CN105447100B - 一种基于形状特征的云图检索方法 - Google Patents
一种基于形状特征的云图检索方法 Download PDFInfo
- Publication number
- CN105447100B CN105447100B CN201510769573.5A CN201510769573A CN105447100B CN 105447100 B CN105447100 B CN 105447100B CN 201510769573 A CN201510769573 A CN 201510769573A CN 105447100 B CN105447100 B CN 105447100B
- Authority
- CN
- China
- Prior art keywords
- cloud atlas
- cloud
- atlas
- shape
- sub
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 239000000284 extract Substances 0.000 claims abstract description 11
- 230000036760 body temperature Effects 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 12
- 230000014509 gene expression Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 239000004615 ingredient Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- JTJMJGYZQZDUJJ-UHFFFAOYSA-N phencyclidine Chemical class C1CCCCN1C1(C=2C=CC=CC=2)CCCCC1 JTJMJGYZQZDUJJ-UHFFFAOYSA-N 0.000 description 7
- 238000013519 translation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000288906 Primates Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- -1 typhoon.Therefore Chemical class 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
Landscapes
- Engineering & Computer Science (AREA)
- Library & Information Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明公开了一种基于形状特征的云图检索方法，有效结合云图云顶亮温信息，采用迭代阈值分割方法分割云系，同时采用计算复杂度较低且鲁棒性强的几何不变矩提取云系形状特征克服了传统的基于形状特征的云图检索方法在分析云图时的困难，特别是方法普适性、计算复杂度、鲁棒性等问题，此外，本发明将底层云图特征从欧氏空间转换到了稀疏空间，利用稀疏空间的分布规律对云图数据库进行检索，有效地缓解了传统检索方法的语义鸿沟问题。
Description
技术领域
本发明涉及一种云图的检索方法，尤其是涉及一种基于形状特征的云图检索方法。
背景技术
卫星云图能从多角度展示各类云系特征及其演变过程，在天气实况监测、气候研究或灾难天气救灾决策等方面具有重要的意义。卫星云图中各云系往往对应着不同的天气信息，一般若两幅云图在灰度、形状和纹理等特征上相似，则两幅云图在该阶段的天气状况存在一定相似度并具有借鉴意义。同时，随着气象卫星技术的发展，各资料站每天能够接收几乎覆盖全球的GB数量级的海量云图数据，传统的云图人工标注方法已捉襟见肘。如何更为有效借助历史云图信息并投入实际领域，吸引了大批气象卫星工作研究者进行科学研究。因此，如何设计一个高效的基于内容的云图检索系统将成为破解当前难题的关键技术，已引起了许多学者的关注。
