CN103336972A - 一种基于完备化局部三值模式的地基云图分类方法 - Google Patents

Abstract

本发明公开了一种基于完备化局部三值模式的地基云图分类方法，该方法包括以下步骤：将每个训练样本的局部信息分解为局部差值向量以及中心像素；将每个局部差值向量分解为符号向量和幅值向量的乘积；对于符号向量、幅值向量及中心像素采用三值模式编码，并分别计算其旋转不变一致性特征；对旋转不变一致性特征进行融合，得到训练样本的最终特征表示；计算测试地基云图的最终特征表示；基于两者的最终特征表示，应用最近邻分类器得到测试地基云图的分类结果。本发明通过把图像的局部信息从符号、幅值和中心像素值三个方面考虑，采用局部三值模式进行编码，最后融合得到图像最终的特征表示，这使得本发明可以获得更好的噪声鲁棒性和分类准确性。

Description

一种基于完备化局部三值模式的地基云图分类方法

技术领域

本发明属于图像处理技术领域，尤其是一种基于完备化局部三值模式的地基云图分类方法。

背景技术

云是大气中热力过程和动力过程的外部表现，其生成及演变是大气中发生的错综复杂的物理过程的具体表现之一，不仅反映当时大气的运动、稳定度和水汽情况等，而且能够预示未来一定时间内的天气变化趋势。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，对于天气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，云的观测主要是通过地基观测和卫星遥感来完成。其中卫星遥感在大尺度云的观测取得了很好的成果，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，所以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。

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分类，即依靠气象观测员主观判断当前天空云状类型。然而，目测云状类型有很多缺点。首先，云状分类采用人工目测方式，每个地面观测站都需要观测人员进行观测，成本较高；其次，人工目测带有较大的主观性，不但容易受到心理、生理、视力、责任心等方面的影响，还会受到观测人员经验和水平的影响。相同的云状由不同的人观测可能会产生不同的观测结果，即使相同的观测员在不同条件下也可能会给出不同的观测结果。因此实现云状的自动分类是当前的迫切需要。

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。上述设备为分析地基云图提供了硬件支持，使得地基云的自动化观测成为可能。国际上云的分类主要以云的基本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。其中，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。

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类识别方法。然后，他们又提出应用局部二值模式（Local Binary Pattern）来表示云图并对其分类。以上分类方法均是对云图提取简单的纹理特征，显然不能适合地基云图这样容易受噪声干扰的自然纹理图像，因此需要提取能够克服噪声干扰的特征作为云图的特征表示，从而更好地对云图进行分类。

发明内容

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本身的特点，提出一种分类性能更好的地基云图分类方法。由于地基云图是从地面向天空拍摄获取得到的图像，容易受到近地面的粉尘、雾气等噪声的干扰，这些干扰会对云图的质量造成一定的影响。为此，本发明提供一种基于完备化局部三值模式的地基云图分类方法，该方法通过引入一个小的容忍区间对地基云图进行特征编码，因此对地基云图中的局部噪声具有很好的鲁棒性。

为了实现上述目的，本发明提出的一种基于完备化局部三值模式的地基云图分类方法包括以下步骤：

步骤1，对于每个训练地基云图样本，将其局部信息分解为局部差值向量以及中心像素两个部分；

步骤2，将每个局部差值向量分解为一个符号向量和一个幅值向量的乘积，这样每个训练地基云图样本的局部信息就可以划分为符号向量、幅值向量以及中心像素三个部分；

步骤3，对于所述符号向量、幅值向量以及中心像素均采用三值模式进行编码，分别记为CLTP_S、CLTP_M和CLTP_C，并分别计算其旋转不变一致性特征；

步骤4，对所述步骤3得到的所述符号向量、幅值向量以及中心像素的旋转不变一致性特征进行融合，得到所述训练地基云图样本的最终特征表示；

步骤5，对于测试地基云图，与所述步骤1-4类似，得到所述测试地基云图的最终特征表示；

步骤6，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，应用最近邻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。

本发明的有益效果：本发明通过把图像的局部信息从符号（sign）、幅值（magnitude）和中心像素值（center）三个方面考虑，针对每一个方面引入一个小的容忍区间，然后采用局部三值模式进行编码，最后融合这三个方面的特征形成图像最终的特征表示。以上特点使本发明可以获得更好的噪声鲁棒性和分类准确性。

附图说明

图1是本发明提出的基于完备化局部三值模式的地基云图分类方法的流程图；

图2是本发明方法中特征提取部分的流程图；

图3是本发明方法在Kiel数据集上的分类结果示意图；

图4是本发明方法在加入噪声的Kiel数据集上的分类结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

图1是本发明提出的基于完备化局部三值模式的地基云图分类方法的流程图，如图1所示，所述方法包括以下步骤：

步骤1，对于每个训练地基云图样本，将其局部信息分解为局部差值向量以及中心像素两个部分；

该步骤中，中心像素很容易获得，对于局部差值向量，假设给定中心像素点g_c及其周围P个均匀分布的近邻像素g₀，g₁，…，g_P-1，可以计算得到一差值向量：[d₀，d₁，…，d_P-1]，其中，d_p=g_p-g_c，p=0，1，…，P-1。

