提取天气类别静态特征的算法研究

彭旭东1,夏士明1,孙吉明2

（1. 解放军理工大学气象海洋学院，南京，211101 ；2. 空军航空大学航理系，长春，130022）

摘要：现有的用于天气类别识别的静态特征存在一定不足，本文进行了相应改进，提高了整体的识别率。在对现有的功率谱斜率特征进行研究时发现功率谱能量均值可能对大量的样本区分更有效，因此本文最终采用功率谱能量均值特征的提取。

关键词：天气；静态特征；功率谱

Development of a Weather Recognition Algorithm Based on Static Characteristics

Peng Xudong1,Xia Shiming1,Sun Jiming2

(1.Institute of Meteorology and Oceanography,PLA University of Science and Technology,Nanjing,211101;

2.Department of Aviation Theory,Aviation University Air Force,Changchun,130022)

Abstract ：Existing static characteristics used to weather recognition is lack of accuracy,this study have made some modifications to increase the overall recognition rate.It found that the mean power spectral energy for a large sample may be more effective at distinguishing,so the feature of mean energy of power spectrum was choose as a static characteristic.

Keywords ：Weather;Static characteristics;Power spectrum

为了区分不同天气现象，需要提取反映天气现象的特征。根据天气现象产生的视觉效果，可将天气现象特征分为两类：静态视觉特征，如颜色特征，纹理特征，形状特征等；运动特征，如运动物体分割，运动目标跟踪检测等。现有的静态特征识别中，主要从图像中提取功率谱斜率、纹理特征、颜色特征、对比度、锐度特征等特征。

本文的静态特征提取流程如下：对于一组图像序列，首先进行关键帧提取，本文采用平均值法得到关键帧。对于关键帧图像， 转换到灰度空间。先进行傅里叶变换，后提取功率谱图像，从中统计功率谱随不同半径的分布状况，最后计算不同半径下功率谱能量均值。

1 功率谱能量均值

功率谱能量均值特征是对功率谱斜率特征的改进，前者提取过程与后者相近。相比晴好天气下的图像，降雪和雾等恶劣天气环境下的图像清晰度角度，我们根据视觉效果把天气类别分为清晰天气和模糊天气，此时，图像丢失了部分高频分量。文献[1][2][3] 通过提取功率谱斜率信息，以表征各类天气现象对图像中不同距离的局部场景造成图像退化效果。要提取图像的功率谱斜率，首先需要对原始图像进行离散傅里叶变换，得到变换后的图像，然后将傅里叶变换后的图像转为功率谱图像，功率谱变换方法为：

(1)

式（1）中，为傅里叶变换后的幅频图像， 为图像像素点的总数。令，将功率谱图像转化为极坐标形式， 为距离功率谱图像中心的半径大小， 为极坐标角度，对相同半径上各方向的功率谱图像进行累加后，可得关于半径的功率谱函数，即：

(2)

式（2）中近似为关于的指数函数，即：

(3)

式（3）中，A 为常数。由式（3）可知， ， 根据功率谱能量关于不同半径的分布，可以进行直线拟合，求取直线斜率。

功率谱图像的提取效果如图1 所示，图1（a）、（b）分别为晴天和雾天条件下的一帧图像，分别为2013 年11 月28 日14 时00 分00 秒的图片和2013 年12 月4 日7 时3 分0 秒的图片， 图1（c）、（d）分别为晴天和雾天图像对应的傅里叶变换图像，图1 （e）、（f）分别为晴天和雾天图像对应的功率谱图像，可以看出傅里叶变换图像的差异不太明显，而功率谱图像存在明显的差异。现有的方法是在功率谱图像的基础上提取功率谱斜率，即计算功率谱随半径的分布情况，拟合出斜率。

通过对晴天和雾天图像对应的功率谱随半径的分布图进行分析（图略），本文发现晴天的功率谱能量明显要大于雾天，因此可以考虑将不同半径下功率谱能量的均值作为特征值。

2 提取结果

为比较功率谱斜率和功率谱能量均值这两个特征的有效性，将阴、雾、晴、雪四类天气的所有样本的特征分布进行对别。图2 （a）、（b）分别为不同天气类别下的数据在功率谱斜率和功率谱能量特征下的分布情况，纵坐标都为同一特征值，横坐标分别为功率谱斜率和功率谱能量均值。由于是比较横坐标的区分能力，可以分别沿着垂直于横坐标的方向画一条直线，看这条直线能否将晴阴（清晰度较高）与雾雪（清晰度较低）尽可能地进行区分。通过观察图2 的横坐标可知，功率谱能量均值的区分能力明显强于功率谱斜率，能够将清晰度高的天气（晴、阴）与模糊程度较高的天气（雾、雪）有效区分，因此对于本文的视频数据，功率谱能量均值的效果优于功率谱斜率。

3 结论136

测试工具与解决方案

2016.10