CN103235954A - 一种基于改进AdaBoost算法的地基云图识别方法 - Google Patents
一种基于改进AdaBoost算法的地基云图识别方法 Download PDFInfo
- Publication number
- CN103235954A CN103235954A CN2013101471089A CN201310147108A CN103235954A CN 103235954 A CN103235954 A CN 103235954A CN 2013101471089 A CN2013101471089 A CN 2013101471089A CN 201310147108 A CN201310147108 A CN 201310147108A CN 103235954 A CN103235954 A CN 103235954A
- Authority
- CN
- China
- Prior art keywords
- sorter
- cloud
- sample
- algorithm
- cloud atlas
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进AdaBoost算法的地基云图识别方法,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。由于使用了集成算法,对单个分类器设计的要求并不高,这有效的降低了单个分类器设计难度;本发明结构简单,利用现有的图形采集设备和普通计算机即可进行实现,提高了实用性和适用性。
Description
技术领域
本发明公开了一种基于改进AdaBoost算法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。此外,在实际观测中,易出现多种云混合等现象,这也为云自动化观测提出了挑战。因此,解决云图的多类分类,并保证一定的分类精度,成为地基云图分类的一个核心问题。
目前较为常用的分类器有贝叶斯分类器、神经网络、支持向量机等。其中贝叶斯法则需要已知各类别的先验概率等因素,而在实际情况中,先验概率等条件往往难以获取;神经网络法则存在训练速度慢,当样本类别较多时分类准确率较低等缺点;支持向量机虽然成为小样本学习问题的典范,但存在一定的缺点,如对大规模训练样本难以实施,解决多分类问题存在困难等。
发明内容
本发明旨在实现地基云图的自动识别,提升气象台站云观测的自动化能力,同时提高云观测的效率和准确性。将模式识别中的AdaBoost、SVM等算法进行结合、改进,应用于地基云图的识别,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,一种基于改进AdaBoost算法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图图片,用于分类器训练以及目标识别;
步骤2、对采集到的云图图片进行预处理;
步骤3、利用聚类分析,将预处理后的云图图片前景与背景进行分离;
步骤4、计算云图特征;
步骤5、使用已知类别的云图特征数据样本,采用SVM学习算法训练分类器;并采用AdaBoost集成算法进行迭代,对训练出的分类器进行加权得到最终的分类器,具体如下:
(501)给定已知类别的云图训练样本{(x1,y1),(x2,y2),...,(xn,yn)}和SVM学习算法h,其中xi为第i个训练样本的输入,yi为第i个云图样本的类别,yi∈{-1,+1},i∈n,n是训练样本的个数;
(502)初始化第i个样本的权重D1(i)=1/n;
(503)初始化SVM学习算法h的参数值,σ表示SVM学习算法参数值,σini表示σ的初始化值,σmin表示σ的最小阈值,σstep表示σ每次迭代的步长;如果σ>σmin成立,则循环执行下述步骤:
步骤a.调用SVM学习算法h训练出一个分类器hm,并计算该分类器的错误率其中Dm(i)表示第m个分类器中的第i个样本的错误率权重,一共需要训练出M个,第m步训练出hm分类器,其中,m表示当前循环中分类器的编号,取值为1,2,…,M,M是分类器的总数;
步骤b.如果εm>0.5,以σstep为步长来减少σ的值,即σ=σ-σstep,并返回到上一步;
步骤c.计算该分类器的权重
步骤d.更新样本权重 其中,Dm指样本的权重,Zm是归一化因子;
(504)将训练好的M个分类器依权重联合得到最终的分类器模型:
进一步的,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,其计算过程如下:
(401)根据步骤3的结果,计算云图的归一化灰度共生矩阵P(li,lj),其中li,lj表示图像的灰度级别,Ng表示灰度级别数量;
(403)利用公式计算对比度,衡量图像的清晰度和纹理沟纹深浅的程度,其中ng是图像灰度值;
(404)利用公式计算相关性,衡量灰度共生矩阵的元素在行列方向的相似程度其中,μx,μy分别是灰度共生矩阵P(li,lj)行、列方向上的均值,σx,σy分别是灰度共生矩阵P(li,lj)行、列方向上的标准差;
(405)利用公式计算熵,衡量图像所具有的信息量;
本发明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;本发明使用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。由于使用了集成算法,对单个分类器设计的要求并不高,这有效的降低了单个分类器设计难度;本发明结构简单,利用现有的图形采集设备和普通计算机即可进行实现,提高了实用性和适用性。
附图说明
图1为本发明的总体流程图。
图2为基于聚类的云图分割逻辑示意图。
