一种地基可见光云图的分类方法
【专利摘要】本发明公开一种地基可见光云图的分类方法，包括以下几个步骤：步骤一：对于地基可见光云图进行图像预处理，得到标准云图，然后从中随机选取若干图像作为训练样本，其余作为测试样本，且训练样本的数量大于测试样本；步骤二：提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵和Tamura特征；步骤三：基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征；步骤四：将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，对训练样本建立极限学习机模型得到云图分类器；步骤五：使用云图分类器对测试样本进行分类，并得到最终的分类结果。此地基可见光云图的分类方法分类更准确。
【专利说明】一种地基可见光云图的分类方法
【技术领域】
[0001]本发明涉及一种地基可见光云图的分类方法，属于图像信息处理和气象【技术领域】。
【背景技术】
[0002]云是地球热力平衡和水气循环的重要组成部分，云的变化决定了地球的辐射收支状况，是全球气候变化的一个重要影响因子。因此判定云的类型，了解云的分布，对于天气预报的准确性、气候监测的有效性、建立气候模型的科学性以及大气探测和大气遥感都是至关重要的。
[0003]卫星云图能提供大范围的云的大尺度分布结构信息，但是在薄云和低云上受限于空间分别率和未知的表面影响；而地基云观测范围较小，能提供云块大小、排列方式以及云的高低分布等局部分布信息。目前，地基云分类研究主要集中于可见光云图的分类研究。云的特征提取和识别是云分类系统中最核心的内容，所采用的特征有光谱特征、纹理特征、颜色特征、形状特征、空间位置信息等等。其中，光谱特征包括样本区域内各通道的灰度、亮温或反照率的平均值、最大值、最小值、亮温差、标准差等参数，多数用于卫星云图；纹理特征包括灰度共生矩阵、灰度-梯度共生矩阵等表明了图像中灰度的空间分布特性；颜色特征包括颜色直方图、颜色矩等描述图像所包含的物体或场景的表面性质；形状特征包括轮廓特征和区域特征来表达物体的边界或整体形状。这些工作都只考虑了全局特征，而忽略了云的局部特征描述；而采用单一特征，没有有效考虑到图像的复杂性和不同类别之间的差异性。
[0004]目前国内外常用的分类器有K近邻，支持向量机，贝叶斯分类器，神经网络等等，其中神经网络分类器的识别精度被普遍认为高于其它分类器。K近邻法容易受到类别初始中心选择的影响；经典的支持向量机只给出了二分类算法，对大规模训练样本难以实施；贝叶斯分类器则需要知道各类别的确切分布概率，而在实际中这些因素往往不可预知；传统神经网络采用误差反馈的梯度学习方法(BP)，存在学习速度较慢、迭代次数过多、求解易于陷入局部极小等缺点。
【发明内容】
[0005]本发明的目的，在于提供一种地基可见光云图的分类方法，可以解决上述缺陷。
[0006]为了达成上述目的，本发明的解决方案是:
[0007]一种地基可见光云图的分类方法，包括以下几个步骤:
[0008]步骤一:对于地基可见光云图进行图像预处理，得到标准云图，然后从中随机选取若干图像作为训练样本，其余作为测试样本，且训练样本的数量大于测试样本；
[0009]步骤二:提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵和Tamura特征；
[0010]步骤三:基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征；[0011]步骤四:将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，对训练样本建立极限学习机模型得到云图分类器；
[0012]步骤五:使用云图分类器对测试样本进行分类，并得到最终的分类结果。
[0013]进一步的，所述步骤一中，进行图像预处理的具体内容是:设置一个图像大小阈值，并对积状云、卷云、层状云和晴空这4类地基可见光云图样本进行处理，若所述样本的高宽最大值超过前述阈值，则采用双三次插值算法重新调整样本的图像大小，其缩放系数为阈值与高宽最大值的比值。
[0014]进一步的，所述步骤一中，从标准云图中随机选取70%的图像作为训练样本，30%的图像作为测试样本。
[0015]进一步的，所述 步骤二中，Tamura特征采用粗糙度、对比度和方向度三个特征量，颜色特征采用颜色的一阶矩、二阶矩和三阶矩来描述颜色分布。
[0016]进一步的，所述步骤三包含如下步骤:
[0017]I)将标准云图划分为图像块并生成描述子；
[0018]2)使用Lowe提出的SIFT描述子来描述每个块，每个描述子为128维向量，这些向量表示图像中局部不变的点；