在基于内容的云图检索研究中要实现云图较为精确的检索，必须找到能有效逼近云图高层语义内容的底层特征。就图像特征而言，灰度、纹理和形状特征是图像最重要的三类特征，图像的形状特征尽管有别于灰度和纹理特征，却是对灰度或纹理特征的几何重现，认知心理学研究发现，形状在检索过程中显现出来的作用比灰度和纹理更为重要。同时云形状多种多样，变化也较复杂，如高积云形状差异大，常以椭圆形或水波状密集云条存在，卷云一般呈现丝缕状、团簇状，台风等热带气旋常呈现巨大云团涡旋等。因此，云图在形状方面具有较强的区分度，研究一种基于形状特征的云图检索方法具有重要的意义。
当前基于内容的卫星云图检索研究处于起步阶段，国内外尚未形成可靠的利用形状特征的云图检索方案。日本研究了可变形的椭圆来提取台风云系的云团形状特征，并根据椭圆位置的变化来表示运动轨迹，设计了一种面向台风云图的检索系统：Kitamoto，但该系统只能针对台风云系，不具有一般性；意大利的Acqua等人利用点扩散技术，通过位置、旋转度和尺度来刻画云图的形状特征，研究了针对飓风与非飓风云系的检索系统，该系统同样存在应用面较窄的问题且计算复杂；印度的Deepak利用云团的面积和周长作为形状特征，实现了一个云图检索系统，但实验表明该类特征也仅对台风云系适应性较好。在国内，李艳兵等人利用圆形的“可变形模型”描述云团形状，提取多云块参数特征，但圆形提取和匹配的复杂性都很大，计算比较费时。哈尔滨工程大学的上官伟采用变分法提取云图形状特征，通过模糊相似度计算，实现了一种云图检索系统，但系统的检索精度不高；南京航空航天大学融合粒子群优化方法和FCM方法，首先对云系进行前期聚类得到积云云系，再由几何不变矩提取形状特征，进行相似度匹配，实现云图检索，但当该方法面对复杂云系时，难于提取全面的形状特征，并且相似度匹配也不易实现。
为克服传统基于形状特征的云图检索方法在分析云图时的困难，特别是方法普适性、计算复杂度、鲁棒性等问题，有必要引入信号与图像处理领域的新理念、新技术。近年来，随着压缩感知技术在信号处理及成像等领域的成功应用，稀疏表示理论受到了各国学者的广泛关注。研究表明，稀疏表示符合灵长类动物大脑视觉皮层对复杂刺激的感知过程，可作为神经信息群体分布式表达的有效策略，更加符合人眼的视觉特性，正是由于稀疏表示所具有的特征保持性和稀疏性，以冗余字典为代表的稀疏表示理论被应用于信号处理的各个领域，特别是其在人脸识别中的成功应用，为在图像分类和检索领域的应用提供了重要参考。
发明内容
本发明所要解决的技术问题是提供一种计算复杂度较低、鲁棒性强且检索精度高的基于形状特征的云图检索方法。
本发明解决上述技术问题所采用的技术方案为：一种基于形状特征的云图检索方法，包括以下步骤：
(1)将静止卫星云图接收系统所接收到的灰度区间为[0,1024]的云图，依据云图接收系统所对应的云图灰度与云顶亮温关系对照表，将云图灰度转化为云顶亮温；
(2)完成云图亮温空间转换后，再采用迭代阈值分割方法进行云图分割；
(3)通过开、闭运算处理，去除云图的云系空洞和边界毛刺；
(4)对开、闭运算处理后的整幅云图采用100*100大小进行不重叠分块处理，得到云图各子块的区域信息；
(5)对整幅云图分块处理后，采用几何不变矩对各子块进行区域特征描述，将提取的所有子块的特征向量依次排为一长列向量作为该幅云图的形状特征向量，表示为K＝[f1…fi…fm]T，其中K∈Rm，表示K是实数空间的m维向量，m表示形状特征列向量的维数，T为向量的转置，fi为K中的分量，i为区间[1，m]中的正整数；
(6)对于该幅云图，首先统计得到形状特征向量K中的最大值和最小值，分别记为Fmax和Fmin，再对形状特征向量K中的任意分量fi进行归一化处理，表示如下：
将形状特征向量K归一化到[0,1]范围，得到新的云图形状特征向量，表示为；H＝[f1'…fi'…fm']T，H∈Rm；
(7)将通过上述步骤提取的所有云图的形状特征，建立一个云图形状特征库A＝[H1,H2,...Hj...,Hw]，A∈Rm×w，其中w表示云图库中总的云图数量，Hj表示任意一幅云图的特征向量，j为区间[1，w]中的正整数；
(8)对于一幅待检索云图，采用步骤(1)～(6)的方法提取形状特征向量，表示为：y∈Rm；然后采用稀疏分类方法将待检索云图的形状特征与云图形状特征库进行相似度计算，得到最接近的9幅云图，完成云图检索。
采用迭代阈值分割方法进行云图分割的具体方法为：
①先用如下公式计算云图初始亮温阈值iThreshold：
其中，max_value_gray表示为整幅云图中的最大亮温值，min_value_gray表示整幅云图中的最小亮温值；
②根据初始亮温阈值iThreshold，采用下式统计云图的重要云系成分Z0和云系背景Z1：
