专利名称：一种解决光照不敏感问题的地基云图识别方法
技术领域：
本发明公开了一种解决光照不敏感问题的地基云图识别方法，涉及数字图像处理技术在气象观测领域的应用。
背景技术：
云在大气辐射传输中扮演着重要的角色，云的形态、分布、数量及其变化标志着大气运动的状况。不同的云具有不同的辐射特征和分布情况，因而对预报天气、飞行保障等服务行业都具有重要意义。目前，一般气象要素基本都实现了自动化观测，但地基云图的观测尚不能完全实现自动化，依然依赖于人工观测。由于地基云观测范围相对较小，所包含的纹理信息相对丰富，且对短时、小范围天气预报具有很强的实用意义。然而面临着的实际情况是地基云图云状种类繁多，按照气象观测标准，云分为10属29种，主要依赖于人工进行观测具有一定程度上的主观性，且效率较低，难免漏掉许多有用信息，容易产生错判误判。此夕卜，在实际观测中，地基云图采集设备基本采用可见光图像方式成像，采集过程中，不可避免地受到光照的影响，导致云图样本质量不一，影响自动化识别的效果。因此，在解决云图的多类分类，并保证一定分类精度这一核心问题的同时，降低光照对云图样本的影响，进一步提高识别效果也是一个具有实用价值和意义的工作。对于减弱或消除图像光照方面，有光照规整化方法和光照不变量提取方法等。其中光照规整化方法是利用图像处理技术对光照图像进行处理，如直方图均衡化、对数变换等，尽管此类方法在一定程度上消弱了光照变化对图像的影响，但在复杂光照情况下的效果仍很难令人满意；光照不变量提取 方法是从图像中提取不随光照变化而变化或者变化较小的图像特征，如颜色恒常感知的Retinex理论等。
发明内容
本发明将颜色恒常感知Retinex理论用于云图预处理，消除云图样本在采集过程中受到的太阳光照强弱变化、天气状况等各方面的不利影响，从而达到较高的云图分类准确率。本发明为解决上述技术问题采用以下技术方案:一种解决光照不敏感问题的地基云图识别方法，包含以下步骤:步骤1、使用成像设备采集云片，用于分类器训练以及目标识别；步骤2、图像预处理，具体如下:(201)对于采集到的云片进行预处理，包括利用双边滤波对云片进行降噪、对图片进行锐化处理、突出云图的边缘轮廓与细节特征；(202)对降噪处理后的云片采用多尺度Retinex算法进行处理，用以消除光照对云图的影响，从而获取增强图像，具体步骤如下:经过(201)预处理的云片I(X，Y)表示为反射系数和光照的乘积:Kx, Y) = Rt (X，Y).Lt (X，Y) (I)
其中，X，Y分别表示图像像素点所在坐标行、列坐标位置，Rt (X，Y)表示第t个单尺度Retinex的反射分量，为云图像的高频信息，Lt (X，Y)表示入射光，是光照分量，为云图像的低频信息；(步骤a)由公式Lt(X，Y) = I (X，Y) *Gt (X，Y)计算出第t个单尺度Retinex对应的光照分量Lt (X，Y)，其中符号*表示卷积运算，Gt (X，Y)是对应的高斯环绕函数，具体表示为:
权利要求
1.一种解决光照不敏感问题的地基云图识别方法，其特征在于，包含以下步骤: 步骤1、使用成像设备采集云片，用于分类器训练以及目标识别； 步骤2、图像预处理，具体如下: (201)对于采集到的云片进行预处理，包括利用双边滤波对云片进行降噪、对图片进行锐化处理、突出云图的边缘轮廓与细节特征； (202)对降噪处理后的云片采用多尺度Retinex算法进行处理，用以消除光照对云图的影响，从而获取增强图像，具体步骤如下: 经过(201)预处理的云片I (X，Y)表示为反射系数和光照的乘积:KX, Y) = Rt(X1Y).Lt(X1Y) (I) 其中，X，Y分别表示图像像素点所在坐标行、列坐标位置，Rt (X，Y)表示第t个单尺度Retinex的反射分量，为云图像的高频信息，Lt (X，Y)表示入射光，是光照分量，为云图像的低频信息； (步骤a)由公式Lt (X，Y) = I (X，Y)*Gt(X，Y)计算出第t个单尺度Retinex对应的光照分量Lt (X，Y)，其中符号*表示卷积运算，Gt (X，Y)是对应的高斯环绕函数，具体表示为:—(X ~ 4 }'),
2.如权利要求1所述的一种解决光照不敏感问题的地基云图识别方法，其特征在于:步骤四中所述的云图特征采用基于灰度共生矩阵的图像特征，具体包括二阶矩、对比度、相关性、熵、逆差距，上述图像特征依次用f\、f2> f3> f4> f5表示， (401)根据步骤三的结果，计算云图的归一化灰度共生矩阵P(li，lj)，其中li，Ij表示图像的灰度级别，Ng表示灰度级别数量； (402)利用公式
全文摘要
本发明公开了一种解决光照不敏感问题的地基云图识别方法，使用Retinex算法减弱或消除太阳光照对云图样本的影响，获取增强云像样本，便于提取光照不变量相关特征，能够提高云图的识别率；使用聚类算法将云目标与背景分离，仅对云目标进行特征提取，计算特征值用于云的识别，从而提高了识别的准确率；使用AdaBoost集成算法将SVM学习算法训练出的多个单个分类器进行集成，在训练数据过程中对SVM算法中的参数进行合理的调整，使得训练出的分类器具有多样性，不仅提高了云图识别的准确率，而且使得泛化性能得到很大的改善。
文档编号G06T5/00GK103246894SQ20131014440
公开日2013年8月14日 申请日期2013年4月23日 优先权日2013年4月23日
发明者李涛, 李娇, 裴永杰, 鲁高宇, 王丽娜, 李娟 , 王雪春, 刘松林 申请人:南京信息工程大学