基于灰度共生矩陣與AdaBoost判別法的冰雹預測

李冰潔，李國東

(新疆財經大學，新疆 烏魯木齊 830012)

基于灰度共生矩陣與AdaBoost判別法的冰雹預測

李冰潔，李國東

(新疆財經大學，新疆 烏魯木齊 830012)

選取新疆地區雹云與非雹云雷達反射率圖像進行降雹與無雹天氣分析。用中值濾波與九階拉普拉斯算子處理圖像得到圖像的紋理信息。用灰度共生矩陣方法提取圖像的能量、熵、慣性矩、相關性、逆差矩并提取圖像的一、二、三階顏色矩，將這8個變量進行標準化作為特征數據，利用AdaBoost判別法建立判別分類器，對雹云圖像進行分析判別。結果顯示該文采用的方法能夠明顯的區分降雹與無雹云層，判別誤差較小，具有參考價值。

拉普拉斯變換；灰度共生矩陣；顏色矩；AdaBoost分類器

1 引言

強對流天氣指的是陸地水循環系統中氣流擾動造成的對大于17.2 m/s的氣流性大風和大于20 mm/h的短時強降水的天氣現象。強對流天氣往往作用范圍小，持續時間短，但是造成破壞力很大，對正常的生產生活有很大影響，由強對流天氣而造成的人身以及財產損失的報道屢見不鮮。冰雹是常發的一種強對流天氣。

我國是冰雹災害天氣發生較為頻繁的國家。數據統計我國每年冰雹災害損失極高，僅2016年5—9月期間就發生多次冰雹災害，造成嚴重損失。如：5月3日河北張家口市的13個縣遭受強冰雹災害，其中造成的農業損失高達5.81億元，受災面積達30 648.9 hm2，其中大部分農田絕收；6月23日下午江蘇省的鹽城遭遇龍卷風、冰雹等強對流天氣，造成了嚴重的人生傷亡，當地的通訊、電力、交通、農業、經濟都遭受嚴重創傷；8月23日22時左右，新疆生產建設兵團第一師阿拉爾市已接近成熟的香梨、紅棗等農作物受到嚴重的毀壞，受災面積超過1.36萬hm2，初步統計的損失為4.76億元；9月5日罕見冰雹突襲煙臺市，冰雹天氣持續30 min左右，雹粒有一元硬幣大小，據統計僅農作物受損面積高達2 281 hm2，造成直接經濟損失4億多元等。冰雹災害的發生對農業、建筑業、交通、通訊、娛樂等方面都有影響，且每年由冰雹災害造成的損失十分嚴重。所以需要及時的預測預警冰雹的發生。

美國運用名為WSR-88D的冰雹算法(Hail Detection Algorithm,簡稱HAD) 對冰雹概率(Possibility of Hail，簡稱POH)、強冰雹概率(Possibility of Strong Hail，簡稱POSH)及冰雹災害中的最大預期冰雹直徑(Maximum Expected Hail Diameter，簡稱MEHS)，在預防冰雹災害和減少其帶來的損失方面有著突出貢獻。我國在冰雹災害預測領域也有很大成就。王瑾[1]采用GIS分析了貴州省的降雹與地形分布的關系；廖運勛[2]采用低、中頻重力波指數對冰雹暴雨進行診斷分析；周金蓮[3]等人檢驗了CINRAD/SA雷達的冰雹識別算法；張秉祥[4]用模糊邏輯對冰雹天氣雷達識別;許弋[5]等人采用高空氣溫壓場相似指標算法對冰雹預警方法進項檢驗。

由于冰雹的形成與積雨云的高度、環境溫度、含水量、氣流等因素都有關系，國內的研究數據多為云層的高度、溫度、厚度，而忽略了云層圖像蘊含的信息。本文以新疆地區的雹云圖像為基礎，利用圖像增強技術，灰度共生矩陣，顏色矩與AdaBoost判別來識別降與不降雹的雷達圖像。通過驗證此方法可有效地區分雹云圖像。

