CN103699902A - 一种地基可见光云图的分类方法 - Google Patents

Abstract

本发明公开一种地基可见光云图的分类方法，包括以下几个步骤：步骤一：对于地基可见光云图进行图像预处理，得到标准云图，然后从中随机选取若干图像作为训练样本，其余作为测试样本，且训练样本的数量大于测试样本；步骤二：提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵和Tamura特征；步骤三：基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征；步骤四：将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，对训练样本建立极限学习机模型得到云图分类器；步骤五：使用云图分类器对测试样本进行分类，并得到最终的分类结果。此地基可见光云图的分类方法分类更准确。

Description

一种地基可见光云图的分类方法

技术领域

本发明涉及一种地基可见光云图的分类方法，属于图像信息处理和气象技术领域。

背景技术

云是地球热力平衡和水气循环的重要组成部分，云的变化决定了地球的辐射收支状况,是全球气候变化的一个重要影响因子。因此判定云的类型，了解云的分布，对于天气预报的准确性、气候监测的有效性、建立气候模型的科学性以及大气探测和大气遥感都是至关重要的。

卫星云图能提供大范围的云的大尺度分布结构信息，但是在薄云和低云上受限于空间分别率和未知的表面影响；而地基云观测范围较小，能提供云块大小、排列方式以及云的高低分布等局部分布信息。目前，地基云分类研究主要集中于可见光云图的分类研究。云的特征提取和识别是云分类系统中最核心的内容，所采用的特征有光谱特征、纹理特征、颜色特征、形状特征、空间位置信息等等。其中，光谱特征包括样本区域内各通道的灰度、亮温或反照率的平均值、最大值、最小值、亮温差、标准差等参数，多数用于卫星云图；纹理特征包括灰度共生矩阵、灰度-梯度共生矩阵等表明了图像中灰度的空间分布特性；颜色特征包括颜色直方图、颜色矩等描述图像所包含的物体或场景的表面性质；形状特征包括轮廓特征和区域特征来表达物体的边界或整体形状。这些工作都只考虑了全局特征，而忽略了云的局部特征描述；而采用单一特征，没有有效考虑到图像的复杂性和不同类别之间的差异性。

目前国内外常用的分类器有K近邻，支持向量机，贝叶斯分类器，神经网络等等，其中神经网络分类器的识别精度被普遍认为高于其它分类器。K近邻法容易受到类别初始中心选择的影响；经典的支持向量机只给出了二分类算法，对大规模训练样本难以实施；贝叶斯分类器则需要知道各类别的确切分布概率，而在实际中这些因素往往不可预知；传统神经网络采用误差反馈的梯度学习方法（BP），存在学习速度较慢、迭代次数过多、求解易于陷入局部极小等缺点。

发明内容

本发明的目的，在于提供一种地基可见光云图的分类方法，可以解决上述缺陷。

为了达成上述目的，本发明的解决方案是：

一种地基可见光云图的分类方法，包括以下几个步骤：

步骤一：对于地基可见光云图进行图像预处理，得到标准云图，然后从中随机选取若干图像作为训练样本，其余作为测试样本，且训练样本的数量大于测试样本；

步骤二：提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵和Tamura特征；

步骤三：基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征；

步骤四：将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，对训练样本建立极限学习机模型得到云图分类器；

步骤五：使用云图分类器对测试样本进行分类，并得到最终的分类结果。

进一步的，所述步骤一中，进行图像预处理的具体内容是：设置一个图像大小阈值，并对积状云、卷云、层状云和晴空这4类地基可见光云图样本进行处理，若所述样本的高宽最大值超过前述阈值，则采用双三次插值算法重新调整样本的图像大小，其缩放系数为阈值与高宽最大值的比值。

进一步的，所述步骤一中，从标准云图中随机选取70%的图像作为训练样本，30%的图像作为测试样本。

进一步的，所述步骤二中，Tamura特征采用粗糙度、对比度和方向度三个特征量，颜色特征采用颜色的一阶矩、二阶矩和三阶矩来描述颜色分布。

进一步的，所述步骤三包含如下步骤：

1）将标准云图划分为图像块并生成描述子；

2）使用Lowe提出的SIFT描述子来描述每个块，每个描述子为128维向量，这些向量表示图像中局部不变的点；

3）将前述向量集合到一块，再用K-means算法对其进行训练，生成类心，即构造了一个包含K个词汇的词典；

4）计算每幅标准云图生成的特征向量和词典之间的距离，统计词典中每个单词在标准云图中出现的次数，从而将标准云图表示成一个K维的直方图特征，在云图分类时将直方图特征作为云图分类器的输入。

