[发明专利]一种基于像素密度K均值聚类团雾识别算法

说明书

本发明公开了一种基于像素密度K均值聚类团雾识别算法，包括以下步骤：S1.通过高速摄像机捕捉区域图像，输入图像集，进行图像网格分割，计算每个网格内团雾的像素密度，判定团雾区域；S2.团雾区域内团雾像素密度提取；S3.计算团雾像素密度均值与方差，将均值与方差组成代表团雾图像的二维数据点，并将所有图像数据点组成数据集合；S4.根据团雾等级划分指标，在数据集合中随机选择五个二维数据点，作为初始聚类中心；S5.遍历所有数据，逐一计算与聚类中心的距离，将所有数据分为五类；S6.迭代计算准则函数，直至满足阈值要求，算法收敛，输出团雾识别等级结果。其优点在于，该方法检测识别速度快，精确度高，且收敛速度快，大幅度降低了误检率。

技术领域

本发明涉及一种团雾气象检测识别处理技术领域，具体涉及一种基于像素密度K均值聚类团雾识别算法。

背景技术

近年来，由于“团雾”的影响，导致高速公路和海上船舶频频发生交通安全事故，根据WMO气象组织的定义，团雾的悬浮液滴很小，通常在空气中属于微观的液滴，一般在地表面上的水平能见度小于1公里。据气象研究表明，大部分的团雾属于辐射雾，是由接近下垫面的气团冷却引起的。因此，团雾具有突发性、局地性、尺度小、浓度大的特征。

在团雾检测识别技术领域，团雾的检测与识别大多应用于高速公路，通过自动气象站采集，利用视频图像分析处理技术，进行团雾现象模糊识别，但仅仅依赖于实时团雾检测，无法达到提前预警效果，因此，海量采集团雾图像数据信息，分析团雾要素特征，构建典型团雾要素特征集，实现气象条件快速靶向识别，对提高气象预警，具有重要意义。

现有的团雾实时监测方法，通过光学光束穿透团雾层，根据反射信号强弱判断团雾等级，该方法受仪器装置精密性、安装工艺性影响较大，分析结果与实际情况误差较大，检测精度可靠性不足，最重要是，该类方法不能充分结合所有图像信息进行团雾要素特征提取，无法进行快速、精确的团雾识别。

发明内容

为了解决上述问题，本发明提供了一种基于像素密度K均值聚类团雾识别算法，该发明基于海量团雾图像数据，通过提取海量团雾图像特征作为样本集，以团雾等级为判别界限，通过实测区域图像特征与样本特征进行靶向匹配识别，该方法检测识别速度快，精确度高，且收敛速度快，大幅度降低了误检率，保证了正确率。技术方案为，

一种基于像素密度K均值聚类团雾识别算法，包括以下步骤：

S1.通过高速摄像机捕捉区域图像，输入图像集，进行图像网格分割，计算每个网格内团雾的像素密度，判定团雾区域；

S2.计算团雾区域内团雾像素密度；

S3.计算团雾像素密度均值与方差，将均值与方差组成代表团雾图像的二维数据点，并将所有图像数据点组成数据集合；

S4.根据团雾等级划分指标，在数据集合中随机选择五个二维数据点，作为初始聚类中心；

S5.遍历所有数据，逐一计算与聚类中心的距离，根据距离大小，将所有数据分为五类；

S6.迭代计算准则函数，直至满足阈值要求，算法收敛，输出团雾识别等级结果。

进一步的，步骤S1中，判定团雾区域的具体步骤包括，

S11.将图像统一尺寸，对图像网格进行分割，并逐一计算每个网格内团雾像素密度，

式(1)中，A_i表示第i个网格内团雾像素密度；n_i表示第i个网格内团雾像素个数，N_i表示第i个网格内全部像素个数；

S12.判断每个图像分割网格内的雾像素密度，保留A_i≥0.3的有效网格，剔除A_i＜0.3的无效网格；将有效网格进行连接，构成图像内的团雾区域。