一种基于组群模式的地基云图自动分类算法
【专利说明】
[00011 本发明得到国家自然科学基金项目No. 61401309、N0. 61501327、天津市应用基 础与前沿技术研究计划青年基金项目No. 15JCQNJC01700、天津师范大学博士基金项目No. 5RL134、No. 52XB1405的资助。
技术领域
[0002] 本发明属于图像处理技术领域，尤其是一种基于组群模式的地基云图自动分类算法。
【背景技术】
[0003] 云是悬浮在大气中的小水滴、冰晶微粒或两者混合形成的可见聚集体，是一种重 要的常见天气现象，其生成及演变不仅反映当前大气的运动状况况，而且能够预示未来一 定时间内的天气变化趋势。此外，云对电磁波和光波的传输也会产生重要影响，使星地信号 传输产生散射、衰减、码间干扰以及接收信号减弱等问题，进而对通信和军事活动也具有较 大影响。因此，云的观测是气象观测的重要内容，准确地获取云的信息，对于气象预报以及 国民经济和军事保障等诸多领域都有十分重要的意义。目前，云的观测主要有卫星云观测 (又称卫星遥感)和地基云观测(又称地基遥感)两种。其中卫星云观测在大尺度云的观测已 经取得了很好的成果，但由于其空间分辨率以及对云底和多层云的下层云的观测能力的限 制，因此不能满足大气科学研究的需要。而地基云观测的范围较小，反映的是云块大小、排 列方式以及云的高低分布等局地分部信息，弥补了卫星观测的不足，同时对大气科学许多 研究领域具有重要意义。
[0004] 在地基云观测中，云状分类是地基云观测的主要要素，也是分析云资料时的重要 统计内容。目前，主要通过地面的人工目测来进行云状观测。然后由于受人为的主观因素影 响，人工云状观测具有较大的主观误差，且人工消耗很大，给云的观测资料的定量化应用带 来不便，因此实现云状的自动观测是当前的迫切需要。
[0005] 近年来，随着硬件技术的发展和数字图像处理技术的不断完善，很多地基遥感测 云仪器研制成功，从而获得天空图像，比如国外的全天空成像仪WSI (whole sky imager)、 总天空成像仪TSI (total sky imager)、红外云成像仪ICI (infrared cloud imager)、全 天空数字相机等。上述设备为获取地基云图提供了硬件支持，使得地基云状的自动观测成 为可能。国际上云的分类主要根据云的外形特征和高度特征为依据，并结合云的成因发展 和内部微观结构，将云状划分为3族10属29类。3族是把云按照高低分为高云、中云和低云三 族，每一族云又划分为几类形成10属云，包括积云、积雨云、层积云、层云、雨层云、高层云、 高积云、卷云、卷层云和卷积云。对10属云可进一步划分为29类。然而此分类方法的可操作 性并不强，不仅很难适用于器测云状分类，而且即使具有相当水平的观测员也很难准确识 别这29类云。
[0006] 在云状自动分类的研究方面，国际上Buch等人对WSI云图进行了分类，主要考察云 图的纹理特征、位置信息和像元亮度信息，纹理特征选择采用了 LAWS纹理分析法;运用二元 决策树进行高积云、卷云、层云、积云和晴空等5种天空类型的判断。Peura等人利用云的基 本物理信息作为特征将全天空云图分为10属。Singh等人对数字相机得到的云图进行分类， 对积云、浓积云、积雨云、天空和其他云类这5种天空类型分类。Heinle等人采用德国吉尔大 学获得的全天空图像，通过提取云图的纹理、结构以及统计特征来对云图进行分类。孙学金 等人通过研究WSIRCMS获取的红外云图，提出了基于结合模糊纹理光谱和云物理属性的全 天空云图分类方法。以上分类方法均是对云图提取简单的纹理特征，显然不能很好地表示 地基云图这种包含丰富信息的自然纹理图像，此外，云图中包含对分类有用的空间分辨率 信息，因此需要提取更具判别性的特征，从而提高云图自动分类的性能。
