CN103605988A - 一种基于空间金字塔随机映射的地基云图分类方法 - Google Patents

Abstract

本发明公开了一种基于空间金字塔随机映射的地基云图分类方法，该方法包括以下步骤：首先对于每张训练地基云图样本按照稠密采样的方式提取其局部特征；然后应用随机映射对每个局部特征进行降维，将原始高维特征集合映射到一个低维的子空间中；接下来在低维子空间对降维后的特征进行聚类得到码本；随后，将样本图像按空间金字塔模型划分为不同的区域，根据码本得到不同区域的区域特征，将这些区域特征组合起来作为该样本图像最终的特征表示；最后，应用支持向量机分类器得到测试地基云图的分类结果。本发明通过应用空间金字塔模型可以获得图像的空间信息，从而可以更好地表示云图中信息；同时本发明采用随机映射对图像的局部特征进行降维，不仅可以提高地基云图分类系统的效率，节省了时间开销，还可以避免维数灾难。

Description

一种基于空间金字塔随机映射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，尤其是一种基于空间金字塔随机映射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，云层的检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检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，国际上有人对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来检测，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。有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。有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。有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从而检测云图。也有人通过研究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。CN101566692A公开了一种利用卫星遥感数据中的信息检测云层的方法，结合数字图像技术进行云和云影匹配，得到云和云影之间的距离；CN101246545A公开了一种光学遥感图像去云的泊松方法，利用图像选择器基本底图图像及替补图像，构建多级相似结构，逐级进行云区像元检测，利用泊松去云层处理算法对图像进行融合处理。以上检测方法中均是对云图提取简单的纹理特征，没有考虑到地基云图中的空间信息，显然不能很好地表示地基云图中的信息。

发明内容

为了解决上述现有技术存在的问题，本发明的目的是考虑加入地基云图中的空间信息，提出一种基于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，同时地基云图中包含重要的空间信息。为此，本发明提供一种基于空间金字塔随机映射的地基云图分类方法，该方法通过应用空间金字塔模型可以获得图像的空间信息，从而可以更好地表示云图中的空间信息；同时本发明采用随机映射对图像的局部特征进行降维，不仅可以提高地基云图分类系统的效率，节省了时间开销，还可以避免维数灾难。

为了实现上述目的，本发明提供一种基于空间金字塔随机映射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，对于每张训练地基云图样本按照稠密采样的方式提取其局部特征，利用局部图像的强度值作为图像的局部特征；

步骤2，利用随机映射对每个局部特征进行降维，将原始高维特征集合映射到一个低维的子空间中；

步骤3，在低维子空间对降维后的特征集合进行聚类得到码本D；

步骤4，将训练地基云图样本按空间金字塔模型划分为不同的区域，并将金字塔中每一级称为一个尺度；然后根据码本D得到不同区域的区域特征，将这些区域特征组合起来作为该样本图像最终的特征表示；

步骤5，对于测试地基云图，按照所述步骤4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，应用支持向量机（SVM）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。

进一步，所述步骤2中，利用随机映射进行降维，将原始高维特征集合映射到一个低维的子空间中，公式如下：

                                                                           

                                  

其中x表示原始N维特征向量，y表示降维后的M维特征向量（M<<N），

表示一个

随机矩阵，为高斯随机矩阵，元素

为相互独立且为零均值单位方差的高斯随机变量，R表示实数；在压缩传感过程中，用随机矩阵

对高维特征向量进行降维得到低维的随机特征向量，此过程称为随机映射，根据上述描述得到低维特征向量集合Y={y_i}。

进一步，所述步骤3中，利用K-means算法对地基云图的局部特征集合Y进行聚类，然后将聚类中心作为码本D。

进一步，所述步骤4按如下步骤进行：

1）将训练地基云图样本按空间金字塔模型划分为不同的区域，并将金字塔中每一级称为一个尺度；将图像划分为三级，第一级为原始图像，第二级是将图像划分为大小相等的四个图像块，第三级是将图像划分为大小相等的九个图像块；

2）针对每一级的每一个图像块，根据码本D，将该图像块中的每个局部特征映射到与其最近的码字上，然后计算码本D中所有码字在该图像块出现次数的直方图，将其作为该图像块的区域特征；

3）将这些图像块的区域特征串联组合作为该地基云图样本最终的特征表示。

附图说明

当结合附图阅读下文对示范性实施方式的详细描述时，这些以及其他目的、特征和优点将变得显而易见，在附图中：

图1是本发明提出的一种基于空间金字塔随机映射的地基云图分类方法的流程图；

图2是本发明方法在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是本发明提出的一种基于空间金字塔随机映射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，对于每张训练地基云图样本按照稠密采样的方式提取其局部特征，这里直接利用局部图像的强度值作为局部特征；

