基于BP神经网络的雪花形状分类研究

宋世坤，王书海

（河北科技大学 信息科学与工程学院，河北 石家庄 050018）

随着2022年北京冬奥会的临近以及滑雪旅游产业的不断发展，滑雪运动越来越受到人们的关注和喜爱[1]，雪质在滑雪运动中起着至关重要的作用，而雪花的形状很大程度上关系着雪质的好坏。雪花形状分类的研究对于雪质好坏、人造雪甚至是人工降雪都存在影响。研究雪花形状分类具有重大意义。雪花形状分类以具体的雪花形态为研究对象，采用图像预处理技术对雪花图像提取特征参数，分析参数特征值，利用合理分类器实现雪花图像形状的自动分类[2-4]。

1 图像预处理

首先对图像进行二值化处理，在13种基于直方图的图像全局二值化算法中，本文应用最大类间方差法（Otsu）进行图像二值化处理，获得最优的图像分割阈值。并对分割后的图像形态学操作，完成边缘检测和提取轮廓线。

2 形状特征参数提取

雪花图像包含了丰富的特征信息，比如形状特征和纹理特征，根据形状分类的相关理论，本文利用雪花的轮廓、凸包和最小包围盒得到形状描述，利用这些形状描述计算出纵横轴比、矩形度、周长凹凸比、面积凹凸比、形状参数和致密度6种相对形态参数。

2.1 雪花轮廓提取

本文先提取雪花的外部轮廓，通过采用轮廓跟踪法对雪花图像进行轮廓提取，具体算法步骤为：

（1）对图像预处理后的雪花二值化图像采用自顶向下、从左到右的顺序进行扫描，得到第一个像素点为1的点，此时将其作为起始点，进行步骤2。

（2）得到起始点后，按照逆时针方向寻找当前像素点周围8个方向上的领域点，如果发现像素值为1的点且领域上包含0像素点，若此像素点先前没有被扫描过，将这个像素点作为当前点，记录下相应的链码值。

（3）重复步骤2，直到回到起始点。

（4）根据步骤2和3所记录的链码值，得到雪花的形状轮廓。

2.2 求取雪花凸包

本文采取Graham扫描法求取最小凸包，如图1所示。凸包是指在雪花图像中，找出某些点作一个多边形，使这个多边形能把所有点都包括在内，这个凸多边形称之为凸包。

图1 雪花形状凸包图

2.3 求取最小包围盒

最小包围盒是指包含某个区域内所有像素点的一个最小矩形，如图2所示。算法过程描述如下。

（1）使用一条平行线对凸包两边的顶点进行检测，发现有一条凸包顶点之间的连线与这条平行线重合，记下这两条平行线的位置，然后作两条垂直于这条平行线的线段，从这个方向的两侧凸包顶点开始寻找。最后4条线段可以形成一个矩形，并且计算该矩形的面积。

（2）重复上面的过程，直到遍历完所有的雪花凸包顶点，面积最小的矩形就是最小包围盒。

2.4 形状特征参数提取

（1）纵横轴比（Axis Ratio）：雪花图像最小包围盒的宽度与长度的比值。

（2）矩形度（Rectangularity）：雪花面积与最小包围盒面积的比值。

（3）面积凹凸比（Convexity Area）：雪花面积与雪花凸包面积的比值。

（4）周长凹凸比（Convexity Perimeter）：雪花周长与凸包周长的比值。

（5）形状参数（Form parameter）：是由雪花的面积与周长之间的计算出来的值，反映了雪花面积的紧密性。

（6）致密度（Density）：用来描述图像边界复杂程度的指标，反映了图像趋于圆的程度。

图2 雪花形状最小包围盒图

2.5 形状特征参数数据

示例图片特征值如表1所示。

表1 示例图片特征值

3 BP神经网络分类器

BP神经网络是一种多层前馈神经网络，主要特点是输入信号前向传递，误差反向传播，如果输出层无法得到期望输出，就会转向反向传播，根据预测误差调整网络权值和阈值，即可使预测输出向期望输出不断逼近。本文采用的BP神经网络为3层，激活函数为sigmod函数。

（1）确定网络节点数。本文采用六项形状特征作为输入层节点数，即m=6，输出层节点数对应雪花形状分类种数，即n=3，隐含层节点数l的确定参考如下公式：

其中a取0～10的常数，l确定了大概范围，通过使用试凑法确定出最佳的节点数l，本文l取10。

（2）网络初始化。在初始化阶段，给予权重系数Wij一个随机数（﹣1.0～1.0），学习速率为0.01，目标误差0.001。

（3）训练算法选择。本文采用梯度修正法和反向错误传播算法。

对雪花库雪花选取3种类型：六角盘状、六枝星状和星形树枝状的雪花图像500张进行处理，3种类型中各随机选取100个作为训练样本，剩下200个作为分类测试样本，识别率达到91.67%。

4 结语

雪花形状分类在气象领域的基础研究工作中发挥着重要作用，本文利用数字图像处理技术对雪花图像提取了纵横轴比、矩形度、面积凹凸比、周长凹凸比、形状参数以及致密度等6项形态特征参数，设计了一种基于BP神经网络的雪花形状分类方法。实验表明本方法对于3种雪花形态的正确识别率达到了91.67%，验证了利用BP神经网络对于雪花形状进行分类的可行性与较好的鲁棒性。今后进一步的研究方向是继续改进智能分类算法，解决存在雪花残缺或者雪花图像模糊干扰情况下的分类问题。