图3为基于改进的AdaBoost云图分类逻辑示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的说明。本发明的具体实施方法如图1所示,包括如下具体步骤:
一、图像采集
使用成像设备采集云图图片,用于分类器训练以及目标识别。
二、图像预处理
(201)对于采集到的云图样本进行一些必要的预处理,首先将云图图片变换到灰度空间,获取对应的灰度图像,利用中值滤波对图像进行降噪,然后对图像进行锐化处理,突出云图的边缘轮廓与细节特征,从而获取增强图像;
(202)根据步骤(201)的结果,对处理后的云图f(s,w)进行归一化处理,
上述公式(1)中,s、w分别表示图像像素点所在坐标行、列坐标位置,f(s,w)表示坐标点(s,w)的原始灰度值,g(s,w)为其归一化后的灰度值。
三、利用聚类分析,将目标云前景与背景进行分离
由于云的形状多变,单纯使用矩形作为识别目标,容易将背景包含其中,如果直接对样本进行特征提取,必然损失了一些所提取的特征精度,从而直接影响到最终识别结果的准确性。本发明使用基于聚类的算法将云从背景中分离出来,如图2所示。对于所有云图图片,逐个进行处理,每张云图处理的具体步骤如下:
(301)针对采集到的地基云图图片,首先采用步骤二获取预处理后的归一化增强灰度云图图像,然后进行聚类的初始化工作。具体初始化内容包括:图片中包含的总像素数量n;确定聚类类别数量c,满足2≤c≤n;加权指数t,一般情况下t=2;迭代停止阈值ε;迭代计数器b;选取聚类原型模式矩阵p(0)。
(302)根据公式(2)计算各个像素的隶属度函数用于更新划分矩阵U(b),其中u代表第u类,k代表第k个样本,即第k个像素:
其中,r是第r个样本,xk代表第k个样本,v代表第v类,duk为样本xk与第u类的聚类原型pu之间的距离度量,为第b次运算时第r个样本到第u类聚类原型pu的距离,为第b次运算时第r个样本到第u类聚类原型pu的隶属度函数,为第b次运算时第u类的聚类原型pu到第v类的聚类原型pv的隶属度函数,如果u,r,使得则有并且对v≠r,
(303)根据步骤(302)的结果,更新聚类原型模式矩阵p(b+1):
(304)迭代计数器b=b+1,循环执行步骤(302)、(303),直到公式(4)成立,视为聚类收敛,从而得到划分矩阵U和聚类原型p;
||p(b)-p(b+1)||≤ε (4)
(305)对图像中的所有像素,确定其所属的类别(云或背景)。通过前序步骤获取的μuk和p,用ck表示第k个像素点所属的类别,则有
ck=arg{max(μuk)} (5)
(306)使用聚类结果,逐个将像素点归类,即可获取前景云区域和背景。
四、计算云图特征
本发明中主要采用基于灰度共生矩阵的图像特征,这类特征包括10多种。根据发明过程中的实验,本发明具体包括二阶矩、对比度、相关性、熵和逆差距等五种作为特征,也可以添加使用其他特征。
(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,lj表示图像的灰度级别,灰度级别数量为Ng。
(402)利用公式(6)计算二阶矩,衡量图像分布均匀性。
(403)利用公式(7)计算对比度,衡量图像的清晰度和纹理沟纹深浅的程度,其中ng是图像灰度值。
(404)利用公式(8)计算相关性,衡量灰度共生矩阵的元素在行列方向的相似程度。
式(8)中,μx,μy分别是灰度共生矩阵P(li,lj)行、列方向上的均值,σx,σy分别是灰度共生矩阵P(li,lj)行、列方向上的标准差;
(405)利用公式(9)计算熵,衡量图像所具有的信息量。
(406)利用公式(10)计算逆差距,衡量图像纹理的同质性和图像纹理局部变化。
五、训练分类器
使用已知类别的云图特征数据样本,训练基于AdaBoost、SVM相结合的分类器。训练完成后,该分类器即可用于对于未知云图的自动识别。由于AdaBoost集成算法在每次迭代过程中需要训练出一个弱分类器,本发明中采用SVM学习算法来训练这样的分类器,最后对训练出的分类器进行加权得到最终的分类器,这样可以达到较好的分类效果。如图3所示,本发明的分类器训练过程如下:
(501)给定已知云类别的云图训练样本{(x1,y1),(x2,y2),...,(xn,yn)},其中xi为第i个训练样本的输入,即步骤4得到的若干特征,yi为第i个云图样本的类别,yi∈{-1,+1}以及给定SVM学习算法h;
(502)初始化第i个样本的权重D1(i)=1/n,n是训练样本的个数;
(503)初始化SVM学习算法h参数值,σ表示SVM学习算法参数值,σini表示σ的初始化值,σmin表示σ的最小阈值,σstep表示σ每次迭代的步长。如果σ>σmin成立,则循环执行如下步骤,其中,m表示当前循环中分类器的编号,取值为1,2,…,M:
2.如果εm>0.5,以σstep为步长来减少σ的值,即σ=σ-σstep,并返回到上一步;
4.更新样本权重 对于训练样本分类错误的在下次算法迭代式赋予较大的权重,其中Zm是归一化因子;
(504)最后将训练好的M个分类器依权重联合得到最终的分类器模型:
这个表达式是一个最终可用的结果,它本质上就是个函数。x可以是新的样本,利用这个函数计算出f(x)的值,通过这个值就知道x是什么种类的云了,这样就达到了云识别的目的。
六、对于预测新的云图样本,可以使用步骤二、三、四进行预处理,然后利用步骤五的结果给出最终判别。
Claims (2)
1.一种基于改进AdaBoost算法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图图片,用于分类器训练以及目标识别;
步骤2、对采集到的云图图片进行预处理;
步骤3、利用聚类分析,将预处理后的云图图片前景与背景进行分离;
步骤4、计算云图特征;
步骤5、使用已知类别的云图特征数据样本,采用SVM学习算法训练分类器;并采用AdaBoost集成算法进行迭代,对训练出的分类器进行加权得到最终的分类器,具体如下:
