CN104156733A - 一种基于多尺度结构特征的地基云状识别方法 - Google Patents

Abstract

本发明提供一种基于多尺度结构特征的地基云状识别方法，具体步骤如下：(1)利用地基红外测云仪获得图像，通过人工对比以及人为校正进行筛选，挑出典型样本组合成典型样本库，作为训练标准集；其余的作为测试样本集；(2)利用分层方法分解训练标准集和测试样本集，得到每张云图的多尺度图像；(3)提取云图的多尺度结构特征；(4)基于所述训练标准集中训练地基云图样本的最终特征表示和所述测试样本集中测试地基云图的最终特征表示，应用支持向量机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；并根据分类结果对支持向量机的参数进行优化。

Description

一种基于多尺度结构特征的地基云状识别方法

技术领域

本发明涉及一种基于多尺度结构特征的地基云状识别方法，其主要用于云状的自动化观测中。

背景技术

云的形成和演变是大气中发生错综复杂的物理过程的具体表现之一。云的形态、分布及其变化标志着大气运动的状况，并能作为天气变化的征兆。云的自动观测是世界气象组织和中国气象局关注的问题，并且中国气象局《综合气象观测研究计划》已将其列为优先研究主题。

云状是重要的气象要素，在天气预测、现场保障、航空航天和气候研究中有重要作用。一名有经验的观测员可以在白天较好地进行云状的判断，但夜间，尤其暗夜的判断难以有效进行。此外，培养有经验的观测员需要较长时间和较大费用，观测员由于水平不一造成数据误差较大。研究云状自动识别对于提高地面气象要素自动化观测水平，全面实现气象要素自动化观测有促进作用。

随着技术的不断发展，地基测云仪器得到了很好的改进，云量和云底高目前基本能实现仪器自动测量，但云状自动识别一直是云的自动观测的难点，未能得到有效解决。其主要原因在于，云体本身是不断运动和变化的，观测员可以根据云的形态、颜色、轮廓、范围、云的演变物理过程以及与云有关的天气系统的性质等等对云状进行综合判别，但计算机进行图像识别时，以传统的纹理特征提取方法很难对这些复杂的特征进行行之有效的描述，从而造成自动识别较为困难。

目前，国内外一些学者对地基云状自动识别已经做了大量的工作。如，Buch等对WSI(Whole Sky Imager)云图进行了识别分类，主要考察了云图的纹理特征、位置信息和像素点亮度信息，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，总正确率为61％。Singh等利用数字相机得到的图像进行地基云图识别分类研究，通过自相关法、灰度共生矩阵法、LAWS能量法等方法提取出上百种云特征，进行区分积云、浓积云、积雨云、晴空和其他云类这五种天空类型。但对于分类效果仅限于方法性的讨论，认为获取的图像的质量和图像分割的质量会影响分类效果。此外，Calbó等采用位于不同地区的TSI(Total Sky Imager)和WSC(Whole Sky Camera)仪器的数据，通过抽取原始图像的统计信息、Fourier变换图像的信息和有云无云点的信息进行晴空、波状云、卷云、层状云和积状云五类天空状况的识别，正确率达到76％。以上方法主要是利用数字图像处理技术中发展起来的纹理特征对云图特性进行表达，研究像素灰度值的分布和组合信息，而没有结合地基云图自身特点和人工目测经验对云的结构信息进行研究。从目前的研究结果来看，现有的地基云状特征的表述因子还不够有效，不能很好的表示地基云图的信息。

发明内容

为了解决上述现有技术存在的问题，本发明的目的是充分考虑人工目测云状经验，利用多尺度分析的方法，在原有云图的基础上增加尺度信息，模拟人眼观测，提出一种针对地基云图特点的特征表达性能更好的云状识别方法。

本发明的技术方案为：一种基于多尺度结构特征的地基云状识别方法，具体步骤如下：

(1)利用地基红外测云仪获得图像，通过人工对比以及人为校正进行筛选，挑出典型样本组合成典型样本库，作为训练标准集；其余的作为测试样本集；

(2)利用分层方法分解训练标准集和测试样本集，得到每张云图的多尺度图像；

(3)提取云图的多尺度结构特征；

(4)基于所述训练标准集中训练地基云图样本的最终特征表示和所述测试样本集中测试地基云图的最终特征表示，应用支持向量机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；并根据分类结果对支持向量机的参数进行优化。

