[發明專利]一種基于PCA的SVM云微粒子優化分類識別方法

有效

• 申請號: 202010460233.5
• 申請日: 2020-05-27
• 公開（公告）號: CN111898627B
• 公開（公告）日: 2021-06-15
• 發明（設計）人: 劉說;趙德龍;吳澤培;楊玲;何暉;黃夢宇;周嵬;丁德平;陳青青
• 申請（專利權）人: 成都信息工程大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/34;G06K9/38
• 代理公司: 成都拓荒者知識產權代理有限公司 51254
• 代理人: 楊爭華

1.一種基于SVM的云微粒子優化分類識別方法，包括以下步驟：

步驟1：對CPI圖像進行云微粒子分割，包括：

步驟1.1：對CPI圖像進行灰度化處理，具體方法為將RGB三通道CPI圖像轉化為單通道灰度圖像；

步驟1.2：將CPI灰度圖像二值化，首先抽取CPI灰度化圖像中a幅云微粒子圖像I_p，對a幅I_p圖像中像素值按灰度值大小從大到小排序，選取灰度值最大的b個像素點，計算其灰度均值avg(I_p)，然后與背景圖像灰度值均值avg(I_bg)進行比較，計算出閾值Th，其中背景圖像I_bg為選擇的I_p圖像的相鄰的c×c非云微粒子圖像區域，最后根據閾值Th將CPI灰度圖像二值化，閾值Th計算方法為：

Th＝α·(avg(I_p)-avg(I_bg))，其中變量α∈[0.9,1]；

步驟1.3：將CPI二值圖像填補孔洞，具體方法為：對CPI二值圖像進行形態學處理,對應的參數設置為，膨脹矩陣選擇的是的正方形結構元素,腐蝕矩陣選擇的是的單位矩陣結構元素；

步驟1.4：將所述CPI二值圖像進行連通區域標記，以從左到右，從上到下的順序，搜索CPI二值圖像，當找到第一個像素值為1的像素f時，以這個像素為中心，按優化連通域方法確定其連通域，然后繼續按序搜索除了已經確定的連通域外的CPI二值圖像，確定新的連通域，直到遍歷完整幅圖像；所述優化連通域方法是以像素f為中心點，找出與其相鄰的像素，組合成為矩陣A，計算矩陣A中非零值比例nz_A，以矩陣A為中心，找出與其相鄰的像素，組和成為矩陣B，計算矩陣B中非零值比例nz_B，以nz_A、nz_B取值為判定條件采用不同的連通域搜索方法；

步驟1.5：統計CPI二值圖像中被標記的矩形聯通區域，以每個矩形聯通區域左上角坐標為開始，按從左到右，從上到下的順序，以矩形聯通區域的坐標為索引，從CPI灰度圖像上提取出對應的灰度圖片，即為云微粒子圖像；

步驟2：對云微粒子圖像進行去標注；

步驟3：基于PCA降維的SVM云微粒子分類識別，包括：

步驟3.1：將云微粒子特征圖進行PCA優化降維處理，計算各主成分的貢獻度λ_t為各主成分對應的特征值，T為特征值數量，當k_tv1時，ks_t＝ε×k_t，當k_tv1時，kl_t＝η×k_t，ε∈(0.1,0.5)，η∈(1.5,2)，計算累計貢獻度算出使得s(m)u的m個主成分；

步驟3.2：制作數據集，根據氣象知識對云微粒子形態進行類別劃分；

步驟3.3：SVM云微粒子分類識別，對經過步驟3.2制作的數據集進行切分，切分比為百分之70訓練集，百分之30測試集；進行SVM云微粒子分類。

2.如權利要求1所述的一種基于SVM的云微粒子優化分類識別方法，其特征在于，所述步驟1.4中，以nz_A、nz_B取值為判定條件采用不同的連通域搜索方法，包括：

當同時滿足nz_Av2，nz_Bv3時，以像素f為基點，搜索像素f相鄰的上下左右四個方向的像素，若搜索到的像素其像素值為1，那么這兩個像素就屬于同一個連通區域，然后以新找到的像素為新基點，繼續搜索連通區域之外的其他上下左右四個方向相鄰像素，重復滿足nz_Av2，nz_Bv3時的步驟，直到新基點四個方向鄰域內沒有像素值為1的像素為止，當不同時滿足nz_Av2，nz_Bv3時，以像素f為基點，搜索像素f相鄰的上下左右，左上，左下，右上和右下八個方向的像素，若搜索到的像素其像素值為1，那么這兩個像素就屬于同一個連通區域，然后以新找到的像素為新基點，繼續搜索連通區域之外的其他相鄰像素，重復不同時滿足nz_Av2，nz_Bv3時的步驟，直到新基點八個方向鄰域內沒有像素值為1的像素為止。