一种降雨雷达图像的识别方法与流程

1.本发明涉及雷达图像识别技术领域，具体涉及一种降雨雷达图像的识别方法。


背景技术：

2.导航雷达被普遍应用于船舶的海面航行，由于雷达图像中含有海浪信息，可从雷达图像中提取风和浪的信息。在实际应用中导航雷达由于受海洋环境的影响，雷达图像中通常包含降雨等非海浪信息。
3.导航雷达对降雨干扰非常敏感，在利用导航雷达遥测海面时，雨滴会改变海面的粗糙度并且影响电磁波的传播；雷达图像的回波强度会随着海面粗糙度的增加而增大。当海面在降雨时，降雨对雷达图像的信号产生干扰，影响雷达图像信息提取的准确性，由于降雨干扰的存在改变了雷达图像的纹理特征。
4.目前，针对有雨雷达图像和无雨雷达图像需要选用不同的方法进行反演信息；一般情况下，反演海浪参数和海面风场信息的方法是基于无降雨的雷达图像。因此，为了控制导航雷达图像质量和提高海浪参数的反演精度，需要在反演海浪参数之前，事先判断雷达图像中是否含有降雨的情况。
5.然而，现有的方法识别有雨雷达图像的识别率较低，从而影响雷达图像质量控制和降低所提取信息的可靠性。


