一種地基可見(jiàn)光云圖的分類(lèi)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)一種地基可見(jiàn)光云圖的分類(lèi)方法，包括以下幾個(gè)步驟：步驟一：對(duì)于地基可見(jiàn)光云圖進(jìn)行圖像預(yù)處理，得到標(biāo)準(zhǔn)云圖，然后從中隨機(jī)選取若干圖像作為訓(xùn)練樣本，其余作為測(cè)試樣本，且訓(xùn)練樣本的數(shù)量大于測(cè)試樣本；步驟二：提取所述標(biāo)準(zhǔn)云圖的全局特征，包括紋理特征和顏色特征，紋理特征包括灰度共生矩陣和Tamura特征；步驟三：基于SIFT特征描述子建立詞袋模型，提取所述標(biāo)準(zhǔn)云圖的局部特征；步驟四：將步驟二得到的全局特征向量和步驟三得到的局部特征向量進(jìn)行線性融合，對(duì)訓(xùn)練樣本建立極限學(xué)習(xí)機(jī)模型得到云圖分類(lèi)器；步驟五：使用云圖分類(lèi)器對(duì)測(cè)試樣本進(jìn)行分類(lèi)，并得到最終的分類(lèi)結(jié)果。此地基可見(jiàn)光云圖的分類(lèi)方法分類(lèi)更準(zhǔn)確。
【專(zhuān)利說(shuō)明】一種地基可見(jiàn)光云圖的分類(lèi)方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種地基可見(jiàn)光云圖的分類(lèi)方法，屬于圖像信息處理和氣象【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]云是地球熱力平衡和水氣循環(huán)的重要組成部分，云的變化決定了地球的輻射收支狀況，是全球氣候變化的一個(gè)重要影響因子。因此判定云的類(lèi)型，了解云的分布，對(duì)于天氣預(yù)報(bào)的準(zhǔn)確性、氣候監(jiān)測(cè)的有效性、建立氣候模型的科學(xué)性以及大氣探測(cè)和大氣遙感都是至關(guān)重要的。
[0003]衛(wèi)星云圖能提供大范圍的云的大尺度分布結(jié)構(gòu)信息，但是在薄云和低云上受限于空間分別率和未知的表面影響；而地基云觀測(cè)范圍較小，能提供云塊大小、排列方式以及云的高低分布等局部分布信息。目前，地基云分類(lèi)研究主要集中于可見(jiàn)光云圖的分類(lèi)研究。云的特征提取和識(shí)別是云分類(lèi)系統(tǒng)中最核心的內(nèi)容，所采用的特征有光譜特征、紋理特征、顏色特征、形狀特征、空間位置信息等等。其中，光譜特征包括樣本區(qū)域內(nèi)各通道的灰度、亮溫或反照率的平均值、最大值、最小值、亮溫差、標(biāo)準(zhǔn)差等參數(shù)，多數(shù)用于衛(wèi)星云圖；紋理特征包括灰度共生矩陣、灰度-梯度共生矩陣等表明了圖像中灰度的空間分布特性；顏色特征包括顏色直方圖、顏色矩等描述圖像所包含的物體或場(chǎng)景的表面性質(zhì)；形狀特征包括輪廓特征和區(qū)域特征來(lái)表達(dá)物體的邊界或整體形狀。這些工作都只考慮了全局特征，而忽略了云的局部特征描述；而采用單一特征，沒(méi)有有效考慮到圖像的復(fù)雜性和不同類(lèi)別之間的差異性。
[0004]目前國(guó)內(nèi)外常用的分類(lèi)器有K近鄰，支持向量機(jī)，貝葉斯分類(lèi)器，神經(jīng)網(wǎng)絡(luò)等等，其中神經(jīng)網(wǎng)絡(luò)分類(lèi)器的識(shí)別精度被普遍認(rèn)為高于其它分類(lèi)器。K近鄰法容易受到類(lèi)別初始中心選擇的影響；經(jīng)典的支持向量機(jī)只給出了二分類(lèi)算法，對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施；貝葉斯分類(lèi)器則需要知道各類(lèi)別的確切分布概率，而在實(shí)際中這些因素往往不可預(yù)知；傳統(tǒng)神經(jīng)網(wǎng)絡(luò)采用誤差反饋的梯度學(xué)習(xí)方法(BP)，存在學(xué)習(xí)速度較慢、迭代次數(shù)過(guò)多、求解易于陷入局部極小等缺點(diǎn)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的，在于提供一種地基可見(jiàn)光云圖的分類(lèi)方法，可以解決上述缺陷。
[0006]為了達(dá)成上述目的，本發(fā)明的解決方案是:
