基于BP神經(jīng)網(wǎng)絡(luò)的雪花形狀分類研究

宋世坤，王書海

（河北科技大學(xué) 信息科學(xué)與工程學(xué)院，河北 石家莊 050018）

隨著2022年北京冬奧會(huì)的臨近以及滑雪旅游產(chǎn)業(yè)的不斷發(fā)展，滑雪運(yùn)動(dòng)越來越受到人們的關(guān)注和喜愛[1]，雪質(zhì)在滑雪運(yùn)動(dòng)中起著至關(guān)重要的作用，而雪花的形狀很大程度上關(guān)系著雪質(zhì)的好壞。雪花形狀分類的研究對于雪質(zhì)好壞、人造雪甚至是人工降雪都存在影響。研究雪花形狀分類具有重大意義。雪花形狀分類以具體的雪花形態(tài)為研究對象，采用圖像預(yù)處理技術(shù)對雪花圖像提取特征參數(shù)，分析參數(shù)特征值，利用合理分類器實(shí)現(xiàn)雪花圖像形狀的自動(dòng)分類[2-4]。

1 圖像預(yù)處理

首先對圖像進(jìn)行二值化處理，在13種基于直方圖的圖像全局二值化算法中，本文應(yīng)用最大類間方差法（Otsu）進(jìn)行圖像二值化處理，獲得最優(yōu)的圖像分割閾值。并對分割后的圖像形態(tài)學(xué)操作，完成邊緣檢測和提取輪廓線。

2 形狀特征參數(shù)提取

雪花圖像包含了豐富的特征信息，比如形狀特征和紋理特征，根據(jù)形狀分類的相關(guān)理論，本文利用雪花的輪廓、凸包和最小包圍盒得到形狀描述，利用這些形狀描述計(jì)算出縱橫軸比、矩形度、周長凹凸比、面積凹凸比、形狀參數(shù)和致密度6種相對形態(tài)參數(shù)。

2.1 雪花輪廓提取

本文先提取雪花的外部輪廓，通過采用輪廓跟蹤法對雪花圖像進(jìn)行輪廓提取，具體算法步驟為：

（1）對圖像預(yù)處理后的雪花二值化圖像采用自頂向下、從左到右的順序進(jìn)行掃描，得到第一個(gè)像素點(diǎn)為1的點(diǎn)，此時(shí)將其作為起始點(diǎn)，進(jìn)行步驟2。

（2）得到起始點(diǎn)后，按照逆時(shí)針方向?qū)ふ耶?dāng)前像素點(diǎn)周圍8個(gè)方向上的領(lǐng)域點(diǎn)，如果發(fā)現(xiàn)像素值為1的點(diǎn)且領(lǐng)域上包含0像素點(diǎn)，若此像素點(diǎn)先前沒有被掃描過，將這個(gè)像素點(diǎn)作為當(dāng)前點(diǎn)，記錄下相應(yīng)的鏈碼值。

（3）重復(fù)步驟2，直到回到起始點(diǎn)。

（4）根據(jù)步驟2和3所記錄的鏈碼值，得到雪花的形狀輪廓。

2.2 求取雪花凸包

本文采取Graham掃描法求取最小凸包，如圖1所示。凸包是指在雪花圖像中，找出某些點(diǎn)作一個(gè)多邊形，使這個(gè)多邊形能把所有點(diǎn)都包括在內(nèi)，這個(gè)凸多邊形稱之為凸包。

圖1 雪花形狀凸包圖

2.3 求取最小包圍盒

最小包圍盒是指包含某個(gè)區(qū)域內(nèi)所有像素點(diǎn)的一個(gè)最小矩形，如圖2所示。算法過程描述如下。

（1）使用一條平行線對凸包兩邊的頂點(diǎn)進(jìn)行檢測，發(fā)現(xiàn)有一條凸包頂點(diǎn)之間的連線與這條平行線重合，記下這兩條平行線的位置，然后作兩條垂直于這條平行線的線段，從這個(gè)方向的兩側(cè)凸包頂點(diǎn)開始尋找。最后4條線段可以形成一個(gè)矩形，并且計(jì)算該矩形的面積。