技术实现要素：

6.针对现有技术存在的不足，本发明提出一种降雨雷达图像的识别方法，以解决现有的方法识别降雨雷达图像的准确率不高，影响雷达图像质量控制和提取信息可靠性低的问题。
7.为达到上述目的，本发明采用如下技术方案：一种降雨雷达图像的识别方法，包括：一种降雨雷达图像的识别方法，包括：s1、获取若干原始雷达图像数据，构建训练集和验证集；s2、对所述训练集进行主成分分析算法降维处理，并进行特征提取，得到降维子空间；s3、通过所述验证集与所述降维子空间的转置矩阵进行降维运算处理，获取雷达图像数据集；s4、对s2中提取的特征进行k均值聚类算法的聚类处理，形成初步聚类中心；s5、根据所述初步聚类中心，对所述雷达图像数据集进行验证聚类处理，对聚类处理的结果进行判定，得到聚类中心；s6、提取待测试的雷达图像数据形成测试集，通过所述测试集与所述降维子空间的转置矩阵进行运算处理，得到测试集的特征数据；s7、根据所述测试集的特征数据与所述聚类中心之间的欧式距离，识别出降雨雷
达图像。
8.优选的，所述s2中构建所述降维子空间的具体步骤为：s2.1、选取m张雷达图像数据构成训练集，对训练集中的数据矩阵 进行标准化处理后构建协方差矩阵；s2.2、对协方差矩阵进行特征分解，得到按降序排列的特征值和对应的特征向量；s2.3、计算每个特征值的贡献率，贡献率公式为：；s2.4、提取若干个贡献率之和占比大于或等于h值的k个特征；；s2.5、提取k个特征得到相应的特征向量，从而通过新的特征向量集合形成特征矩阵，即构成降维子空间w。
9.优选的，所述s3包括：s3.1、选取n张雷达图像数据组成验证集的数据矩阵，通过s2中的降维子空间w获得转置；s3.2、通过验证集的数据矩阵与所述转置矩阵进行运算处理，从而得到雷达图像数据集，其中，运算公式为：；s3.3、根据s2中所选取的特征值的占比选取，判断雷达图像数据集中的特征数据的分布情况，确定是否重新选取所述训练集。
10.优选的，所述s4具体步骤为：s4.1、在提取的特征中随机选取原始聚类中心；s4.2、计算提取的特征中的每个点与原始聚类中心的欧式距离，根据就近原则进行聚类划分，计算聚类划分后每个类中所有特征点的均值作为新的聚类中心，再通过新的聚类中心不断的迭代聚类，直到新的聚类中心不再发生改变，得到初步聚类中心。
11.优选的，所述h值应大于或等于85%。
12.本方案产生的有益效果是：1、本方法通过主成分分析技术对训练集进行降维和特征提取处理。然后利用k均值聚类算法对提取的特征数据进行聚类分析，再通过验证集进行聚类处理的判定，能够得
出更加准确的聚类中心。
13.2、通过计算待测试雷达图像的特征数据与无降雨的雷达图像中聚类中心之间的欧式距离，能够识别出雷达图像中是否含有降雨，进而提高雷达图像质量控制和提取信息的可靠性；从而实现工作人员能更加准确的完成降雨检测的任务。
附图说明
14.为了更清楚地说明本发明具体实施方式，下面将对具体实施方式中所需要使用的附图作简单地介绍。在所有附图中，各元件或部分并不一定按照实际的比例绘制。
15.图1为本发明一种降雨雷达图像的识别方法的流程图；图2是本发明中训练集数据分布图；图3是本发明中训练集的特征值占比图；图4是本发明中雷达图像数据集的数据分布图；图5是本发明中验证集的特征数据分布图；图6是本发明中对提取的特征进行分类的结果图；图7是本发明中k均值聚类的聚类中心分布图；图8是本发明中待测试集数据分布图；图9本发明中是待测试集的特征数据分布图；图10本发明中是待测试集的测试结果图。
具体实施方式
16.下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
17.本实施例中，本发明所指的主成分分析算法，是对原始高维度数据经过特殊的矩阵变换，转化为较低维度的数据。首先通过把对数据的一部分进行矩阵变换，得到一个新特征矩阵，相当于建立一个新的坐标轴，然后把全部数据在这个坐标轴上做投影计算，再对根据坐标轴上的投影情况，确定局部数据占总体数据的成分大小。最后通过除掉相对占比较小的成分，保留占比较大的成分，实现对数据的降维处理。
18.具体在本发明中，进而通过主成分分析算法对原始的雷达图像数据进行有效的降维和特征提取，简便了对若干原始的雷达图像数据的计算。
19.请参阅图1，一种降雨雷达图像的识别方法，包括：步骤一、获取若干原始雷达图像数据，得到训练集和验证集；步骤二、对所述训练集进行主成分分析算法降维处理，并进行特征提取，得到降维子空间；具体的，首先从若干原始雷达图像数据中选取m张构成训练集，形成训练集数据矩阵，对训练集数据矩阵进行标准化处理后构建协方差矩阵。
20.其次，对协方差矩阵进行特征分解，得到按降序排列的特征值和对应的特征向量；
再次，计算每个特征值的贡献率，贡献率公式为：。
21.s2.4、提取若干个贡献率ρi之和占比大于或等于h值的k个特征；
22.最后，提取k个特征值得到相应的特征向量形成特征矩阵，即构成降维子空间w。
23.本实施例中，h值为百分数，h值首选大于或等于85%。
24.步骤三、通过验证集与降维子空间的转置矩阵进行降维运算处理，得到雷达图像数据集。
25.s3.1、选取n张雷达图像数据组成验证集的数据矩阵y(n)，通过s2中的 降维子空间w获得转置矩阵w
′
；
26.s3.2、通过验证集的数据矩阵y(n)与所述转置矩阵w
′
进行运算处理，从而 得到雷达图像数据集z(n)，其中，运算公式为：
27.z(n)＝w
′
*y(n)；s3.3、根据s2中所选取的特征值的占比选取，判断雷达图像数据集z(n) 中的特征数据的分布情况，确定是否重新选取所述训练集。
