李 鵬，丁倩雯，嵇佳麗，張思煒

（1.南京信息工程大學 江蘇省氣象探測與信息處理重點實驗室，江蘇 南京 210044；2.南京信息工程大學 江蘇省大氣環(huán)境與裝備技術(shù)協(xié)同創(chuàng)新中心，江蘇 南京 210044；3.南京信息工程大學濱江學院，江蘇 無錫 214105）

冰雹是一種常見的氣象災害，因其突發(fā)性強、沖擊性大，常對人們的經(jīng)濟造成損失和給生活帶來不便?，F(xiàn)階段對冰雹的識別預測主要有經(jīng)驗預測、閃電定位、衛(wèi)星云圖、雷達回波反射等方法，但是從圖像方面對冰雹的檢測研究尚屬空白，且通過雷達識別系統(tǒng)進行冰雹檢測的方法依然會存在一定的誤差。隨著機器視覺和數(shù)字圖像處理在機器人導航、智能視頻監(jiān)控、工業(yè)檢測、航空航天等諸多領域的快速發(fā)展應用，給冰雹的檢測提供了新的角度。M.Sardogan 等建立了一個用于自動特征提取和分類的CNN 模型，結(jié)合LVQ 算法將部分的輸出特征輸送到相應的網(wǎng)絡中訓練以識別番茄病害；M.B.Asad 等將路標圖片從RGB 顏色空間轉(zhuǎn)換到HSV 顏色空間并進行路標二值化，然后通過計算連通分量矩陣行列的最大值與最小值之差來提取路標目標，最后應用模板匹配的方法來進行目標的識別；M.Z.Alom 等提出了一種用于目標識別的卷積神經(jīng)網(wǎng)絡，利用初始網(wǎng)絡和遞歸卷積層相結(jié)合的能力，提高整體訓練和測試的準確性。

鄭一力等運用卷積神經(jīng)網(wǎng)絡，結(jié)合遷移學習的方法，在Alex Net 和Inception V3 的框架下對植物葉片圖片進行識別，識別準確率較高。祝保林等提出了一種基于機器視覺的小桐子種子識別算法，對小桐子種子優(yōu)劣品質(zhì)進行識別分類，準確率達到96%左右。因此本文從機器視覺對冰雹進行檢測，為冰雹檢測提供了一個新的角度，有利于提高識別效率，降低人工識別的誤差，減少人工的損耗；與醫(yī)學上的“切片”后驗類似，對冰雹的面積、周長等進行測量，有利于后續(xù)的冰雹粒徑分析，為冰雹災害評估提供有效依據(jù)；與雷達檢測等方法相結(jié)合，將進一步提高冰雹預防和檢測能力，對減輕農(nóng)業(yè)災害、保障人民的生產(chǎn)和生活、促進經(jīng)濟發(fā)展和社會穩(wěn)定具有積極意義。

1 方 法

氣象部門一般將冰雹放置在均勻涂滿黑色的板子上以此實現(xiàn)冰雹的人工測量，過程繁瑣且檢測效率不高。本文提出一種基于機器視覺的冰雹識別與分類算法，在準確識別和測量冰雹的前提下提高人工測量的效率，節(jié)省時間成本。本文系統(tǒng)的實現(xiàn)步驟如圖1 所示。

圖1 步驟圖

首先，搭建一個冰雹圖像采集平臺；其次，結(jié)合圖像處理技術(shù)對采集到的冰雹圖像進行預處理，衰減圖像噪聲，增強圖像信息；根據(jù)目標圖像和背景圖像在顏色上的差異，對冰雹圖像進行初步分割；判斷冰雹間是否粘連，應用改進的分水嶺算法對粘連部分分割；結(jié)合冰雹的顏色特征和形狀特征，對分割后的冰雹圖像進行特征提取和分析；利用Relief?F 算法篩選出權(quán)重最大的特征參數(shù)；構(gòu)建支持向量機（SVM）對冰雹和非冰雹圖像識別分類；最后，對識別效果進行分析，并對方法做進一步的改進，提高準確率。

2 冰雹圖像處理與特征提取

2.1 圖像采集

目前并沒有完善的關(guān)于冰雹圖像的數(shù)據(jù)庫，本文的圖像數(shù)據(jù)主要來源于兩個方面：一方面通過模擬人工降雹得到訓練集，另一方面將采集到的真實場景下的冰雹圖片作為測試集。如圖2 所示，搭建一個圖像采集平臺，為了盡量減少圖像采集過程中拍攝角度帶來的誤差，將相機與地面的高度設置為恒定。本文采集室外幾種常見背景下的冰雹圖片，包括不同粒徑、不同程度的冰雹圖像，如圖3 所示。

圖2 圖像采集平臺

圖3 冰雹原圖

2.2 圖像處理

從采集到的冰雹圖片來看，冰雹與其他背景部分相比具有明顯的顏色特征，但在實際場景中會出現(xiàn)大面積的粘連、堆積，不利于檢測。目前，對粘連圖像的分割方法主要有基于閾值的分割方法、基于邊緣的分割方法和基于分水嶺的分割方法。

基于閾值的分割方法和基于邊緣的分割方法運算簡單，運行速度快，但分割的效果依賴于閾值選擇和邊緣定位結(jié)果。另外，冰雹的粘連部分具有相似的特征，單憑某一方法難以準確分割。而分水嶺方法是處理粘連圖像最常用的方法之一，基本思想是把圖像中各點像素灰度值表示成該點的海拔高度，通過高度的不同可將整幅圖像劃分成若干個區(qū)域，每個區(qū)域都有其灰度極小值，在模擬注水的過程中，水面慢慢地從山底向山頂擴展，隨著水位的上升，為了阻止區(qū)域的合并，在各個匯水盆地之間修建一個“堤壩”形成分水嶺，從而將整個拓撲地貌分割成若干區(qū)域。令，，…，M為梯度圖像（，）的局部極小值，，，…，C為與之對應匯水盆地中所有坐標集合；C[]為階段C的集合，[]表示所有C[]的集合；和代表著圖像（，）中灰度值的最小值與最大值，則有：

令[]為所有匯水盆地的集合，則有：

隨著水位以整數(shù)從=+1 到=+1 遞增時，若設[]為位于平面（，）=以下點的集合，根據(jù)算法[]中的坐標點將會被標記成黑色，其他的坐標點將會被標記成白色，形成一幅二值圖片。算法設定選取[+1]=[+1]，然后進入遞歸調(diào)用的階段，根據(jù)階段的[-1]來求解[]。設為[]連通分量，則對于連通分量，有三種情況：

1）?[-1]=?；

2）?[-1]包 含[-1]中 的 一 個 連 通分量；

3）?[-1]包 含[-1]中 的 多 個 連 通分量。

當新的極小值產(chǎn)生并滿足情況1）時，將[]與[-1]合并；若滿足情況2），則將[]與[-1]相應的部分合并；若滿足情況3），則在[]中構(gòu)建分水嶺，阻止匯水盆地的結(jié)合。

在真實圖像中，由于噪聲點或其他因素的干擾，若直接對冰雹圖像使用分水嶺算法常存在嚴重的過分割現(xiàn)象，使得分割不存在意義。因此，本文針對冰雹提出一種改進的分水嶺算法。算法流程如圖4 所示。

圖4 改進的分水嶺算法

步驟1：對采集到的冰雹圖像運用RGB 模型濾除復雜的背景，如圖5 所示。

圖5 濾除背景

步驟2：結(jié)合形態(tài)學濾波去除分割后多余的噪聲，保證冰雹邊緣的完整性，二值化結(jié)果如圖6 所示。

圖6 二值化圖

步驟3：對二值化圖像進行距離變換，即對圖像中每個像素點到最近的非零像素點之間距離的運算。歐氏距離計算公式為：

式中：(,)和(,)分別為前后景像素點的坐標。將圖像中每個連通域的內(nèi)部像素點到非內(nèi)部像素點最短距離構(gòu)成的集合定義為(,)，Min，Max 為集合(,)中的最小值和最大值，(,)為連通域中每個內(nèi)部像素點經(jīng)過距離變換對應的灰度值，則歐氏距離變換的公式為：

步驟4：對距離變換后的圖像進行形態(tài)學處理，以抑制多余的偽極小值點。

步驟5：對步驟4 得到的圖像進行形態(tài)學混合開閉重建尺度空間和梯度修正。

步驟6：對變換后的冰雹圖像應用分水嶺變換。分水嶺分割結(jié)果如圖7、圖8 所示。其中，圖7 是整體分割結(jié)果，圖8 為截取分割后的圖像并將連通域編號后的結(jié)果。從圖8 可以看出：大部分冰雹粘連部分得到有效的分割，且形狀和大小基本保持不變，在實際降雹過程中冰雹并不會呈現(xiàn)如圖7a）所示的規(guī)則圓形，大部分情況如圖7b），c）所示，呈現(xiàn)大量不規(guī)則形狀。

圖7 分水嶺分割圖

圖8 分水嶺分割截取圖

2.3 特征提取

在降雹過程中，由于冰雹融化或受到?jīng)_擊破損，其平面形狀并不是標準的圓形，且冰雹的顏色經(jīng)過光的折射反射后并不是單純的白色，其中也會夾雜部分雜質(zhì)，單從其中一方面考慮的話，準確率不高。因此，本文對分割后的冰雹圖像分別從形狀、顏色兩個方面進行特征提取，形狀特征包括冰雹的面積、周長、長軸長度、短軸長度、圓形度、離心率、HU 矩、密集度等；顏色特征包括分量、分量、分量、分量、分量、分量。其中，冰雹的面積、周長、長軸長度、短軸長度均通過統(tǒng)計像素法進行測量。實際提取的冰雹的15 個特征參數(shù)見表1。

表1 特征參數(shù)表

3 識別與分類

3.1 Relief?F 算法

Relief 算法是一種特征權(quán)重算法，最早由Kira 提出以實現(xiàn)兩類數(shù)據(jù)的分類問題，Kononeil 對其進行拓展，得到Relief?F 算法，可以處理多類別問題。鑒于特征的維度將直接影響到檢測效率，本文應用Relief?F 算法，每次從冰雹的訓練樣本集中隨機取出一個樣本，然后從與同類的樣本集中找出的個近鄰樣本，從每個樣本的不同類的樣本集中均找出個近鄰樣本，然后更新每個特征的權(quán)重。特征的權(quán)重值是篩選特征的重要依據(jù)，本文利用Relief?F 算法對提取的所有特征進行篩選，選取特征權(quán)重前5 的特征作為分類器最終的輸入。權(quán)重結(jié)果表示，對識別冰雹與非冰雹影響最大的前5 個權(quán)重分別為顏色空間的分量、分量、分量、分量以及圓形度。氣象部門根據(jù)一次降雹中，多數(shù)冰雹（一般冰雹）直徑、降雹累計時間和積雹厚度，將冰雹分為輕雹、中雹和重雹。由于本文是對采集后的冰雹圖像進行處理，無法從冰雹的圖像中得知降雹的持續(xù)時間，因而本文暫未考慮降雹時間的影響。從權(quán)重結(jié)果來看，對判斷冰雹屬于輕雹、中雹、重雹影響最大的前5 個權(quán)重分別為密集度、單個冰雹的面積、短軸長、周長以及圓形度。

3.2 支持向量機分類模型

實驗計算機配置：Windows 10 操作系統(tǒng)，8 GB 內(nèi)存，2.50 GHz CPU，Matlab 2019a。具體步驟：

1）對數(shù)據(jù)集進行背景濾除、形態(tài)學濾波、二值化、粘連分割和邊緣檢測等操作，分割出目標區(qū)域；

2）特征提取，針對性地提取冰雹的顏色特征以及形狀特征；

3）將人工模擬降雹的圖片作為訓練集，將采集到的真實場景下的冰雹圖片作為測試集，分類方式選擇一對一，學習器設置為SVM，將提取的特征作為SVM 的特征輸入，選取高斯核函數(shù)作為核函數(shù)，采用十字交叉驗證對分類性能進行估計。由于此方法需要對懲罰系數(shù)和高斯核函數(shù)自帶參數(shù)進行確定，為最大限度地提高驗證精度，使用網(wǎng)絡搜索方法對參數(shù)進行優(yōu)化處理，將，變化范圍設置為-10~10 進行遍歷搜索。建立二分類SVM 進行冰雹與非冰雹的識別，當=0.25，=0.176 8 時的SVM 對冰雹與非冰雹的識別準確率最高達97.50%，平均準確率達95.00%；同時建立多分類SVM 進行冰雹的分類，當=0.25，=2 時的SVM 對冰雹的粒徑大小分類準確率最高達93.50%，平均準確率為90.25%。冰雹與非冰雹的樣本總數(shù)和準確率分別見表2、表3。

表2 冰雹識別結(jié)果

表3 冰雹分類結(jié)果

4 結(jié) 語

針對氣象部門人工檢測冰雹費時費力等問題，本文提出一種基于機器視覺的冰雹檢測方法，實驗結(jié)果表明該方法具有一定的有效性。在接下來的工作中，為了進一步提高冰雹分類的準確率，將進一步擴大樣本數(shù)據(jù)集，尤其是不規(guī)則冰雹的數(shù)據(jù)集；進一步研究對實時監(jiān)控中的冰雹進行檢測，為冰雹的災后評估提供有效的數(shù)據(jù)支撐，以減少冰雹災害帶來的經(jīng)濟損失。