氣象雷達回波圖中區域地物雜波檢測算法

季鈺林，傅俊杰，劉家威，劉人銓，周孝宗

（成都信息工程大學通信與信息工程學院，四川成都 610200）

0 引言

當下是人工智能的時代，隨著萬物皆互聯的呼聲越來越高，很多需要手工作業完成的工作都開始思考如何用人工智能來替代。隨著全國各地天氣雷達網的逐步完善，國內已建成覆蓋人口密集區的天氣雷達網。氣象狀況與人類的生產生活息息相關，天氣狀況預測在農業、民航等各個領域也發揮著重要作用。雖然天氣雷達可通過識別靜止像素判斷目標是否運動，從而消除大部分地物雜波，但在低角度區域仍會受到地物雜波的干擾，無法完全識別。當前，仍然需要依靠相關從業人員通過肉眼判別出地物雜波的存在，很明顯該工作需要浪費一定人力且效率低下。

為解決該問題，杜言霞等［1］提出通過綜合識別法去除風廓線雷達地物雜波的可行性研究；侯慶禹等［2］提出一種結合keystone 變換在頻率域—多普勒域聯合提取目標信號和抑制雜波的新方法，但都沒有很好地解決塊狀地物雜波與雜散地物雜波同時存在的問題。在參考Mohanaiah等［3］、Gao 等［4］提出的GLCM 算法基礎上，黃云仙等［5］提出的灰度共生矩陣自適應雷達雜波抑制方法可識別整幅雷達回波圖中的地物雜波是否存在，但無法判斷雷達回波圖中具體區域的地物雜波。

本文在前人研究的基礎上，提出一種區域重疊灰度共生矩陣算法，以識別雷達回波圖中具體區域存在的地物雜波。另外，因為地物雜波基本存在于雷達掃描低仰角區域，而在高仰角區域鮮有存在，所以利用深度學習算法訓練神經網絡，對截取的雷達回波圖中特定低仰角范圍內的回波圖進行角度識別，過濾高仰角度區域，以減少計算量。采用區域重疊灰度共生矩陣算法與深度學習算法相結合的方式，可較準確地找出雷達氣象回波圖中具體區域存在的地物雜波情況，減少了計算冗余，讓算法的運行更加流暢，較完美地實現了以機器視覺代替肉眼識別，降低了對人的依賴程度，從而節約了成本［6-16］。

1 基本原理

卷積神經網絡模型采用3 個卷積層（Convolution）、2 個池化層（Pooling）和2 個全連接層（Pooling）構成，采用5*5的卷積核運算。首先將32*32 的訓練數據經過第一層卷積層，得到第一次卷積之后的特征圖；然后經過第二層卷積，再經過池化層對提取的特征進行壓縮，得到第二次提取的特征圖；之后經過第三次卷積和池化層，得到第三次特征圖；最后經過兩次全連接層，得到屬于每一個0-9 數字的概率，從而達到識別俯仰角的目的。利用訓練好的模型對數字0-9 進行準確識別，可以很清晰地獲取俯仰角度數。

在經過俯仰角判別之后，過濾高角度的雷達回波圖，只對低角度的雷達回波圖進行判別。利用區域重疊灰度共生矩陣算法對低角度雷達回波圖進行紋理特征提取，得到對比度（Contrast）、相關性（Correlation）、能量（Energy）、熵（entropy）4 種不同閾值，通過不同閾值判斷存在地物雜波的具體區域。

實驗結果表明，利用區域重疊灰度共生矩陣算法計算得到雷達回波圖的4 種不同閾值，可較好地判斷該區域是否存在地物雜波，并且得到地物雜波具體區域的坐標。

2 卷積神經網絡

2.1 卷積神經網絡簡介

卷積神經網絡（Convolutional Neural Networks，CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之一。卷積神經網絡具有表征學習（representation learning）能力，能夠按其階層結構對輸入信息進行平移不變分類（Shift-invariant Classification），因此也被稱為“平移不變人工神經網絡（Shift-Invariant Artificial Neural Networks，SIANN）”，通常包含數據預處理（Data Preprocessing）、卷積層構建（Convolution）、池化層構建（Pooling）、全連接層構建（Affine），以及激活函數（Activation）、優化器（Optimizer）以及損失函數（Loss Function）幾部分。其工作原理是先通過卷積計算層提取圖像特征，接著利用激活函數對圖像特征進行非線性化操作。經過多次卷積層和激活層后，通過池化層對提取的特征進行壓縮，最后通過全連接層對提取的特征進行連接，最終得到屬于各個類別的概率，從而達到識別的目的。

