氣象雷達(dá)回波圖中區(qū)域地物雜波檢測算法

季鈺林，傅俊杰，劉家威，劉人銓，周孝宗

（成都信息工程大學(xué)通信與信息工程學(xué)院，四川成都 610200）

0 引言

當(dāng)下是人工智能的時代，隨著萬物皆互聯(lián)的呼聲越來越高，很多需要手工作業(yè)完成的工作都開始思考如何用人工智能來替代。隨著全國各地天氣雷達(dá)網(wǎng)的逐步完善，國內(nèi)已建成覆蓋人口密集區(qū)的天氣雷達(dá)網(wǎng)。氣象狀況與人類的生產(chǎn)生活息息相關(guān)，天氣狀況預(yù)測在農(nóng)業(yè)、民航等各個領(lǐng)域也發(fā)揮著重要作用。雖然天氣雷達(dá)可通過識別靜止像素判斷目標(biāo)是否運動，從而消除大部分地物雜波，但在低角度區(qū)域仍會受到地物雜波的干擾，無法完全識別。當(dāng)前，仍然需要依靠相關(guān)從業(yè)人員通過肉眼判別出地物雜波的存在，很明顯該工作需要浪費一定人力且效率低下。

為解決該問題，杜言霞等［1］提出通過綜合識別法去除風(fēng)廓線雷達(dá)地物雜波的可行性研究；侯慶禹等［2］提出一種結(jié)合keystone 變換在頻率域—多普勒域聯(lián)合提取目標(biāo)信號和抑制雜波的新方法，但都沒有很好地解決塊狀地物雜波與雜散地物雜波同時存在的問題。在參考Mohanaiah等［3］、Gao 等［4］提出的GLCM 算法基礎(chǔ)上，黃云仙等［5］提出的灰度共生矩陣自適應(yīng)雷達(dá)雜波抑制方法可識別整幅雷達(dá)回波圖中的地物雜波是否存在，但無法判斷雷達(dá)回波圖中具體區(qū)域的地物雜波。

本文在前人研究的基礎(chǔ)上，提出一種區(qū)域重疊灰度共生矩陣算法，以識別雷達(dá)回波圖中具體區(qū)域存在的地物雜波。另外，因為地物雜波基本存在于雷達(dá)掃描低仰角區(qū)域，而在高仰角區(qū)域鮮有存在，所以利用深度學(xué)習(xí)算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對截取的雷達(dá)回波圖中特定低仰角范圍內(nèi)的回波圖進(jìn)行角度識別，過濾高仰角度區(qū)域，以減少計算量。采用區(qū)域重疊灰度共生矩陣算法與深度學(xué)習(xí)算法相結(jié)合的方式，可較準(zhǔn)確地找出雷達(dá)氣象回波圖中具體區(qū)域存在的地物雜波情況，減少了計算冗余，讓算法的運行更加流暢，較完美地實現(xiàn)了以機(jī)器視覺代替肉眼識別，降低了對人的依賴程度，從而節(jié)約了成本［6-16］。

1 基本原理

卷積神經(jīng)網(wǎng)絡(luò)模型采用3 個卷積層（Convolution）、2 個池化層（Pooling）和2 個全連接層（Pooling）構(gòu)成，采用5*5的卷積核運算。首先將32*32 的訓(xùn)練數(shù)據(jù)經(jīng)過第一層卷積層，得到第一次卷積之后的特征圖；然后經(jīng)過第二層卷積，再經(jīng)過池化層對提取的特征進(jìn)行壓縮，得到第二次提取的特征圖；之后經(jīng)過第三次卷積和池化層，得到第三次特征圖；最后經(jīng)過兩次全連接層，得到屬于每一個0-9 數(shù)字的概率，從而達(dá)到識別俯仰角的目的。利用訓(xùn)練好的模型對數(shù)字0-9 進(jìn)行準(zhǔn)確識別，可以很清晰地獲取俯仰角度數(shù)。

在經(jīng)過俯仰角判別之后，過濾高角度的雷達(dá)回波圖，只對低角度的雷達(dá)回波圖進(jìn)行判別。利用區(qū)域重疊灰度共生矩陣算法對低角度雷達(dá)回波圖進(jìn)行紋理特征提取，得到對比度（Contrast）、相關(guān)性（Correlation）、能量（Energy）、熵（entropy）4 種不同閾值，通過不同閾值判斷存在地物雜波的具體區(qū)域。