进一步的，步骤(2)中所利用的分层方法为高斯金字塔分解的方法，具体方法如下：

将原始图像G₀作为高斯金字塔的第0层，高斯金字塔的第l层图像G_l通过l-1层图像与窗口函数W(m,n)卷积获得，并将获得的结果隔行隔列降采样，即：

$G_l=\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}W(m,n)G_{l-1}(2i+m,2j+n),0<l\&le;N,0\&le;i<C_i,0\&le;j<R_i$

其中，N表示高斯金字塔顶层的层数，C_i表示高斯金字塔第l图像的列数，R_i表示高斯金字塔第l图像的行数，W(m,n)为5×5的窗口函数。

进一步的，对图像C_i进行内插方法，得到放大图像且获得的图像和G_l-1的尺寸相同，即：

$G_l^{*}=\mathrm{Expand}\left(G_l\right)$

其中，Expand为变量放大因子，表示内插放大，定义为：

$G_l^{*}(i,j)=4\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}W(m,n)G_l^{\&prime;}(\frac{i+m}{2},\frac{j+n}{2}),0<l\&le;N,0\&le;i<C_i,0\&le;j<R_i$

其中：

$G_l^{\&prime;}(\frac{i+m}{2},\frac{j+n}{2})=\left\{\begin{array}{c}{G}_l(\frac{i+m}{2},\frac{j+n}{2})\\ 0,\mathrm{others}\end{array}\right..$

进一步的，步骤(3)中所述云图的多尺度结构特征包括云图的多维灰度变化特征、云图的多维有效云块比、云图的云块边缘变化特征、云图的云体尺度分布特征。

进一步的，步骤(3)中所述提取云图的多尺度结构特征，在提取特征之前，对每一张图像进行阈值分割，得到二值化图像BW，将图像BW进行一次开闭运算，得到分割后的图像X。

进一步的，提取分割后的图像X的多维灰度变化特征，具体方法如下：

多维灰度特征：

$\mathrm{DE}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\frac{1}{N}\underset{X(x,y)=1}{\mathrm{\&Sigma;}}g(x,y)\right)}{n},i=\mathrm{1,2}...n$

多维灰度变化特征：

$\mathrm{DEB}=f{\left(\frac{1}{N}\underset{X(x,y)=1,i=n}{\mathrm{\&Sigma;}}g(x,y)\right)}_{i=\mathrm{1,2},...n})$

式中，g(x,y)为像素点(x,y)的灰度值，N表示分割图像X中等于1的像素总数即云点个数，n表示图像所分层数，i表示云层数，f(x)表示拟合直线的斜率函数。

进一步的，提取分割后的图像X的多维有效云块比特征，具体方法如下：

利用分割后的二值图像X定义多维有效云块比DCFB：

$\mathrm{DCFB}=f\left({\frac{N}{\mathrm{Ntotal}}}_{i=\mathrm{1,2}...n}\right)$

式中，Ntotal表示分析区域总像素个数，N_cloud表示某一块云的像素个数，n表示图像所分层数，i表示云层数，f(x)表示拟合直线的斜率函数。

进一步的，提取分割后的图像X的云块边缘变化特征，即在得到云的主体轮廓后，对轮廓点求取较小区域和稍大区域灰度标准差的差值来表示所述轮廓点的梯度信息。

进一步的，提取分割后的图像X的云块边缘变化特征，具体方法如下：在得到云的主体轮廓后，对轮廓点求取3pixel×3pixel和5pixel×5pixel区域的灰度标准差的差值来表示所述轮廓点的梯度信息；

云块边缘变化特征用ESB表示：

$\mathrm{ESB}=f\left({|{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}_{5\&times;5}-{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}_{3\&times;3}|}_{i=\mathrm{1,2},...n}\right)$