对于一个训练样本，若其包含N个像素，则可以得到N个局部信息，每个局部信息包括一个中心像素和一个局部差值向量。

步骤2，如图2所示，将每个局部差值向量分解为一个符号向量和一个幅值向量的乘积，这样每个训练地基云图样本的局部信息就可以划分为符号向量、幅值向量以及中心像素三个部分；

该步骤中，按照下式将差值向量分解为一个符号向量和一个幅值向量的乘积：

d_p=s_p*m_p，

其中，s_p代表差值向量d_p的符号，m_p代表差值向量d_p的幅值： $\left\{\begin{array}{c}{s}_p=\mathrm{sign}\left(d_p\right)\\ m_p=\left|d_p\right|\end{array}\right..$

通过这种方式，差值向量[d₀，d₁，…，d_P-1]可以转化成为一个符号向量[s₀，s₁，…，s_P-1]和一个幅值向量[m₀，m₁，…，m_P-1]的乘积。

步骤3，如图2所示，对于所述符号向量、幅值向量以及中心像素三个部分均采用三值模式进行编码，分别记为CLTP_S、CLTP_M和CLTP_C，并分别计算其旋转不变一致性特征，为了书写方面，三个特征的标记不变；

该步骤中，利用下式对所述符号向量[s₀，s₁，…，s_P-1]进行三值编码得到CLTP_S：

$\mathrm{CLTP}\_S=\underset{p=0}{\overset{P-1}{\mathrm{\Σ}}}t(g_p-g_c)2^p,$

$t(g_p,g_c)=\left\{\begin{array}{cc}1,& g_p\≥g_c+\mathrm{\δ}\\ -1,& g_p\≤g_c-\mathrm{\δ}\\ 0,& \mathrm{otherwise}\end{array}\right.,$

其中，t代表三值指示函数，δ为引入的容忍区间。

利用下式对所述幅值向量[m₀，m₁，…，m_P-1]进行三值编码得到CLTP_M：

$\mathrm{CLTP}\_M=\underset{p=0}{\overset{P-1}{\mathrm{\Σ}}}t(m_p-c_m)2^p,$

其中，t代表三值指示函数，c_m代表整幅图像中m_p的均值。

利用下式对于所述中心像素进行编码得到CLTP_C：

CLTP_C=t(g_c,c_A)，

其中，t代表三值指示函数，阈值c_A代表整幅图像的均值。

步骤4，如图2所示，对所述步骤3得到的所述符号向量、幅值向量以及中心像素的旋转不变一致性特征进行融合，得到所述训练地基云图样本的最终特征表示CLTP；

该步骤可选择采用两种融合方式：并联和串联。对于并联方式，首先并联CLTP_S与CLTP_M，形成一个2-D的直方图，记为CLTP_S/M；然后将CLTP_S/M与CLTP_C并联形成3-D的直方图，记为CLTP_S/M/C；对于串联方式，首先将CLTP_S与CLTP_M串联，记为CLTP_S_M，然后将CLTP_S_M与CLTP_C并联，记为CLTP_S_M/C。

步骤5，对于测试地基云图，与所述步骤1-4类似，得到所述测试地基云图的最终特征表示；

步骤6，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，应用最近邻分类器对所述测试地基云图进行分类，即计算所述测试地基云图与所有训练样本之间的距离，把所述测试地基云图分类到与其距离最近的训练样本的类别中，得到所述测试地基云图的分类结果。

该步骤中使用二次卡方度量来衡量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之间的距离，所述二次卡方度量公式如下：

${\mathrm{QC}}_m^A(S,M)=\sqrt{\underset{i,j}{\mathrm{\Σ}}\left(\frac{(S_i-M_i)}{{\left({\mathrm{\Σ}}_c(S_c+M_c)A_{\mathrm{ci}}\right)}^m}\right)\·\left(\frac{(S_j-M_j)}{{\left({\mathrm{\Σ}}_c(S_c+M_c)A_{\mathrm{cj}}\right)}^m}\right)A_{\mathrm{ij}}},$

其中，S、M代表两幅图像的最终特征表示；A为直方图中不同维（bin）的相似矩阵，m为归一化因子，c=1，…，H(H为直方图特征的维数)。当A=I，m=0.5时，二次卡方度量将退化为卡方度量。