2 圖像特征提取

2.1 圖像增強

圖像增強在圖像處理中是應用最廣、最基本的技術之一，其目的是對研究圖像進行有效處理，從而得到視覺效果更好、更適于某個應用處理的圖像。圖像增強有很多種方法，大致分為兩類：空間域和頻域兩種。在空間域上的圖像增強技術是對圖像像素對應的灰度值直接進行處理；頻域上的圖像增強技術則是在某個變換域上對圖像進行相應變換。本文先采用中值濾波對圖像去除噪聲，再用拉普拉斯算子提取圖像的邊緣信息。

雷達圖像在生成和傳輸過程中因為某些原因容易產生噪聲，所以一般在提取圖像特征之前應先對圖像進行平滑處理，即圖像去噪。圖像去噪的方法分為線性與非線性濾波兩種，在線性濾波的過程中容易丟失圖像的某些細節與邊緣。所以一般采用非線性濾波。中值濾波是非線性濾波的一種，不僅能夠有效的去除圖像中所含的噪聲而且還能將圖像的邊緣較好的保留。根據實驗對比本文采用3×3模板的中值濾波對雷達云層圖像做去噪處理。

圖像邊緣提取是圖像處理中重要的處理過程，常被用于圖像數字信息提取，紋理分析等。圖像的邊緣紋理蘊含了重要的信息。拉普拉斯算子[6]在數學和物理學中運用非常廣泛，可以作為一個n維歐式空間的二階微分的邊緣檢測算子，有旋轉不變性即各方向相同。本文采用的算子為9×9的拉普拉斯邊緣檢測算子，具體如下：

2.2 圖像特征提取

2.2.1 顏色矩(Color Moment) 對于彩色圖像而言顏色是最重要的特征之一，其廣泛的被用于圖像的檢索之中。

顏色矩可以明顯的表示出彩色圖像的顏色分布特征。此方法的特點是：不需要進行顏色空間的量化，從而減少出現誤檢的概率，得到的圖像特征值維數較低，方便運算。包含：一階矩(圖像均值)、二階矩(圖像方差)和三階矩(圖像斜度)等，一般情況下彩色圖像的顏色特征分布信息在一、二、三階的顏色矩中即可呈現，所以一般采用低階矩來衡量圖像的顏色特征，它們的計算方法為：

(1)

(2)

(3)

其中，pi,j為彩色圖像中第i個行中第j列的像素的值，N表示為圖像像素總個數。

2.2.2 灰度共生矩陣 圖像的紋理是一種區域性的特征，描述的是圖像各像素之間的空間分布特征。因為圖像的特征信息能被紋理特征充分的展現，它是描述圖像、分析圖像、識別圖像的重要依據，所以紋理的提取在目標識別中是非常重要的。圖像紋理特征的提取方法有很多，如：基于空間頻率、局部統計特性、隨機場模型等方法，其中，應用最廣泛的是基于灰度共生矩陣的數字紋理特征。

灰度共生矩陣作為分析圖象結構的基礎，是一個綜合信息，反映的是圖象的灰度在間隔、不同方向、變化幅度。是在圖像紋理模式下像素之間的灰度空間關系，體現了各灰度的空間依賴性。它的元素表示的是圖像中的兩個灰度像素值i和j，它們之間的距離為d，在某一特定方向下(i，j)這兩個像素出現的次數。一般選擇0°、45°、90°、135° 4個方向。根據灰度共生矩陣可以得到圖像的：能量、熵、共生和熵、共生差熵、對比度、相關、紋理方差、 逆差矩等。本文則選取以下5種典型特征數據作為判別變量。

①角二階矩(ASM)：

(4)

②對比度(CON)：

(5)

③相關(COR)：

(6)

④熵(ENT)：

(7)