[0019]3)将前述向量集合到一块，再用K-means算法对其进行训练，生成类心，即构造了一个包含K个词汇的词典；
[0020]4)计算每幅标准云图生成的特征向量和词典之间的距离，统计词典中每个单词在标准云图中出现的次数，从而将标准云图表示成一个K维的直方图特征，在云图分类时将直方图特征作为云图分类器的输入。
[0021]进一步的，所述步骤四中，建立云图分类器的具体内容是:所述云图分类器作为一类单隐层前向神经网络，假设有N个不同的训练样本(Xi，\)，Xi为输入样本，即第i个训练样本的全局特征向量和局部特征向量的线性融合，\为输出样本，即第i个训练样本的输出节点，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分别是第i个训练样本中第1，2，...,!!个输入节点，tn, ti2,…，tim分别是第i个训练样本中第1，2，…，m个输出节点，Rn表示多维空间，η的值是输入节点个数，m的值
是输出节点个数；网络具有^个隐层节点，激活函数为g(x)的单隐层前向神经网络的统一
模型为
【权利要求】
1.一种地基可见光云图的分类方法，其特征在于，包括以下几个步骤: 步骤一:对于地基可见光云图进行图像预处理，得到标准云图，然后从中随机选取若干图像作为训练样本，其余作为测试样本，且训练样本的数量大于测试样本； 步骤二:提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵和Tamura特征； 步骤三:基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征； 步骤四:将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，对训练样本建立极限学习机模型得到云图分类器； 步骤五:使用云图分类器对测试样本进行分类，并得到最终的分类结果。
2.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于:所述步骤一中，进行图像预处理的具体内容是:设置一个图像大小阈值，并对积状云、卷云、层状云和晴空这4类地基可见光云图样本进行处理，若所述样本的高宽最大值超过前述阈值，则采用双三次插值算法重新调整样本的图像大小，其缩放系数为阈值与高宽最大值的比值。
3.如权利要求1或2所述的一种地基可见光云图的分类方法，其特征在于:所述步骤一中，从标准云图中随机选取70%的图像作为训练样本，30%的图像作为测试样本。
4.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于:所述步骤二中，Tamura特征采用粗糙度、对比度和方向度三个特征量，颜色特征采用颜色的一阶矩、二阶矩和三阶矩来描述颜色分布。
5.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于:所述步骤三包含如下步骤: 1)将标准云图划分为图像块并生成描述子； 2)使用Lowe提出的SIFT描述子来描述每个块，每个描述子为128维向量，这些向量表示图像中局部不变的点； 3)将前述向量集合到一块，再用K-means算法对其进行训练，生成类心，即构造了一个包含K个词汇的词典； 4)计算每幅标准云图生成的特征向量和词典之间的距离，统计词典中每个单词在标准云图中出现的次数，从而将标准云图表示成一个K维的直方图特征，在云图分类时将直方图特征作为云图分类器的输入。
6.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于:所述步骤四中，建立云图分类器的具体内容是:所述云图分类器作为一类单隐层前向神经网络，假设有N个不同的训练样本(Xi，ti)，Xi为输入样本，即第i个训练样本的全局特征向量和局部特征向量的线性融合，\为输出样本，即第i个训练样本的输出节点，其中，i=l, 2,...，N，Xi= [xn, xi2,..., xin]T e Rn，ti2,...，tim]T e Rm，其中，xn, xi2,…，叉比分别是第i个训练样本中第1，2，…，η个输入节点，tn，ti2,…，tim分别是第i个训练样本中第1，2，…，m个输出节点，Rn表示多维空间，η的值是输入节点个数，m的值是输出节点个数；网络具有#个隐层节点，激活函数为g(x)的单隐层前向神经网络的统一模型为
【文档编号】G06K9/66GK103699902SQ201310721619
【公开日】2014年4月2日 申请日期:2013年12月24日 优先权日:2013年12月24日
【发明者】刘青山, 李林, 夏旻, 嵇朋朋 申请人:南京信息工程大学