實驗結(jié)果表明，利用區(qū)域重疊灰度共生矩陣算法計算得到雷達(dá)回波圖的4 種不同閾值，可較好地判斷該區(qū)域是否存在地物雜波，并且得到地物雜波具體區(qū)域的坐標(biāo)。

2 卷積神經(jīng)網(wǎng)絡(luò)

2.1 卷積神經(jīng)網(wǎng)絡(luò)簡介

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)（Feedforward Neural Networks），是深度學(xué)習(xí)（deep learning）的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)（representation learning）能力，能夠按其階層結(jié)構(gòu)對輸入信息進(jìn)行平移不變分類（Shift-invariant Classification），因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（Shift-Invariant Artificial Neural Networks，SIANN）”，通常包含數(shù)據(jù)預(yù)處理（Data Preprocessing）、卷積層構(gòu)建（Convolution）、池化層構(gòu)建（Pooling）、全連接層構(gòu)建（Affine），以及激活函數(shù)（Activation）、優(yōu)化器（Optimizer）以及損失函數(shù)（Loss Function）幾部分。其工作原理是先通過卷積計算層提取圖像特征，接著利用激活函數(shù)對圖像特征進(jìn)行非線性化操作。經(jīng)過多次卷積層和激活層后，通過池化層對提取的特征進(jìn)行壓縮，最后通過全連接層對提取的特征進(jìn)行連接，最終得到屬于各個類別的概率，從而達(dá)到識別的目的。

由于雷達(dá)在低仰角處更容易受到地物雜波信號的影響，因此利用卷積神經(jīng)網(wǎng)絡(luò)對雷達(dá)的仰角進(jìn)行判別，在低角度處利用區(qū)域重疊灰度共生矩陣算法識別雜波區(qū)域，而在高角度處基本不受地物雜波信號的影響，從而大大降低了系統(tǒng)計算的復(fù)雜度，提高了效率。

2.2 模型介紹

該卷積神經(jīng)網(wǎng)絡(luò)模型采用MINIST 數(shù)據(jù)集進(jìn)行訓(xùn)練與測試，其模型結(jié)構(gòu)包括3 個卷積層、2 個池化層和2 個全連接層，如圖1 所示。輸入層是32*32 的灰度圖像，卷積核大小是3*3。

Fig.1 Convolution neural network model圖1 卷積神經(jīng)網(wǎng)絡(luò)模型

首先，經(jīng)過卷積層C1。利用6 個不同的3*3 卷積核進(jìn)行步長為1 的卷積運算，以提取出6 個不同的30*30 特征圖，使得到的特征更加全面。當(dāng)然也可以選擇更多不同的卷積核進(jìn)行特征提取，使得到的特征更加全面，但無疑會增加訓(xùn)練時間，也有可能會出現(xiàn)過擬合現(xiàn)象。這一步不進(jìn)行池化的目的是為了不對得到的特征圖進(jìn)行特征壓縮，盡可能保留比較全面的特征。

然后，經(jīng)過卷積層C2。在經(jīng)過卷積層C1 時得到了6個不同的30*30 特征圖，此層采用2 個不同的3*3 卷積核對經(jīng)過C1 層所得的6 個不同特征圖進(jìn)行卷積計算，得到12個不同的28*28特征圖。

之后，經(jīng)過池化層S1。池化層尺寸為2×2。池化層的主要目的是為了壓縮特征，有效縮小特征矩陣的尺寸（主要為了減少特征矩陣的長和寬，一般不會減少矩陣深度），從而有效減少最后全連接層中的參數(shù)，以加快計算速度，也可以防止過擬合。S1 所用的是最大池化層（Max-pooling），其原理如圖2所示。

Fig.2 Maximum pooling layer schematic diagram圖2 最大池化層原理圖

本層具有激活函數(shù)，為RELU 函數(shù)，其公式為：

RELU 激活函數(shù)在反向傳播時可避免梯度消失，會使一部分神經(jīng)元的輸出為0，從而造成了網(wǎng)絡(luò)的稀疏性，并且減少了參數(shù)的相互依存關(guān)系，緩解了過擬合問題。

