CNN邊緣提取在冰雹預(yù)測中的應(yīng)用

李冰潔，李國東

（新疆財經(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)測中的應(yīng)用

李冰潔，李國東

（新疆財經(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)合細胞神經(jīng)網(wǎng)絡(luò)理論對雹云進行了預(yù)測研究，選取新疆幾個地區(qū)的冰雹云層圖像進行分析，提供了一種簡單的利用細胞神經(jīng)網(wǎng)絡(luò)邊緣探測方法來判別云層圖像是否降雹.在MATLAB程序進行邊緣探測得到圖像對應(yīng)的像素矩陣數(shù)據(jù)，將矩陣數(shù)據(jù)處理得到每個圖像的像素強度，像素強度小于0.8的是降雹云層，大于0.9的是無雹云層.經(jīng)驗證細胞神經(jīng)網(wǎng)絡(luò)理論在冰雹的預(yù)測識別中是有效的.

細胞神經(jīng)網(wǎng)絡(luò)；冰雹預(yù)報；邊緣檢測；MATLAB

0　引言

冰雹是由強對流天氣系統(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)與強烈的空氣對流.它具有較強烈的隨機性、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，持續(xù)時間短，但是來勢兇，強度大，并且常伴有其他災(zāi)害性天氣過程.雖然氣象臺根據(jù)衛(wèi)星探測和雷達的監(jiān)視，可以提前預(yù)測冰雹災(zāi)害，但精確度仍然不夠高.天氣雷達、衛(wèi)星、計算機和其他先進的設(shè)備在氣象中的大量使用，使冰雹預(yù)測的精確度大為提升.

目前冰雹預(yù)報研究的方法主要集中在冰雹的物理過程處理.如：采用完全彈性三維冰雹數(shù)值模式［1］來模擬某地區(qū)地面的動力和熱力不均勻而形成的初始擾動冰雹云模式來預(yù)報冰雹；使用運動視覺技術(shù)對冰雹云圖進行跟蹤和預(yù)報［2］，利用區(qū)域標(biāo)記生長法對冰雹云圖進行濾波，從圖像處理的方向研究，采用模式識別和計算機處理的方法對Doppler雷達的徑向速度圖進行研究；利用粗糙集理論建立冰雹的單模型預(yù)報［3］，通過BP神經(jīng)網(wǎng)絡(luò)構(gòu)建冰雹分類器，實現(xiàn)對冰雹樣本的自動分類.

在過去的冰雹研究工作中，冰雹預(yù)報大多是在雷達獲取的數(shù)值方面的研究，如云層高度，濕度等，判別率較低.而本文是從雷達探測圖像的處理角度，運用細胞神經(jīng)網(wǎng)絡(luò)這一新的領(lǐng)域研究冰雹預(yù)報.細胞神經(jīng)網(wǎng)絡(luò)邊緣提取是圖像處理的基本方法，曾多次運用在醫(yī)學(xué)領(lǐng)域，但很少有人將其運用在冰雹預(yù)報當(dāng)中.由于每張彩色圖像都是多維的，邊緣提取出來的每個矩陣都是M行N列的，計算比較復(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算成一個數(shù)值，得出每幅圖像的像素強度，進而來識別雷達反射率圖像降雹與否.

1　CNN細胞神經(jīng)網(wǎng)絡(luò)技術(shù)

細胞神經(jīng)網(wǎng)絡(luò)［4］（CNN）是一種處理信號的非線性處理器，借鑒Hopfield神經(jīng)網(wǎng)絡(luò)的優(yōu)點與CA處理單元細胞的概念，解決了模擬電路的實現(xiàn)問題，便于網(wǎng)絡(luò)動態(tài)特性的分析，也具有平行性、局域性和穩(wěn)定性等特點.

CNN的細胞與周圍相鄰的細胞直接聯(lián)系構(gòu)成全局聯(lián)通神經(jīng)網(wǎng)絡(luò)，但是對于一個單獨的細胞來說，它只與其領(lǐng)域內(nèi)的細胞發(fā)生連接，細胞之間發(fā)生聯(lián)系的距離為r.圖1是一個規(guī)模為4×4的CNN模型的結(jié)構(gòu)，整個模型結(jié)構(gòu)是由M×N個細胞排列成M行N列，Cij代表第i行第j列的細胞.細胞與周圍細胞直接發(fā)生互相聯(lián)系的最遠距離稱為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）的動力學(xué)性質(zhì)由模板A，B和z來決定.A，B，z的不同會產(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周圍的8個細胞也全為黑色，wi，j=-1，此時判斷出ui，j不是邊緣；

若ui，j=1，則ui，j周圍的8個細胞中至少存在一個是白色，那么就可以判斷出此ui，j為邊緣；

若ui，j=1，ui，j周圍有P個細胞表現(xiàn)為白色，那么剩下8-P個就為黑色，就有wi，j=-1+2P≥1；

這樣遞增遞減的圖線就會形成穩(wěn)定點.因此標(biāo)準(zhǔn)細胞神經(jīng)網(wǎng)絡(luò)模型的圖形可以用圖3來表示.