进一步的，所述步骤四中，建立云图分类器的具体内容是：所述云图分类器作为一类单隐层前向神经网络，假设有N个不同的训练样本(x_i,t_i)，x_i为输入样本，即第i个训练样本的全局特征向量和局部特征向量的线性融合，t_i为输出样本，即第i个训练样本的输出节点，其中，i=1,2,…,N，x_i=[x_i1,x_i2,…,x_in]^T∈Rⁿ，t_i=[t_i1,t_i2,…,t_im]^T∈R^m，其中，x_i1,x_i2,…,x_in分别是第i个训练样本中第1，2，…，n个输入节点，t_i1,t_i2,…,t_im分别是第i个训练样本中第1，2，…，m个输出节点，Rⁿ表示多维空间，n的值是输入节点个数，m的值是输出节点个数；网络具有

个隐层节点，激活函数为g(x)的单隐层前向神经网络的统一模型为 ${\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j\left(x_i\right)={\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j(w_j{x}_i+b_j)=o_i$ i=1,2,…,N，其中，w_j=[w_j1,w_j2,…,w_jn]^T是第j个隐层节点与第i个输入样本的连接权值，w_j1,w_j2,…,w_jn分别是第j个隐层节点与前述第i个输入样本中第1，2，…，n个输入节点的连接权值，β_j=[β_j1,β_j2,…,β_jm]^T是第j个隐层节点与第i个输出样本的连接权值，β_j1,β_j2,…,β_jm分别是第j个隐层节点与第i个输出样本中第1，2，…，m个输出节点的连接权值，b_j是第j个隐层节点的偏差；假设单隐层前向神经网络能够无误差逼近N个样本，即

那么就存在β_j,w_j,b_j，使得 ${\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j\left(w_j{x}_i{+b}_j\right)=t_i,$ i=1,2,…,N；

上述N个方程的矩阵形式写为：Hβ=T，其中，

$H={\left[\begin{array}{ccc}g(w_1\·x_1+b_1)& \·\·\·& g(w_{\tilde{N}}\·x_1+b_{\tilde{N}})\\ \·& & \·\\ \·& \·\·\·& \·\\ \·& & \·\\ g(w_1\·x_1+b_1)& \·\·\·& g(w_{\tilde{N}}\·x_N+b_{\tilde{N}})\end{array}\right]}_{N\×\tilde{N}}$

$\mathrm{\β}=[{\mathrm{\β}}_1^T,{\mathrm{\β}}_2^T,\·\·\·,{\mathrm{\β}}_{\tilde{N}}^T{]}_{m\×\tilde{N}}^T,T=[t_1^T,t_2^T,\·\·\·{,t}_{\tilde{N}}^T{]}_{m\×N}^T$

H为网络隐层输出矩阵；设激活函数g(x)无限可微，根据极限学习机的定理，||Hβ-T||=0；

所以，单隐层前向神经网络的训练过程，等价于寻找线性系统Hβ=T的最小二乘解即H′是矩阵H的Moore-Penrose广义矩阵；

至此，计算出输出节点的连接权值β，得到极限学习机模型云图分类器T=Hβ。

采用上述方案后，本发明方法具有以下有益效果：

1、适合表征各典型云状的局部SIFT特征描述子；

2、以典型云状的多维综合全局特征和云状的局部特征为基础建立极限学习机模型的云图分类器；

3、在相同条件下，本发明方法可获得比传统的基于K近邻、BP神经网络和SVM的云图分类方法更准确的分类性能。

附图说明

图1是本发明的流程图。

图2是极限学习机网络示意图。

具体实施方式

以下将结合附图，对本发明的技术方案进行详细说明。

本发明提出一种基于词袋模型和极限学习机的地基可见光云图分类方法，目的在于通过充分利用地基可见光云图的全局纹理特征、全局颜色特征以及基于SIFT描述子和词袋模型的局部特征，建立极限学习机模型得到云图分类器，并对任意一张地基可见光云图像识别为某一种类型的云。本实施例中设定云图类型为4种，包括积状云、卷云、层状云和晴空。