卷積層C3、池化層S2 進(jìn)行的特征提取及特征壓縮與卷積層C2和池化層S1基本相似。

最后，經(jīng)過兩個全連接層F1 和F2。在全連接層中，所有神經(jīng)元都有權(quán)重連接，通常全連接層在卷積神經(jīng)網(wǎng)絡(luò)尾部。當(dāng)前面卷積層抓取到足以用來識別圖片的特征后，接下來的就是如何進(jìn)行分類。卷積網(wǎng)絡(luò)的最后會將末端得到的長方體平攤成一個長長的向量，并利用全連接層進(jìn)行分類。例如，0-9 數(shù)字識別過程屬于10 分類問題，因此卷積神經(jīng)網(wǎng)絡(luò)的輸出層會有10 個神經(jīng)元。全連接層F1 加入RELU 激活函數(shù)，全連接層F2 加入SOFTMAX 激活函數(shù)，其公式為：

通過對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行調(diào)參等操作，利用MINIST數(shù)據(jù)集中的60 000 條數(shù)據(jù)對模型進(jìn)行訓(xùn)練，得到識別準(zhǔn)確率為98.72%，如圖3 所示。測試數(shù)據(jù)的測試準(zhǔn)確率為98.8%，如圖4 所示，可比較精確地識別雷達(dá)回波圖俯仰角。

Fig.3 Training data accuracy圖3 訓(xùn)練數(shù)據(jù)準(zhǔn)確率

Fig.4 Tests data accuracy圖4 測試數(shù)據(jù)準(zhǔn)確率

3 區(qū)域重疊灰度共生矩陣算法

3.1 灰度共生矩陣算法

灰度共生矩陣（Gray-level Co-occurrence Matrix，GLCM）算法是求取紋理圖像中某一個灰度級結(jié)構(gòu)多次重復(fù)出現(xiàn)概率的方法，被廣泛應(yīng)用于圖像紋理分析。圖5 顯示了如何求解灰度共生矩陣，以（1，1）點為例，GLCM（1，1）值為1 說明只有一對灰度為1 的像素水平相鄰。GLCM（1，2）值為2 說明有兩對灰度為1 和2 的像素水平相鄰。灰度為1 和5 的像素水平相鄰出現(xiàn)一次，所以在（1，5）位置上值為1。由于圖5 左側(cè)圖中沒有灰度為1 和6 的像素水平相鄰，所以對應(yīng)右側(cè)表中GLCM 矩陣坐標(biāo)（1，6）的值為0。其最大優(yōu)點在于參考距離和角度甚至空間關(guān)系，并加入其關(guān)聯(lián)性計算，能反映圖像灰度以及關(guān)于方向、相鄰間隔、變化幅度等綜合信息。

Fig.5 GLCM feature extraction of gray image by GLCM algorithm圖5 灰度圖像通過GLCM 算法提取圖像GLCM 特征

GLCM 算法特征通常有：能量（灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細(xì)度）、熵（圖像所具有信息量的隨機(jī)性度量，反映了圖像中紋理的非均勻程度或復(fù)雜程度）、慣性矩（反映圖像紋理的同質(zhì)性，度量圖像紋理局部變化程度）和相關(guān)性（度量空間灰度共生矩陣元素在行或列上的相似程度）。此次設(shè)計同樣采用了能量、熵、慣性矩與相關(guān)性對雷達(dá)回波圖進(jìn)行紋理分析。

下列為常用的GLCM 屬性，通過這些屬性可將GLCM值表示為特征向量。

（1）對比度（Contrast）。整個圖像上像素與其鄰居之間強(qiáng)度對比度的測量值，反映了其灰度溝紋的深度與厚度，表現(xiàn)了圖像灰度對比度的差別，其公式為：

（2）相關(guān)性（Correlation）。一個像素與整個圖像上鄰居相關(guān)性的度量，反映了灰度圖像中灰度的相關(guān)性情況，其公式為：

（3）能量（Energy）。GLCM 中平方元素的總和，反映了圖像灰度分布的均勻程度和紋理細(xì)度，其公式為：

（4）熵（Entropy）。圖像的信息量，共生矩陣中元素分散分布時，熵較大，表示圖像中紋理的非均勻程度或復(fù)雜程度，其公式為：

利用GLCM 的紋理特性識別雜波分布，將每一張包含雜波區(qū)域的圖像分成若干份，將多張分割圖片分別在0°、45°、90°和135°方向上進(jìn)行灰度共生矩陣統(tǒng)計。圖6（a）-（d）展示了對圖像GLCM 特征的提取，分別在0°、45°、90°和135°等方向上計算對比度、能量和相關(guān)性（注：圖中藍(lán)色曲線為對比度，紅色為能量，綠色為相關(guān)性）。對比度反映了圖像的清晰度和紋理的溝紋深淺。對比度越大，紋理的溝紋越深，反差越大，效果越清晰；反之，則溝紋淺，效果越模糊。

