CNN边缘提取在冰雹预测中的应用

李冰洁，李国东

（新疆财经大学应用数学学院，新疆乌鲁木齐 830012）

CNN边缘提取在冰雹预测中的应用

李冰洁，李国东

（新疆财经大学应用数学学院，新疆乌鲁木齐 830012）

冰雹是一种破坏性较为严重的自然灾害之一.结合细胞神经网络理论对雹云进行了预测研究，选取新疆几个地区的冰雹云层图像进行分析，提供了一种简单的利用细胞神经网络边缘探测方法来判别云层图像是否降雹.在MATLAB程序进行边缘探测得到图像对应的像素矩阵数据，将矩阵数据处理得到每个图像的像素强度，像素强度小于0.8的是降雹云层，大于0.9的是无雹云层.经验证细胞神经网络理论在冰雹的预测识别中是有效的.

细胞神经网络；冰雹预报；边缘检测；MATLAB

0　引言

冰雹是由强对流天气系统引起的一种非常剧烈的气象灾害.它的形成要有足够的的水汽供应与强烈的空气对流.它具有较强烈的随机性、突发性和明显的区域特征，虽然出现降雹的范围小局地性强，持续时间短，但是来势凶，强度大，并且常伴有其他灾害性天气过程.虽然气象台根据卫星探测和雷达的监视，可以提前预测冰雹灾害，但精确度仍然不够高.天气雷达、卫星、计算机和其他先进的设备在气象中的大量使用，使冰雹预测的精确度大为提升.

目前冰雹预报研究的方法主要集中在冰雹的物理过程处理.如：采用完全弹性三维冰雹数值模式［1］来模拟某地区地面的动力和热力不均匀而形成的初始扰动冰雹云模式来预报冰雹；使用运动视觉技术对冰雹云图进行跟踪和预报［2］，利用区域标记生长法对冰雹云图进行滤波，从图像处理的方向研究，采用模式识别和计算机处理的方法对Doppler雷达的径向速度图进行研究；利用粗糙集理论建立冰雹的单模型预报［3］，通过BP神经网络构建冰雹分类器，实现对冰雹样本的自动分类.

在过去的冰雹研究工作中，冰雹预报大多是在雷达获取的数值方面的研究，如云层高度，湿度等，判别率较低.而本文是从雷达探测图像的处理角度，运用细胞神经网络这一新的领域研究冰雹预报.细胞神经网络边缘提取是图像处理的基本方法，曾多次运用在医学领域，但很少有人将其运用在冰雹预报当中.由于每张彩色图像都是多维的，边缘提取出来的每个矩阵都是M行N列的，计算比较复杂，很多方法得出的数据有很多组特征值，本文采取数模公式最终将每张图片计算成一个数值，得出每幅图像的像素强度，进而来识别雷达反射率图像降雹与否.

1　CNN细胞神经网络技术

细胞神经网络［4］（CNN）是一种处理信号的非线性处理器，借鉴Hopfield神经网络的优点与CA处理单元细胞的概念，解决了模拟电路的实现问题，便于网络动态特性的分析，也具有平行性、局域性和稳定性等特点.

CNN的细胞与周围相邻的细胞直接联系构成全局联通神经网络，但是对于一个单独的细胞来说，它只与其领域内的细胞发生连接，细胞之间发生联系的距离为r.图1是一个规模为4×4的CNN模型的结构，整个模型结构是由M×N个细胞排列成M行N列，Cij代表第i行第j列的细胞.细胞与周围细胞直接发生互相联系的最远距离称为R［5］.

CNN的状态方程如下［6］：

其中xi，j，yi，j，ui，j和zi，j分别代表细胞Ci，j的状态，输出，输入和阈值.A为反馈模板，B为控制模板.式（1）的动力学性质由模板A，B和z来决定.A，B，z的不同会产生不同的效果.CNN输出函数如图2.

CNN输出方程为：

图1　细胞的排列结构

其中i=1，2，…，m；j=1，2，…，n.

设1表示为黑色，-1表示为白色，那么

若ui，j=1，则ui，j周围的8个细胞也全为黑色，wi，j=-1，此时判断出ui，j不是边缘；

若ui，j=1，则ui，j周围的8个细胞中至少存在一个是白色，那么就可以判断出此ui，j为边缘；

若ui，j=1，ui，j周围有P个细胞表现为白色，那么剩下8-P个就为黑色，就有wi，j=-1+2P≥1；

这样递增递减的图线就会形成稳定点.因此标准细胞神经网络模型的图形可以用图3来表示.

