天气图像识别方法、装置、电子设备及计算机可读存储介质与流程

本申请实施例涉及但不限于人工智能，尤其涉及一种天气图像识别方法、装置、电子设备及计算机可读存储介质。

背景技术：

1、在智慧城市的建设过程中，往往需要基于人工智能对日常生活的各个方面进行智能识别处理，例如人脸识别、文字识别和天气识别；在现有的天气图像识别过程中普遍使用复杂的神经网络模型进行检测，但是复杂的神经网络模型要求的算力以及功耗均较高，并不是一个轻量级的解决方案，导致天气图像识别的过程较为复杂。

技术实现思路

1、以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

2、为了解决上述背景技术中提到的问题，本申请实施例提供了一种天气图像识别方法、装置、电子设备及计算机可读存储介质，能够实现轻量级的天气图像识别过程，降低天气图像识别的复杂度。

3、第一方面，本申请实施例提供了一种天气图像识别方法，所述方法包括：

4、获取天气图像；

5、对所述天气图像进行预处理得到灰度图像；

6、基于预设的灰度共生矩阵对所述灰度图像进行特征提取，得到所述天气图像对应的图像特征集，其中，所述图像特征集包括能量特征、熵值特征、对比度特征、相关性特征和逆分差特征；

7、将所述能量特征、所述熵值特征、所述对比度特征、所述相关性特征和所述逆分差特征确定为预测样本特征；

8、将所述预测样本特征输入至预训练的随机森林网络模型进行识别处理，得到所述天气图像对应的天气识别结果。

9、根据本申请的一些实施例，所述对所述天气图像进行预处理得到灰度图像，包括：

10、对所述天气图像进行低通滤波处理得到去噪图像；

11、对所述去噪图像进行增强处理得到增强图像；

12、对所述增强图像进行灰度化处理得到所述灰度图像。

13、根据本申请的一些实施例，所述基于预设的灰度共生矩阵对所述灰度图像进行特征提取得到图像特征集，包括：

14、根据所述灰度共生矩阵的预设阶数确定所述灰度图像的灰度等级；

15、对所述灰度图像中的每一个像素的灰度值进行确定；

16、根据所述灰度等级对确定灰度值后的所述灰度图像进行压缩处理得到灰度压缩图；

17、根据所述灰度共生矩阵的所述预设阶数和多个预设角度对所述灰度压缩图进行转换处理，得到多个初始灰度共生矩阵；

18、对多个所述初始灰度共生矩阵进行纹理特征计算处理得到所述能量特征、所述熵值特征、所述对比度特征、所述相关性特征和所述逆分差特征。

19、根据本申请的一些实施例，所述根据所述灰度共生矩阵的所述预设阶数和多个预设角度对所述灰度压缩图进行转换处理，得到多个初始灰度共生矩阵，包括：

20、将0度、45度、90度和135度作为所述预设角度；

21、根据所述预设阶数分别通过0度、45度、90度和135度对所述灰度压缩图进行矩阵转换处理，得到多个所述初始灰度共生矩阵。

22、根据本申请的一些实施例，所述对多个所述初始灰度共生矩阵进行纹理特征计算处理得到所述能量特征、所述熵值特征、所述对比度特征、所述相关性特征和所述逆分差特征，包括：

23、对每个所述初始灰度共生矩阵进行能量纹理特征计算得到所述能量特征；以及对每个所述初始灰度共生矩阵进行熵值纹理特征计算得到所述熵值特征；以及对每个所述初始灰度共生矩阵进行对比度特征计算得到所述对比度特征；以及对每个所述初始灰度共生矩阵进行相关性计算得到所述相关性特征；以及对每个所述初始灰度共生矩阵进行逆分差特征计算处理得到所述逆分差特征。