由于雷達在低仰角處更容易受到地物雜波信號的影響，因此利用卷積神經網絡對雷達的仰角進行判別，在低角度處利用區域重疊灰度共生矩陣算法識別雜波區域，而在高角度處基本不受地物雜波信號的影響，從而大大降低了系統計算的復雜度，提高了效率。

2.2 模型介紹

該卷積神經網絡模型采用MINIST 數據集進行訓練與測試，其模型結構包括3 個卷積層、2 個池化層和2 個全連接層，如圖1 所示。輸入層是32*32 的灰度圖像，卷積核大小是3*3。

Fig.1 Convolution neural network model圖1 卷積神經網絡模型

首先，經過卷積層C1。利用6 個不同的3*3 卷積核進行步長為1 的卷積運算，以提取出6 個不同的30*30 特征圖，使得到的特征更加全面。當然也可以選擇更多不同的卷積核進行特征提取，使得到的特征更加全面，但無疑會增加訓練時間，也有可能會出現過擬合現象。這一步不進行池化的目的是為了不對得到的特征圖進行特征壓縮，盡可能保留比較全面的特征。

然后，經過卷積層C2。在經過卷積層C1 時得到了6個不同的30*30 特征圖，此層采用2 個不同的3*3 卷積核對經過C1 層所得的6 個不同特征圖進行卷積計算，得到12個不同的28*28特征圖。

之后，經過池化層S1。池化層尺寸為2×2。池化層的主要目的是為了壓縮特征，有效縮小特征矩陣的尺寸（主要為了減少特征矩陣的長和寬，一般不會減少矩陣深度），從而有效減少最后全連接層中的參數，以加快計算速度，也可以防止過擬合。S1 所用的是最大池化層（Max-pooling），其原理如圖2所示。

Fig.2 Maximum pooling layer schematic diagram圖2 最大池化層原理圖

本層具有激活函數，為RELU 函數，其公式為：

RELU 激活函數在反向傳播時可避免梯度消失，會使一部分神經元的輸出為0，從而造成了網絡的稀疏性，并且減少了參數的相互依存關系，緩解了過擬合問題。

卷積層C3、池化層S2 進行的特征提取及特征壓縮與卷積層C2和池化層S1基本相似。

最后，經過兩個全連接層F1 和F2。在全連接層中，所有神經元都有權重連接，通常全連接層在卷積神經網絡尾部。當前面卷積層抓取到足以用來識別圖片的特征后，接下來的就是如何進行分類。卷積網絡的最后會將末端得到的長方體平攤成一個長長的向量，并利用全連接層進行分類。例如，0-9 數字識別過程屬于10 分類問題，因此卷積神經網絡的輸出層會有10 個神經元。全連接層F1 加入RELU 激活函數，全連接層F2 加入SOFTMAX 激活函數，其公式為：

通過對卷積神經網絡進行調參等操作，利用MINIST數據集中的60 000 條數據對模型進行訓練，得到識別準確率為98.72%，如圖3 所示。測試數據的測試準確率為98.8%，如圖4 所示，可比較精確地識別雷達回波圖俯仰角。

Fig.3 Training data accuracy圖3 訓練數據準確率

Fig.4 Tests data accuracy圖4 測試數據準確率

3 區域重疊灰度共生矩陣算法

3.1 灰度共生矩陣算法

灰度共生矩陣（Gray-level Co-occurrence Matrix，GLCM）算法是求取紋理圖像中某一個灰度級結構多次重復出現概率的方法，被廣泛應用于圖像紋理分析。圖5 顯示了如何求解灰度共生矩陣，以（1，1）點為例，GLCM（1，1）值為1 說明只有一對灰度為1 的像素水平相鄰。GLCM（1，2）值為2 說明有兩對灰度為1 和2 的像素水平相鄰?；叶葹? 和5 的像素水平相鄰出現一次，所以在（1，5）位置上值為1。由于圖5 左側圖中沒有灰度為1 和6 的像素水平相鄰，所以對應右側表中GLCM 矩陣坐標（1，6）的值為0。其最大優點在于參考距離和角度甚至空間關系，并加入其關聯性計算，能反映圖像灰度以及關于方向、相鄰間隔、變化幅度等綜合信息。