图2　CNN输出函数

图3　稳定点图形

2　图像边缘提取

图像的边缘是图像的一个最基本的特征，图像的大部分信息都储存在它的边缘之中，因此对图像的边缘提取是图像处理的最基本、最重要的方法之一［7］.边缘检测一般可分为4个阶段：滤波、检测、增强、定位，它的实质是采用某种算法提取出图像中对象与背景之间的交界线［8］.

2.1传统边缘检测算子

传统的边缘检测算子有：Roberts、Sobel、Prewitt算子.Roberts算子的原理［9］是根据任意一对互相垂直方向上的差分可以用来计算梯度，在2×2的领域上计算图像的Roberts梯度，所以Roberts算子采用的是2×2的模板.

Sobel算子的原理［10］是在边缘像素点处与之临近的像素达到权达到极值，利用像素上、下、左、右邻域的灰度加权算法，采用3×3的模板.还引入了局部平均，使其受噪声的影响减小但是增加了计算量，通常会检测出许多伪边缘，对边缘的定位精度也不高.

Prewitt算子与Sobel算子原理一样，不同的地方在于Prewitt算子［11］没有把重点放在接近模板中心的像素点，权值有所变化，同样采用了3×3的模板.通过像素平均的原理对噪声有抑制作用，这样相当于对图像进行了低通滤波，所以Prewitt算子的边缘定位效果不如Sobel算子.

图4～图7分别是原图和3种算子对Lena图的边缘检测效果图.

图4　原图

图5　Roberts算子检测边缘

图6　Sobel算子检测边缘

图7　Prewitt算子检测边缘

2.2CNN的边缘提取模板

CNN是一种反馈型神经网络，CNN的稳定性与时滞性，使其在静态图像与动态图像的处理中有显著效果［12］.在CNN中细胞之间的连接权重被称为CNN模板，这些不同的模板决定了CNN性能的不同. CNN图像边缘检测模板能够提取出图像中处于边界上的像素点.边缘提取的技术是利用图像中灰度的变化来检测和提取边缘［13］.边缘提取模板如下：

可以根据不同问题的需要来改变矩阵A、B、Z的参数，A、B、Z的参数不同可等到不同图形效果.

通过细胞神经网络的边缘探测模板对探测得到的图像在MATLAB程序中进行边缘探测得到边缘探测图形［14］，如图8所示.对比以上的边缘检测模板，传统的边缘算子在抗噪声性能、边缘定位及视觉感知等方面难以满足实际需求.可以得出CNN边缘检测模板的Lena图的轮廓更加清晰明了，局部细节检测结果非常明显，图像的边缘都比较连续，比较复杂的信息部位比如说头发检测的都非常仔细，可以看出CNN在边缘探测中具有明显的优势.

图8　边缘提取图

3　细胞神经网络在冰雹预测中的应用

3.1对云层图像的边缘提取

冰雹的形成与云的发展有着密切关系，冰雹云移动快伴有强烈的连续翻滚，如何识别冰雹云是准确预见冰雹出现的关键所在.利用以上介绍的边缘提取模板对降雹与无雹的云层雷达图像进行边缘提取，图9是降雹与无雹两组图片中部分图像的边缘提取图.

图9　降雹与无雹两组图片中部分图像的边缘提取图

在MATLAB程序中的图像边缘探测首先将每个图像分为3层，经过一系列的运算得到每个图像的3个边缘提取矩阵A，B，C利用以下公式：

其中aij∈A，bij∈B，cij∈C.

函数H可以解释为：将得到的3个矩阵分别求和相加再取平均得出的数据除以255像素单位化，得出每个云层图像的像素强度.

根据上述公式对选取的降雹与无雹两组图像数据经行处理得出：

表1　无雹雷达图像处理数据

表2　降雹雷达图像处理数据

由以上数据可得出降雹的图像边缘提取最终得出的每幅图数据都在0.7左右，无雹的数据都大于0.9.由此可以根据数据大小来判断是否降冰雹.

4　模拟仿真与验证

选取另外6个天气（3个雹云，3个非雹云）来验证我们的规律.这样依据前面的方法，可以得到仿真结果（表3）.

