技术摘要：
本发明公开了一种基于像素密度K均值聚类团雾识别算法，包括以下步骤：S1.通过高速摄像机捕捉区域图像，输入图像集，进行图像网格分割，计算每个网格内团雾的像素密度，判定团雾区域；S2.团雾区域内团雾像素密度提取；S3.计算团雾像素密度均值与方差，将均值与方差组成  全部
背景技术：
近年来，由于“团雾”的影响，导致高速公路和海上船舶频频发生交通安全事故，根 据WMO气象组织的定义，团雾的悬浮液滴很小，通常在空气中属于微观的液滴，一般在地表 面上的水平能见度小于1公里。据气象研究表明，大部分的团雾属于辐射雾，是由接近下垫 面的气团冷却引起的。因此，团雾具有突发性、局地性、尺度小、浓度大的特征。 在团雾检测识别技术领域，团雾的检测与识别大多应用于高速公路，通过自动气 象站采集，利用视频图像分析处理技术，进行团雾现象模糊识别，但仅仅依赖于实时团雾检 测，无法达到提前预警效果，因此，海量采集团雾图像数据信息，分析团雾要素特征，构建典 型团雾要素特征集，实现气象条件快速靶向识别，对提高气象预警，具有重要意义。 现有的团雾实时监测方法，通过光学光束穿透团雾层，根据反射信号强弱判断团 雾等级，该方法受仪器装置精密性、安装工艺性影响较大，分析结果与实际情况误差较大， 检测精度可靠性不足，最重要是，该类方法不能充分结合所有图像信息进行团雾要素特征 提取，无法进行快速、精确的团雾识别。
技术实现要素：
为了解决上述问题，本发明提供了一种基于像素密度K均值聚类团雾识别算法，该 发明基于海量团雾图像数据，通过提取海量团雾图像特征作为样本集，以团雾等级为判别 界限，通过实测区域图像特征与样本特征进行靶向匹配识别，该方法检测识别速度快，精确 度高，且收敛速度快，大幅度降低了误检率，保证了正确率。技术方案为， 一种基于像素密度K均值聚类团雾识别算法，包括以下步骤： S1 .通过高速摄像机捕捉区域图像，输入图像集，进行图像网格分割，计算每个网 格内团雾的像素密度，判定团雾区域； S2.计算团雾区域内团雾像素密度； S3.计算团雾像素密度均值与方差，将均值与方差组成代表团雾图像的二维数据 点，并将所有图像数据点组成数据集合； S4.根据团雾等级划分指标，在数据集合中随机选择五个二维数据点，作为初始聚 类中心； S5.遍历所有数据，逐一计算与聚类中心的距离，根据距离大小，将所有数据分为 五类； S6.迭代计算准则函数，直至满足阈值要求，算法收敛，输出团雾识别等级结果。 进一步的，步骤S1中，判定团雾区域的具体步骤包括， S11 .将图像统一尺寸，对图像网格进行分割，并逐一计算每个网格内团雾像素密 4 CN 111553405 A 说　明　书 2/5 页 度， 式(1)中，Ai表示第i个网格内团雾像素密度；ni表示第i个网格内团雾像素个数，Ni 表示第i个网格内全部像素个数； S12.判断每个图像分割网格内的雾像素密度，保留Ai≥0.3的有效网格，剔除Ai＜ 0.3的无效网格；将有效网格进行连接，构成图像内的团雾区域。 进一步的，将有效网格内团雾像素密度进行汇总，计算团雾区域内团雾像素密度； 式(2)中，S表示团雾区域内团雾像素密度，D表示有效网格数量，Aj表示第j个有效 网格的团雾像素密度。 进一步的，步骤S3中，计算图像集内所有图像的团雾区域内团雾像素密度均值和 方差； 式(3)中，M表示团雾区域内团雾像素密度均值，Q表示图像数量，Sk表示第k张图像 的团雾区域内团雾像素密度；P表示团雾区域内团雾像素密度方差。 进一步的，步骤S3中，将团雾区域内团雾像素密度均值M与方差P组成代表团雾图 像的二维数据点(M,P)，将图像集内所有代表团雾图像的二维数据点(M,P)构成一个数据集 I。 进一步的，步骤S4中，从数据集I中随机选取5个二维数据点b1、b2、b3、b4、b5作为初 始聚类中心。 进一步的，步骤S5中，遍历数据集I内所有二维数据点，逐一计算与初始聚类中心 b1、b2、b3、b4、b5的马氏距离， d(x,br)＝[(x-b )TH-1r (x-br)]1/2(r＝1,2,3,4,5)    (5) 式(5)中，d(x,br)表示逐一数据与初始聚类中心的马氏距离，x表示历数据集I内 的任一数据点，(x-b Tr) 表示转置矩阵，H表示数据集I中所有数据点的协方差矩阵，r表示五 类。 进一步的，步骤S5中，根据马氏距离计算值，将数据点分类到距离初始聚类中心br 最近的类中，计算各类中的均值； 式(6)中，mr表示第r类中数据均值，F表示第r类中的数据点的数量，xrq表示第r类 中第q个数据点； 将计算完成的各类均值作为本类中的新的聚类中心，替换初始聚类中心。 5 CN 111553405 A 说　明　书 3/5 页 进一步的，步骤S6中，建立准则函数，用于计算各类中新的聚类中心与初始聚类中 心的距离， Δ＝|mr-br|(r＝1,2,...,5)    (7) 式(7)中，Δ表示新的聚类中心与初始聚类中心的距离。 进一步的，步骤S6中，给定阈值δ，若Δ≤δ，则算法收敛，输出团雾识别结果；若Δ> δ，则回到S5，进行算法迭代，直至满足Δ≤δ，算法收敛，输出团雾识别结果。 有益效果 本发明是基于团雾区域像素密度的一种改进K均值聚类的团雾特征靶向匹配识别 算法，该算法有效改进了团雾特征识别的传统视觉图像分析算法，提取海量团雾图像像素 密度特征构成样本集，将实测区域图像像素密度特征与样本特征对比识别匹配，本发明具 有特征集丰富、特征稳定、识别快速、识别精度高等优点，大幅度降低了误检率，保证了正确 率，增强了自适应性。 附图说明 图1为本发明的一种团雾特征靶向匹配识别算法流程图； 图2为本发明的团雾区域网格判定示意图； 图3为本发明的团雾识别算法实验验证图；