⑤逆差距(IDM)：

(8)

p(i,j,d,θ)為灰度共生矩陣。

3 Adaboost方法以及實現[10-11]

3.1Boosting方法

在實際中只用一個模型來判別一組數據的分類是不明智的，如果用一個模型來清晰地判別數據會非常復雜，對模型的精準性要求也較高，這樣就引出組合模型的概念。組合模型的基本原理是：用現有的一些方法建立一些識別率不高的回歸模型或弱分類器，再將這些準確率不高的模型結合起來，組成一個新的整體分類體系達到改善模型識別率的效果。Boosting是這類方法的典型。

Boosting方法通過構造一組預測函數，然后將這組預測函數以一定的方式組合成一個整體函數。Boosting方法思想就是：將其他的弱分類器作為基礎，放于Boosting方法中處理訓練樣本,得到不同的訓練樣本子集,用所得的樣本子集生成新的基分類器。n個樣本集就會有n個基分類器產生。每個基分類器反復調整誤判數據的權重，進行加權融合,最終用投票方法(voting)產生一個預測模型：

(9)

得到的n個基分類器,每個分類器的識別率不一定很高,但用Boosting方法將他們聯合后的結果的識別率大大提升。Boosting算法有很多種本文采用Adaboost算法。

3.2Adaboost算法

Boosting算法中最具代表性的算法之一就是AdaBoost,這種算法對基分類器的識別率的要求不是很高。AdaBoost算法的核心任務就是把容易的，識別率低的弱分類算法提升為強分類算法,以此來提高模型的識別率。

Adaboost算法步驟(以兩類為例)：

①輸入訓練樣本數據。(x1,y1),(x2,y2),…,(xn,yn)。其中xi表示待分類樣本各特征數據組成的向量,yi表示該分類樣本的類別標簽。本文中每個xi是一個八維的向量(x1,x2,…,x8)，yi∈{-1,1}。

③令t=1,2,…，T

在Wt下選出樣本數據，得到不同的弱分類器ht:X→{-1,1}。

計算所得的分類器的誤差：

計算每個分類器的權重：

更改訓練樣本的權重：

Wt+1(i)=Wt(i)e-αtyiht(xi)/Zt

其中Wt(i)表示第t次迭代時的樣本權值向量，Zt為歸一化因子。

3.2Adaboost判別法的實現與檢驗

本文選取新疆地區氣象雷達探測的云層圖像，利用拉普拉斯邊緣提取技術提取云層圖像的邊緣特征，再提取圖像的灰度共生矩陣中的5個特征值，并提取一、二、三階顏色矩，把這8個變量的數據標準化求其均值，作為特征數據庫,在數據庫中隨機選取30組數據用Adaboost判別法分類。如表1，其中分類1代表降雹為第1～10組數據，分類2代表無雹為第11～20組數據，將這20組數據作為判別的基準類生成判別器，對待測樣本第21～30組進行分類(其中前5組為降雹后5組為無雹)。

表1 訓練樣本

將數據導入分類器，得出前5組均為無雹，后5組均為降雹。判別均正確。

由于數據選取的判別基準數據較少僅20組，AdaBoost分類器判別形成的組合分類器的準確率可能存在偶然性，所以在數據庫中另外在隨機選取60組數據作為基準類來判別，對樣本重新訓練檢驗AdaBoost組合分類器方法的有效性。

表2 檢驗樣本

檢驗結果與表1的一樣，即在輸入的訓練樣本較多的情況此方法所建立的分類器仍然有較高的準確性，說明本文采取的組合分類器的方法具有普適性。

4 結論

目前冰雹災害的預測主要分為短期預測和短臨預測。短期預測是指通過氣象探測手段來收集各種天氣要素導入至程序中，以計算推測天氣變化的趨勢，以某些特定要素(例如云層中產生冰雹的概率，溫度對數壓力系數，風廓線圖等等)的變化作為冰雹災害發生和強度預測的根據。用此方法，冰雹災害于何時降臨何地，災害達到何種程度這些數據的獲得依賴于預測模型選取，不同的模型對預測結果影響比較大。短臨預測主要利用多普達雷達、氣象衛星等觀察對流層的氣流變化。氣象雷達發射雷達波對雷達進行掃描，回收諸如反射率因子、組合發射率、回波頂高、平均徑向速度等數據。同短期預測相比，雖然短臨預測提高了冰雹災害預測的精度，基本可以精確判斷冰雹災害發生的時間、區域和強度，但是犧牲了時效性，對于防災救災工作的開展還是有很大制約作用。

