行步驟2。（2）得到起始點后，按照逆時針方向?qū)ふ耶斍跋袼攸c周圍8個方向上的領(lǐng)域點，如果發(fā)現(xiàn)像素值為1的點且領(lǐng)域上包含0像素點，若此像素點先前沒有被掃描過，將這個像素點作為當前點，記錄下相應的鏈碼值。（3）重復步驟2，直到回到起始點。（4）根據(jù)步驟2和3所記錄的鏈碼值，得到雪花的形狀輪廓。輪廓圖如圖1（a）所示。

2.2 求取雪花凸包

本文采取Graham掃描法求取最小凸包，凸包是指在雪花圖像中，找出某些點作一個多邊形，使這個多邊形能把所有點都包括在內(nèi)，這個凸多邊形稱之為凸包。如圖1（b）、（c）所示，（b）圖為對原始凸包圖像進行膨脹算法后的圖像，（c）圖為對膨脹圖像進行相應程度侵蝕算法后的圖像。

2.3 求取最小包圍盒

最小包圍盒是指包含某個區(qū)域內(nèi)所有像素點的一個最小矩形，如圖1（d）所示。算法過程描述如下：（1）使用一條平行線對凸包兩邊的頂點進行檢測，發(fā)現(xiàn)有一條凸包頂點之間的連線與這條平行線重合，記下這兩條平行線的位置，然后作兩條垂直于這條平行線的線段，從這個方向的兩側(cè)凸包頂點開始尋找。最后4條線段可以形成一個矩形，并且計算該矩形的面積。（2）重復上面的過程，直到遍歷完所有的雪花凸包頂點，面積最小的矩形就是最小包圍盒。

2.4 形狀特征參數(shù)提取

（1）縱橫軸比（AxisRatio）：雪花圖像最小包圍盒的寬度與長度的比值。（2）矩形度（Rectangularity）：雪花面積與最小包圍盒面積的比值。（3）面積凹凸比（ConvexityArea）：雪花面積與雪花凸包面積的比值。（4）周長凹凸比（ConvexityPerimeter）：雪花周長與凸包周長的比值。（5）形狀參數(shù)（Formparameter）：是由雪花的面積與周長之間的計算出來的值，反映了雪花面積的緊密性。（6）致密度（Density）：用來描述圖像邊界復雜程度的指標，反映了圖像趨于圓的程度。

3.BP神經(jīng)網(wǎng)絡(luò)分類器

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，主要特點是輸入信號前向傳遞，誤差反向傳播，如果輸出層無法得到期望輸出，就會轉(zhuǎn)向反向傳播，根據(jù)預測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，即可使預測輸出向期望輸出不斷逼近。本文采用的BP神經(jīng)網(wǎng)絡(luò)為3層，激活函數(shù)為sigmod函數(shù)。（1）確定網(wǎng)絡(luò)節(jié)點數(shù)。本文采用六項形狀特征作為輸入層節(jié)點數(shù)，即m=6，輸出層節(jié)點數(shù)對應雪花形

其中a取0～10的常數(shù)，l確定了大概范圍，通過使用試湊法確定出最佳的節(jié)點數(shù)l，本文l取10。（2）網(wǎng)絡(luò)初始化。在初始化階段，給予權(quán)重系數(shù)Wij一個隨機數(shù)（-1.0～1.0），學習速率為0.01，目標誤差0.001。（3）訓練算法選擇。本文采用梯度修正法和反向錯誤傳播算法。對雪花庫雪花選取3種類型：六角盤狀、六枝星狀和星形樹枝狀的雪花圖像500張進行處理，3種類型中各隨機選取100個作為訓練樣本，剩下200個作為分類測試樣本，識別率達到91.67%。

圖1 （a）雪花形狀輪廓圖；（b）雪花形狀凸包圖（膨脹后）；

（c）雪花形狀凸包圖（侵蝕后）；（d）最小包圍盒圖

結(jié)語：花形狀分類在氣象領(lǐng)域的基礎(chǔ)研究工作中發(fā)揮著重要作用，本文利用數(shù)字圖像處理技術(shù)對雪花圖像提取了縱橫軸比、矩形度、面積凹凸比、周長凹凸比、形狀參數(shù)以及致密度等6項形態(tài)特征參數(shù)，設(shè)計了一種基于BP神經(jīng)網(wǎng)絡(luò)的雪花形狀分類方法。實驗表明本方法對于3種雪花形態(tài)的正確識別率達到了91.67%，驗證了利用BP神經(jīng)網(wǎng)絡(luò)對于雪花形狀進行分類的可行性與較好的魯棒性。今后進一步的研究方向是繼續(xù)改進智能分類算法，解決存在雪花殘缺或者雪花圖像模糊干擾情況下的分類問題。