陳 留, 楊筆鋒,2, 謝 歡, 馬尚昌,2

(1.成都信息工程大學(xué)電子工程學(xué)院,四川 成都 610225;2.中國(guó)氣象局大氣探測(cè)重點(diǎn)開放實(shí)驗(yàn)室,四川 成都 610225)

0 引言

常見的地面凝結(jié)現(xiàn)象包括霜、露、雨凇、霧凇等,露和霜都是水汽凝結(jié)在地面或地物表面形成的凝聚物。不同之處在于形成時(shí)的物理變化不同、形成時(shí)地表溫度不同、以及形成時(shí)形狀不同[1]。由于雨凇和霧凇發(fā)生條件較苛刻,出現(xiàn)幾率較小,因此霜和露的識(shí)別是地面凝結(jié)現(xiàn)象觀測(cè)的重點(diǎn)。

霜和露的傳統(tǒng)觀測(cè)方法以人工觀測(cè)為主,存在觀測(cè)次數(shù)不夠并且主觀性強(qiáng)等一系列缺陷,導(dǎo)致觀測(cè)質(zhì)量不高[2]。因此針對(duì)地面凝結(jié)現(xiàn)象的自動(dòng)觀測(cè)技術(shù)應(yīng)運(yùn)而生,蒲曉虎等[3]根據(jù)霜露自動(dòng)化裝置的電容傳感器在濕度不同的情況下電容變化較大的特點(diǎn),提出了通過(guò)測(cè)量電容變化所引起的頻率變化和當(dāng)前的溫度信息聯(lián)合判別當(dāng)前的霜、露現(xiàn)象。除此之外,還有利用CCD圖像傳感器、露采集器和處理器構(gòu)成的自動(dòng)化觀測(cè)裝置。將三層帶有磨砂區(qū)域的玻璃片固定在特定支架上作為露采集器[4]。但是傳感器只能顯示一維特征,不能較好地表征霜和露的特性。Jerzy等[5]提出了基于阻抗矩陣測(cè)量的露點(diǎn)檢測(cè)器,雖然較好地檢測(cè)出地面凝結(jié)現(xiàn)象,但是在氣象觀測(cè)方面的意義并不大。此外,基于計(jì)算機(jī)視覺(jué)的霜露識(shí)別算法也成為當(dāng)今流行的趨勢(shì),將檢測(cè)的霜露現(xiàn)象轉(zhuǎn)換為檢測(cè)圖像光學(xué)特性的變化,但存在霜露容易受到溫度和光照的影響而消失,霜露在圖像中的分布沒(méi)有明顯規(guī)律等問(wèn)題[6]。為提高露、霜觀測(cè)的準(zhǔn)確性,改善觀測(cè)的工作效率,本文提出通過(guò)高清CCD拍照對(duì)地面凝結(jié)現(xiàn)象圖像進(jìn)行采集,在此基礎(chǔ)上利用canny邊緣檢測(cè)提取圖片的紋理特征,進(jìn)行基于支持向量機(jī)的凝結(jié)現(xiàn)象分類識(shí)別。

1 霜露觀測(cè)裝置及圖像提取

1.1 霜露觀測(cè)裝置

人工觀測(cè)可以從多個(gè)角度觀測(cè)凝結(jié)現(xiàn)象,攝像頭只能從一個(gè)角度獲取凝結(jié)現(xiàn)象,因此本文使用了朱磊等[2]提出的間接觀測(cè)方案,觀測(cè)平臺(tái)如圖1所示。

圖1 霜露觀測(cè)平臺(tái)