式中Z0表示重要云系成分，Z1表示云系背景，(x,y)表示云图中的像素坐标点，f(x,y)表示云图在坐标点(x,y)处亮温大小，N(x,y)表示权重大小，设定为1，并设定初始亮温阈值iThreshold大小为175；
③根据Z0和Z1重新求解新亮温阈值iNewThreshold：
④如果新亮温阈值iNewThreshold与初始亮温阈值iThreshold差值在50之内，则继续下一步骤；否则用iNewThreshold作为初始亮温阈值iThreshold，转到步骤②；
⑤根据新亮温阈值iNewThreshold对原始云图进行分割，即当云图中像素的亮温大于iNewThreshold时设定为1，否则
设定为0，得到黑白二值图像。
去除云图的云系空洞和边界毛刺的具体步骤为：
①对阈值分割后的云图，先采用半径为5的平坦型圆盘结构元素进行膨胀处理，再通过半径为7的平坦型圆盘结构元素进行腐蚀处理，通过闭运算去除云系内部大部分细小空洞；
②对闭运算处理后的云图，先采用半径为6的平坦型圆盘结构元素进行腐蚀处理，再通过半径为7的平坦型圆盘结构元素进行膨胀处理，通过开运算去除边界毛刺。
采用几何不变矩对各子块进行区域特征描述的具体方法为：
①首先计算各云图子块的区域几何中心坐标
②计算云图各子块的中心矩μpq：式中p，q满足p
+q＝2或者p+q＝3，且p，q为正整数；
③对中心矩μpq进行规格化处理，式中满足γ＝(p+q)/2；
④根据规格化后的中心矩ηpq，提取各子块的7个形状不变矩Ik，其中k＝1，2，3，4，5，6，7：I1＝η20+η02，I3＝(η30-3η12)2+(3η21-η03)2，I4＝(η30+η12)2+(η21+η03)2，
I5＝(η30-3η12)(η30+η12)[(η12+η30)2-3(η21+η30)2]
+(3η21-η03)(η21+η03)[3(η12+η30)2-(η21+η30)2]，
I6＝(η20-η02)[(η12+η30)2-(η21+η03)2]+4η11(η12+η30)(η21+η03)，
I7＝(3η21-η03)(η30+η12)[(η12+η30)2-3(η21+η03)2]
+(η30-2η12)(η21+η03)[3(η12+η30)2-(η21+η03)2]，
将所得的7个形状不变矩排为一列作为该云图子块的形状不变矩特征；
⑤当完成整幅云图所有子块形状不变矩特征的提取后，将所有子块的特征向量依次排为一长列向量作为该幅云图的形状特征向量，表示为向量K，K∈Rm。
采用稀疏分类方法进行云图检索相似度计算的具体步骤为：
①首先对待检索云图和云图特征库进行空间投影，采用正态分布随机矩阵R∈Rn×m(n<m)对云图特征库进行空间映射如下：同样对待检索云图特征也进行映射处理如下：
②根据稀疏分类算法，计算残差，进行类别判断：其中as表示稀疏系数中第s幅云图数据的对应系数；
③重复第①和②步骤，通过多次迭代，求取重构残差均值：其中l表示迭代次数，表示第t次迭代时属于s幅云图样本的残差值；
④对残差均值E[rs]进行大小排序，获取与待检索云图的相似度信息，其中残差越小，相似性越大，最后返回残差最小的9幅云图。
与现有技术相比，本发明的优点在于克服了传统的基于形状特征的云图检索方法在分析云图时的困难，特别是方法普适性、计算复杂度、鲁棒性等问题，有效结合云图云顶亮温信息，采用迭代阈值分割方法分割云系，同时采用计算复杂度较低且鲁棒性强的几何不变矩提取云系形状特征；此外，本发明将底层云图特征从欧氏空间转换到了稀疏空间，利用稀疏空间的分布规律对云图数据库进行检索，有效地缓解了传统检索方法的语义鸿沟问题。
附图说明
图1为针对普通云图本发明与现有技术的检索结果示意图；其中(a)为本发明方法，(b)为现有技术的HOG特征检索算法，(c)为现有技术的Zernike矩形状描述的检索算法；
图2为针对特殊天气本发明与现有技术的检索结果示意图；其中(a)为本发明方法，(b)为现有技术的HOG特征检索算法，(c)为现有技术的Zernike矩形状描述的检索算法；
图3为本发明与现有技术云图旋转后的检索结果示意图；其中(a)为本发明方法，(b)为现有技术的HOG特征检索算法，(c)为现有技术的Zernike矩形状描述的检索算法；
图4为本发明与现有技术云图平移后的检索结果示意图；其中(a)为本发明方法，(b)为现有技术的HOG特征检索算法，(c)为现有技术的Zernike矩形状描述的检索算法。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种基于形状特征的云图检索方法，包括以下步骤：