其中，f(x)表示拟合直线的斜率函数，n表示图像所分层数。

进一步的，提取分割后的图像X的云体尺度分布特征，具体方法如下：

将X取反可得到云缝图像X′，分别对分离的独立云体和缝隙进行标记，并按尺寸大小分为大、较大、中、较小、小五种分布情况，计算每种分布的相对尺度变化，云的相对尺寸变化CRB、云缝的相对尺寸变化GRB；

$\mathrm{CRB}=f\left({\frac{{\mathrm{Ar}}_m^{\mathrm{cloud}}}{\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{Ar}}_m^{\mathrm{cloud}}}}_{i=\mathrm{1,2},...n}\right)$

$\mathrm{CRB}=f\left({\frac{{\mathrm{Ar}}_m^{\mathrm{cloudmap}}}{\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{Ar}}_m^{\mathrm{cloudmap}}}}_{i=\mathrm{1,2},...n}\right)$

式中，和分别表示每块云和云缝的面积，即求云块、云缝的像素个数，f(x)表示拟合直线的斜率函数，n表示图像所分层数。

本发明的有益效果：

(1)通过模拟人眼观测的过程，利用分层的方法建立不同尺度的云图，云图层数越高，图像的分辨率就越小，这样就建立了人眼观测的习惯，从宏观到微观，由轮廓到细节。以上特点使得本发明可以更为接近人眼观测云状的真实情况，从而更好地描述云状，进而提高云状自动识别的识别率。

(2)利用分层的方法对云图进行分解，并将每一级作为一个尺度，而不是单纯的利用高斯金字塔的分层方法分为5层。

(3)不同层数的尺度图像中提取的结构特征相当于人眼观测云体的渐变过程，反映的是人观测从宏观到微观，从轮廓到细节的过程。

(4)多维灰度特征，其中包括灰度特征在不同尺度之间的斜率、方差、协方差等，并不单纯的代表其灰度均值以及灰度均值变化梯度。

(5)多维有效云块比，其中包括有效云块比在不同尺度之间的斜率、方差、协方差等，并不单纯的代表有效云块比变化梯度。

(6)云块边缘变化特征，其中包括云块边缘在不同尺度之间的斜率、方差、协方差等，并不单纯的代表云块边缘变化梯度。

(7)云体尺度分布特征，其中包括云体尺度在不同尺度之间的斜率、方差、协方差等，并不单纯的代表云体尺度变化梯度。

(8)利用支持向量机对所有的尺度特征进行训练，并且根据试验结果对支持向量机的参数和多项式进行优化。

(9)本发明在提取特征之前，对每一张图像进行阈值分割，得到二值化图像BW，将图像BW进行一次开闭运算，得到分割后的图像X。开运算可以抑制边界上的毛刺，截断细窄的连接带，分离接触区域，消除比结构元素小的孤立点、碎线和斑块，并使图像的内边缘平滑。闭运算可以填补边界上的凹陷部分，具有弥合裂缝、填充小洞和小孔等功能，并使图像的外边缘得到平滑。

附图说明

图1是本发明提出的一种基于多尺度下结构特征的地基云图分类方法的流程图；

图2是试验中多尺度下特征提取的详细流程图；

图3是多尺度下云体分割的变化图；

图4是多尺度下波状云的云块边缘变化特征示意图；

图5是多尺度下积状云的云块边缘变化特征示意图；

图6是多尺度下卷云的云块边缘变化特征示意图。

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，以下结合具体试验，并参考附图，对本发明进一步详细说明。

图1是本发明提出的一种基于多尺度下结构特征的地基云图云状分类方法的流程图。如图2为具体实施例，所述方法包括以下步骤：

步骤1，利用地基红外测云仪所得图像，通过人工对比以及人为校正进行筛选，挑出典型样本组合成典型样本库，作为训练标准集。

步骤2，为了使得本发明更为具体，所以在具体试验中使用了高斯金字塔分解的方法对图像进行分层。实施中将原始图像G₀作为高斯金字塔的第0层(最底层)，那么高斯金字塔的第l层图像G_l可以通过将l-1层图像与窗口函数W(m,n)进行卷积操作，并且该窗口具有低通的特性。然后将获得的结果通过隔行隔列降采样进行操作：

