[發明專利]一種地基可見光云圖的分類方法

在審

• 申請號: 201310721619.7
• 申請日: 2013-12-24
• 公開（公告）號: CN103699902A
• 公開（公告）日: 2014-04-02
• 發明（設計）人: 劉青山;李林;夏旻;嵇朋朋
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/66
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 許方

技術領域

本發明涉及一種地基可見光云圖的分類方法，屬于圖像信息處理和氣象技術領域。

背景技術

云是地球熱力平衡和水氣循環的重要組成部分，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重要影響因子。因此判定云的類型，了解云的分布，對于天氣預報的準確性、氣候監測的有效性、建立氣候模型的科學性以及大氣探測和大氣遙感都是至關重要的。

衛星云圖能提供大范圍的云的大尺度分布結構信息，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，地基云分類研究主要集中于可見光云圖的分類研究。云的特征提取和識別是云分類系統中最核心的內容，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域內各通道的灰度、亮溫或反照率的平均值、最大值、最小值、亮溫差、標準差等參數，多數用于衛星云圖；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景的表面性質；形狀特征包括輪廓特征和區域特征來表達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，沒有有效考慮到圖像的復雜性和不同類別之間的差異性。

目前國內外常用的分類器有K近鄰，支持向量機，貝葉斯分類器，神經網絡等等，其中神經網絡分類器的識別精度被普遍認為高于其它分類器。K近鄰法容易受到類別初始中心選擇的影響；經典的支持向量機只給出了二分類算法，對大規模訓練樣本難以實施；貝葉斯分類器則需要知道各類別的確切分布概率，而在實際中這些因素往往不可預知；傳統神經網絡采用誤差反饋的梯度學習方法（BP），存在學習速度較慢、迭代次數過多、求解易于陷入局部極小等缺點。

發明內容

本發明的目的，在于提供一種地基可見光云圖的分類方法，可以解決上述缺陷。

為了達成上述目的，本發明的解決方案是：

一種地基可見光云圖的分類方法，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處理，得到標準云圖，然后從中隨機選取若干圖像作為訓練樣本，其余作為測試樣本，且訓練樣本的數量大于測試樣本；

步驟二：提取所述標準云圖的全局特征，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，提取所述標準云圖的局部特征；

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，對訓練樣本建立極限學習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果。

進一步的，所述步驟一中，進行圖像預處理的具體內容是：設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整樣本的圖像大小，其縮放系數為閾值與高寬最大值的比值。

進一步的，所述步驟一中，從標準云圖中隨機選取70%的圖像作為訓練樣本，30%的圖像作為測試樣本。

進一步的，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。

進一步的，所述步驟三包含如下步驟：

1）將標準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算法對其進行訓練，生成類心，即構造了一個包含K個詞匯的詞典；

4）計算每幅標準云圖生成的特征向量和詞典之間的距離，統計詞典中每個單詞在標準云圖中出現的次數，從而將標準云圖表示成一個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。