接下来以德国吉尔大学莱布尼茨实验室提供的全天空可见光地基云图数据（简记为Kiel）作为测试对象。按照相似的天空指示意义把天空图像分为7类，具体地，将卷积云和高积云合并为一类，层云和高层云合并为一类，积雨云和雨层云合并为一类，卷云和卷层云合并为一类，这样剩余的云属加上晴空就把天空图像分为7类。实验时，随机选取每类样本中的1/3作为训练样本，剩下的2/3作为测试样本。为了保障结果的稳定性，将这种随机划分方式重复100次，并将100次的平均值作为最后的分类结果。图3显示的是本发明方法与LBP算法比较的分类性能。图3显示的是本发明方法在加入噪声的Kiel数据集的分类性能（加入噪声的Kiel数据集用来模拟地基云图中一些噪声的干扰，比如：现实生活中的沙粒和灰尘等）。从图3中可以看出，本发明方法可以获得更好的分类性能。从图4中可以看出，即使是加入噪声的云图，本发明仍可以获得相对稳定的分类性能，而基于LBP的算法性能下降比较多，其中，(P,R)分别表示近邻像素个数和半径。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于完备化局部三值模式的地基云图分类方法，其特征在于，该方法包括以下步骤： 

步骤1，对于每个训练地基云图样本，将其局部信息分解为局部差值向量以及中心像素两个部分； 

步骤2，将每个局部差值向量分解为一个符号向量和一个幅值向量的乘积，这样每个训练地基云图样本的局部信息就可以划分为符号向量、幅值向量以及中心像素三个部分； 

步骤3，对于所述符号向量、幅值向量以及中心像素均采用三值模式进行编码，分别记为CLTP_S、CLTP_M和CLTP_C，并分别计算其旋转不变一致性特征； 

步骤4，对所述步骤3得到的所述符号向量、幅值向量以及中心像素的旋转不变一致性特征进行融合，得到所述训练地基云图样本的最终特征表示； 

步骤5，对于测试地基云图，与所述步骤1-4类似，得到所述测试地基云图的最终特征表示； 

步骤6，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，应用最近邻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。 

2.根据权利要求1所述的方法，其特征在于，所述局部差值向量表示为[d₀，d₁，…，d_P-1]，其中，d_p=g_p-g_c，p=0，1，…，P-1；g_c为中心像素点；g₀，g₁，…，g_P-1为所述中心像素点周围的P个均匀分布的近邻像素。 

3.根据权利要求1所述的方法，其特征在于，所述步骤2中，按照下式将所述差值向量分解为一个符号向量和一个幅值向量的乘积： 

d_p=s_p*m_p， 

其中，s_p代表差值向量d_p的符号，m_p代表差值向量d_p的幅值：

p=0，1，…，P-1，P为某一中心像素点周围近邻像素的个数。 

4.根据权利要求2所述的方法，其特征在于，所述步骤3中，利用 下式对符号向量[s₀，s₁，…，s_P-1]进行三值编码得到CLTP_S： 

其中，t代表三值指示函数，δ为引入的容忍区间。 

5.根据权利要求2所述的方法，其特征在于，所述步骤3中，利用下式对幅值向量[m₀，m₁，…，m_P-1]进行三值编码得到CLTP_M： 

其中，t代表三值指示函数，c_m代表整幅图像中m_p的均值。 

6.根据权利要求2所述的方法，其特征在于，所述步骤3中，利用下式对于中心像素进行编码得到CLTPC： 

CLTP_C=t(g_c,c_A)， 

其中，t代表三值指示函数，阈值c_A代表整幅图像的均值。 

7.根据权利要求1所述的方法，其特征在于，所述步骤4中，采用并联或串联的融合方式对于所述符号向量、幅值向量以及中心像素的旋转不变一致性特征进行融合。 

8.根据权利要求7所述的方法，其特征在于，如果采用并联的融合方式进行融合，则首先并联CLTP_S与CLTP_M，形成一个2-D的直方图，记为CLTP_S/M；然后将CLTP_S/M与CLTP_C并联形成3-D的直方图，记为CLTP_S/M/C； 

如果采用串联的融合方式进行融合，则首先将CLTP_S与CLTP_M串联，记为CLTP_S_M，然后将CLTP_S_M与CLTP_C并联，记为CLTP_S_M/C。 

9.根据权利要求1所述的方法，其特征在于，所述步骤6中应用最近邻分类器对所述测试地基云图进行分类具体为：计算所述测试地基云图与所有训练样本之间的距离，把所述测试地基云图分类到与其距离最近的训练样本的类别中。 

10.根据权利要求9所述的方法，其特征在于，所述步骤6中使用二次卡方度量来衡量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之间的距离，所述二次卡方度量表示为： 

其中，S、M代表两幅图像的最终特征表示；A为直方图中不同维的相似矩阵，m为归一化因子，c=1，…，H，H为直方图特征的维数。 

Images