(501)给定已知类别的云图训练样本{(x1,y1),(x2,y2),...,(xn,yn)}和SVM学习算法h,其中xi为第i个训练样本的输入,yi为第i个云图样本的类别,yi∈{-1,+1},i∈n,n是训练样本的个数;
(502)初始化第i个样本的权重D1(i)=1/n;
(503)初始化SVM学习算法h的参数值,σ表示SVM学习算法参数值,σini表示σ的初始化值,σmin表示σ的最小阈值,σstep表示σ每次迭代的步长;如果σ>σmin成立,则循环执行下述步骤:
步骤a.调用SVM学习算法h训练出一个分类器hm,并计算该分类器的错误率其中Dm(i)表示第m个分类器中的第i个样本的错误率权重,一共需要训练出M个,第m步训练出hm分类器,其中,m表示当前循环中分类器的编号,取值为1,2,…,M,M是分类器的总数;
步骤b.如果εm>0.5,以σstep为步长来减少σ的值,即σ=σ-σstep,并返回到上一步;
步骤d.更新样本权重 其中,Dm指样本的权重,Zm是归一化因子;
(504)将训练好的M个分类器依权重联合得到最终的分类器模型:
2.如权利要求1所述的一种基于改进AdaBoost算法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,其计算过程如下:
(401)根据步骤3的结果,计算云图的归一化灰度共生矩阵P(li,lj),其中li,lj表示图像的灰度级别,Ng表示灰度级别数量;
(402)利用公式计算二阶矩,衡量图像分布均匀性;
(404)利用公式计算相关性,衡量灰度共生矩阵的元素在行列方向的相似程度其中,μx,μy分别是灰度共生矩阵P(li,lj)行、列方向上的均值,σx,σy分别是灰度共生矩阵P(li,lj)行、列方向上的标准差;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101471089A CN103235954A (zh) | 2013-04-23 | 2013-04-23 | 一种基于改进AdaBoost算法的地基云图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101471089A CN103235954A (zh) | 2013-04-23 | 2013-04-23 | 一种基于改进AdaBoost算法的地基云图识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103235954A true CN103235954A (zh) | 2013-08-07 |
Family
ID=48883993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101471089A Pending CN103235954A (zh) | 2013-04-23 | 2013-04-23 | 一种基于改进AdaBoost算法的地基云图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103235954A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413148A (zh) * | 2013-08-30 | 2013-11-27 | 中国科学院自动化研究所 | 基于随机自适应符号稀疏编码的地基云图分类方法 |
CN103699902A (zh) * | 2013-12-24 | 2014-04-02 | 南京信息工程大学 | 一种地基可见光云图的分类方法 |
CN104504389A (zh) * | 2014-12-18 | 2015-04-08 | 南京信息工程大学 | 一种基于卷积神经网络的卫星云量计算方法 |
CN107766856A (zh) * | 2016-08-20 | 2018-03-06 | 湖南军芃科技股份有限公司 | 一种基于Adaboost机器学习的矿石可见光图像分选方法 |
CN109753973A (zh) * | 2018-12-21 | 2019-05-14 | 西北工业大学 | 基于加权支持向量机的高光谱图像变化检测方法 |
CN110009000A (zh) * | 2019-03-11 | 2019-07-12 | 东北大学 | 基于adaboost+svm改进分类算法的粮堆目标检测方法 |
CN112883802A (zh) * | 2021-01-20 | 2021-06-01 | 刘信 | 一种管道光纤振动安全预警系统破坏性事件的识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110030A1 (en) * | 2004-11-24 | 2006-05-25 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for eye detection |
CN102637143A (zh) * | 2012-03-07 | 2012-08-15 | 南京邮电大学 | 基于改进的支持向量机的软件缺陷优先级预测方法 |
-
2013
- 2013-04-23 CN CN2013101471089A patent/CN103235954A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060110030A1 (en) * | 2004-11-24 | 2006-05-25 | Samsung Electronics Co., Ltd. | Method, medium, and apparatus for eye detection |
