[發(fā)明專利]一種地基可見光云圖的分類方法

在審

• 申請?zhí)枺?/td>: 201310721619.7
• 申請日: 2013-12-24
• 公開（公告）號: CN103699902A
• 公開（公告）日: 2014-04-02
• 發(fā)明（設(shè)計）人: 劉青山;李林;夏旻;嵇朋朋
• 申請（專利權(quán)）人: 南京信息工程大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 許方

1.一種地基可見光云圖的分類方法，其特征在于，包括以下幾個步驟：

步驟一：對于地基可見光云圖進行圖像預(yù)處理，得到標(biāo)準(zhǔn)云圖，然后從中隨機選取若干圖像作為訓(xùn)練樣本，其余作為測試樣本，且訓(xùn)練樣本的數(shù)量大于測試樣本；

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行線性融合，對訓(xùn)練樣本建立極限學(xué)習(xí)機模型得到云圖分類器；

步驟五：使用云圖分類器對測試樣本進行分類，并得到最終的分類結(jié)果。

2.如權(quán)利要求1所述的一種地基可見光云圖的分類方法，其特征在于：所述步驟一中，進行圖像預(yù)處理的具體內(nèi)容是：設(shè)置一個圖像大小閾值，并對積狀云、卷云、層狀云和晴空這4類地基可見光云圖樣本進行處理，若所述樣本的高寬最大值超過前述閾值，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光云圖的分類方法，其特征在于：所述步驟一中，從標(biāo)準(zhǔn)云圖中隨機選取70%的圖像作為訓(xùn)練樣本，30%的圖像作為測試樣本。

4.如權(quán)利要求1所述的一種地基可見光云圖的分類方法，其特征在于：所述步驟二中，Tamura特征采用粗糙度、對比度和方向度三個特征量，顏色特征采用顏色的一階矩、二階矩和三階矩來描述顏色分布。

5.如權(quán)利要求1所述的一種地基可見光云圖的分類方法，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描述子來描述每個塊，每個描述子為128維向量，這些向量表示圖像中局部不變的點；

3）將前述向量集合到一塊，再用K-means算法對其進行訓(xùn)練，生成類心，即構(gòu)造了一個包含K個詞匯的詞典；

4）計算每幅標(biāo)準(zhǔn)云圖生成的特征向量和詞典之間的距離，統(tǒng)計詞典中每個單詞在標(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K維的直方圖特征，在云圖分類時將直方圖特征作為云圖分類器的輸入。

6.如權(quán)利要求1所述的一種地基可見光云圖的分類方法，其特征在于：所述步驟四中，建立云圖分類器的具體內(nèi)容是：所述云圖分類器作為一類單隱層前向神經(jīng)網(wǎng)絡(luò)，假設(shè)有N個不同的訓(xùn)練樣本(x_i,t_i)，x_i為輸入樣本，即第i個訓(xùn)練樣本的全局特征向量和局部特征向量的線性融合，t_i為輸出樣本，即第i個訓(xùn)練樣本的輸出節(jié)點，其中，i=1,2,…,N，x_i=[x_i1,x_i2,…,x_in]^T∈Rⁿ，t_i=[t_i1,t_i2,…,t_im]^T∈R^m，其中，x_i1,x_i2,…,x_in分別是第i個訓(xùn)練樣本中第1，2，…，n個輸入節(jié)點，t_i1,t_i2,…,t_im分別是第i個訓(xùn)練樣本中第1，2，…，m個輸出節(jié)點，Rⁿ表示多維空間，n的值是輸入節(jié)點個數(shù)，m的值是輸出節(jié)點個數(shù)；網(wǎng)絡(luò)具有個隱層節(jié)點，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Σj=1N~βjgj(xi)=Σj=1N~βjgj(wjxi+bj)=oi]]>，i=1,2,…,N，其中，w_j=[w_j1,w_j2,…,w_jn]^T是第j個隱層節(jié)點與第i個輸入樣本的連接權(quán)值，w_j1,w_j2,…,w_jn分別是第j個隱層節(jié)點與前述第i個輸入樣本中第1，2，…，n個輸入節(jié)點的連接權(quán)值，β_j=[β_j1,β_j2,…,β_jm]^T是第j個隱層節(jié)點與第i個輸出樣本的連接權(quán)值，β_j1,β_j2,…,β_jm分別是第j個隱層節(jié)點與第i個輸出樣本中第1，2，…，m個輸出節(jié)點的連接權(quán)值，b_j是第j個隱層節(jié)點的偏差；假設(shè)單隱層前向神經(jīng)網(wǎng)絡(luò)能夠無誤差逼近N個樣本，即那么就存在β_j,w_j,b_j，使得Σj=1N~βjgj(wjxi+bj)=ti,]]>i=1,2,…,N；

上述N個方程的矩陣形式寫為：Hβ=T，其中，

H=g(w1·x1+b1)···g(wN~·x1+bN~)·········g(w1·x1+b1)···g(wN~·xN+bN~)N×N~]]>

β=[β1T,β2T,···,βN~T]m×N~T,T=[t1T,t2T,···,tN~T]m×NT]]>

H為網(wǎng)絡(luò)隱層輸出矩陣；設(shè)激活函數(shù)g(x)無限可微，根據(jù)極限學(xué)習(xí)機的定理，||Hβ-T||=0；

所以，單隱層前向神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，等價于尋找線性系統(tǒng)Hβ=T的最小二乘解即H′是矩陣H的Moore-Penrose廣義矩陣；

至此，計算出輸出節(jié)點的連接權(quán)值β，得到極限學(xué)習(xí)機模型云圖分類器T=Hβ。