24、根据本申请的一些实施例，所述随机森林网络模型包括多个决策树模块，所述将所述预测样本特征输入至预训练的随机森林网络模型进行识别处理，得到天气识别结果，包括：

25、对所述预测样本特征进行随机抽样处理得到随机样本；

26、将所述随机样本分别输入至多个所述决策树模块中，得到多个预测结果；

27、对每个所述预测结果进行投票处理，并且将得票最多的所述预测结果确定为所述天气识别结果。

28、根据本申请的一些实施例，所述灰度图像中的每一个像素的所述灰度值通过以下式子计算得到：

29、g＝0.299×r+0.587×g+0.114×b

30、其中，g表示像素的所述灰度值，r表示像素的红色分量，g表示像素的绿色分量，b表示像素的蓝色分量。

31、第二方面，本申请实施例还提供了一种天气图像识别装置，所述装置包括：

32、第一处理模块，用于获取天气图像；

33、第二处理模块，用于对所述天气图像进行预处理得到灰度图像；

34、第三处理模块，用于基于预设的灰度共生矩阵对所述灰度图像进行特征提取，得到所述天气图像对应的图像特征集，其中，所述图像特征集包括能量特征、熵值特征、对比度特征、相关性特征和逆分差特征；

35、第四处理模块，用于将所述能量特征、所述熵值特征、所述对比度特征、所述相关性特征和所述逆分差特征确定为预测样本特征；

36、第五处理模块，用于将所述预测样本特征输入至预训练的随机森林网络模型进行识别处理，得到所述天气图像对应的天气识别结果。

37、第三方面，本申请实施例还提供了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面所述的天气图像识别方法。

38、第四方面，本申请实施例还提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上第一方面所述的天气图像识别方法。

39、根据本申请提供的实施例的天气图像识别方法，至少具有如下有益效果：首先获取天气图像；接着对天气图像进行预处理得到灰度图像；然后基于预设的灰度共生矩阵对灰度图像进行特征提取，从而可以得到天气图像对应的图像特征集，其中，图像特征集包括能量特征、熵值特征、对比度特征、相关性特征和逆分差特征；然后将能量特征、熵值特征、对比度特征、相关性特征和逆分差特征确定为预测样本特征；最后将预测样本特征输入至预训练的随机森林网络模型进行识别处理，从而能够得到天气图像对应的天气识别结果。通过上述技术方案，能够实现轻量级的天气图像识别过程，降低天气图像识别的复杂度。

技术特征：

1.一种天气图像识别方法，其特征在于，所述方法包括：

2.根据权利要求1所述的天气图像识别方法，其特征在于，所述对所述天气图像进行预处理得到灰度图像，包括：

3.根据权利要求1所述的天气图像识别方法，其特征在于，所述基于预设的灰度共生矩阵对所述灰度图像进行特征提取，得到所述天气图像对应的图像特征集，包括：

4.根据权利要求3所述的天气图像识别方法，其特征在于，所述根据所述灰度共生矩阵的所述预设阶数和多个预设角度对所述灰度压缩图进行转换处理，得到多个初始灰度共生矩阵，包括：

5.根据权利要求3所述的天气图像识别方法，其特征在于，所述对多个所述初始灰度共生矩阵进行纹理特征计算处理得到所述能量特征、所述熵值特征、所述对比度特征、所述相关性特征和所述逆分差特征，包括：

6.根据权利要求1所述的天气图像识别方法，其特征在于，所述随机森林网络模型包括多个决策树模块，所述将所述预测样本特征输入至预训练的随机森林网络模型进行识别处理，得到所述天气图像对应的天气识别结果，包括：

7.根据权利要求3所述的天气图像识别方法，其特征在于，所述灰度图像中的每一个像素的所述灰度值通过以下式子计算得到：

8.一种天气图像识别装置，其特征在于，所述装置包括：

9.一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的天气图像识别方法。

10.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行权利要求1至7中任意一项所述的天气图像识别方法。

技术总结
本申请涉及人工智能技术领域，提供了一种天气图像识别方法、装置、电子设备及计算机可读存储介质，方法包括：获取天气图像；对天气图像进行预处理得到灰度图像；基于预设的灰度共生矩阵对灰度图像进行特征提取，得到天气图像对应的图像特征集，其中，图像特征集包括能量特征、熵值特征、对比度特征、相关性特征和逆分差特征；将能量特征、熵值特征、对比度特征、相关性特征和逆分差特征确定为预测样本特征；将预测样本特征输入至预训练的随机森林网络模型进行识别处理，得到天气图像对应的天气识别结果。通过上述技术方案能够实现轻量级的天气图像识别过程，降低天气图像识别的复杂度。

技术研发人员：瞿晓阳,王健宗,王亮
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：
技术公布日：2024/1/15