$G_l=\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}W(m,n)G_{l-1}(2i+m,2j+n),0<l\&le;N,0\&le;i<C_i,0\&le;j<R_i---\left(1\right)$

其中，N表示高斯金字塔顶层的层数，C_i表示高斯金字塔第l图像的列数，R_i表示高斯金字塔第l图像的行数，W(m,n)为5×5的窗口函数，实际为高斯矩阵。

为了简化式(1)，引入变量缩小因子Reduce来获得：

G_l＝Reduce(G_l-1)  (2)

步骤3，为了使得新得图像和原始图像尺寸相同，需要对图像C_i进行内插方法，得到放大图像获得的图像和G_l-1的尺寸相同，为了简化引入变量放大因子Expand来表示内插放大，即：

$G_l^{*}=\mathrm{Expand}\left(G_l\right)---\left(3\right)$

其中Expand算子的定义为：

$G_l^{*}(i,j)=4\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}W(m,n)G_l^{\&prime;}(\frac{i+m}{2},\frac{j+n}{2}),0<l\&le;N,0\&le;i<C_i,0\&le;j<R_i---\left(4\right)$

其中：

$G_l^{\&prime;}(\frac{i+m}{2},\frac{j+n}{2})=\left\{\begin{array}{c}{G}_l(\frac{i+m}{2},\frac{j+n}{2})\\ 0,\mathrm{others}\end{array}\right..$ 当为整数时，Expand算子其实是Reduce算子的逆算子。

步骤4，在提取特征之前，对每一张图像进行阈值分割，得到二值化图像BW，将图像BW进行一次开闭运算(使用3×3的结构元素)，得到分割后的图像X。开运算可以抑制边界上的毛刺，截断细窄的连接带，分离接触区域，消除比结构元素小的孤立点、碎线和斑块，并使图像的内边缘平滑。闭运算可以填补边界上的凹陷部分，具有弥合裂缝、填充小洞和小孔等功能，并使图像的外边缘得到平滑。附图3所示为多层云图分割后的情形。

步骤5，提取图像的多尺度云块灰度均值特征

多维灰度特征：

$\mathrm{DE}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\frac{1}{N}\underset{X(x,y)=1}{\mathrm{\&Sigma;}}g(x,y)\right)}{n},i=\mathrm{1,2}...n---\left(5\right)$

多维灰度变化特征：

$\mathrm{DEB}=f{\left(\frac{1}{N}\underset{X(x,y)=1,i=n}{\mathrm{\&Sigma;}}g(x,y)\right)}_{i=\mathrm{1,2},...n})---\left(6\right)$

式中，g(x,y)为像素点(x,y)的灰度值，N表示分割图像X中等于1的像素总数即云点个数，n表示图像所分层数，i表示云层数，f(x)表示拟合直线的斜率函数。

步骤6，提取图像的多维有效云块比特征

多维有效云块比DCFB：

利用分割后的二值图像X可以定义多维有效云块比DCFB：

$\mathrm{DCFB}=f\left({\frac{N}{\mathrm{Ntotal}}}_{i=\mathrm{1,2}...n}\right)---\left(7\right)$

式中，Ntotal表示分析区域总像素个数，N_cloud表示某一块云的像素个数，i表示云层数，f(x)表示拟合直线的斜率函数。

步骤7，提取云图的云块边缘变化特征

云块边缘变化特征表示云体的边缘梯度随着层数的增加呈现不同的变化趋势，如附图4中所示。在得到云的主体轮廓后，对轮廓点求取较小区域和稍大区域(如3pixel×3pixel和5pixel×5pixel)灰度标准差的差值来表示该点的梯度信息。

云块边缘变化特征用ESB表示：

$\mathrm{ESB}=f\left({|{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}_{5\&times;5}-{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}_{3\&times;3}|}_{i=\mathrm{1,2},...n}\right)---\left(8\right)$