[0007]一種地基可見(jiàn)光云圖的分類(lèi)方法，包括以下幾個(gè)步驟:
[0008]步驟一:對(duì)于地基可見(jiàn)光云圖進(jìn)行圖像預(yù)處理，得到標(biāo)準(zhǔn)云圖，然后從中隨機(jī)選取若干圖像作為訓(xùn)練樣本，其余作為測(cè)試樣本，且訓(xùn)練樣本的數(shù)量大于測(cè)試樣本；
[0009]步驟二:提取所述標(biāo)準(zhǔn)云圖的全局特征，包括紋理特征和顏色特征，紋理特征包括灰度共生矩陣和Tamura特征；
[0010]步驟三:基于SIFT特征描述子建立詞袋模型，提取所述標(biāo)準(zhǔn)云圖的局部特征；[0011]步驟四:將步驟二得到的全局特征向量和步驟三得到的局部特征向量進(jìn)行線性融合，對(duì)訓(xùn)練樣本建立極限學(xué)習(xí)機(jī)模型得到云圖分類(lèi)器；
[0012]步驟五:使用云圖分類(lèi)器對(duì)測(cè)試樣本進(jìn)行分類(lèi)，并得到最終的分類(lèi)結(jié)果。
[0013]進(jìn)一步的，所述步驟一中，進(jìn)行圖像預(yù)處理的具體內(nèi)容是:設(shè)置一個(gè)圖像大小閾值，并對(duì)積狀云、卷云、層狀云和晴空這4類(lèi)地基可見(jiàn)光云圖樣本進(jìn)行處理，若所述樣本的高寬最大值超過(guò)前述閾值，則采用雙三次插值算法重新調(diào)整樣本的圖像大小，其縮放系數(shù)為閾值與高寬最大值的比值。
[0014]進(jìn)一步的，所述步驟一中，從標(biāo)準(zhǔn)云圖中隨機(jī)選取70%的圖像作為訓(xùn)練樣本，30%的圖像作為測(cè)試樣本。
[0015]進(jìn)一步的，所述 步驟二中，Tamura特征采用粗糙度、對(duì)比度和方向度三個(gè)特征量，顏色特征采用顏色的一階矩、二階矩和三階矩來(lái)描述顏色分布。
[0016]進(jìn)一步的，所述步驟三包含如下步驟:
[0017]I)將標(biāo)準(zhǔn)云圖劃分為圖像塊并生成描述子；
[0018]2)使用Lowe提出的SIFT描述子來(lái)描述每個(gè)塊，每個(gè)描述子為128維向量，這些向量表示圖像中局部不變的點(diǎn)；
[0019]3)將前述向量集合到一塊，再用K-means算法對(duì)其進(jìn)行訓(xùn)練，生成類(lèi)心，即構(gòu)造了一個(gè)包含K個(gè)詞匯的詞典；
[0020]4)計(jì)算每幅標(biāo)準(zhǔn)云圖生成的特征向量和詞典之間的距離，統(tǒng)計(jì)詞典中每個(gè)單詞在標(biāo)準(zhǔn)云圖中出現(xiàn)的次數(shù)，從而將標(biāo)準(zhǔn)云圖表示成一個(gè)K維的直方圖特征，在云圖分類(lèi)時(shí)將直方圖特征作為云圖分類(lèi)器的輸入。
[0021]進(jìn)一步的，所述步驟四中，建立云圖分類(lèi)器的具體內(nèi)容是:所述云圖分類(lèi)器作為一類(lèi)單隱層前向神經(jīng)網(wǎng)絡(luò)，假設(shè)有N個(gè)不同的訓(xùn)練樣本(Xi，\)，Xi為輸入樣本，即第i個(gè)訓(xùn)練樣本的全局特征向量和局部特征向量的線性融合，\為輸出樣本，即第i個(gè)訓(xùn)練樣本的輸出節(jié)點(diǎn)，其中，i=l, 2，...，N, Xi= [xn, xi2,…，xin]T e Rn，^ti=Etil, ti2,…，tim]T e Rm，其中，xn, xi2,…，xin分別是第i個(gè)訓(xùn)練樣本中第1，2，...,!!個(gè)輸入節(jié)點(diǎn)，tn, ti2,…，tim分別是第i個(gè)訓(xùn)練樣本中第1，2，…，m個(gè)輸出節(jié)點(diǎn)，Rn表示多維空間，η的值是輸入節(jié)點(diǎn)個(gè)數(shù)，m的值
是輸出節(jié)點(diǎn)個(gè)數(shù)；網(wǎng)絡(luò)具有^個(gè)隱層節(jié)點(diǎn)，激活函數(shù)為g(x)的單隱層前向神經(jīng)網(wǎng)絡(luò)的統(tǒng)一
模型為
【權(quán)利要求】