(1)将静止卫星云图接收系统所接收到的灰度区间为[0,1024]的云图，依据云图接收系统所对应的云图灰度与云顶亮温关系对照表，将云图灰度转化为云顶亮温；
(2)完成云图亮温空间转换后，再采用迭代阈值分割方法进行云图分割，具体方法为：
(2)－①先用如下公式计算云图初始亮温阈值iThreshold：
其中，max_value_gray表示为整幅云图中的最大亮温值，min_value_gray表示整幅云图中的最小亮温值；
(2)－②根据初始亮温阈值iThreshold，采用下式统计云图的重要云系成分Z0和云系背景Z1：
式中Z0表示重要云系成分，Z1表示云系背景，(x,y)表示云图中的像素坐标点，f(x,y)表示云图在坐标点(x,y)处亮温大小，N(x,y)表示权重大小，设定为1，并设定初始亮温阈值iThreshold大小为175；
(2)－③根据Z0和Z1重新求解新亮温阈值iNewThreshold：
(2)－④如果新亮温阈值iNewThreshold与初始亮温阈值iThreshold差值在50之内，则继续下一步骤；否则用iNewThreshold作为初始亮温阈值iThreshold，转到步骤②；
(2)－⑤根据新亮温阈值iNewThreshold对原始云图进行分割，即当云图中像素的亮温大于iNewThreshold时设定为1，否则
设定为0，得到黑白二值图像；
(3)通过开、闭运算处理，去除云图的云系空洞和边界毛刺，具体步骤为：
(3)－①对阈值分割后的云图，先采用半径为5的平坦型圆盘结构元素进行膨胀处理，再通过半径为7的平坦型圆盘结构元素进行腐蚀处理，通过闭运算去除云系内部大部分细小空洞；
(3)－②对闭运算处理后的云图，先采用半径为6的平坦型圆盘结构元素进行腐蚀处理，再通过半径为7的平坦型圆盘结构元素进行膨胀处理，通过开运算去除边界毛刺；
(4)对开、闭运算处理后的整幅云图采用100*100大小进行不重叠分块处理，得到云图各子块的区域信息；
(5)对整幅云图分块处理后，采用几何不变矩对各子块进行区域特征描述，具体方法为：
(5)－①首先计算各云图子块的区域几何中心坐标
(5)－②计算云图各子块的中心矩μpq：式中p，q
满足p+q＝2或者p+q＝3，且p，q为正整数；
(5)－③对中心矩μpq进行规格化处理，式中满足γ＝(p+q)/2；
(5)－④根据规格化后的中心矩ηpq，提取各子块的7个形状不变矩Ik，其中k＝1，2，3，4，5，6，7：I1＝η20+η02，I3＝(η30-3η12)2+(3η21-η03)2，
I4＝(η30+η12)2+(η21+η03)2，
I5＝(η30-3η12)(η30+η12)[(η12+η30)2-3(η21+η30)2]
+(3η21-η03)(η21+η03)[3(η12+η30)2-(η21+η30)2]，
I6＝(η20-η02)[(η12+η30)2-(η21+η03)2]+4η11(η12+η30)(η21+η03)，
I7＝(3η21-η03)(η30+η12)[(η12+η30)2-3(η21+η03)2]
+(η30-2η12)(η21+η03)[3(η12+η30)2-(η21+η03)2]，
将所得的7个形状不变矩排为一列作为该云图子块的形状不变矩特征；
(5)－⑤当完成整幅云图所有子块形状不变矩特征的提取后，将所有子块的特征向量依次排为一长列向量作为该幅云图的形状特征向量，表示为向量K，K∈Rm，将提取的所有子块的特征向量依次排为一长列向量作为该幅云图的形状特征向量，表示为K＝[f1…fi…fm]T，其中K∈Rm，表示K是实数空间的m维向量，m表示形状特征列向量的维数，T为向量的转置，fi为K中的分量，i为区间[1，m]中的正整数；
(6)对于该幅云图，首先统计得到形状特征向量K中的最大值和最小值，分别记为Fmax和Fmin，再对形状特征向量K中的任意分量fi进行归一化处理，表示如下：
将形状特征向量K归一化到[0,1]范围，得到新的云图形状特征向量，表示为；H＝[f1'…fi'…fm']T，H∈Rm；
(7)将通过上述步骤提取的所有云图的形状特征，建立一个云图形状特征库A＝[H1,H2,...Hj...,Hw]，A∈Rm×w，其中w表示云图库中总的云图数量，Hj表示任意一幅云图的特征向量，j为区间[1，w]中的正整数；