其中，f(x)表示拟合直线的斜率函数。

步骤8，提取云图的云体尺度分布特征

原始图像通过阈值二值化和开闭运算后得到云块图像X，将X取反可得到云缝图像X′。分别对分离的独立云体和缝隙进行标记，并分为大、较大、中、较小、小五种分布情况，计算每种分布的相对尺度变化CRB和GRB；

$\mathrm{CRB}=f\left({\frac{{\mathrm{Ar}}_m^{\mathrm{cloud}}}{\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{Ar}}_m^{\mathrm{cloud}}}}_{i=\mathrm{1,2},...n}\right)---\left(9\right)$

$\mathrm{CRB}=f\left({\frac{{\mathrm{Ar}}_m^{\mathrm{cloudmap}}}{\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{Ar}}_m^{\mathrm{cloudmap}}}}_{i=\mathrm{1,2},...n}\right)---\left(10\right)$

式中，和分别表示每块云和云缝的面积，即求云块、云缝的像素个数，f(x)表示拟合直线的斜率函数。

步骤9，基于所述训练地基云图样本的最终特征表示和所属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。然后根据分类结果对支持向量机的参数进行优化。

接下来以地基红外测云仪在北京的数据作为测试对象。把天空类型分为5类，具体为波状云、层状云、积状云、卷云、晴空。试验中把典型样本作为训练样本，其余为测试样本。试验中为了保障结果的稳定性，将试验重复50次。并根据分类结果对支持向量机的参数进行优化，挑选出最佳的参数和多项式。最后的分类结果，Buch等提出的方法总正确率为61％；Calbó等提出的方法总正确率为76％；采用本发明提出的方法总正确率为89.83％。

本发明未涉及部分均与现有技术相同或可采用现有技术加以实现。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)

1.一种基于多尺度结构特征的地基云状识别方法，其特征是：具体步骤如下：

(1)利用地基红外测云仪获得图像，通过人工对比以及人为校正进行筛选，挑出典型样本组合成典型样本库，作为训练标准集；其余的作为测试样本集；

(2)利用分层方法分解训练标准集和测试样本集，得到每张云图的多尺度图像；

(3)提取云图的多尺度结构特征；

(4)基于所述训练标准集中训练地基云图样本的最终特征表示和所述测试样本集中测试地基云图的最终特征表示，应用支持向量机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；并根据分类结果对支持向量机的参数进行优化。

2.根据权利要求1所述的基于多尺度结构特征的地基云状识别方法，其特征是：步骤(2)中所利用的分层方法为高斯金字塔分解的方法，具体方法如下：

将原始图像G₀作为高斯金字塔的第0层，高斯金字塔的第l层图像G_l通过l-1层图像与窗口函数W(m,n)卷积获得，并将获得的结果隔行隔列降采样，即：

$G_l=\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}W(m,n)G_{l-1}(2i+m,2j+n),0<l\&le;N,0\&le;i<C_i,0\&le;j<R_i$

其中，N表示高斯金字塔顶层的层数，C_i表示高斯金字塔第l图像的列数，R_i表示高斯金字塔第l图像的行数，W(m,n)为5×5的窗口函数。

3.根据权利要求2所述的基于多尺度结构特征的地基云状识别方法，其特征是：对图像C_i进行内插方法，得到放大图像且获得的图像和G_l-1的尺寸相同，即：

$G_l^{*}=\mathrm{Expand}\left(G_l\right)$

其中，Expand为变量放大因子，表示内插放大，定义为：

$G_l^{*}(i,j)=4\underset{m=-2}{\overset{2}{\mathrm{\&Sigma;}}}\underset{n=-2}{\overset{2}{\mathrm{\&Sigma;}}}W(m,n)G_l^{\&prime;}(\frac{i+m}{2},\frac{j+n}{2}),0<l\&le;N,0\&le;i<C_i,0\&le;j<R_i$

其中： $G_l^{\&prime;}(\frac{i+m}{2},\frac{j+n}{2})=\left\{\begin{array}{c}{G}_l(\frac{i+m}{2},\frac{j+n}{2})\\ 0,\mathrm{others}\end{array}\right..$

4.根据权利要求1所述的基于多尺度结构特征的地基云状识别方法，其特征是：步骤(3)中所述云图的多尺度结构特征包括云图的多维灰度变化特征、云图的多维有效云块比、云图的云块边缘变化特征、云图的云体尺度分布特征。

5.根据权利要求4所述的基于多尺度结构特征的地基云状识别方法，其特征是：步骤(3)中所述提取云图的多尺度结构特征，在提取特征之前，对每一张图像进行阈值分割，得到二值化图像BW，将图像BW进行一次开闭运算，得到分割后的图像X。

6.根据权利要求5所述的基于多尺度结构特征的地基云状识别方法，其特征是：提取分割后的图像X的多维灰度变化特征，具体方法如下：

多维灰度特征：

$\mathrm{DE}=\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\frac{1}{N}\underset{X(x,y)=1}{\mathrm{\&Sigma;}}g(x,y)\right)}{n},i=\mathrm{1,2}...n$

多维灰度变化特征：

$\mathrm{DEB}=f{\left(\frac{1}{N}\underset{X(x,y)=1,i=n}{\mathrm{\&Sigma;}}g(x,y)\right)}_{i=\mathrm{1,2},...n})$

式中，g(x,y)为像素点(x,y)的灰度值，N表示分割图像X中等于1的像素总数即云点个数，n表示图像所分层数，i表示云层数，f(x)表示拟合直线的斜率函数。

7.根据权利要求5所述的基于多尺度结构特征的地基云状识别方法，其特征是：提取分割后的图像X的多维有效云块比特征，具体方法如下：

利用分割后的二值图像X定义多维有效云块比DCFB：

$\mathrm{DCFB}=f\left({\frac{N}{\mathrm{Ntotal}}}_{i=\mathrm{1,2}...n}\right)$

式中，Ntotal表示分析区域总像素个数，N_cloud表示某一块云的像素个数，n表示图像所分层数，i表示云层数，f(x)表示拟合直线的斜率函数。

8.根据权利要求5所述的基于多尺度结构特征的地基云状识别方法，其特征是：提取分割后的图像X的云块边缘变化特征，即在得到云的主体轮廓后，对轮廓点求取较小区域和稍大区域灰度标准差的差值来表示所述轮廓点的梯度信息。

9.根据权利要求8所述的基于多尺度结构特征的地基云状识别方法，其特征是：提取分割后的图像X的云块边缘变化特征，具体方法如下：在得到云的主体轮廓后，对轮廓点求取3pixel×3pixel和5pixel×5pixel区域的灰度标准差的差值来表示所述轮廓点的梯度信息；

云块边缘变化特征用ESB表示：

$\mathrm{ESB}=f\left({|{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}_{5\&times;5}-{\stackrel{\&OverBar;}{\mathrm{\&sigma;}}}_{3\&times;3}|}_{i=\mathrm{1,2},...n}\right)$

其中，f(x)表示拟合直线的斜率函数，n表示图像所分层数。

10.根据权利要求5所述的基于多尺度结构特征的地基云状识别方法，其特征是：提取分割后的图像X的云体尺度分布特征，具体方法如下：

将X取反可得到云缝图像X′，分别对分离的独立云体和缝隙进行标记，并按尺寸大小分为大、较大、中、较小、小五种分布情况，计算每种分布的相对尺度变化，云的相对尺寸变化CRB、云缝的相对尺寸变化GRB；

$\mathrm{CRB}=f\left({\frac{{\mathrm{Ar}}_m^{\mathrm{cloud}}}{\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{Ar}}_m^{\mathrm{cloud}}}}_{i=\mathrm{1,2},...n}\right)$

$\mathrm{CRB}=f\left({\frac{{\mathrm{Ar}}_m^{\mathrm{cloudmap}}}{\underset{m=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{Ar}}_m^{\mathrm{cloudmap}}}}_{i=\mathrm{1,2},...n}\right)$

式中，和分别表示每块云和云缝的面积，即求云块、云缝的像素个数，f(x)表示拟合直线的斜率函数，n表示图像所分层数。