[发明专利]基于视频图像识别的降水微物理特征参量提取与分析方法

权利要求书

1.一种基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于，包括以下步骤：

步骤一、样本数据的预处理，其包括：

S1-1、获取探空设备采集的雨滴视频数据，并进行图像抽帧，得到图像数据集；

S1-2、将抽取的图像转为二值化图片；

步骤二、雨滴的智能识别，其包括：

S2-1、基于图像特征算法对二值化图片识别检测，提取雨滴特征；

S2-2、基于OCR对图像中的时间识别，且识别帧数偏移情况；其中，识别帧数偏移为：从开始分析秒数的第一帧起到变为下一秒所经过的帧数；

S2-3、根据图像的颜色特点，进行镜头类型识别；其中，镜头类型包括蓝屏镜头、大镜头、小镜头和未确定镜头；

步骤三、数据统计，其包括：

S3-1、根据图片中的雨滴的长宽比，判定各个雨滴的形状为圆形、正方形、椭圆形、长方形、不规则图形、六边形或None；

S3-2、统计前序步骤的结果数据，关联步骤二处理后的图片，并输出。

2.根据权利要求1所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于，所述S1-2，其包括：

a1、通过加权平均法将S1-1处理后的图像进行灰度化处理；

a2、用微分法中的梯度法将a1得到的灰度图进行锐化处理，增强图像中雨滴的边缘；

a3、将a2中得到的锐化图片进行二值化处理。

3.根据权利要求2所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于，所述加权平均法的公式满足：F(i，j)＝0.30R(i，j)+0.59G(i，j)+0.11B(i，j)，其中，R(i,j)为R通道的值，G(i,j)为G通道的值，B(i,j)为B通道的值。

4.根据权利要求2所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于，所述梯度法的公式满足：

其中，G[f(x，y)]为梯度的幅度，thresh为自定义的阈值，L_G为固定的灰度级，如L_G＝255，otherwise的理解：以L_G表示边缘，其他留原背景值。

5.根据权利要求2所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于，所述S2-1，其包括：

b1、对二值化图片进行边缘切分；

b2、通过canny算子对b1边缘切分后的图片做轮廓提取。

6.根据权利要求3所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于，所述S2-1，其还包括：

b3、对b2提取得到的雨滴，以预设定的长宽比例作为条件过滤掉不符合条件的噪点。

7.根据权利要求3所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于：所述canny算子的提取步骤，其包括：

生成高斯滤波系数；

用生成的高斯滤波系数对原图像进行平滑；

求滤波后图像的梯度；

进行非极大抑制；

统计图像的直方图，对阈值进行判定；

利用函数寻找边界起点；

根据前一步执行的结果，从一个像素点开始搜索，搜索以该像素点为边界起点的一条边界的一条边界的所有边界点。

8.根据权利要求3所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于：所述S2-2，其包括：

c1、基于用户所用的样本视频中的时间的坐标位置，对b3处理后得到的图片进行时间框定位，得到时间框；

c2、对时间框做OCR识别。

9.根据权利要求8所述的基于视频图像识别的降水微物理特征参量提取与分析方法，其特征在于：所述OCR识别，其包括：通过神经网络识别，且网络结构包括神经网络CNN、循环神经网络RNN和损失函数CTC Loss。