如以上介紹的兩種方法，氣象局所應用的天氣系統都是利用雷達探測的直接數據建立數據庫進行分析，對云層反射率圖像的分析較少，如果直接對天氣雷達所獲取的數據進行分析，分析因子就會局限在溫度，濕度，地表溫度等外在條件，而忽略云層的內因，在分析由相似外因形成的極為相近的天氣系統中容易產生誤判。因此判別樣本庫的建立是提高判別準確率的有效途徑。

本文通過新疆自治區氣象局提供的2009—2010年的氣象雷達反射率圖像中，選取資料，利用拉普拉斯變換和中值濾波對圖像增強，得到圖像的紋理信息，計算圖像的灰度共生矩陣的特征值獲取紋理特征數據，且求得圖像的顏色特征數據一、二、三階顏色矩，由這些數據構成判別分析中的訓練樣本。判別分析法中選取Adaboost判別法建立分類器進行實際數據檢驗。檢驗結果表明，分類器判別的準確性較高，可以實現利用反射率圖像對雹云的識別，對氣象雷達云圖處理方法有一定的參考價值。

[1] 王瑾，劉黎平.基于GIS的貴州省冰雹分布于地形因子關系分析[J].應用氣象學報,2008.10.

[2] 廖云勛，周明，張先俊.中尺度重力波指數與暴雨冰雹等強對流天氣的關系[J].貴州氣象,2010.9.

[3] 周金蓮，鐘敏,等.CINRAD/SA雷達的強冰雹識別算法進行檢驗[J].暴雨災害,2012.12.

[4] 張秉祥，李哲，劉黎平,等.基于模糊邏輯的冰雹天氣雷達識別算法[J]. 應用氣象學報,2014.7.

[5] 許弋，孫濤，張平.基于相似指標法的貴州春季冰雹預警方法的檢驗[J]. 貴州氣象報,2012.10.

[6] 盧允偉，陳友榮.基于拉普拉斯算法的圖像銳化算法研究和實現[J].電腦知識與技術,2009，5(6):1513-1515.

[7] 高志忠.基于灰度共生矩陣的織物紋理分析[J].計算機工程與設計,2008.8.

[8] 焦蓬蓬，郭依正，劉麗娟,等. 灰度共生矩陣紋理提取的Matlab實現[J].計算機技術與發展,2012-11.

[9] 陳超等.MATLAB應用實例精講—圖像處理與GUI設計篇[M]. 北京:電子工業出版社,2011.

[10]王斌會.多元統計分析及R語言建模[M]. 廣州:暨南大學出版社,2011.

[11]王星，褚挺進.非參數統計[M].北京:清華大學出版社,2015：268-271.

Hail prediction based on gray level co-occurrence matrixand AdaBoost discriminant analysis

LI Bingjie,LI Guodong

(School of Applied Mathematics, Xinjiang University of Finance and Economics, Urumqi 830012, China)

Xinjiang region hail cloud and non-hail cloud radar reflectivity image were selected for analysis. The texture information of the image was processed by median filter and nine order Laplasse operator. Gray level co-occurrence matrix method was adopted to extract the energy, entropy, moment of inertia, correlation, inverse moment of the image, and The first, second and third order color moments of the image were extracted and the eight variables were normalized as feature data. AdaBoost method was used to establish discriminant analysis discriminant classifier, identification of hail cloud image. The results show that this method can obviously distinguish between hail and hail clouds; discriminant error is small, with a reference value.

Laplasse transform; gray level co-occurrence matrix; color moment; AdaBoost classifier

1003-6598(2017)01-0035-05

2016-09-21

李冰潔(1991—)，女，在讀碩士，主要從事數據挖掘與圖像處理工作，E-mail:295685112@qq.com。

P457

B