真實(shí)草地上不易觀測(cè)到凝結(jié)現(xiàn)象,故使用三層帶有磨砂區(qū)域玻璃片代替真實(shí)草地,并通過(guò)圖中的帶有夜視功能的高清短焦攝像頭進(jìn)行錄像。好處是在流視頻中玻璃片的位置是固定的,能更方便地尋找凝結(jié)接觸面。磨砂區(qū)域位于玻璃片的下方,使用特定的亞克力板對(duì)三層玻璃片進(jìn)行固定。上述方法能更明顯地觀察到凝結(jié)現(xiàn)象,提取圖像特征,并通過(guò)對(duì)三塊玻璃片同一時(shí)刻的綜合判定實(shí)現(xiàn)聯(lián)合判別,使用一半磨砂玻璃和一半透明玻璃所構(gòu)成的玻璃片,更容易通過(guò)兩邊玻璃片的差別對(duì)不同現(xiàn)象進(jìn)行區(qū)分。

1.2 圖像的初步提取

由于霜露觀測(cè)裝置截取的霜露圖像是流視頻,需將錄像以圖片的形式呈現(xiàn)。傳統(tǒng)方法是在流視頻中每隔一段固定時(shí)間進(jìn)行一次普通的截屏,但截取的圖像像素偏低、分辨率低。因此,本文利用視頻截幀的方法進(jìn)行圖像的提取,通過(guò)編寫基于python的圖像提取程序,修改提取參數(shù),每5分鐘截取一張高像素的圖片,得到圖2所示圖像。

圖2 晝夜采集圖像展示

2 圖片特征提取

2.1 圖像凝結(jié)接觸面提取

通過(guò)初步的圖像提取,得出:(1)在干燥現(xiàn)象中,玻璃片的磨砂區(qū)域和普通區(qū)域有著明顯的區(qū)別;(2)在結(jié)露現(xiàn)象中,磨砂區(qū)域和普通玻璃區(qū)域都凝結(jié)著不少的水滴;(3)在結(jié)霜現(xiàn)象中,磨砂區(qū)域和普通玻璃區(qū)域之間界限模糊,兩邊都附著有白色的碎末狀冰晶。如圖3所示。

圖3 各種現(xiàn)象下的玻璃片狀態(tài)

從圖3可以看出整張圖片里有部分不包含玻璃片的區(qū)域,首先系統(tǒng)地截取出每一張圖片中的凝結(jié)接觸面,典型圖片如圖4所示。提取的凝結(jié)接觸面能較好地顯現(xiàn)出圖像的專屬特征。

圖4 各種現(xiàn)象下的感興趣區(qū)域提取

李肖霞等[4]提出發(fā)生結(jié)露現(xiàn)象時(shí),玻璃片的亮度會(huì)發(fā)生明顯變化。因此,本文最初將提取的每幅圖中3個(gè)玻璃片的毛玻璃部分和普通玻璃部分按照人工觀察進(jìn)行初步判定并打上標(biāo)簽;然后計(jì)算每部分的灰度特征值,將灰度特征值作為圖像識(shí)別的依據(jù)。由于晚上有燈光對(duì)采集裝置進(jìn)行照射,玻璃片下墊面的植被會(huì)對(duì)判定結(jié)果造成很大的影響,導(dǎo)致識(shí)別準(zhǔn)確率并不高。在此基礎(chǔ)之上,本文提出了將凝結(jié)接觸面通過(guò)邊緣檢測(cè)得到圖像紋理特征進(jìn)行進(jìn)一步的圖像識(shí)別。

2.2 邊緣檢測(cè)提取紋理特征

數(shù)據(jù)量過(guò)多一直是圖像特征提取的難點(diǎn),利用邊緣檢測(cè)標(biāo)識(shí)出圖像中亮度變化明顯的點(diǎn),可以較好地保留圖像中原有的重要結(jié)構(gòu)屬性,剔除圖像中不相關(guān)信息。此前邊緣檢測(cè)的實(shí)現(xiàn)是通過(guò)Sobel算法、Log算法、Roberts算法等,實(shí)際效果不甚理想。為彌補(bǔ)上述算法的不足,本文應(yīng)用Canny邊緣檢測(cè):圖像像素的高斯分布非常重要,為使其趨于均衡,利用Canny算子計(jì)算像素統(tǒng)計(jì)平均,二維高斯公式為[7-8]