(8)对于一幅待检索云图，采用步骤(1)～(6)的方法提取形状特征向量，表示为：y∈Rm；然后采用稀疏分类方法将待检索云图的形状特征与云图形状特征库进行相似度计算，具体步骤为：
①首先对待检索云图和云图特征库进行空间投影，采用正态分布随机矩阵R∈Rn×m(n<m)对云图特征库进行空间映射如下：同样对待检索云图特征也进行映射处理如下：
②根据稀疏分类算法，计算残差，进行类别判断：其中as表示稀疏系数中第s幅云图数据的对应系数；
③重复第①和②步骤，通过多次迭代，求取重构残差均值：其中l表示迭代次数，表示第t次迭代时属于s幅云图样本的残差值；
④对残差均值E[rs]进行大小排序，获取与待检索云图的相似度信息，其中残差越小，相似性越大，最后返回残差最小的9幅云图。
为检验本发明基于形状特征的云图检索方法的性能，以下设置了多组对比试验，分别采用经典描述形状特征的HOG特征检索方法[1]，记为HOG_CBIR；采用Zernike矩形状描述的检索方法[2]，记为Zernike_CBIR；本发明基于形状特征的检索方法，记为HU_SRC。
在图像检索中，为了评价各类检索算法的有效性，需要算法性能评价准则。图像检索算法中公认度较高的性能评价准则有查全率、查准率和算法时间复杂度。查全率(Recall)是指检索所得的图像中与检索图像相关的图像数占整个数据库中相关图像数的比例，查准率(Precision)是指检索所得的图像中与检索图像相关的图像数占返回图像数目的比例，一般而言，Recall和Precision的值越高，代表检索算法更优异，但两值为矛盾值，当返回图像数越多，查全率越高，查准率反而越低，一般存在一定条件使两者达到最大。假设m1代表检索数据库中与检索图像相关的图像个数，m2代表相关但并未检索到的图像个数，m3代表查询返回的图像中不相关的图像个数，则查全率、查准率可表示如下：
由上可知，当返回图像数越多，查全率越高，而此时的查准率会呈下降趋势，因此一般在检索系统中存在查全率和查准率都较高的平衡点，此时也是该检索算法的最高性能。为此，为平衡查全率、查准率，同时使本发明的图像检索算法性能更为精确，本发明又增加了信息检索中的综合评价指标F-Measure，又称F-Score，可表示为：
此外，本发明采用了算法的时间复杂度进行检索性能的评价，即所需的查询时间。
例一：采用2014年04月10日00点32分普通天气数据作为待检索图片，其中与该天云图比较相似的云图共计15幅。检索效果如图1所示。
由检索的实验结果可以看出，相对于其他形状检索方法，本发明检索方法的效果更为明显，检索查准率和综合指标较高，可见本发明基于形状的云图检索方法具有可行性。
例二：由于台风天气云图可以检验本发明方法的普适性，同时减少主观误差，利于观察，因此选用了2013年11月01日08点30分台风“罗莎”天气数据作为待检索图片，其中云图数据库中与该天云图比较相似的云图共计12幅，实验结果如下。
表1不同方法的检索性能比较
TBB:表示云顶亮温。
如下显示为各类方法的检索结果，其中返回的9幅云图相似度从大到小排列，如图2所示。
例三：为评价本发明方法旋转、平移鲁棒性能，对云图分别采取旋转10°、右下平移70个像素后进行检索比较，各方法的检索结果如图3和图4所示，由检索结果可知，所有检索方法基本能检索到旋转、平移处理后的云图，并作为最相似图像返回，这与事实一致；此外由显示的云图检索结果可知，相对于其他检索方法，本发明方法检索效果更好，检索图像基本为与待检索云图时间间隔相邻且相似的台风天气，其他方法在云图旋转平移下也能大致检索到相似云图，但检索失误率较大。总体来说，本发明方法具有较好的抗平移、旋转特性。
参考文献：
[1]董俊杰.基于HOG和SVM的服装图像检索系统的设计与实现[D].中山大学.2014.
[2]曹闻,万明英,李润生,等.基于Zernike形状矩的地图匹配算法[J].计算机应用研究,2011,28(7):2786-2792.
Claims (5)
1.一种基于形状特征的云图检索方法，其特征在于包括以下步骤：
(1)将静止卫星云图接收系统所接收到的灰度区间为[0,1024]的云图，依据云图接收系统所对应的云图灰度与云顶亮温关系对照表，将云图灰度转化为云顶亮温；
(2)完成云图亮温空间转换后，再采用迭代阈值分割方法进行云图分割；
(3)通过开、闭运算处理，去除云图的云系空洞和边界毛刺；
(4)对开、闭运算处理后的整幅云图采用100*100大小进行不重叠分块处理，得到云图各子块的区域信息；