参照图1，本发明实现步骤如下：

步骤一：对于所述地基可见光云图进行图像预处理，得到标准云图，并将标准云图随机分类得到训练样本和测试样本。

设置一个图像大小阈值T，并对4类地基可见光云图样本进行处理，若图像高宽最大值超过阈值T，则采用双三次插值算法重新调整图像大小，其缩放系数为阈值与高宽最大值之比值，然后从标准云图中随机选取70%的图像作为训练样本，30%的图像作为测试样本。

步骤二：提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵、Tamura特征。

（2.1）提取灰度共生矩阵P(p,q,δ,θ)表示从灰度p出发，距离为δ=(Dx,Dy)的点上的灰度为q的概率。

P(p,q,δ,θ)={(x,y)|z(x,y)=p,z(x+Dx,y+Dy)=q;x,y=0,1,…,N-1}

其中，Dx为灰度级为q的点与灰度级为p的点的横坐标距离，Dy为灰度级为q点与灰度级为p的点的纵坐标距离，不同δ表示不同的距离。

灰度共生矩阵建立后，θ定义了4个方向，取0D，45D，90D和135D，提取6个相关特征，分别是二阶矩，对比度，相关性，熵，逆差距和惯性距。

（2.2）提取Tamura特征

Tamura特征提出了六种基本的特征，分别是粗糙度、对比度、方向度、线像度、规整度和粗略度。其中，前三个分量对图像检索尤其中重要。本发明Tamura特征采用粗糙度、对比度和方向度这三个特征量。

（2.3）提取颜色特征

由于颜色分布信息主要集中在低阶矩，因此采用颜色的一阶矩、二阶矩和三阶矩来描述颜色分布。

${\mathrm{\μ}}_c=\frac{1}{M}{\mathrm{\Σ}}_{d=1}^M{p}_{\mathrm{cd}}$

${\mathrm{\σ}}_c\text{=}{\left(\frac{1}{M}{\mathrm{\Σ}}_{d=1}^M{(p_{\mathrm{cd}}-{\mathrm{\μ}}_c)}^2\right)}^{\frac{1}{2}}$

$s_c={\left(\frac{1}{M}{\mathrm{\Σ}}_{d=1}^M{(p_{\mathrm{cd}}-{\mathrm{\μ}}_c)}^3\right)}^{\frac{1}{3}}$

其中，p_cd是图像中第d个像素的第c个颜色分量，M是像素总数。

步骤三：基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征。

1）将标准云图划分为图像块并生成描述子；

2）使用Lowe提出的SIFT（Scale-invariant feature transform，尺度不变特征转换）描述子来描述每个块，每个描述子为128维向量，这些向量表示图像中局部不变的点；

3）将前述向量集合到一块，再用K-means算法对其进行训练，生成类心，即构造了一个包含K个词汇的词典；

4）计算每幅标准云图生成的特征向量和词典之间的距离，统计词典中每个单词在标准云图中出现的次数，从而将标准云图表示成一个K维的直方图特征，在云图分类时将直方图特征作为云图分类器的输入。

步骤四：将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，建立极限学习机模型得到云图分类器。

使用适当的分类器，建立分类器学习模型。常用的分类器有K近邻、SVM、贝叶斯以及BP神经网络等等，本发明采用极限学习机(ELM)分类器。

作为一类单隐层前向神经网络，与传统方法不同，它可以随机的选择网络中的隐层神经元的连接权值，输入权值和隐藏层偏差可以随机赋值，输出层权值通过解析算法计算得到，具有学习速度快、泛化能力好等优良特性。

如图2所示，假设有N个不同的训练样本(x_i,t_i)，x_i为输入样本，即第i个训练样本的全局特征向量和局部特征向量的线性融合，t_i为输出样本，即第i个训练样本的输出节点，其中，i=1,2,…,N，x_i=[x_i1,x_i2,…,x_in]^T∈Rⁿ，t_i=[t_i1,t_i2,…,t_im]^T∈R^m，其中，x_i1,x_i2,…,x_in分别是第i个训练样本中第1，2，…，n个输入节点，t_i1,t_i2,…,t_im分别是第i个训练样本中第1，2，…，m个输出节点，Rⁿ表示多维空间，n的值是输入节点个数，m的值是输出节点个数；网络具有

