(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210374321.2 (22)申请日 2022.04.11 (71)申请人 成都信息工程大学 地址 610225 四川省成 都市西南 航空港经 济开发区学府路一段24 号 (72)发明人 刘说　杨玲　徐梓欣　杨智鹏　 (74)专利代理 机构 成都拓荒者知识产权代理有 限公司 51254 专利代理师 王坚敏 (51)Int.Cl. G06V 20/20(2022.01) G06V 10/50(2022.01) G06V 10/762(2022.01) G06K 9/62(2022.01) (54)发明名称 一种基于聚类的云微粒子图像虚假目标滤 除方法 (57)摘要 本发明涉及一种基于聚类的云微粒子图像 虚假目标滤除方法， 主要包括首先对原始云微粒 子图像数据进行聚类和同区域搜索， 然后对所有 图像数据进行单个 云微粒子区域提取， 接着将单 个云微粒子区域与其所属图像数据中的中心像 素块之间的空间重叠关系特征、 单个 云微粒子区 域的长宽比特征及单个云微粒子区域的统计分 布特征结合， 对原始云微粒子图像中的虚假目标 进行滤除， 通过该方法来对虚假目标进行滤除， 可以提高云微粒子图像中虚假目标滤除的准确 性和可靠性。 权利要求书4页 说明书7页 附图1页 CN 114648711 A 2022.06.21 CN 114648711 A 1.一种基于聚类的云微粒子图像虚假目标 滤除方法， 主 要包括以下步骤： 步骤1： 对原 始云微粒子数据进行 数据划分， 得到数据划分结果DLN,M； 步骤2： 对步骤1所得的所有DLN,M中的图像数据进行 聚类方法处理， 得到不同批次、 数据 块的DLN,M数据集的处理后的包含 像素块的图像数据结果SFN,M,J， 其中变量N表示批次编号， M 表示数据块编号， J表 示相同批次和数据块内的图像数据编号， J∈[1,j]， 变量j为DLN,M中图 像数据数量； 步骤3： 对所有图像数据SFN,M,J进行像素块同区域搜索； 步骤4： 遍历每个图像 中所有中心像素块， 提取单个粒子： 以中心像素块为核心， 以归属 于该中心像素块的附属像素块 为扩展区域， 两者共同作为单个云微粒子区域； 步骤5： 将单个云微粒子区域与其所属图像数据中的中心像素块之间的空间重叠关系 特征、 单个云微粒子区域的长宽比特征及单个云微粒子区域的统计分布特征结合， 对原始 云微粒子图像中的虚假目标进行 滤除； 步骤6： 基于离群值检测方法， 对云微粒子图像组成的数据集进行图像尺寸的筛选， 然 后采用镜像复制扩展、 等比例 压缩方法， 将云微粒子图像组成的数据集转换为统一化等边 长云微粒子数据集。 2.如权利要求1所述的一种基于聚类的云微粒子图像虚假目标滤除方法， 其特征在于 步骤1具体为： 对云微粒子成像仪获取的原始云微粒子数据进行数据划分： 首先按照数据获取的时间 将原始云微粒子数据划分为n个批次， 然后对每个批次数据根据数据获取 的温度将不同批 次原始云微粒子数据划分为m个数据块， 从而得到不同批次、 不同数据块的数据集DLN,M， 其 中， N表示批次编号， M表示数据块编号。 3.如权利要求1所述的一种基于聚类的云微粒子图像虚假目标滤除方法， 其特征在于 步骤3： 对所有图像数据SFN,M,J进行像素块同区域搜索包括： 步骤3.1： 按照从左到右， 从上到下的规则遍历图像数据SFN,M,J中的所有像素块， 并对像 素块进行编号 得到SFN,M,J(Q)， Q表示图像中像素块编号， Q∈[1,q]， 变 量q为图像中的像素块 数量； 步骤3.2： 对步骤3.1所得 的像素块SFN,M,J(Q)生成其对应的直方图hN,M,J,Q， 将满足相同 N、 M、 J条件下的hN,M,J,Q分为一组， 得到n ·m·j组； 步骤3.3： 对 步骤3.2所得的n ·m·j组直方图hN,M,J,Q， 设置阈值gv， 统计每个直方图中灰 度值大于等于gv的区域中的最大纵坐标值和小于gv的区域中的最大纵坐标值， 并计算前者 与后者的比值Rh ′N,M,J,Q； 步骤3.4： 对步骤3.3所得的n ·m·j组比值数据 集进行分析， 设置阈值th ′， 统计每组比 值数据集里小于 阈值的比值Rh ′N,M,J,Q ′， Q′表示比值数据集中满足Rh ′N,M,j,Q＜th′条件的筛 选出的比值对应的图像中像素块编号； 步骤3.5： 