【发明内容】
[0007] 为了解决上述现有技术存在的问题，本发明的目的是根据地基云图的特点，提出 一种分类性能更好的地基云图分类方法。由于地基云图包含丰富的纹理信息和空间信息， 为此本发明提供一种基于组群模式的地基云图自动分类算法，该方法包括:将图像纹理的 空间分辨率信息考虑到特征提取中，获得对分类有用的空间信息；同时针对每一分辨率下 的图像提取显著性局部二值模式特征，从而可以更好地表示云图中信息，获得分类性能的 提尚。
[0008] 为了实现上述目的，本发明提出的基于组群模式的地基云图自动分类算法，其特 征在于，该方法包括以下步骤： 步骤S1，利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集 合； 步骤S2,基于所述步骤S1获得的每一分辨率的图像，计算显著性局部二值模式特征，作 为该分辨率下的特征； 步骤S3，串联所有分辨率下的特征，作为该图像最终的特征表示； 步骤S4,对于测试地基云图，按照所述步骤S1、S2、S3得到所述测试地基云图的最终特 征表示； 步骤S5,基于所述训练地基云图样本的最终特征表示和所述测试地基云图的最终特征 表示，利用分类器对所述测试地基云图进行分类，得到所述测试地基云图的分类结果。
[0009] 本发明所述步骤si中，利用空间金字塔方法将训练地基云图转化为一系列分辨率 逐层降低的图像集合，相邻两个分辨率下的图像关系为：
其中，当m为分辨率的层数，当 21时，令:瑪=:其中尤_轉表示 原始图像；分别表示在方向和少方向的降采样比例；当采用降采样时， p i h :1:分别表示相邻分辨率下的像素位置。
[0010 ] 本发明所述步骤S2进一步包括以下步骤： 步骤S21，选取张云图作为训练样本，对于张训练地基云图，均选取第层分辨 率下的地基云图，计算该分辨率下:if张训练样本的旋转不变LBP特征向量； 步骤S22,将步骤S21获得的张训练样本得到的特征向量进行累加，得到一个直方 图向量； 步骤S23，按照步骤S22获得的直方图向量，将每一维由大到小的顺序对直方图向量进 行排列，占排序后的直方图向量80%以上的模式为显著性模式； 步骤S24，按照S23获得显著性模式，提取显著性特征，作为第:隹层分辨率下的特征； 步骤S25，重复步骤S21至S24的方法，提取每层分辨率下的特征。
[0011]本发明将步骤S2中获得的每一层分辨率下的特征、进行串联，作为该图像 最终的的特征表示，公式如下：
代表第龙个分辨率下的图像所获得特征，:.s代表分辨率的层数。
[0012 ]本发明所述分类器为支持向量机分类器(8￥露￥ 本发明进一步公开了基于组群模式的地基云图自动分类算法将分辨率信息考虑在特 征提取中，同时针对每一分辨率提取显著性局部二值模式信息，提高分类性能方面的应用。 实验结果显示:本发明的方法超过基于的分类方法；同时本发明方法的性能还要优于 SLBΡ方法的分类性能。证明本发明可以获得更为精确的分类准确性。
[0013] 本发明公开的基于组群模式的地基云图自动分类算法与现有技术相比所具有的 有益效果在于： 本发明利用空间金字塔将图像转化为一系列分辨率逐层降低的图像集合，从而将纹理 的空间分辨率信息考虑到特征提取中，获得对分类有用的空间信息；同时本发明针对每一 层分辨率下的图像提取显著性局部二值模式特征，获得更具判别性的特征，从而可以更好 地表示云图中信息，获得分类性能的提高。以上特点使本发明可以获得更为精确的分类准 确性。
【附图说明】
[0014] 图1是本发明提出的基于组群模式的地基云