Fig.5 GLCM feature extraction of gray image by GLCM algorithm圖5 灰度圖像通過GLCM 算法提取圖像GLCM 特征

GLCM 算法特征通常有：能量（灰度共生矩陣元素值的平方和，反映了圖像灰度分布均勻程度和紋理粗細度）、熵（圖像所具有信息量的隨機性度量，反映了圖像中紋理的非均勻程度或復雜程度）、慣性矩（反映圖像紋理的同質性，度量圖像紋理局部變化程度）和相關性（度量空間灰度共生矩陣元素在行或列上的相似程度）。此次設計同樣采用了能量、熵、慣性矩與相關性對雷達回波圖進行紋理分析。

下列為常用的GLCM 屬性，通過這些屬性可將GLCM值表示為特征向量。

（1）對比度（Contrast）。整個圖像上像素與其鄰居之間強度對比度的測量值，反映了其灰度溝紋的深度與厚度，表現了圖像灰度對比度的差別，其公式為：

（2）相關性（Correlation）。一個像素與整個圖像上鄰居相關性的度量，反映了灰度圖像中灰度的相關性情況，其公式為：

（3）能量（Energy）。GLCM 中平方元素的總和，反映了圖像灰度分布的均勻程度和紋理細度，其公式為：

（4）熵（Entropy）。圖像的信息量，共生矩陣中元素分散分布時，熵較大，表示圖像中紋理的非均勻程度或復雜程度，其公式為：

利用GLCM 的紋理特性識別雜波分布，將每一張包含雜波區域的圖像分成若干份，將多張分割圖片分別在0°、45°、90°和135°方向上進行灰度共生矩陣統計。圖6（a）-（d）展示了對圖像GLCM 特征的提取，分別在0°、45°、90°和135°等方向上計算對比度、能量和相關性（注：圖中藍色曲線為對比度，紅色為能量，綠色為相關性）。對比度反映了圖像的清晰度和紋理的溝紋深淺。對比度越大，紋理的溝紋越深，反差越大，效果越清晰；反之，則溝紋淺，效果越模糊。

Fig.6 Distribution of feature images extracted by the GLCM matrix of a ground clutter map in Fujian on January 15圖6 1月15日福建某地雜波圖GLCM 矩陣提取特征圖像分布

表1 為經過GLCM 算法之后得到的雷達回波圖的紋理特性。能量是對圖像紋理灰度變化穩定程度的度量，能量高表明當前紋理是一種規則變化、穩定的紋理；熵值是所有信息的度量，反映了圖像紋理的非均勻程度或復雜程度；相關性反映了元素在行和列上的相似程度，相關性越大，說明元素值均勻相等；慣性矩反映了圖像紋理的同質性，其值越大，說明圖像紋理在不同區域間缺少變化。通過對4 種圖像紋理特性的分析，很容易得到雷達回波圖中是否存在雜波與圖像紋理特性存在非常密切的關系，可很好地說明利用GLCM 算法能夠識別出雷達回波圖中存在雜波的具體區域。

Table 1 Clutter image and its texture characteristics after calculation表1 計算得到的雜波圖及其紋理特性

3.2 區域重疊灰度共生矩陣算法

如圖7 所示，將獲取的圖像分成9 份（保證左上角、左下角、右上角、右下角沒有雷達回波圖），可以很清楚地看到左上角、左下角、右上角和右下角區域基本不存在雜波。

Fig.7 Radar echo slice圖7 雷達回波圖切分圖

根據雷達回波圖構建一個簡單模型，如圖8所示。

Fig.8 Echograph modeling calculation圖8 回波圖建模計算

首先可以很清楚地知道1 區域、3 區域、7 區域和9 區域不存在雜波，然后選取1、2、4、5 區域進行紋理特征提取，得到這一區域的紋理閾值，接下來選取2、3、5、6 區域和4、5、7、8 區域，最后是5、6、8、9 區域，共進行4 次紋理特征提取，獲取紋理閾值。最終可得到如圖9所示結論。

Fig.9 Clutter image and its texture characteristics after calculation圖9 區域重疊灰度共生矩陣算法所得結論

