[發(fā)明專利]基于SVM和PDE的有眼臺(tái)風(fēng)二維表面風(fēng)場(chǎng)反演方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201310729540.9
• 申請(qǐng)日: 2013-12-25
• 公開（公告）號(hào): CN103679734A
• 公開（公告）日: 2014-03-26
• 發(fā)明（設(shè)計(jì)）人: 張長江;錢金芳;楊波
• 申請(qǐng)（專利權(quán)）人: 浙江師范大學(xué)
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06K9/62
• 代理公司: 杭州華鼎知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 33217
• 代理人: 胡根良

1.基于SVM和PDE的有眼臺(tái)風(fēng)二維表面風(fēng)場(chǎng)反演方法，其特征在于：首先對(duì)氣象局提供的紅外云圖結(jié)合PDE算法進(jìn)行圖像分割，提取臺(tái)風(fēng)眼壁，得到眼壁各點(diǎn)的坐標(biāo)值和灰度之后，再利用SVM進(jìn)行平均灰度和臺(tái)風(fēng)近中心最大風(fēng)速的建模，最后對(duì)于任意給定的紅外云圖進(jìn)行分割眼壁，提取參考點(diǎn)灰度，結(jié)合灰度風(fēng)速模型，求出參考點(diǎn)風(fēng)速，利用線性插值反演整個(gè)二維表面風(fēng)場(chǎng)，

具體步驟如下：

步驟1：在氣象局提供的臺(tái)風(fēng)數(shù)據(jù)庫中選取所有可用的紅外云圖及其近中心最大風(fēng)速數(shù)據(jù)；

步驟2：對(duì)步驟2中選中的圖像分割其臺(tái)風(fēng)眼壁；

步驟3：建立灰度風(fēng)速模型；

步驟4：給定一圖像及其中心經(jīng)緯度和估算點(diǎn)經(jīng)緯度；

步驟5：對(duì)于給定圖像進(jìn)行分割眼壁得到參考點(diǎn)灰度；

步驟6：將參考點(diǎn)灰度作為步驟3建立的模型的輸入值，求出參考點(diǎn)的風(fēng)速；

步驟7：利用線性插值法求出圖像估算點(diǎn)風(fēng)速。

2.如權(quán)利要求1所述的基于SVM和PDE的有眼臺(tái)風(fēng)二維表面風(fēng)場(chǎng)反演方法，其特征在于，所述步驟2中的分割方法采用PDE方法為：根據(jù)臺(tái)風(fēng)眼的輪廓特點(diǎn)，采用活動(dòng)輪廓模型，即將圖像分割問題轉(zhuǎn)化為最小化一個(gè)封閉曲線C(p)的“能量”泛函：

E[C(p)]=α∫01|Cp(p)|dp+β∫01|Cp(p)|2dp-λ∫01|▿I[C(p)]|dp---(1)]]>

其中第一項(xiàng)的積分是曲線的歐幾里得弧長，第二項(xiàng)

∫01|Cp(p)|2dp=∫01|κ|2(dpds)2dp---(2)]]>

表示曲線“振蕩”的能量，那么，最小化式(1)就需要要最小化前兩項(xiàng)和最大化第三項(xiàng)，最小化前兩項(xiàng)就得使得閉合曲盡量短、盡量光滑，因?yàn)樵谇€逐漸變短的過程中也自然地趨向于光滑，所以式(1)第二項(xiàng)忽略不計(jì)，最大化第三項(xiàng)即要求曲線C盡量地與圖像梯度取到極大值的位置一致，

鑒于式(1)第三項(xiàng)的負(fù)號(hào)給計(jì)算帶來的麻煩，現(xiàn)引進(jìn)輔助函數(shù)g(r),r∈R⁺,則式(1)變?yōu)?