表3　验证样本处理数据

表3中N代表无雹图像的提取数据，Y代表降雹图像的提取数据.空白代表截取的图像到此为止.

5　结论分析

仿真结果及数据表明，降雹的图像边缘提取最终得出的每幅图数据都在0.7左右，无雹的数据都大于0.9是成立的.本文处理方法是将得到的三维图像的三层数据矩阵的数值像素单位化并且都相加，方法较为简单，虽然每个像素值都得到了应用，得到了降雹与无雹的图象像素强度值，但是数值大小还是比较相近的，不易区分.

我国是农业大国且属于冰雹多发区，准确预报冰雹是非常重要的.CNN细胞网络神经在图像边缘提取中的应用，可以将雷达探测的云层图像进行分解提取出边缘，应用相应的数据矩阵分析从而更好地预测冰雹，尽可能减少冰雹的危害.

［1］ 周颖，文继芬，黄浩隽.复杂地形下冰雹预报的数值试验研究［J］.成都信息工程学院学报，2004，19（4）：553-557.

［2］ 杨玉峰.基于雷达回波反射率图的冰雹云识别系统的研究［D］，天津：天津大学，2005.

［3］ 蒋吉丽.基于BP神经网络的强对流天气预报模型研究［D］.成都：电子科技大学，2010.

［4］ 王怀颖.细胞神经网络在图像处理中的应用技术研究［D］.南京：南京航空航天大学，2007.

［5］ 黎蕾.细胞神经网络超混沌及其同步方法研究［D］.哈尔滨：哈尔滨工业大学，2013.

［6］ 叶波，李传东.自适应联想记忆细胞神经网络的优化设计［J］.计算机应用，2012，32（2）：411-415.

［7］ 薛菲菲.基于细胞神经网络的彩色图像边缘提取研究［D］.天津：天津师范大学.2013.

［8］ 乔闹生，邹北骥，邓磊，等.一种基于图像融合的含噪图像边缘检测方法［J］.光电子激光，2012，23（11）：2215-2219.

［9］ 张太发，高朝阳.数字图像边缘检测方法的分析与研究［J］.计算机技术与发展，2011，20（10）：141-145.

［10］ 朱柱.边缘检测技术研究［D］.苏州：苏州大学，2010.

［11］ 汤敏.基于细胞神经网络的灰度图像边缘提取［J］.计算机工程与设计，2010，31（10）：276-279.

［12］ 龙述君，张永新，向丽.具有混合时滞的随机细胞神经网络的稳定性分析［J］.四川师范大学学报，2012，35（6）：796-801.

［13］ 乔闹生，邹北骥，邓磊，等.基于图像融合的含噪图像边缘检测方法［J］.光电子激光，2012，23（11）：2216-2219.

［14］ 董长虹，赖志国，余啸海.MATLAB图像处理与应用［M］，北京：国防工业出版社，2004.

Study on CNN Edge Extraction in Hail Prediction

LI Bing-jie，LI Guo-dong
（School of Applied Mathematics，Xinjiang University of Finance and Economics，Xinjiang Urumqi，830012）

The hail is one of the most serious a devastating natural disaster.Bring huge losses to agriculture，architecture，communication，electric power，transportation and people's life and property.Chinese hail disasters occur frequently state，we need as soon as possible to prevent hail.This paper combines the theory of cellular neural network prediction research of hail cloud.Selection of hail clouds image in several areas of Xinjiang are analyzed，and Provides a simple use of cellular neural network edge detection method to identify whether the image of hail cloud.Edge detection of image data corresponding to the pixel matrix in the MATLAB program，the matrix data processing to get the pixel intensity of each image，pixel intensity is less than 0.8 is hail clouds，greater than 0.9 is no hail cloud.Results show that using cell neural network theory in the prediction of hail identification is effective.

cellular neural network；forecast of hail；edge detection；MATLAB

P412.25

A

1671-6876（2016）03-0228-05

［责任编辑：蒋海龙］

2016-01-15

国家自然科学基金项目（11461063）；国家社科基金项目（14BTJ021）；教育部人文社会科学基金项目（13YJAZH040）；新疆维吾尔自治区高校科研计划项目（XJEDU2013I26）

李国东（1972-），男，黑龙江鹤岗人，教授，博士，硕士生导师，研究方向为数据挖掘与分析.E-mail：lgdzhy@126.com