个隐层节点，激活函数为g(x)的单隐层前向神经网络的统一模型为 ${\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j\left(x_i\right)={\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j(w_j{x}_i+b_j)=o_i$ i=1,2,…,N，其中，w_j=[w_j1,w_j2,…,w_jn]^T是第j个隐层节点与第i个输入样本的连接权值，w_j1,w_j2,…,w_jn分别是第j个隐层节点与前述第i个输入样本中第1，2，…，n个输入节点的连接权值，β_j=[β_j1,β_j2,…,β_jm]^T是第j个隐层节点与第i个输出样本的连接权值，β_j1,β_j2,…,β_jm分别是第j个隐层节点与第i个输出样本中第1，2，…，m个输出节点的连接权值，b_j是第j个隐层节点的偏差；假设单隐层前向神经网络能够无误差逼近N个样本，即

那么就存在β_j,w_j,b_j，使得 ${\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j(w_j{x}_i+b_j)=t_i,$ i=1,2,…,N；

上述N个方程的矩阵形式写为：Hβ=T，其中，

${\left[\begin{array}{ccc}g(w_1\·x_1+b_1)& \·\·\·& g(w_{\tilde{N}}\·x_1+b_{\tilde{N}})\\ \·& & \·\\ \·& \·\·\·& \·\\ \·& & \·\\ g(w_1\·x_N+b_1)& \·\·\·& g(w_{\tilde{N}}\·x_N+b_{\tilde{N}})\end{array}\right]}_{N\×\tilde{N}}$

$\mathrm{\β}={[{\mathrm{\β}}_1^T,{\mathrm{\β}}_2^T,\·\·\·,{\mathrm{\β}}_{\tilde{N}}^T]}_{m\×\tilde{N}}^T,T={[t_1^T,t_2^T,\·\·\·,t_{\tilde{N}}^T]}_{m\×N}^T$

H为网络隐层输出矩阵；设激活函数g(x)无限可微，根据极限学习机的定理，||Hβ-T||=0；

所以，单隐层前向神经网络的训练过程，等价于寻找线性系统Hβ=T的最小二乘解

，即

=H′T，H′是矩阵H的Moore-Penrose广义矩阵；

至此，计算出输出节点的连接权值β，得到极限学习机模型云图分类器T=Hβ。

步骤五：使用云图分类器对测试样本进行分类，并得到最终的分类结果。

将测试样本数据送入相应的极限学习机分类器模型中，由上式T=Hβ可知,H为测试数据样本所得的隐层输出矩阵，β为已计算出的模型输出权值，可以得到每个训练样本的4个计算值，选取最大值的相应输出节点作为分类结果。重复步骤四-五S次，取得到同一值次数最多的类标作为最终云图分类结果，其中，S根据实际情况确定。

为了验证本发明方法的效果，分别将本发明方法与单独使用一种特征或者它们的两两组合进行比较，实验结果如表1至表7所示。

表1提取纹理特征进行分类时的混淆矩阵

表2提取颜色特征进行分类时的混淆矩阵

表3提取局部特征进行分类时的混淆矩阵

表4提取纹理特征和颜色特征进行分类时的混淆矩阵

表5提取纹理特征和局部特征进行分类时的混淆矩阵

表6提取颜色特征和局部特征进行分类时的混淆矩阵

表7提取纹理特征、颜色特征和局部特征进行分类时的混淆矩阵

从上表中可以看出，当全局纹理特征、全局颜色特征以及基于SIFT特征描述子和词袋模型的局部特征融合在一起时获得了比单独使用全局纹理特征、全局颜色特征和基于SIFT特征描述子和词袋模型的局部特征以及它们两两组合时更好的识别效果。

在相同条件下，将本发明方法与常用的K近邻、SVM和BP神经网络方法进行比较。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，

凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (6)

1.一种地基可见光云图的分类方法，其特征在于，包括以下几个步骤：

步骤一：对于地基可见光云图进行图像预处理，得到标准云图，然后从中随机选取若干图像作为训练样本，其余作为测试样本，且训练样本的数量大于测试样本；

步骤二：提取所述标准云图的全局特征，包括纹理特征和颜色特征，纹理特征包括灰度共生矩阵和Tamura特征；

步骤三：基于SIFT特征描述子建立词袋模型，提取所述标准云图的局部特征；

步骤四：将步骤二得到的全局特征向量和步骤三得到的局部特征向量进行线性融合，对训练样本建立极限学习机模型得到云图分类器；

步骤五：使用云图分类器对测试样本进行分类，并得到最终的分类结果。

2.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于：所述步骤一中，进行图像预处理的具体内容是：设置一个图像大小阈值，并对积状云、卷云、层状云和晴空这4类地基可见光云图样本进行处理，若所述样本的高宽最大值超过前述阈值，则采用双三次插值算法重新调整样本的图像大小，其缩放系数为阈值与高宽最大值的比值。