圖9 所列舉的是可以明確得出結論的，當然還有得不出明確結論的，比如第1-4 次提取都存在雜波的情況，可能是區域5 存在雜波，也可能是區域2、4、6、8 或區域2、4、5、6、8 存在雜波。遇到這種情況，很有可能是區域5 的面積太小導致的。因此，可縮小區域2、區域8 的高度，縮小區域4、區域6 的寬度，從而增加區域5 的面積，也可得出存在雜波具體區域的坐標。

當然，不僅可以把區域分成9 份，而且可以分成16 份等，分割的區域越多，得到的區域就越具體，但計算復雜量也會增加。考慮到工業應用的實際情況，可以把雷達回波圖分成9份。

4 算法實現

4.1 算法流程

首先運行天氣雷達客戶端，配置系統各項參數，利用spy++獲取窗口句柄，配置好窗口句柄和識別區域大??；然后點擊識別雜波按鈕，檢測系統就會針對客戶端所在區域獲取雷達回波圖，并根據配置好的系統參數截取相應位置與對應俯仰角區間的雷達回波圖進行GLCM 算法計算，得到各種紋理特征；最后將得到的紋理特性與閾值參數進行比對，若存在雜波，則會在天氣雷達網客戶端回波圖存在雜波的位置進行標注，并配有語音提示。算法流程如圖10所示。

Fig.10 Algorithm flow圖10 算法流程

4.2 運行結果

如圖11 所示，程序運行之后可以很清晰地看到，系統比較準確地識別出雷達回波圖中存在雜波的位置區域，并在此區域外圍畫出了一個矩形，從程序開始運行到標識出雜波所在區域，大約用時1s。無論是程序運行速度還是雜波區域識別的準確性都可以達到預期目標，完全符合當初的設想。另外，該軟件還在此基礎上設計了一個記錄雜波出現時間和保存雜波圖像的功能，可將識別到存在雜波的時間和區域圖片進行保存，方便從事相關行業的工作者隨時進行查看與人工檢驗，完全取代了人工肉眼識別雜波這一繁瑣工序，大大節約了人力、物力和財力。

Fig.11 Identify clutter area in echo image圖11 識別回波圖中存在雜波區域

5 結果分析

雖然經典的灰度共生矩陣算法可識別出存在地物雜波的雷達回波圖像（見圖12），但無法判斷出存在地物雜波的特定區域，并且在絕大多數情況下，高仰角區域內基本不會存在地物雜波，只有在低仰角區域內才有可能存在地物雜波。這種不加篩選、全部進行計算的方法增加了計算冗余，降低了識別效率。本文提出的卷積神經網絡和區域灰度共生矩陣相結合的算法，不僅解決了地物雜波在雷達回波圖像中存在于特定區域的問題（見圖13），而且在應用區域灰度共生矩陣算法之前，可首先對雷達回波圖進行篩選，過濾低仰角的雷達回波圖，較好地提高了識別效率。

Fig.12 Radar echo image with clutter identified by classical gray level co-occurrence matrix圖12 經典灰度共生矩陣識別存在雜波的雷達回波圖

6 結語

Fig.13 Recognition of radar echo image with clutter by region overlapping gray level co-occurrence matrix圖13 區域重疊灰度共生矩陣識別存在雜波的雷達回波圖

本文提出一種卷積神經網絡與區域重疊灰度共生矩陣相結合的算法，能夠比較精確地識別雷達回波圖中存在地物雜波的具體區域。首先，設計一個卷積神經網絡模型，該網絡模型有3 個卷積層、2 個池化層和2 個全連接層，利用MINIST 數據集對卷積神經網絡進行訓練，將訓練好的模型用于識別雷達回波的俯仰角，過濾低角度的區域；然后，利用區域重疊灰度共生矩陣算法對高仰角的雷達回波圖進行特征提取，從而得到存在雷達回波圖的具體區域；最后根據算法原理，設計了一個計算機可視化界面，可對雷達回波圖中具體區域的地物雜波進行檢測。將該方法應用于工業領域，能較好地以機器視覺代替人工肉眼識別。

但本文系統及其組件與功能有一定局限性，在識別地物雜波過程中，暴露出算法復雜度高和計算量大的缺點。為克服這一局限性，本文目標是通過減少計算復雜度、避免冗余的計算過程優化該算法。通過將雷達回波圖進行分區域計算，可有效達到降低計算復雜度的目的。

雖然本次設計僅對雷達回波圖中的地物雜波進行了識別，而沒有達到消除的效果，但相信在未來的某一天一定可以消除或者說極大程度上減小地物雜波的影響。