Fig.6 Distribution of feature images extracted by the GLCM matrix of a ground clutter map in Fujian on January 15圖6 1月15日福建某地雜波圖GLCM 矩陣提取特征圖像分布

表1 為經(jīng)過GLCM 算法之后得到的雷達(dá)回波圖的紋理特性。能量是對圖像紋理灰度變化穩(wěn)定程度的度量，能量高表明當(dāng)前紋理是一種規(guī)則變化、穩(wěn)定的紋理；熵值是所有信息的度量，反映了圖像紋理的非均勻程度或復(fù)雜程度；相關(guān)性反映了元素在行和列上的相似程度，相關(guān)性越大，說明元素值均勻相等；慣性矩反映了圖像紋理的同質(zhì)性，其值越大，說明圖像紋理在不同區(qū)域間缺少變化。通過對4 種圖像紋理特性的分析，很容易得到雷達(dá)回波圖中是否存在雜波與圖像紋理特性存在非常密切的關(guān)系，可很好地說明利用GLCM 算法能夠識別出雷達(dá)回波圖中存在雜波的具體區(qū)域。

Table 1 Clutter image and its texture characteristics after calculation表1 計算得到的雜波圖及其紋理特性

3.2 區(qū)域重疊灰度共生矩陣算法

如圖7 所示，將獲取的圖像分成9 份（保證左上角、左下角、右上角、右下角沒有雷達(dá)回波圖），可以很清楚地看到左上角、左下角、右上角和右下角區(qū)域基本不存在雜波。

Fig.7 Radar echo slice圖7 雷達(dá)回波圖切分圖

根據(jù)雷達(dá)回波圖構(gòu)建一個簡單模型，如圖8所示。

Fig.8 Echograph modeling calculation圖8 回波圖建模計算

首先可以很清楚地知道1 區(qū)域、3 區(qū)域、7 區(qū)域和9 區(qū)域不存在雜波，然后選取1、2、4、5 區(qū)域進(jìn)行紋理特征提取，得到這一區(qū)域的紋理閾值，接下來選取2、3、5、6 區(qū)域和4、5、7、8 區(qū)域，最后是5、6、8、9 區(qū)域，共進(jìn)行4 次紋理特征提取，獲取紋理閾值。最終可得到如圖9所示結(jié)論。

Fig.9 Clutter image and its texture characteristics after calculation圖9 區(qū)域重疊灰度共生矩陣算法所得結(jié)論

圖9 所列舉的是可以明確得出結(jié)論的，當(dāng)然還有得不出明確結(jié)論的，比如第1-4 次提取都存在雜波的情況，可能是區(qū)域5 存在雜波，也可能是區(qū)域2、4、6、8 或區(qū)域2、4、5、6、8 存在雜波。遇到這種情況，很有可能是區(qū)域5 的面積太小導(dǎo)致的。因此，可縮小區(qū)域2、區(qū)域8 的高度，縮小區(qū)域4、區(qū)域6 的寬度，從而增加區(qū)域5 的面積，也可得出存在雜波具體區(qū)域的坐標(biāo)。

當(dāng)然，不僅可以把區(qū)域分成9 份，而且可以分成16 份等，分割的區(qū)域越多，得到的區(qū)域就越具體，但計算復(fù)雜量也會增加?？紤]到工業(yè)應(yīng)用的實際情況，可以把雷達(dá)回波圖分成9份。

4 算法實現(xiàn)

4.1 算法流程

首先運行天氣雷達(dá)客戶端，配置系統(tǒng)各項參數(shù)，利用spy++獲取窗口句柄，配置好窗口句柄和識別區(qū)域大?。蝗缓簏c擊識別雜波按鈕，檢測系統(tǒng)就會針對客戶端所在區(qū)域獲取雷達(dá)回波圖，并根據(jù)配置好的系統(tǒng)參數(shù)截取相應(yīng)位置與對應(yīng)俯仰角區(qū)間的雷達(dá)回波圖進(jìn)行GLCM 算法計算，得到各種紋理特征；最后將得到的紋理特性與閾值參數(shù)進(jìn)行比對，若存在雜波，則會在天氣雷達(dá)網(wǎng)客戶端回波圖存在雜波的位置進(jìn)行標(biāo)注，并配有語音提示。算法流程如圖10所示。