28.步骤四，对训练集进行主成分分析算法降维处理后提取的特征进行k均值聚类算法的聚类处理，形成初步聚类中心。
29.具体的，在提取的特征中随机选取原始聚类中心。计算提取的特征中的每个点与原始聚类中心的欧式距离，根据就近原则进行聚类划分，计算聚类划分后每个类中所有特征点的均值作为新的聚类中心，再通过新的聚类中心不断的迭代聚类，直到新的聚类中心不再发生改变，得到初步聚类中心。
30.步骤五，根据初步聚类中心，对所述雷达图像数据集进行验证聚类处理，对聚类处理的结果进行判定，得到聚类中心。
31.步骤六，提取待检测的雷达图像数据形成测试集，通过测试集与降维子空间的转置矩阵进行运算处理，得到测试集的特征数据。
32.步骤七，根据测试集的特征数据与聚类中心之间的欧式距离，识别出降雨雷达图像或非降雨雷达图像。
33.利用计算出的测试集特征数据与聚类中心之间的距离，来判断该雷达图像中是否含有降雨干扰。同时，依据对降雨图像数据的分析，通过主成分分析算法和k均值聚类算法的处理，识别出降雨雷达图像的结果具有较高的正确率。通过该方法利用待测试雷达图像得到的特征数据与聚类中心进行距离的对比，从而最终判断出该雷达图像中是否含有降雨干扰。
34.下面将结合附图1-附图10对本发明一种降雨雷达图像的识别方法作进一步的详细说明。
35.步骤一，选取400张雷达图像数据进行标记处理，其中，每张雷达图像数据大小均为220*110。
36.然后从数据库中各取200张构成训练集和验证集。
37.步骤二，如图2所示，（其中，横坐标表示像素的大小，纵坐标表示具体的数目）。使每张雷达图像数据都转化为一维向量（24200*1）进行组合为训练集数据矩阵x（24200*200）。进而便于观察整组数据的大致分布情况。
38.再对训练集数据矩阵x（24200*200）进行标准化处理和协方差处理，得到协方差矩阵p（24200*24200）。因为协方差矩阵过于复杂且数据量庞大，且根据pca函数的特性，默认显示包含数据95%的数据，经过程序计算后的协方差向量矩阵p（24200*199）。
39.通过对协方差矩阵p(24200*199)进行特征分解，得到特征值集合λi(1*199) 和特征向量ξ
ij
(24200*199)。
40.如图3所示，(其中，横坐标表示主成分的数目，纵坐标表示占比的情况)， 计算每个特征值λi的贡献率ρi。从而计算出训练集特征值占比，选定总的贡献 率h值为总体的85％，即前几个特征值贡献率之和总值占比大于85％时，认 为该特征值对应的原始信息可以代表全部数据的信息。经过计算，本次实验的 前91个特征值贡献率之和大于85％，故本次实验选取的特征值集合为λ
k (1*91)；得到对应的前91列特征向量ξ
ik
(24200*91)，构成新的降维子空间 w(24200*91)。
41.步骤三，如图4所示，(其中横坐标表示像素的大小，纵坐标表示具体的 数目)，取验证集数据经行整合处理得出数据矩阵y(24200*200)。与训练集得 到的特征子空间的转置w
′
(91*24200)进行z＝w
′
*y运算处理。得到200张 降维后的雷达图像数据集z(91*200)，如图5所示，(其中横坐标表示降维后 数值的大小，纵坐标表示具体的数目)，通过观察雷达图像数据集z(91*200) 中降维后的特征数据的分布情况，进一步的确定出训练集中的特征值占比选用 是合适的。
42.步骤四，使用k均值聚类算法，并利用训练集进行主成分算法降维处理后中提取的特征进行聚类处理，如图6所示，（其中，横坐标代表样本的数目，纵坐标代表分类结果：0：无雨；1：有雨；2下雨不明显）；横坐标表示所测具体的样本数目，纵坐标表示分的类别，聚类数目为三类，1类无雨，2类有雨，3类下雨不明显。最后观察聚类效果，确定为聚类中心。
43.步骤五，如图7所示，使用前91个特征值组成的91维数据，确定的聚类中心对验证集的特征数据进行聚类，再选取前2维数据，观察聚类效果。其中，左上角符号代表有雨的聚类中心，中间符号为下雨不明显的聚类中心，右下角符号为无雨的聚类中心。聚类效果不好返回步骤二继续训练，聚类效果好则可用于雷达图像数据的测试识别。
44.步骤六，如图8所示，(其中，横坐标表示像素的大小，纵坐标表示具体 的数目)；待检测的雷达图像数据经行整合处理得出数据集c(24200*200)。 然后与训练集得到的特征子空间的转置w
′
(91*24200)进行z＝w
′
*y的运 算处理。如图9所示，(其中，横坐标表示降维后数值的大小，纵坐标表示具 体的数目)；得到200张降维后的雷达图像数据集z(91*200)。
45.步骤七，如图10所示，（其中，横坐标表示样本的数目，纵坐标表示测试的结果）；计算与三个聚类中心的距离，对降维后的测试集进行检测分类，检测分类的结果，测试集降维后的雷达图像数据集与有雨的聚类中心最近，进而得出待检测雷达图像数据为降雨雷达图像。
46.本方法通过主成分分析技术对训练集进行降维和特征提取处理；然后利用k均值聚类算法对提取的特征数据进行聚类分析，再通过验证集进行聚类处理的判定，能够得出更加准确的聚类中心。
47.同时，通过计算待检测雷达图像特征数据与有无降雨的雷达图像中聚类中心之间的欧式距离，能够识别出雷达图像中是否含有降雨，进而提高雷达图像质量控制和信息反演的可靠度；从而实现工作人员能更加准确的完成降雨检测的任务。
48.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。