圖2　CNN輸出函數(shù)

圖3　穩(wěn)定點圖形

2　圖像邊緣提取

圖像的邊緣是圖像的一個最基本的特征，圖像的大部分信息都儲存在它的邊緣之中，因此對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］.邊緣檢測一般可分為4個階段：濾波、檢測、增強、定位，它的實質(zhì)是采用某種算法提取出圖像中對象與背景之間的交界線［8］.

2.1傳統(tǒng)邊緣檢測算子

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

Sobel算子的原理［10］是在邊緣像素點處與之臨近的像素達到權(quán)達到極值，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算量，通常會檢測出許多偽邊緣，對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］沒有把重點放在接近模板中心的像素點，權(quán)值有所變化，同樣采用了3×3的模板.通過像素平均的原理對噪聲有抑制作用，這樣相當(dāng)于對圖像進行了低通濾波，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Lena圖的邊緣檢測效果圖.

圖4　原圖

圖5　Roberts算子檢測邊緣

圖6　Sobel算子檢測邊緣

圖7　Prewitt算子檢測邊緣

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)定性與時滯性，使其在靜態(tài)圖像與動態(tài)圖像的處理中有顯著效果［12］.在CNN中細胞之間的連接權(quán)重被稱為CNN模板，這些不同的模板決定了CNN性能的不同. CNN圖像邊緣檢測模板能夠提取出圖像中處于邊界上的像素點.邊緣提取的技術(shù)是利用圖像中灰度的變化來檢測和提取邊緣［13］.邊緣提取模板如下：

可以根據(jù)不同問題的需要來改變矩陣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.

通過細胞神經(jīng)網(wǎng)絡(luò)的邊緣探測模板對探測得到的圖像在MATLAB程序中進行邊緣探測得到邊緣探測圖形［14］，如圖8所示.對比以上的邊緣檢測模板，傳統(tǒng)的邊緣算子在抗噪聲性能、邊緣定位及視覺感知等方面難以滿足實際需求.可以得出CNN邊緣檢測模板的Lena圖的輪廓更加清晰明了，局部細節(jié)檢測結(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頭發(fā)檢測的都非常仔細，可以看出CNN在邊緣探測中具有明顯的優(yōu)勢.

圖8　邊緣提取圖

3　細胞神經(jīng)網(wǎng)絡(luò)在冰雹預(yù)測中的應(yīng)用

3.1對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，冰雹云移動快伴有強烈的連續(xù)翻滾，如何識別冰雹云是準(zhǔn)確預(yù)見冰雹出現(xiàn)的關(guān)鍵所在.利用以上介紹的邊緣提取模板對降雹與無雹的云層雷達圖像進行邊緣提取，圖9是降雹與無雹兩組圖片中部分圖像的邊緣提取圖.

圖9　降雹與無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首先將每個圖像分為3層，經(jīng)過一系列的運算得到每個圖像的3個邊緣提取矩陣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，得出每個云層圖像的像素強度.

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

表1　無雹雷達圖像處理數(shù)據(jù)

表2　降雹雷達圖像處理數(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)大小來判斷是否降冰雹.

4　模擬仿真與驗證

選取另外6個天氣（3個雹云，3個非雹云）來驗證我們的規(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　驗證樣本處理數(shù)據(jù)

表3中N代表無雹圖像的提取數(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，方法較為簡單，雖然每個像素值都得到了應(yīng)用，得到了降雹與無雹的圖象像素強度值，但是數(shù)值大小還是比較相近的，不易區(qū)分.

我國是農(nóng)業(yè)大國且屬于冰雹多發(fā)區(qū)，準(zhǔn)確預(yù)報冰雹是非常重要的.CNN細胞網(wǎng)絡(luò)神經(jīng)在圖像邊緣提取中的應(yīng)用，可以將雷達探測的云層圖像進行分解提取出邊緣，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)報的數(shù)值試驗研究［J］.成都信息工程學(xué)院學(xué)報，2004，19（4）：553-557.

［2］ 楊玉峰.基于雷達回波反射率圖的冰雹云識別系統(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)的強對流天氣預(yù)報模型研究［D］.成都：電子科技大學(xué)，2010.

［4］ 王懷穎.細胞神經(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)想記憶細胞神經(jīng)網(wǎng)絡(luò)的優(yōu)化設(shè)計［J］.計算機應(yīng)用，2012，32（2）：411-415.

［7］ 薛菲菲.基于細胞神經(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)?，?一種基于圖像融合的含噪圖像邊緣檢測方法［J］.光電子激光，2012，23（11）：2215-2219.

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

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

［11］ 湯敏.基于細胞神經(jīng)網(wǎng)絡(luò)的灰度圖像邊緣提?。跩］.計算機工程與設(shè)計，2010，31（10）：276-279.

［12］ 龍述君，張永新，向麗.具有混合時滯的隨機細胞神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性分析［J］.四川師范大學(xué)學(xué)報，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方法［J］.光電子激光，2012，23（11）：2216-2219.

［14］ 董長虹，賴志國，余嘯海.MATLAB圖像處理與應(yīng)用［M］，北京：國防工業(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

國家自然科學(xué)基金項目（11461063）；國家社科基金項目（14BTJ021）；教育部人文社會科學(xué)基金項目（13YJAZH040）；新疆維吾爾自治區(qū)高校科研計劃項目（XJEDU2013I26）

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