Fig.10 Algorithm flow圖10 算法流程

4.2 運行結(jié)果

如圖11 所示，程序運行之后可以很清晰地看到，系統(tǒng)比較準(zhǔn)確地識別出雷達(dá)回波圖中存在雜波的位置區(qū)域，并在此區(qū)域外圍畫出了一個矩形，從程序開始運行到標(biāo)識出雜波所在區(qū)域，大約用時1s。無論是程序運行速度還是雜波區(qū)域識別的準(zhǔn)確性都可以達(dá)到預(yù)期目標(biāo)，完全符合當(dāng)初的設(shè)想。另外，該軟件還在此基礎(chǔ)上設(shè)計了一個記錄雜波出現(xiàn)時間和保存雜波圖像的功能，可將識別到存在雜波的時間和區(qū)域圖片進(jìn)行保存，方便從事相關(guān)行業(yè)的工作者隨時進(jìn)行查看與人工檢驗，完全取代了人工肉眼識別雜波這一繁瑣工序，大大節(jié)約了人力、物力和財力。

Fig.11 Identify clutter area in echo image圖11 識別回波圖中存在雜波區(qū)域

5 結(jié)果分析

雖然經(jīng)典的灰度共生矩陣算法可識別出存在地物雜波的雷達(dá)回波圖像（見圖12），但無法判斷出存在地物雜波的特定區(qū)域，并且在絕大多數(shù)情況下，高仰角區(qū)域內(nèi)基本不會存在地物雜波，只有在低仰角區(qū)域內(nèi)才有可能存在地物雜波。這種不加篩選、全部進(jìn)行計算的方法增加了計算冗余，降低了識別效率。本文提出的卷積神經(jīng)網(wǎng)絡(luò)和區(qū)域灰度共生矩陣相結(jié)合的算法，不僅解決了地物雜波在雷達(dá)回波圖像中存在于特定區(qū)域的問題（見圖13），而且在應(yīng)用區(qū)域灰度共生矩陣算法之前，可首先對雷達(dá)回波圖進(jìn)行篩選，過濾低仰角的雷達(dá)回波圖，較好地提高了識別效率。

Fig.12 Radar echo image with clutter identified by classical gray level co-occurrence matrix圖12 經(jīng)典灰度共生矩陣識別存在雜波的雷達(dá)回波圖

6 結(jié)語

Fig.13 Recognition of radar echo image with clutter by region overlapping gray level co-occurrence matrix圖13 區(qū)域重疊灰度共生矩陣識別存在雜波的雷達(dá)回波圖

本文提出一種卷積神經(jīng)網(wǎng)絡(luò)與區(qū)域重疊灰度共生矩陣相結(jié)合的算法，能夠比較精確地識別雷達(dá)回波圖中存在地物雜波的具體區(qū)域。首先，設(shè)計一個卷積神經(jīng)網(wǎng)絡(luò)模型，該網(wǎng)絡(luò)模型有3 個卷積層、2 個池化層和2 個全連接層，利用MINIST 數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，將訓(xùn)練好的模型用于識別雷達(dá)回波的俯仰角，過濾低角度的區(qū)域；然后，利用區(qū)域重疊灰度共生矩陣算法對高仰角的雷達(dá)回波圖進(jìn)行特征提取，從而得到存在雷達(dá)回波圖的具體區(qū)域；最后根據(jù)算法原理，設(shè)計了一個計算機(jī)可視化界面，可對雷達(dá)回波圖中具體區(qū)域的地物雜波進(jìn)行檢測。將該方法應(yīng)用于工業(yè)領(lǐng)域，能較好地以機(jī)器視覺代替人工肉眼識別。

但本文系統(tǒng)及其組件與功能有一定局限性，在識別地物雜波過程中，暴露出算法復(fù)雜度高和計算量大的缺點。為克服這一局限性，本文目標(biāo)是通過減少計算復(fù)雜度、避免冗余的計算過程優(yōu)化該算法。通過將雷達(dá)回波圖進(jìn)行分區(qū)域計算，可有效達(dá)到降低計算復(fù)雜度的目的。

雖然本次設(shè)計僅對雷達(dá)回波圖中的地物雜波進(jìn)行了識別，而沒有達(dá)到消除的效果，但相信在未來的某一天一定可以消除或者說極大程度上減小地物雜波的影響。