CN102637143A (zh) * | 2012-03-07 | 2012-08-15 | 南京邮电大学 | 基于改进的支持向量机的软件缺陷优先级预测方法 |
Non-Patent Citations (3)
Title |
---|
李丽丽: "模糊C-均值聚类算法及其在图像分割中的应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李丽丽: "模糊C-均值聚类算法及其在图像分割中的应用", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
杨健 等: "基于图像处理技术的地基云图云状的识别", 《气象水文海洋仪器》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103413148A (zh) * | 2013-08-30 | 2013-11-27 | 中国科学院自动化研究所 | 基于随机自适应符号稀疏编码的地基云图分类方法 |
CN103413148B (zh) * | 2013-08-30 | 2017-05-24 | 中国科学院自动化研究所 | 基于随机自适应符号稀疏编码的地基云图分类方法 |
CN103699902A (zh) * | 2013-12-24 | 2014-04-02 | 南京信息工程大学 | 一种地基可见光云图的分类方法 |
CN104504389A (zh) * | 2014-12-18 | 2015-04-08 | 南京信息工程大学 | 一种基于卷积神经网络的卫星云量计算方法 |
CN107766856A (zh) * | 2016-08-20 | 2018-03-06 | 湖南军芃科技股份有限公司 | 一种基于Adaboost机器学习的矿石可见光图像分选方法 |
CN109753973A (zh) * | 2018-12-21 | 2019-05-14 | 西北工业大学 | 基于加权支持向量机的高光谱图像变化检测方法 |
CN110009000A (zh) * | 2019-03-11 | 2019-07-12 | 东北大学 | 基于adaboost+svm改进分类算法的粮堆目标检测方法 |
CN110009000B (zh) * | 2019-03-11 | 2022-09-02 | 东北大学 | 基于adaboost+svm改进分类算法的粮堆目标检测方法 |
CN112883802A (zh) * | 2021-01-20 | 2021-06-01 | 刘信 | 一种管道光纤振动安全预警系统破坏性事件的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103235954A (zh) | 一种基于改进AdaBoost算法的地基云图识别方法 | |
CN103246894B (zh) | 一种解决光照不敏感问题的地基云图识别方法 | |
CN110796168A (zh) | 一种基于改进YOLOv3的车辆检测方法 | |
CN104091321B (zh) | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 | |
CN107229917B (zh) | 一种基于迭代聚类的多幅遥感影像共性显著目标检测方法 | |
CN105913081B (zh) | 基于改进的PCAnet的SAR图像分类方法 | |
CN103984953A (zh) | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 | |
CN102324038B (zh) | 一种基于数字图像的植物种类识别方法 | |
CN101807258B (zh) | 基于核标度切维数约简的合成孔径雷达图像目标识别方法 | |
CN110309868A (zh) | 结合无监督学习的高光谱图像分类方法 | |
CN105005789B (zh) | 一种基于视觉词汇的遥感图像地物分类方法 | |
CN103632168A (zh) | 一种机器学习中的分类器集成方法 | |
CN102393914A (zh) | 一种基于支持向量机分类树的地基云图识别方法 | |
CN102999761B (zh) | 基于Cloude分解和K-wishart分布的极化SAR图像分类方法 | |
CN105138970A (zh) | 基于空间信息的极化sar图像分类方法 | |
CN105184298A (zh) | 一种快速局部约束低秩编码的图像分类方法 | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
CN105913090B (zh) | 基于sdae-svm的sar图像目标分类方法 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN104008402A (zh) | 一种基于改进som算法的地基云图识别方法 | |
CN103886335B (zh) | 基于模糊粒子群和散射熵的极化sar图像分类方法 | |
CN105069478A (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
CN104156945A (zh) | 基于多目标粒子群算法的灰度图像分割方法 | |
CN108446616A (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN109359525A (zh) | 基于稀疏低秩的判别谱聚类的极化sar图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130807 |