3.如权利要求1或2所述的一种地基可见光云图的分类方法，其特征在于：所述步骤一中，从标准云图中随机选取70%的图像作为训练样本，30%的图像作为测试样本。

4.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于：所述步骤二中，Tamura特征采用粗糙度、对比度和方向度三个特征量，颜色特征采用颜色的一阶矩、二阶矩和三阶矩来描述颜色分布。

5.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于：所述步骤三包含如下步骤：

1）将标准云图划分为图像块并生成描述子；

2）使用Lowe提出的SIFT描述子来描述每个块，每个描述子为128维向量，这些向量表示图像中局部不变的点；

3）将前述向量集合到一块，再用K-means算法对其进行训练，生成类心，即构造了一个包含K个词汇的词典；

4）计算每幅标准云图生成的特征向量和词典之间的距离，统计词典中每个单词在标准云图中出现的次数，从而将标准云图表示成一个K维的直方图特征，在云图分类时将直方图特征作为云图分类器的输入。

6.如权利要求1所述的一种地基可见光云图的分类方法，其特征在于：所述步骤四中，建立云图分类器的具体内容是：所述云图分类器作为一类单隐层前向神经网络，假设有N个不同的训练样本(x_i,t_i)，x_i为输入样本，即第i个训练样本的全局特征向量和局部特征向量的线性融合，t_i为输出样本，即第i个训练样本的输出节点，其中，i=1,2,…,N，x_i=[x_i1,x_i2,…,x_in]^T∈Rⁿ，t_i=[t_i1,t_i2,…,t_im]^T∈R^m，其中，x_i1,x_i2,…,x_in分别是第i个训练样本中第1，2，…，n个输入节点，t_i1,t_i2,…,t_im分别是第i个训练样本中第1，2，…，m个输出节点，Rⁿ表示多维空间，n的值是输入节点个数，m的值是输出节点个数；网络具有个隐层节点，激活函数为g(x)的单隐层前向神经网络的统一模型为 ${\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j\left(x_i\right)={\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j(w_j{x}_i+b_j)=o_i$ ，i=1,2,…,N，其中，w_j=[w_j1,w_j2,…,w_jn]^T是第j个隐层节点与第i个输入样本的连接权值，w_j1,w_j2,…,w_jn分别是第j个隐层节点与前述第i个输入样本中第1，2，…，n个输入节点的连接权值，β_j=[β_j1,β_j2,…,β_jm]^T是第j个隐层节点与第i个输出样本的连接权值，β_j1,β_j2,…,β_jm分别是第j个隐层节点与第i个输出样本中第1，2，…，m个输出节点的连接权值，b_j是第j个隐层节点的偏差；假设单隐层前向神经网络能够无误差逼近N个样本，即

那么就存在β_j,w_j,b_j，使得 ${\mathrm{\Σ}}_{j=1}^{\tilde{N}}{\mathrm{\β}}_j{g}_j(w_j{x}_i+b_j)=t_i,$ i=1,2,…,N；

上述N个方程的矩阵形式写为：Hβ=T，其中，

$H={\left[\begin{array}{ccc}g(w_1\·x_1+b_1)& \·\·\·& g(w_{\tilde{N}}\·x_1+b_{\tilde{N}})\\ \·& & \·\\ \·& \·\·\·& \·\\ \·& & \·\\ g(w_1\·x_1+b_1)& \·\·\·& g(w_{\tilde{N}}\·x_N+b_{\tilde{N}})\end{array}\right]}_{N\×\tilde{N}}$

$\mathrm{\β}={[{\mathrm{\β}}_1^T,{\mathrm{\β}}_2^T,\·\·\·,{\mathrm{\β}}_{\tilde{N}}^T]}_{m\×\tilde{N}}^T,T={[t_1^T,t_2^T,\·\·\·,t_{\tilde{N}}^T]}_{m\×N}^T$

H为网络隐层输出矩阵；设激活函数g(x)无限可微，根据极限学习机的定理，||Hβ-T||=0；

所以，单隐层前向神经网络的训练过程，等价于寻找线性系统Hβ=T的最小二乘解

即

H′是矩阵H的Moore-Penrose广义矩阵；

至此，计算出输出节点的连接权值β，得到极限学习机模型云图分类器T=Hβ。

Images