CN103235954A - 一种基于改进AdaBoost算法的地基云图识别方法 - Google Patents

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

一种基于改进AdaBoost算法的地基云图识别方法

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),...,(x_n,y_n)}和SVM学习算法h，其中x_i为第i个训练样本的输入，y_i为第i个云图样本的类别，y_i∈{-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，σ_ini表示σ的初始化值，σ_min表示σ的最小阈值，σ_step表示σ每次迭代的步长；如果σ＞σ_min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h_m，并计算该分类器的错误率

其中D_m(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h_m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ε_m＞0.5，以σ_step为步长来减少σ的值，即σ＝σ-σ_step，并返回到上一步；

步骤c.计算该分类器的权重 ${\mathrm{\α}}_m=\frac{1}{2}\log \left(\frac{1-{\mathrm{\ϵ}}_m}{{\mathrm{\ϵ}}_m}\right);$

步骤d.更新样本权重 $D_{m+1}\left(i\right)=\·\frac{D_m}{Z_m}*\left\{\begin{array}{ccc}{e}^{{-\mathrm{\α}}_m}& \mathrm{if}& h_m\left(x_i\right)=y_i\\ e^{{\mathrm{\α}}_m}& \mathrm{if}& h_m\left(x_i\right)\≠y_i\end{array}\right.,$ 其中，D_m指样本的权重，Z_m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：

$f\left(x\right)=\mathrm{sign}\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_m{h}_m\left(x\right)\right).$

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，N_g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；

(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n_g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，μ_x,μ_y分别是灰度共生矩阵P(li,lj)行、列方向上的均值，σ_x,σ_y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；

(406)利用公式

计算逆差距，衡量图像纹理的同质性和图像纹理局部变化。

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，

$g(s,w)=\frac{f(s,w)-\min \left(f(s,w)\right)}{\max \left(f(s,w)\right)-\min \left(f(s,w)\right)}---\left(1\right)$

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：

对于

如果

则有

${\mathrm{\μ}}_{\mathrm{uk}}^{\left(b\right)}={\{\underset{v=1}{\overset{c}{\mathrm{\Σ}}}\[{\left(\frac{d_{\mathrm{uk}}^{\left(b\right)}}{d_{\mathrm{vk}}^{\left(b\right)}}\right)}^{\frac{2}{t-1}}\]\}}^{-1}---\left(2\right)$

其中，r是第r个样本，x_k代表第k个样本，v代表第v类，d_uk为样本x_k与第u类的聚类原型p_u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p_u的距离，

为第b次运算时第r个样本到第u类聚类原型p_u的隶属度函数，

为第b次运算时第u类的聚类原型p_u到第v类的聚类原型p_v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)：

$p_u^{(b+1)}=\frac{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\μ}}_{\mathrm{uk}}^{(b+1)}\·x_k}{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{\left({\mathrm{\μ}}_{\mathrm{uk}}^{(b+1)}\right)}^t},u=\mathrm{1,2},\…,c---\left(3\right)$

其中c为聚类类别数量，

为第b+1次运算时第k个样本到第u类聚类原型p^u的隶属度函数。

(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μ_uk和p，用c_k表示第k个像素点所属的类别，则有

c_k＝arg{max(μ_uk)}    (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N_g。

(402)利用公式(6)计算二阶矩，衡量图像分布均匀性。

$f_1=\underset{\mathrm{li}}{\mathrm{\Σ}}\underset{\mathrm{lj}}{\mathrm{\Σ}}{\left\{P(\mathrm{li},\mathrm{ji})\right\}}^2---\left(6\right)$

(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n_g是图像灰度值。

$f_2=\underset{n_g=0}{\overset{N_g-1}{\mathrm{\Σ}}}{n}_g^2\left\{\underset{|\mathrm{li}-\mathrm{lj}|=n}{\underset{\mathrm{li}=1}{\overset{N_g}{\mathrm{\Σ}}}}\underset{\mathrm{lj}=1}{\overset{N_g}{\mathrm{\Σ}}}P(\mathrm{li},\mathrm{lj})\right\}---\left(7\right)$