E[C(p)]=α1∫01|Cp(p)|dp+a2∫21g(▿I[C(p)])dp---(3)]]>

觀察式(3)，發(fā)現(xiàn)E[C(p)]主要與曲線的形狀、位置和參數(shù)p的變化有關(guān)，參數(shù)p的隨意性大大影響了E的結(jié)果，為了避免這種情況，將活動(dòng)輪廓模型改為使用無自由參數(shù)p的測(cè)地活動(dòng)輪廓模型，為使E[C(p)]最小，需要曲線通過的局部最小值，這個(gè)思想類似于光學(xué)中費(fèi)馬定理，于是能量泛函式為：

LR(C)=∫0L(C)g(|▿I[C(s)]|)ds---(4)]]>

其中L(C)是閉合曲線C的歐幾里得弧長，L_R(C)是經(jīng)過加權(quán)后的弧長，要最小化式(4)，相應(yīng)的梯度下降流為：

∂C∂t=g(C)κN→-(▿g·N→)N→---(5)]]>

其中前一項(xiàng)中表示的是平均曲率運(yùn)動(dòng)，為曲面的單位法向量，但是式(5)存在一個(gè)明顯的缺陷，即它只適合分割凸的對(duì)象，而不適合用來分割凹形對(duì)象，于是，將式(5)改進(jìn)如下：

∂C∂t=g(c+κ)N→-(▿g·N→)N→---(6)]]>

其中參數(shù)c為一可調(diào)參數(shù)，通常與演化的速度有關(guān)，

在使用數(shù)值方案之前，首先要計(jì)算出圖像的灰度梯度，才能得到邊緣函數(shù)梯度算子的作用類似于微分，因此會(huì)使圖像尖銳化，計(jì)算梯度的過程對(duì)噪聲非常敏感，為防止噪聲的干擾，可先對(duì)圖像進(jìn)行預(yù)處理，高斯平滑是最常用的預(yù)處理方法，公式如下：

I_σ(x,y)＝I(x,y)*g_σ(x,y)??(7)

其中σ表示高斯方差，

接下來便要選取一種合適的邊緣函數(shù)g了，一般可令邊緣函數(shù)為

g(r)=11+(r/k)p,p=1,2---(8)]]>

式中k是待選的常數(shù)，邊緣函數(shù)g的下降速度由它決定，有了邊緣函數(shù)的定義后，將g(r)中的r用圖像中的各個(gè)像素的梯度大小帶入后，即可得到：

g(x,y)=g(|▿I|)---(9)]]>

這樣就可以開始使用數(shù)值方案來實(shí)現(xiàn)圖像分割操作了，我們采用水平集的數(shù)值方法，

曲線演化的一般方程式為：

∂C∂t=βN→---(10)]]>

曲線演化水平集方法的基本方程式為：

∂u∂t=β|▿u|---(11)]]>

對(duì)比式（6）和式（10）可知，代入式（11）

∂u∂t=β|▿u|=[g(c+κ)+▿g·▿u|▿u|)]|▿u|=cg|▿u|+div(g▿u|▿u|)|▿u|---(12)]]>

由式(5)可知：

∂u∂t=div(g▿u|▿u|)|▿u|---(13)]]>

由于圖像以離散的形式存儲(chǔ)，而偏微分方程描述的是連續(xù)的形式，因此在對(duì)式(12)和(13)作數(shù)值計(jì)算前，采用“半點(diǎn)離散化”方案離散化這兩式中的散度算子，得到：

sij=div(g▿u|▿u|)ij≈C1,ijg1,ij(ui,j+1-uij)-C2,ijg2,ij(ui,j-ui,j-1)+C3,ijg3,ij(ui+1-uij)-C4,ijg4,ij(ui,j-ui-1,j)---(14)]]>最后采用一種雙曲型方程的迎風(fēng)差分方法^[8]，對(duì)離散化的式(12)的偏微分方程進(jìn)行數(shù)值計(jì)算；

得到顯示方案：

uijn+1=uijn+Δt(cg▿ij(-)+max(sij,0)▿ij(-)+min(sij,0)▿ij+)---(15).]]>