（2）重復(fù)上面的過程，直到遍歷完所有的雪花凸包頂點(diǎn)，面積最小的矩形就是最小包圍盒。

2.4 形狀特征參數(shù)提取

（1）縱橫軸比（Axis Ratio）：雪花圖像最小包圍盒的寬度與長度的比值。

（2）矩形度（Rectangularity）：雪花面積與最小包圍盒面積的比值。

（3）面積凹凸比（Convexity Area）：雪花面積與雪花凸包面積的比值。

（4）周長凹凸比（Convexity Perimeter）：雪花周長與凸包周長的比值。

（5）形狀參數(shù)（Form parameter）：是由雪花的面積與周長之間的計(jì)算出來的值，反映了雪花面積的緊密性。

（6）致密度（Density）：用來描述圖像邊界復(fù)雜程度的指標(biāo)，反映了圖像趨于圓的程度。

圖2 雪花形狀最小包圍盒圖

2.5 形狀特征參數(shù)數(shù)據(jù)

示例圖片特征值如表1所示。

表1 示例圖片特征值

3 BP神經(jīng)網(wǎng)絡(luò)分類器

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，主要特點(diǎn)是輸入信號前向傳遞，誤差反向傳播，如果輸出層無法得到期望輸出，就會(huì)轉(zhuǎn)向反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，即可使預(yù)測輸出向期望輸出不斷逼近。本文采用的BP神經(jīng)網(wǎng)絡(luò)為3層，激活函數(shù)為sigmod函數(shù)。

（1）確定網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)。本文采用六項(xiàng)形狀特征作為輸入層節(jié)點(diǎn)數(shù)，即m=6，輸出層節(jié)點(diǎn)數(shù)對應(yīng)雪花形狀分類種數(shù)，即n=3，隱含層節(jié)點(diǎn)數(shù)l的確定參考如下公式：

其中a取0～10的常數(shù)，l確定了大概范圍，通過使用試湊法確定出最佳的節(jié)點(diǎn)數(shù)l，本文l取10。

（2）網(wǎng)絡(luò)初始化。在初始化階段，給予權(quán)重系數(shù)Wij一個(gè)隨機(jī)數(shù)（﹣1.0～1.0），學(xué)習(xí)速率為0.01，目標(biāo)誤差0.001。

（3）訓(xùn)練算法選擇。本文采用梯度修正法和反向錯(cuò)誤傳播算法。

對雪花庫雪花選取3種類型：六角盤狀、六枝星狀和星形樹枝狀的雪花圖像500張進(jìn)行處理，3種類型中各隨機(jī)選取100個(gè)作為訓(xùn)練樣本，剩下200個(gè)作為分類測試樣本，識別率達(dá)到91.67%。

4 結(jié)語

雪花形狀分類在氣象領(lǐng)域的基礎(chǔ)研究工作中發(fā)揮著重要作用，本文利用數(shù)字圖像處理技術(shù)對雪花圖像提取了縱橫軸比、矩形度、面積凹凸比、周長凹凸比、形狀參數(shù)以及致密度等6項(xiàng)形態(tài)特征參數(shù)，設(shè)計(jì)了一種基于BP神經(jīng)網(wǎng)絡(luò)的雪花形狀分類方法。實(shí)驗(yàn)表明本方法對于3種雪花形態(tài)的正確識別率達(dá)到了91.67%，驗(yàn)證了利用BP神經(jīng)網(wǎng)絡(luò)對于雪花形狀進(jìn)行分類的可行性與較好的魯棒性。今后進(jìn)一步的研究方向是繼續(xù)改進(jìn)智能分類算法，解決存在雪花殘缺或者雪花圖像模糊干擾情況下的分類問題。