(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。

$f_3=\frac{\underset{\mathrm{li}}{\mathrm{\Σ}}\underset{\mathrm{lj}}{\mathrm{\Σ}}(\mathrm{li}\·\mathrm{lj})P(\mathrm{li}.\mathrm{lj})-{\mathrm{\μ}}_x{\mathrm{\μ}}_y}{{\mathrm{\σ}}_x{\mathrm{\σ}}_y}---\left(8\right)$

式(8)中，μ_x,μ_y分别是灰度共生矩阵P(li,lj)行、列方向上的均值，σ_x,σ_y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。

$f_4=\underset{\mathrm{li}}{\mathrm{\Σ}}\underset{\mathrm{lj}}{\mathrm{\Σ}}P(\mathrm{li},\mathrm{lj})\log \left(P(\mathrm{li},\mathrm{lj})\right)---\left(9\right)$

(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。

$f_5=\underset{\mathrm{li}}{\mathrm{\Σ}}\underset{\mathrm{lj}}{\mathrm{\Σ}}\frac{1}{1+{(\mathrm{li}-\mathrm{lj})}^2}P(\mathrm{li},\mathrm{lj})---\left(10\right)$

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),...,(x_n,y_n)}，其中x_i为第i个训练样本的输入，即步骤4得到的若干特征，y_i为第i个云图样本的类别，y_i∈{-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，σ_ini表示σ的初始化值，σ_min表示σ的最小阈值，σ_step表示σ每次迭代的步长。如果σ＞σ_min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：

1.调用学习算法h训练出一个分类器h_m，并计算该分类器的错误率

其中D_m(i)表示第m个分类器中的第i个样本的错误率权重；

2.如果ε_m＞0.5，以σ_step为步长来减少σ的值，即σ＝σ-σ_step，并返回到上一步；

3.计算该分类器的权重

分类效果好的相对权重较大；

4.更新样本权重 $D_{m+1}\left(i\right)=\frac{D_m}{Z_m}*\left\{\begin{array}{ccc}{e}^{{-\mathrm{\α}}_m}& \mathrm{if}& h_m\left(x_i\right)=y_i\\ e^{{\mathrm{\α}}_m}& \mathrm{if}& h_m\left(x_i\right)\≠y_i\end{array}\right.$ 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Z_m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：

$f\left(x\right)=\mathrm{sign}\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_m{h}_m\left(x\right)\right)---\left(11\right)$

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),...,(x_n,y_n)}和SVM学习算法h，其中x_i为第i个训练样本的输入，y_i为第i个云图样本的类别，y_i∈{-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，σ_ini表示σ的初始化值，σ_min表示σ的最小阈值，σ_step表示σ每次迭代的步长；如果σ＞σ_min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h_m，并计算该分类器的错误率

其中D_m(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h_m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ε_m＞0.5，以σ_step为步长来减少σ的值，即σ＝σ-σ_step，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 $D_{m+1}\left(i\right)=\frac{D_m}{Z_m}*\left\{\begin{array}{ccc}{e}^{{-\mathrm{\α}}_m}& \mathrm{if}& h_m\left(x_i\right)=y_i\\ e^{{\mathrm{\α}}_m}& \mathrm{if}& h_m\left(x_i\right)\≠y_i\end{array},\right.$ 其中，D_m指样本的权重，Z_m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：

$f\left(x\right)=\mathrm{sign}\left(\underset{m=1}{\overset{M}{\mathrm{\Σ}}}{\mathrm{\α}}_m{h}_m\left(x\right)\right).$

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，N_g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；

(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n_g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，μ_x,μ_y分别是灰度共生矩阵P(li,lj)行、列方向上的均值，σ_x,σ_y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；

(406)利用公式

计算逆差距，衡量图像纹理的同质性和图像纹理局部变化。

Images