对步骤3.4所得的n ·m·j组筛选出的像素块， 按照逐组处理的方式， 通过每 组像素块在图像数据中的空间分布， 将这些筛选出的像素块设为中心像素块CN,M,J,Q′， 并将 其8邻域像素块设为该中心像素块的附属像素块， 如果出现某附属像素块同时属于多个中 心像素块， 将其随机分配给其中一个中心像素块； 按照从左到右， 从上到下的规则， 对所有 中心像素块进行步骤3.6 至步骤3.8的处 理；权　利　要　求　书 1/4 页 2 CN 114648711 A 2步骤3.6： 对中心像素块进行同区域搜索， 搜索规则为： 从中心像素块上方开始， 按照顺 时针顺序， 逐一搜索中心像素块8邻域像素块； 步骤3.7： 对附属像素块进行同区域搜索， 搜索规则为： 首先判断该附属像素块的8邻域 像素块编号是否与其标记号中的附属的中心像素块编号相同， 如果相同， 跳过这些邻域像 素块， 如果不相同， 设置阈值th ″， 如果邻域像素块的Rh ′N,M,J,Q满足条件Rh ′N,M,J,Q＜th″， 将其 设置为第e轮附属像素块， 且将其附属的前一轮附属像素块标记号作为该附属像素块标记 号， 并且将轮次数更新为该轮的轮次数， 继续搜索； 如果邻域像素块的Rh ′N,M,J,Q不满足条件 Rh′N,M,J,Q＜th″， 跳过该像素块， 继续搜索， 当搜索完8邻域范围结束， 变量e表示附属像素块 是从步骤3.5得到的中心像素块开始， 第e次8邻域搜索得到的附属像素块， e∈[2,E],变量E 为从中心像素块 开始， 搜索完所有附属像素块的轮次； 步骤3.8： 重复步骤3.7对所有轮次附属像素块进行附属像素块同区域搜索直到搜索8 邻域没有附属像素块。 4.如权利要求3所述的一种基于聚类的云微粒子图像虚假目标滤除方法， 其特征在于 步骤3.6具体为： 对搜索到的某一邻域像素块， 首先判断其属性是否为其它中心像素块， 如果是， 执行步 骤3.6.1， 如果不是， 判断其是否为其他中心像素块的附属像素块， 如果是， 执行步骤3.6.2， 如果不是， 执行步骤3.6.3； 当搜索完8邻域范围结束； 步骤3.6.1： 更改该邻域像素块属性为其依附的中心像素块的第1轮附属像素块， 且将 其所依附的中心像素块的编号和轮次数附加到该像素块编号之后作为该附属像素块的标 记号， 继续搜索； 步骤3.6.2： 设置阈值th ″， 如果该邻域像素块的Rh ′N,M,J,Q满足条件Rh ′N,M,J,Q＜th″， 在其 原有属性基础上增加 一项属性为当前中心像素 的第1轮附属像素块， 且将其当前附属的中 心像素块编号和轮次数增加到该像素块已有标记 号后面作为该附属像素块新增标记号； 如 果该邻域像素块的Rh ′N,M,J,Q不满足条件Rh ′N,M,J,Q＜th″， 跳过该像素块， 继续搜索； 步骤3.6.3： 设置阈值th ″， 如果邻域像素块的Rh ′N,M,J,Q满足条件Rh ′N,M,J,Q＜th″， 更改该 邻域像素块属 性为其依附的中心像素块的第 1轮附属像素块， 且将其附属的中心像素块编 号和轮次数附加到该像素块编号之后作为该附属像素块的标记号， 继续搜索； 如果邻域像 素块的Rh ′N,M,J,Q不满足条件Rh ′N,M,J,Q＜th″， 跳过该像素块， 继续搜索。 5.如权利要求3所述的一种基于聚类的云微粒子图像虚假目标滤除方法， 其特征在于 步骤4： 遍历每 个图像中所有中心像素块， 提取 单个粒子包括： 步骤4.1： 以中心像素块为核心， 以归属于该中心像素块的附属像素块为扩展区域， 两 者共同作为单个云微粒子区域， 若某个附属像素块同时归属多个中心像素块， 将其归属于 不同中心像素块， 组成不同单个云微粒子区域REN,M,J,Z， 其中， 变量N表示批次编号， M表示数 据块编号， J表示相同批次和数据块内的图像数据编号， Z表示相同批次、 数据块、 图像数据 编号内的单个云微粒子区域的编号， Z∈[1,z]， 变量z为DLN,M,J中单个云微粒子区域； 步骤4.2： 对步骤4.1所得的每个单个云微粒子区域进行原始中心像素块统计分析： 在 相同N、 M、 J条件下， 将每个单个云微粒子区域REN,M,J,Z与步骤3.5中筛选出的中心像素块 CN,M,J,Q′进行空间位置匹配， 统计两者重合的像素块数量RCN,M,J,Z； 步骤4.3： 建立与原始云微粒子图像尺寸相同的由像素值为0的像素点组成的索引图权　利　要　求　书 2/4 页 3 CN 114648711 A 3