步骤2，利用随机映射对每个局部特征进行降维，将原始高维特征集合映射到一个低维的子空间中，公式如下：

                         

                        （1）

其中x表示原始N维特征向量，y表示降维后的M维特征向量（M<<N），M和N均为自然数，

表示一个

随机矩阵，此处选择

为高斯随机矩阵，R表示实数，元素

间相互独立且为零均值单位方差的高斯随机变量。

在压缩传感过程中，随机特征的本质是压缩测量，所以用随机矩阵（测量矩阵）对高维数据进行降维得到低维的随机特征，此过程称为随机映射。根据上述描述就可以得到低维特征向量集合Y={y_i}。

步骤3，在低维子空间对降维后的特征进行聚类得到码本D，此处利用K-means算法对地基云图的局部特征集合Y进行聚类，然后将聚类中心作为码本D。

步骤4，将训练地基云图样本按空间金字塔模型划分为不同的区域，并将金字塔中每一级称为一个尺度。然后根据码本D得到不同区域的区域特征，将这些区域特征组合起来作为该样本图像最终的特征表示。具体步骤如下： 

1）将训练地基云图样本按空间金字塔模型划分为不同的区域，并将金字塔中每一级称为一个尺度。这里将图像划分为三级，第一级为即为原始图像，第二级是将图像划分为大小相等的四个图像块，第三级是将图像划分为大小相等的九个图像块；

2）针对每一级的每一个图像块，根据码本D，将该图像块中的每个局部特征映射到与其最近的码字上，然后计算码本D中所有码字在该图像块出现次数的直方图，将其作为该图像块的区域特征；

3）将这些图像块的区域特征串联组合作为该地基云图样本图像最终的特征表示。

步骤5，对于测试地基云图，按照所述步骤4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，应用支持向量机（SVM）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。

接下来以德国基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2显示的是本发明方法与基于随机映射的地基云图分类方法（简记为基于随机映射的方法）比较的分类性能。

从图2中可以看出，本发明方法可以获得比基于随机映射的地基云图分类方法更加优越的分类性能。

已经出于示出和描述的目的给出了本发明的说明书，但是其并不意在是穷举的或者限制于所公开形式的发明。本领域技术人员可以想到很多修改和变体。本领域技术人员应当理解，本发明实施方式中的方法和装置可以以软件、硬件、固件或其组合实现。

因此，实施方式是为了更好地说明本发明的原理、实际应用以及使本领域技术人员中的其他人员能够理解以下内容而选择和描述的，即，在不脱离本发明精神的前提下，做出的所有修改和替换都将落入所附权利要求定义的本发明保护范围内。

Claims (4)

1.一种基于空间金字塔随机映射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，对于每张训练地基云图样本按照稠密采样的方式提取其局部特征，利用局部图像的强度值作为图像的局部特征；

步骤2，利用随机映射对每个局部特征进行降维，将原始高维特征集合映射到一个低维的子空间中；

步骤3，在低维子空间对降维后的特征集合进行聚类得到码本D；

步骤4，将训练地基云图样本按空间金字塔模型划分为不同的区域，并将金字塔中每一级称为一个尺度；然后根据码本D得到不同区域的区域特征，将这些区域特征组合起来作为该样本图像最终的特征表示；

步骤5，对于测试地基云图，按照所述步骤4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，应用支持向量机（SVM）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，所述步骤2中，利用随机映射进行降维，将原始高维特征集合映射到一个低维的子空间中，公式如下：

                                                                                

                                  

其中x表示原始N维特征向量，y表示降维后的M维特征向量，M<<N，M和N均为自然数，

表示一个

随机矩阵，

为高斯随机矩阵，元素

为相互独立且为零均值单位方差的高斯随机变量，R表示实数；

在压缩传感过程中，用随机矩阵

对高维特征向量进行降维得到低维的随机特征向量，此过程称为随机映射，根据上述描述得到低维特征向量集合Y={y_i}。

3.根据权利要求1-2其中任一项所述的方法，其特征在于，所述步骤3中，利用K-means算法对地基云图的局部特征集合Y进行聚类，然后将聚类中心作为码本D。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述步骤4按如下步骤进行：

1）将训练地基云图样本按空间金字塔模型划分为不同的区域，并将金字塔中每一级称为一个尺度；将图像划分为三级，第一级为原始图像，第二级是将图像划分为大小相等的四个图像块，第三级是将图像划分为大小相等的九个图像块；

2）针对每一级的每一个图像块，根据码本D，将该图像块中的每个局部特征映射到与其最近的码字上，然后计算码本D中所有码字在该图像块出现次数的直方图，将其作为该图像块的区域特征；

3）将这些图像块的区域特征串联组合作为该地基云图样本最终的特征表示。

Images