1.一種地基可見(jiàn)光云圖的分類(lèi)方法，其特征在于，包括以下幾個(gè)步驟: 步驟一:對(duì)于地基可見(jiàn)光云圖進(jìn)行圖像預(yù)處理，得到標(biāo)準(zhǔn)云圖，然后從中隨機(jī)選取若干圖像作為訓(xùn)練樣本，其余作為測(cè)試樣本，且訓(xùn)練樣本的數(shù)量大于測(cè)試樣本； 步驟二:提取所述標(biāo)準(zhǔn)云圖的全局特征，包括紋理特征和顏色特征，紋理特征包括灰度共生矩陣和Tamura特征； 步驟三:基于SIFT特征描述子建立詞袋模型，提取所述標(biāo)準(zhǔn)云圖的局部特征； 步驟四:將步驟二得到的全局特征向量和步驟三得到的局部特征向量進(jìn)行線性融合，對(duì)訓(xùn)練樣本建立極限學(xué)習(xí)機(jī)模型得到云圖分類(lèi)器； 步驟五:使用云圖分類(lèi)器對(duì)測(cè)試樣本進(jìn)行分類(lèi)，并得到最終的分類(lèi)結(jié)果。
2.如權(quán)利要求1所述的一種地基可見(jiàn)光云圖的分類(lèi)方法，其特征在于:所述步驟一中，進(jìn)行圖像預(yù)處理的具體內(nèi)容是:設(shè)置一個(gè)圖像大小閾值，并對(duì)積狀云、卷云、層狀云和晴空這4類(lèi)地基可見(jiàn)光云圖樣本進(jìn)行處理，若所述樣本的高寬最大值超過(guò)前述閾值，則采用雙三次插值算法重新調(diào)整樣本的圖像大小，其縮放系數(shù)為閾值與高寬最大值的比值。
3.如權(quán)利要求1或2所述的一種地基可見(jiàn)光云圖的分類(lèi)方法，其特征在于:所述步驟一中，從標(biāo)準(zhǔn)云圖中隨機(jī)選取70%的圖像作為訓(xùn)練樣本，30%的圖像作為測(cè)試樣本。
4.如權(quán)利要求1所述的一種地基可見(jiàn)光云圖的分類(lèi)方法，其特征在于:所述步驟二中，Tamura特征采用粗糙度、對(duì)比度和方向度三個(gè)特征量，顏色特征采用顏色的一階矩、二階矩和三階矩來(lái)描述顏色分布。
5.如權(quán)利要求1所述的一種地基可見(jiàn)光云圖的分類(lèi)方法，其特征在于:所述步驟三包含如下步驟: 1)將標(biāo)準(zhǔn)云圖劃分為圖像塊并生成描述子； 2)使用Lowe提出的SIFT描述子來(lái)描述每個(gè)塊，每個(gè)描述子為128維向量，這些向量表示圖像中局部不變的點(diǎn)； 3)將前述向量集合到一塊，再用K-means算法對(duì)其進(jìn)行訓(xùn)練，生成類(lèi)心，即構(gòu)造了一個(gè)包含K個(gè)詞匯的詞典； 4)計(jì)算每幅標(biāo)準(zhǔn)云圖生成的特征向量和詞典之間的距離，統(tǒng)計(jì)詞典中每個(gè)單詞在標(biāo)準(zhǔn)云圖中出現(xiàn)的次數(shù)，從而將標(biāo)準(zhǔn)云圖表示成一個(gè)K維的直方圖特征，在云圖分類(lèi)時(shí)將直方圖特征作為云圖分類(lèi)器的輸入。
6.如權(quán)利要求1所述的一種地基可見(jiàn)光云圖的分類(lèi)方法，其特征在于:所述步驟四中，建立云圖分類(lèi)器的具體內(nèi)容是:所述云圖分類(lèi)器作為一類(lèi)單隱層前向神經(jīng)網(wǎng)絡(luò)，假設(shè)有N個(gè)不同的訓(xùn)練樣本(Xi，ti)，Xi為輸入樣本，即第i個(gè)訓(xùn)練樣本的全局特征向量和局部特征向量的線性融合，\為輸出樣本，即第i個(gè)訓(xùn)練樣本的輸出節(jié)點(diǎn)，其中，i=l, 2,...，N，Xi= [xn, xi2,..., xin]T e Rn，ti2,...，tim]T e Rm，其中，xn, xi2,…，叉比分別是第i個(gè)訓(xùn)練樣本中第1，2，…，η個(gè)輸入節(jié)點(diǎn)，tn，ti2,…，tim分別是第i個(gè)訓(xùn)練樣本中第1，2，…，m個(gè)輸出節(jié)點(diǎn)，Rn表示多維空間，η的值是輸入節(jié)點(diǎn)個(gè)數(shù)，m的值是輸出節(jié)點(diǎn)個(gè)數(shù)；網(wǎng)絡(luò)具有#個(gè)隱層節(jié)點(diǎn)，激活函數(shù)為g(x)的單隱層前向神經(jīng)網(wǎng)絡(luò)的統(tǒng)一模型為
【文檔編號(hào)】G06K9/66GK103699902SQ201310721619
【公開(kāi)日】2014年4月2日 申請(qǐng)日期:2013年12月24日 優(yōu)先權(quán)日:2013年12月24日
【發(fā)明者】劉青山, 李林, 夏旻, 嵇朋朋 申請(qǐng)人:南京信息工程大學(xué)