(5)对整幅云图分块处理后，采用几何不变矩对各子块进行区域特征描述，将提取的所有子块的特征向量依次排为一长列向量作为该幅云图的形状特征向量，表示为K＝[f1…fi…fm]T，其中K∈Rm，表示K是实数空间的m维向量，m表示形状特征列向量的维数，T为向量的转置，fi为形状特征向量K中的第i个分量，i为区间[1，m]中的正整数；
(6)对于该幅云图，首先统计得到形状特征向量K中的最大值和最小值，分别记为Fmax和Fmin，再对形状特征向量K中的任意第i个分量fi进行归一化处理，表示如下：
将形状特征向量K归一化到[0,1]范围，得到新的云图形状特征向量，表示为；H＝[f1'Kfi'K f′m]T，H∈Rm；
(7)将通过上述步骤提取的所有云图的形状特征，建立一个云图形状特征库A＝[H1,H2,...Hj...,Hw]，A∈Rm×w，表示A是m行w列的矩阵，其中w表示云图库中总的云图数量，云图形状特征库Hj表示任意一幅云图的特征向量，j为区间[1，w]中的正整数；
(8)对于一幅待检索云图，采用步骤(1)～(6)的方法提取形状特征向量，表示为：y∈Rm，表示y是维度为m的列向量；然后采用稀疏分类方法将待检索云图的形状特征与云图形状特征库进行相似度计算，得到最接近的9幅云图，完成云图检索。
2.如权利要求1所述的一种基于形状特征的云图检索方法，其特征在于采用迭代阈值分割方法进行云图分割的具体方法为：
①先用如下公式计算云图初始亮温阈值iThreshold：
其中，max_value_gray表示为整幅云图中的最大亮温值，min_value_gray表示整幅云图中的最小亮温值；
②根据初始亮温阈值iThreshold，采用下式统计云图的重要云系成分Z0和云系背景Z1：
式中Z0表示重要云系成分，Z1表示云系背景，(x,y)表示云图中的像素坐标点，f(x,y)表示云图在坐标点(x,y)处亮温大小，N(x,y)表示权重大小，设定为1，并设定初始亮温阈值iThreshold大小为175；
③根据Z0和Z1重新求解新亮温阈值iNewThreshold：
④如果新亮温阈值iNewThreshold与初始亮温阈值iThreshold差值在50之内，则继续下一步骤；否则用iNewThreshold作为初始亮温阈值iThreshold，转到步骤②；
⑤根据新亮温阈值iNewThreshold对原始云图进行分割，即当云图中像素的亮温大于iNewThreshold时设定为1，否则设定为0，得到黑白二值图像。
3.如权利要求1所述的一种基于形状特征的云图检索方法，其特征在于去除云图的云系空洞和边界毛刺的具体步骤为：
①对阈值分割后的云图，先采用半径为5的平坦型圆盘结构元素进行膨胀处理，再通过半径为7的平坦型圆盘结构元素进行腐蚀处理，通过闭运算去除云系内部大部分细小空洞；
②对闭运算处理后的云图，先采用半径为6的平坦型圆盘结构元素进行腐蚀处理，再通过半径为7的平坦型圆盘结构元素进行膨胀处理，通过开运算去除边界毛刺。
4.如权利要求1所述的一种基于形状特征的云图检索方法，其特征在于采用几何不变矩对各子块进行区域特征描述的具体方法为：
①首先计算各云图子块的区域几何中心坐标
②计算云图各子块的中心矩μpq：式中p，q为正整数1或2，且满足p+q＝2或者p+q＝3，f(x,y)表示云图子块中坐标(x,y)处的像素值；
③对中心矩μpq进行规格化处理，式中为零阶中心矩的γ次方，γ为与p，q相关的指数变量，满足γ＝(p+q)/2；
④根据规格化后的中心矩ηpq，提取各子块的7个形状不变矩Ik，其中k＝1，2，3，4，5，6，7：I1＝η20+η02，I3＝(η30-3η12)2+(3η21-η03)2，
I4＝(η30+η12)2+(η21+η03)2，
I5＝(η30-3η12)(η30+η12)[(η12+η30)2-3(η21+η30)2]
+(3η21-η03)(η21+η03)[3(η12+η30)2-(η21+η30)2]，
I6＝(η20-η02)[(η12+η30)2-(η21+η03)2]+4η11(η12+η30)(η21+η03)，
I7＝(3η21-η03)(η30+η12)[(η12+η30)2-3(η21+η03)2]
+(η30-2η12)(η21+η03)[3(η12+η30)2-(η21+η03)2]，
将所得的7个形状不变矩排为一列作为该云图子块的形状不变矩特征；
⑤当完成整幅云图所有子块形状不变矩特征的提取后，将所有子块的特征向量依次排为一长列向量作为该幅云图的形状特征向量，表示为向量K，K∈Rm。