通過(guò)計(jì)算灰度變化率相對(duì)于水平方向的斜率即可得出其梯度矢量:

根據(jù)式(1)和式(2),分別得出圖像像素沿x和y方向的偏導(dǎo)數(shù)公式:

式(3)和式(4)中的k是自然數(shù),e為高斯常數(shù),表示圖像像素平衡的程度。通過(guò)一階偏微分方程卷積法得出如(5)所示的梯度幅值公式和(6)所示的梯度方向公式:

其中,Px[i,j]和Py[i,j]分別是相對(duì)于x軸和y軸的偏導(dǎo)數(shù)。然后根據(jù)圖像像素點(diǎn)的灰度變化率設(shè)定閾值,對(duì)設(shè)定的閾值范圍進(jìn)行比較,將圖像中的像素分別分類。可以得到如下的分類公式:

式中M[i,j]是灰度變換矩陣,Y[i,j]是邊緣檢測(cè)像素相鄰區(qū)域的像素。將這些像素點(diǎn)二值化處理,將大于閾值的像素點(diǎn)和小于等于閾值的像素點(diǎn)分別重新賦值為255和0[9],將賦值為255的像素點(diǎn)串接,得到被檢測(cè)物體的邊沿。

2.3 canny邊緣檢測(cè)提取結(jié)果

本次邊緣提取分別使用了干燥現(xiàn)象、結(jié)露現(xiàn)象、結(jié)霜現(xiàn)象的磨砂玻璃部分和對(duì)應(yīng)的透明玻璃部分各600張。典型的圖片如圖5所示,干燥現(xiàn)象時(shí),磨砂玻璃部分經(jīng)過(guò)邊緣處理后基本上沒(méi)有紋理痕跡,而在透明玻璃部分,由于下墊面有一些雜草和亞克力板上的印記,導(dǎo)致其像素梯度有一定的變化;對(duì)于結(jié)露現(xiàn)象的玻璃片來(lái)說(shuō),無(wú)論是在凝結(jié)接觸面的磨砂玻璃部分還是透明玻璃部分,都可以看出上面的結(jié)露痕跡;對(duì)于結(jié)霜現(xiàn)象的玻璃片,可以看出在同一張圖中,無(wú)論是其毛玻璃部分和透明玻璃部分,其兩邊玻璃的邊緣痕跡差距都不大。

圖5 各種現(xiàn)象下的邊緣提取

由于霜露在圖像中的分布無(wú)明顯規(guī)律,利用普通的圖像識(shí)別算法很難提取到上述現(xiàn)象的專屬紋理特征。而從圖5更深一步的分類中,可以發(fā)現(xiàn)將不同現(xiàn)象的圖像進(jìn)行邊緣處理之后,每種現(xiàn)象磨砂玻璃區(qū)域的灰度值和透明玻璃區(qū)域的灰度值有不同的分布規(guī)律。因此,可以通過(guò)尋找邊緣處理后圖像的灰度分布規(guī)律對(duì)現(xiàn)象進(jìn)行判別并分類。目前支持向量機(jī)在類似的分類方面已經(jīng)有了較大的成果。綜上所述,本文提出對(duì)選取圖像進(jìn)行邊緣處理求出灰度平均值的前提下,利用支持向量機(jī)進(jìn)行圖像分類。

3 支持向量機(jī)圖像分類

3.1 支持向量機(jī)原理

支持向量機(jī)(support vector machine,SVM)通過(guò)核函數(shù)將樣本集向量映射到一個(gè)高維特征空間[10],在空間中隨機(jī)生成一個(gè)超平面。為對(duì)樣本集進(jìn)行分類,需要不斷移動(dòng)超平面,直至不同類別的樣本點(diǎn)正好位于超平面的兩側(cè)。其次,在上述基礎(chǔ)之上,建立一個(gè)令兩側(cè)距離最大化的平面,稱其為最優(yōu)決策超平面[11]。支持向量機(jī)在分類問(wèn)題方面有著良好的泛化能力。

支持向量機(jī)是解決二分類問(wèn)題最有效手段,為找到最優(yōu)決策超平面。令方程w·x+b=0為最優(yōu)決策超平面,將處在w·x+b＞0區(qū)域的點(diǎn)歸為1類,而將處在w·x+b＜0區(qū)域的點(diǎn)歸為-1類,經(jīng)過(guò)總結(jié),最優(yōu)決策超平面兩側(cè)距離最大化的數(shù)學(xué)表達(dá)式如式(8);約束條件如式(9):

得出SVM的標(biāo)準(zhǔn)原問(wèn)題表達(dá),當(dāng)式(9)兩邊的值相等時(shí),可以得出此時(shí)的xi一定位于圖6的虛線上,即為支持向量[12],雖然存在很多樣本,但是只有在虛線上的樣本可以被稱作支持向量,這些樣本到?jīng)Q策面的距離被標(biāo)準(zhǔn)化到了1。

圖6 支持向量機(jī)圖解

支持向量機(jī)在非線性數(shù)據(jù)分類方面需要以下步驟:(1)通過(guò)非線性變換使得低維空間中的非線性分類樣本映射到高維空間中,形成線性可分樣本;(2)利用上述所得的線性可分樣本,構(gòu)造最優(yōu)決策超平面。相對(duì)于線性變換只需要選擇線性核函數(shù)所得,如果要在非線性變換中得到最優(yōu)決策超平面需要選擇各種多項(xiàng)式核函數(shù)等。正是由于上述將核函數(shù)用于非線性分類,不但使支持向量機(jī)在解決非線性分類問(wèn)題方面也有著一席之地,而且有效地解決了高維數(shù)據(jù)運(yùn)算復(fù)雜、耗時(shí)冗長(zhǎng)的問(wèn)題[13]。

對(duì)于多樣本分類的問(wèn)題,最常采用的策略是通過(guò)一對(duì)一的投票方式,構(gòu)建支持向量機(jī)多類分類器。訓(xùn)練樣本中有 n種類別,等于是將每種類別和其余(n-1)種類別相對(duì)比,則需要?jiǎng)?chuàng)建n(n-1)/2個(gè)二分類器,求解出每個(gè)二分類器的最優(yōu)決策超平面,最終得到的訓(xùn)練結(jié)果即為保存的每個(gè)二分類器的訓(xùn)練參數(shù)。

3.2 支持向量機(jī)分類特征

利用支持向量機(jī)分類必須在各個(gè)類別之間有容易區(qū)分的特征,將上述圖像通過(guò)Canny邊緣處理并計(jì)算兩部分玻璃片的灰度值之后,每種現(xiàn)象選出一定數(shù)量的圖片得到較明顯的灰度值分布:當(dāng)干燥現(xiàn)象時(shí),磨砂部分灰度值接近于0,透明部分灰度值處于一個(gè)較大的范圍;處于結(jié)露現(xiàn)象時(shí),兩部分灰度值都處于一個(gè)較大的范圍;處于結(jié)霜現(xiàn)象時(shí),兩部分灰度值比較接近。綜上,可以得出三者之間灰度值分布有著較為明顯的區(qū)分特征。因此可以進(jìn)行基于支持向量機(jī)的圖像分類。

3.3 基于SVM分類過(guò)程和結(jié)果

根據(jù)支持向量機(jī)在分類方面的優(yōu)勢(shì)以及不同現(xiàn)象圖像進(jìn)行Canny邊緣處理之后的差異以及所求灰度值分布的一系列明顯規(guī)律,本文選用支持向量機(jī)對(duì)上述3類現(xiàn)象進(jìn)行分類,基于支持向量機(jī)的分類過(guò)程有如下步驟:

Step1:選取上述3種現(xiàn)象的圖像各600張,對(duì)不同的現(xiàn)象按種類打上標(biāo)簽,分別將其磨砂玻璃部分和透明玻璃部分進(jìn)行Canny邊緣處理,得到邊緣處理后的圖像,更好地提取出各種現(xiàn)象的專屬特征。

Step2:求出邊緣處理后圖像磨砂玻璃部分和透明玻璃部分的灰度平均值,并將兩部分的灰度平均值和之前按照種類定義的標(biāo)簽構(gòu)建為一組三維數(shù)組。并將兩部分灰度值作為樣本特征集,將按照種類打上的標(biāo)簽作為樣本結(jié)果。

Step3:將所得1800組數(shù)組按照7:3的比例分為訓(xùn)練集和測(cè)試集,利用各種現(xiàn)象之間磨砂玻璃部分灰度平均值、透明玻璃部分灰度平均值之間的分布規(guī)律,進(jìn)行基于SVM的圖像分類。

在上述步驟完成之后,對(duì)分類模型進(jìn)行搭建,其中分類器的核函數(shù)選用高斯核函數(shù),采取一對(duì)一的分類方式,最后利用二分法得到如表1所示的測(cè)試集分類結(jié)果。

表1 測(cè)試集分類結(jié)果 單位:%

根據(jù)對(duì)測(cè)試集的分類結(jié)果,可以得出干燥現(xiàn)象的識(shí)別準(zhǔn)確率最高,達(dá)到98.4%。結(jié)霜現(xiàn)象的識(shí)別準(zhǔn)確率較低,還有較高的提升空間。根據(jù)對(duì)測(cè)試集圖像(圖7)的分析看出:結(jié)合某些結(jié)霜現(xiàn)象圖像的磨砂玻璃部分以及透明玻璃部分的Canny邊緣處理圖像,將處理后的圖像進(jìn)行灰度平均值計(jì)算后,得出灰度平均值分布與干燥現(xiàn)象較為接近,因此造成了誤判。

圖7 結(jié)霜現(xiàn)象錯(cuò)誤判定圖示例

3種現(xiàn)象的綜合識(shí)別率達(dá)到了86.5%,相對(duì)最初僅憑借玻璃片兩個(gè)區(qū)域的灰度特征值對(duì)凝結(jié)現(xiàn)象進(jìn)行分類,在準(zhǔn)確率方面和效率方面都提升了不少。

4 結(jié)束語(yǔ)

利用帶磨砂區(qū)域的三層玻璃片代替草地作為凝結(jié)接觸面,使用具有夜視功能的攝像頭進(jìn)行不間斷的錄像,利用視頻截幀完成圖像的初步提取。在提取圖像中的凝結(jié)接觸面區(qū)域之后,首先通過(guò)灰度特征值挖掘3種現(xiàn)象的規(guī)律,得到光照和下墊面植被會(huì)對(duì)圖像的灰度特征值有較大的影響。最后將圖像進(jìn)行Canny邊緣檢測(cè)提取圖像紋理特征,利用磨砂玻璃和透明玻璃部分下墊面的不同導(dǎo)致邊緣提取圖像的不同。提出了基于SVM的圖像分類,得出以下結(jié)論:(1)此方法在干燥現(xiàn)象的識(shí)別方面具有很高的識(shí)別準(zhǔn)確率;(2)將某些結(jié)霜現(xiàn)象的圖像經(jīng)過(guò)邊緣處理之后,可以看出其平均灰度值分布與干燥現(xiàn)象的較為接近,容易造成一部分誤判,因此在結(jié)霜現(xiàn)象的識(shí)別準(zhǔn)確率還有一定的提升空間。(3)此方法達(dá)到了86.5%的綜合識(shí)別準(zhǔn)確率,相對(duì)于只憑借灰度特征值對(duì)3種現(xiàn)象的識(shí)別有了更高的識(shí)別準(zhǔn)確率和效率。