基于圖像模糊度的極端天氣實時檢測方法

李曉勇，舒宇鋒，盧 軍，唐 陳，李紅玉

（1.瀘州市氣象局，瀘州 646000；2.成都信息工程大學，成都 610225；3.德陽市氣象局，德陽 618000）

1 極端天氣監(jiān)測

傳統(tǒng)的天氣檢測方法就是在各個城市周邊地區(qū)設立相應的氣象觀測站，在氣象觀測站中放置空氣溫濕度傳感器、大氣壓力傳感器、監(jiān)控攝像頭等設備實時對當?shù)貐^(qū)域的氣象信息進行采集[1]。這種傳統(tǒng)的天氣檢測方法可以準確采集到監(jiān)測區(qū)域的氣象信息，但是這對于其他沒有設立氣象觀測站的地區(qū)就形成了“監(jiān)測死角”；而在現(xiàn)實中，往往是將當?shù)貧庀笥^測站采集的氣象信息作為整個區(qū)域的氣象標準，這對于特殊地區(qū)（高速公路，事故多發(fā)地等）的復雜天氣就顯得不夠準確。

針對上述問題，國內(nèi)外都提出了一些改進的方法，而這些方法都是需要增加新的傳感器在監(jiān)控系統(tǒng)上。如：譚永宏設計的嵌入式氣象信息采集系統(tǒng)[2]、蔣方勝設計的基于ARM 的自動氣象站系統(tǒng)[3]以及王柏林設計的隨車移動式自動氣象站[4]。雖然這些方法都在一定程度解決了氣象觀測站的成本大、需求土地資源大的問題，但是無法避免新增加硬件的損耗以及后期人員維護的管理問題。因此，找出一個在原設施基礎上新的極端天氣監(jiān)測方法就顯得至關重要。

2 圖像模糊度與極端天氣的關系實驗

在出現(xiàn)極端天氣的地區(qū)，通過監(jiān)控器拍攝下來的圖像是不一樣的，在晴朗天氣狀況的城市（圖1a）和高速公路（圖1b），以及在濃霧天氣狀況下的城市（圖1c）和高速公路（圖1d）。

圖1

由圖像可以很直觀地看出在不同的天氣狀況下，同一個地區(qū)的圖像的清晰程度（可見度）[5]是不一樣的，因此，可以判斷圖像的模糊度和極端天氣是有聯(lián)系的。圖像的模糊度又可以理解為圖像邊緣的特征模糊，而檢測圖像的模糊度[6]就可以轉換為圖像的邊緣檢測。

2.1 Laplacian 算子

圖像的邊緣地區(qū)像素值會發(fā)生“突變”，而對于這些“突變”的區(qū)域進行求導時會看到極值的出現(xiàn)，如圖2所示。而對其求二階導數(shù)時就會發(fā)現(xiàn)“突變”區(qū)域會通過坐標系原點，也就是其二階導數(shù)為0，如圖3所示。因此，可以用這個特點開作為檢測圖像邊緣的方法，即：Laplacian 算子。

圖2 “突變”區(qū)域極值圖

圖3 “突變”區(qū)域二階導數(shù)圖

因為圖像是“2維”的，需要在x和y兩個方向進行求導，所以Laplacian 算子公式定義如下：

在圖像處理的計算中經(jīng)常采用公式的近似式，在x方向上為：

在y 方向上為：

進一步可得出在x 與y 方向上的離散計算公式：

由于Laplacian 算子對噪聲敏感度較高[7]，因此，使用Laplacian 算子進行模糊度計算時通常需要在之前進行降噪處理，而經(jīng)常使用的降噪方法為高斯濾波降噪。

2.2 高斯濾波

高斯濾波器是一類根據(jù)高斯函數(shù)的形狀來選擇權值的線性平滑濾波器，對于抑制服從正態(tài)分布的噪聲非常有效[8]。對于圖像來說，高斯濾波器是利用高斯核的一個2維的卷積算子，用于圖像模糊化（去除細節(jié)和噪聲）。由于圖像是“2維”的，因此采用二維高斯分布公式：

高斯濾波后圖像被平滑的程度取決于標準差。它的輸出是領域像素的加權平均，同時離中心越近的像素權重越高。因此，相對于均值濾波（mean filter）的平滑效果更柔和，而且邊緣保留的也更好。

2.3 LOG 算子實驗

先將圖像進行高斯濾波去除大部分噪聲，然后將處理后的圖像進行l(wèi)aplacian 算子計算，得出圖像的模糊度值，這樣的方法被稱為高斯-拉普拉斯算子，簡稱為LOG 算子[9～11]。將圖1a–圖1d 使用LOG 算子進行計算，將模糊度標注在圖像中，得到圖4a’–圖4d’。

圖4

由圖4a’和圖4b’、圖4c’和圖4d’的對比可以看出在不同天氣狀況下相同場景的LOG 值是不一樣的，晴朗天氣下圖像的LOG 值比霧天天氣下的圖像大，這是因為晴朗天氣下的圖像特征邊緣多導致像素點之間的“突變”情況也多；而霧天天氣下的圖像特征邊緣同化情況嚴重導致像素點之間的“突變”情況變少，所以Laplacian 值小。

2.4 氣象數(shù)據(jù)實驗

本實驗使用四川省氣象局提供的“綿竹市”氣象觀測站的監(jiān)控數(shù)據(jù)以及雨量檢測數(shù)據(jù)作為實驗樣本。并且取時間連續(xù)且有極端天氣出現(xiàn)的白天數(shù)據(jù)：2018年6月25日早上9點至下午6點的降雨數(shù)據(jù)。如圖5所示。

圖5 綿竹降雨數(shù)據(jù)圖

之后對視頻使用FFmepg 進行截取為圖像，本實驗6秒截取一次，每分鐘10張圖像，并且取10張圖像LOG值的均值作為每分鐘的LOG 值。采用圖像處理可以節(jié)省視頻逐幀處理的時間浪費。最終將監(jiān)控視頻產(chǎn)生的圖像LOG 值繪制為一條曲線與“綿竹市”雨量檢測數(shù)據(jù)繪制的曲線放在一個坐標系中觀察，如圖6所示。由氣象數(shù)據(jù)實驗得到的實驗結果圖和理想的實驗結果有差距，而產(chǎn)生差距的原因則是由監(jiān)控攝像儀器的分辨率、刷新率以及其他非高斯噪聲的影響，因此需要一個能夠去除這些影響的新的算法。

圖6 實驗結果圖

3 圖像模糊度的閾值去噪方法

3.1 Canny 算子的閾值思想

Canny 算子是一種多級檢測算法，它其中的一個特點就是使用雙閾值，即一個高閾值和一個低閾值來區(qū)分邊緣像素，如果邊緣像素點梯度值大于高閥值，則被認為是強邊緣點。如果邊緣梯度值小于高閥值，大于低閥值，則標記為弱邊緣點，小于低閥值的點則被抑制掉[12]。而在本實驗中由于噪聲復雜因此采用設定一個LOG 值差作為一個閾值進行去噪處理，即前一個LOG 值和后一個LOG 值的差值絕對值，如果小于閾值K，那么就讓前一個LOG 值等于后一個LOG 值；如果大于閾值K，那么就不作處理，公式如下：

由此公式處理可以最大程度消除非高斯噪聲，將極端天氣的LOG 值變化顯示出來。

3.2 LOG 算法結合閾值K 去噪算法

根據(jù)上述思路，將閾值K 加入到LOG 算法中（以下簡稱K-LOG 算法），整體算法如下：

（1）將監(jiān)控儀器視頻用FFmpeg 進行分割為圖像保存待使用。

（2）使用高斯濾波對圖像進行第一次去噪，消除高斯噪聲。

（3）使用Laplacian 算子對圖像進行模糊度值計算。

（4）使用閾值K 去掉圖像中的非高斯噪聲。

（5）將最終的模糊度和雨量檢測數(shù)據(jù)繪圖進行對比。

（6）如果效果未達到預想，重復（4）。

4 實驗結果分析

經(jīng)過上述算法的計算得出新的實驗結果如圖7所示。經(jīng)過多次實驗算出此處監(jiān)控攝像儀器的閾值K 為0.4。

圖7 K-LOG算法實驗圖

將計算出來的閾值K 用于新的監(jiān)控時間中，實驗結果如圖8所示。

圖8 K-LOG檢測實驗圖

將LOG 算子與經(jīng)過高斯濾波器處理的Canny 算子[13]用于實驗對比，結果如圖9與圖10所示。

圖9 LOG檢測實驗圖

圖10 Canny-Gaussian檢測實驗圖

由實驗可以得出在同一個監(jiān)控攝像儀器拍攝相同環(huán)境、不同時間、不同氣候都適用于同一個閾值K，這樣經(jīng)過訓練出來的閾值K 就可以用于該環(huán)境的極端天氣檢測；并且比較圖9和圖10的實驗結果可以發(fā)現(xiàn)，K-LOG算子的檢測結果比原本的LOG 算子以及經(jīng)過高斯濾波器處理的Canny 算子更加的精準和直觀。

5 結束語

本方法只需要使用以往采集到的數(shù)據(jù)，加上機器學習算法找出適合當前監(jiān)控攝像儀器的閾值K 就能在原有的設施上完成對極端天氣的檢測，這個方法增加了對特定區(qū)域的極端天氣檢測的精確度，遍布的監(jiān)控攝像儀器也降低了新增加設備的財力消耗和人力資源浪費的情況。在實際應用中只需要將算法的閾值K 用于監(jiān)控攝像儀器的視頻流數(shù)據(jù)就可以做到對極端天氣的實時檢測。