5.如权利要求1所述的一种基于形状特征的云图检索方法，其特征在于采用稀疏分类方法进行云图检索相似度计算的具体步骤为：
①首先对待检索云图和云图特征库进行空间投影，采用正态分布随机矩阵R∈Rn×m(n<m)对云图特征库进行空间映射如下：同样对待检索云图特征也进行映射处理如下： 其中R是n行m列的矩阵；
②根据稀疏分类算法，计算残差，进行类别判断： 其中as表示稀疏系数中第s幅云图数据的对应系数；
③重复第①和②步骤，通过多次迭代，求取重构残差均值：其中l表示迭代次数，表示第t次迭代时属于s幅云图样本的残差值；
④对残差均值E[rs]进行大小排序，获取与待检索云图的相似度信息，其中残差越小，相似性越大，最后返回残差最小的9幅云图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510769573.5A CN105447100B (zh) | 2015-11-11 | 2015-11-11 | 一种基于形状特征的云图检索方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510769573.5A CN105447100B (zh) | 2015-11-11 | 2015-11-11 | 一种基于形状特征的云图检索方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105447100A CN105447100A (zh) | 2016-03-30 |
| CN105447100B true CN105447100B (zh) | 2019-02-01 |
Family
ID=55557278
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510769573.5A Active CN105447100B (zh) | 2015-11-11 | 2015-11-11 | 一种基于形状特征的云图检索方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105447100B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11037276B2 (en) | 2016-08-26 | 2021-06-15 | Nokia Technologies Oy | Method, apparatus and computer program product for removing weather elements from images |
| CN107578441B (zh) * | 2017-08-24 | 2023-05-09 | 浙江师范大学 | 热带气旋中心定位的红外亮温偏差角梯度分布均匀性方法 |
| CN111178409B (zh) * | 2019-12-19 | 2021-11-16 | 浙大网新系统工程有限公司 | 基于大数据矩阵稳定性分析的图像匹配与识别系统 |
| CN111914855B (zh) * | 2020-07-31 | 2024-04-05 | 西安电子科技大学 | 一种超大数字影像地图的先验特征点稀疏化方法 |
-
2015
- 2015-11-11 CN CN201510769573.5A patent/CN105447100B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| Satellite Cloud Image Processing And Information Retrieval System;Mahendra Kumar Gurve, Jyoti Sarup;《2012 World Congress on Information and Communication Technologies》;20130111;292-296 |
| 卫星云图形态特征提取和表达的一种方法;李艳兵，李元祥，翟景秋;《南京气象学院学报》;20061031;第29卷(第5期);682-687 |
| 形状特征的卫星云图检索方法研究;夏士明，李骞，谢凯翔;《计算机技术与发展》;20140430;第24卷(第4期);60-64 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105447100A (zh) | 2016-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gao et al. | 3D model retrieval using weighted bipartite graph matching | |
| CN101576913B (zh) | 基于自组织映射神经网络的舌象自动聚类、可视化和检索方法 | |
| Lu et al. | 3D model retrieval and classification by semi-supervised learning with content-based similarity | |
| CN105320764B (zh) | 一种基于增量慢特征的3d模型检索方法及其检索装置 | |
| CN105447100B (zh) | 一种基于形状特征的云图检索方法 | |
| CN107832335B (zh) | 一种基于上下文深度语义信息的图像检索方法 | |
| Risojević et al. | Gabor descriptors for aerial image classification | |
| CN103295025A (zh) | 一种三维模型最优视图的自动选择方法 | |
| CN105868706A (zh) | 一种基于稀疏自编码的三维模型识别方法 | |
| CN110334715A (zh) | 一种基于残差注意网络的sar目标识别方法 | |
| CN111414958B (zh) | 一种视觉词袋金字塔的多特征图像分类方法及系统 | |
| Jia et al. | Exploring hard samples in multi-view for few-shot remote sensing scene classification | |
| Ou et al. | CBW-MSSANet: A CNN framework with compact band weighting and multiscale spatial attention for hyperspectral image change detection | |
| Zhang et al. | Complex image recognition algorithm based on immune random forest model | |
| CN104484432A (zh) | 基于四元数指数矩的彩色图像检索方法 | |
| CN101916284A (zh) | 基于形状朝向多分辨率分析的三维模型检索方法 | |
| CN103399863A (zh) | 基于边缘方向差特征袋的图像检索方法 | |
| CN104809478A (zh) | 一种面向大规模三维重建的图像分块方法及装置 | |
| CN118430790A (zh) | 一种基于多模态图神经网络的乳腺肿瘤bi-rads分级方法 | |
| Godil et al. | SHREC'09 Track: Generic shape retrieval. | |
| Tang | Leaf image recognition and classification based on GBDT-probabilistic neural network | |
| De Sabbata et al. | Deep learning geodemographics with autoencoders and geographic convolution | |
| Cho et al. | A novel virus infection clustering for flower images identification | |
| Bouksim et al. | New approach for 3D Mesh Retrieval using data envelopment analysis | |
| Haldurai et al. | Parallel indexing on color and texture feature extraction using R-tree for content based image retrieval |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |