CN105488538A - 一种基于改进k均值聚类算法的天空图像云空辨识方法 - Google Patents

一种基于改进k均值聚类算法的天空图像云空辨识方法 Download PDF

Info

Publication number
CN105488538A
CN105488538A CN201510929496.5A CN201510929496A CN105488538A CN 105488538 A CN105488538 A CN 105488538A CN 201510929496 A CN201510929496 A CN 201510929496A CN 105488538 A CN105488538 A CN 105488538A
Authority
CN
China
Prior art keywords
sky
proper vector
clustering algorithm
means clustering
sky image
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.)
Granted
Application number
CN201510929496.5A
Other languages
English (en)
Other versions
CN105488538B (zh
Inventor
苏适
王飞
严玉廷
陆海
李浩涛
罗因博
杨家全
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Electric Power Research Institute of Yunnan Power System Ltd
Original Assignee
North China Electric Power University
Electric Power Research Institute of Yunnan Power System Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Electric Power Research Institute of Yunnan Power System Ltd filed Critical North China Electric Power University
Priority to CN201510929496.5A priority Critical patent/CN105488538B/zh
Publication of CN105488538A publication Critical patent/CN105488538A/zh
Application granted granted Critical
Publication of CN105488538B publication Critical patent/CN105488538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，包括：提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，提取特征矩阵；确定初始聚类数量以及初始聚类中心；基于改进k均值聚类算法，根据初始聚类中心进行聚类，获取新的聚类中心；根据新的聚类中心进行聚类并根据聚类结果确定各像素点所属区域类型，绘制云空辨识图像。本发明基于改进k均值聚类算法，提取效果较稳定，不仅把三个彩色分量作为一个整体进行聚类还添加了云空对比度较高的R/B*100列向量，与全局阈值仅对灰度图像进行云空识别相比，大大提高图像识别的适应能力，可以解决现有技术适应性差的问题。

Description

一种基于改进k均值聚类算法的天空图像云空辨识方法
技术领域
本发明涉及一种数字图像处理技术领域，尤其涉及一种基于改进k均值聚类算法的天空图像云空辨识方法。
背景技术
由于常规化石燃料的不可再生性以及使用化石燃料带来的气候变化和环境污染的问题，以风电和光伏为主的可再生能源发电得到发展。太阳能发电的决定因素是地面接收太阳短波辐射的强度。云的遮挡作用是造成太阳入射辐射随机波动的主要原因。光伏发电短期预测无法捕捉因云团瞬时遮挡造成输出功率的瞬时大幅度波动,导致预测精度有限。因此云团关键特征提取和描述的准确性,对于提高超短期预测的精度具有重要的意义,进而对于提高光伏发电系统的效率、利用率以及电网的运行安全性和稳定性具有重要的工程应用价值,对于地基天空图像的云空识别具有十分重要的意义。
由于天空中云种类繁多、变幻莫测。以MATLAB软件数字图像处理功能进行云提取为例，需按照经验选取固定的全局阈值对天空图像进行处理，全局阈值具有一定的局限性，根据全局阈值取值的不同，造成对部分类型的天空图像呈现较好的处理结果，其余类型的天空图像云提取效果较差的现象。因此，通过选取固定阈值进行图像云提取的方法适应性差。
发明内容
本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，以解决现有技术适应性差的问题。
本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，所述基于改进k均值聚类算法的天空图像云空辨识方法包括以下步骤：针对天空图像中各个像素点，分别提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，并根据所述四个矩阵提取特征矩阵；根据所述天空图像中需要辨识的区域种类个数确定初始聚类数量，并基于历史图像数据设定各类别的初始聚类中心；基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心；根据所述新的聚类中心对所述特征矩阵中的特征向量进行聚类；根据聚类结果确定各像素点所属区域类型并绘制云空辨识图像。
优选的，所述根据所述四个矩阵提取特征矩阵包括：将所述四个矩阵中的每一列按列编号顺序排列成一个元素个数为m*n的列向量；将所述四个列向量按列向量R、列向量G、列向量B和列向量R/B*100的顺序合并成一个四列特征矩阵。
优选的，所述基于历史图像数据设定各类别的初始聚类中心包括：从历史数据中选择各类别区域间差异明显的天空图像；分别提取各个区域中的N个像素点的特征向量，并计算所述N个像素点的特征向量的算术平均值作为本区域的初始聚类中心，其中，N由天空图像数量、天空图像分辨率以及天空图像区域的大小确定。
优选的，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：计算每个像素点特征向量到对应的所述初始聚类中心的距离；将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别；计算各类别中所包含的特征向量的算术平均值，并将所述算术平均值作为该类别新的聚类中心。
优选的，所述将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别包括：若特征向量所属类别不唯一，则选取小类别标号作为所述特征向量类别；若类别未包含任何像素点特征向量，则删除所述类别以及与所述类别对应的聚类中心。
优选的，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：基于改进k均值聚类算法重复获取新的聚类中心，直到新的聚类中心不再改变或达到预设的最大重复次数后，输出聚类结果。
优选的，所述计算每个像素点特征向量到对应的所述初始聚类中心的距离的计算公式为：其中xi和yi为像素点特征向量第i维数值，ai为特征向量第i维数值的权重系数。
优选的，所述特征向量第i维数值的权重系数ai的计算方法为：将所述特征矩阵分别删除各列，获取四个三列矩阵；利用传统k均值聚类算法，对所述特征矩阵和所述四个三列矩阵分别聚类，获得聚类结果；计算所述四个三列矩阵聚类结果与所述特征矩阵聚类结果的相关系数ri；根据所述相关系数ri计算权重系数，所述权重系数的计算公式为：ai＝1-ri。
本发明的实施例提供的技术方案可以包括以下有益效果：
本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，所述基于改进k均值聚类算法的天空图像云空辨识方法包括以下步骤：针对天空图像中各个像素点，分别提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，并根据所述四个矩阵提取特征矩阵；根据所述天空图像中需要辨识的区域种类个数确定初始聚类数量，并基于历史图像数据设定各类别的初始聚类中心；基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心；根据所述新的聚类中心对所述特征矩阵中的特征向量进行聚类；根据聚类结果确定各像素点所属区域类型并绘制云空辨识图像。本发明基于改进k均值聚类算法，提取效果较稳定，可以将云和天空清晰的分割。同时，本方案不仅把三个彩色分量作为一个整体进行聚类还添加了云空对比度较高的R/B*100列向量，与全局阈值仅对灰度图像进行云空识别相比，大大提高了图像识别的适应能力，可以解决现有技术适应性差的问题。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
图1是本发明实施例中提供的一种基于改进k均值聚类算法的天空图像云空辨识方法的流程图；
图2是本发明实施例中提供的根据所述四个矩阵提取特征矩阵的方法流程图；
图3是本发明实施例中提供的基于历史图像数据设定各类别的初始聚类中心的方法流程图；
图4是本发明实施例中提供的步骤S03的方法流程图；
图5是本发明实施例中提供的权重系数ai的计算方法流程图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。
请参看图1，所示为本发明实施例中提供的一种基于改进k均值聚类算法的天空图像云空辨识方法的流程图。
由图1可知，本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，所述基于改进k均值聚类算法的天空图像云空辨识方法包括以下步骤：针对天空图像中各个像素点，分别提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，并根据所述四个矩阵提取特征矩阵；根据所述天空图像中需要辨识的区域种类个数确定初始聚类数量，并基于历史图像数据设定各类别的初始聚类中心；基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心；根据所述新的聚类中心对所述特征矩阵中的特征向量进行聚类；根据聚类结果确定各像素点所属区域类型并绘制云空辨识图像。本发明基于改进k均值聚类算法，提取效果较稳定，可以将云和天空清晰的分割。同时，本方案不仅把三个彩色分量作为一个整体进行聚类还添加了云空对比度较高的R/B*100列向量，与全局阈值仅对灰度图像进行云空识别相比，大大提高了图像识别的适应能力，可以解决现有技术适应性差的问题。
请参看图2，所示为本发明实施例中提供的根据所述四个矩阵提取特征矩阵的方法流程图。
由图2可知，将所述四个矩阵中的每一列按列编号顺序排列成一个元素个数为m*n的列向量；将所述四个列向量按列向量R、列向量G、列向量B和列向量R/B*100的顺序合并成一个四列特征矩阵。
请参看图3，所示为本发明实施例中提供的基于历史图像数据设定各类别的初始聚类中心的方法流程图。
由图3可知，所述基于历史图像数据设定各类别的初始聚类中心包括：从历史数据中选择各类别(如天空区域、云团区域等)区域间差异明显的天空图像；分别提取各个区域中的N个像素点的特征向量，并计算所述N个像素点的特征向量的算术平均值作为本区域的初始聚类中心，其中，N由天空图像数量、天空图像分辨率以及天空图像区域的大小确定，天空图像数量越大、天空图像分辨率越低以及天空图像区域越大，则像素点的特征向量的选取个数N越大。
请参看图4，所示为本发明实施例中提供的步骤S03的方法流程图。
由图4可知，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：计算每个像素点特征向量到对应的所述初始聚类中心的距离；将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别；计算各类别中所包含的特征向量的算术平均值，并将所述算术平均值作为该类别新的聚类中心。其中，所述将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别包括：若特征向量所属类别不唯一，则选取小类别标号作为所述特征向量类别；若类别未包含任何像素点特征向量，则删除所述类别以及与所述类别对应的聚类中心。
进一步的，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：基于以上改进k均值聚类算法重复获取新的聚类中心，直到新的聚类中心不再改变或达到预设的最大重复次数后，输出聚类结果，经过以上过程的不断修正，使得本天空图像云空辨识方法准确性更高，适应能力更强。
计算每个像素点特征向量到对应的所述初始聚类中心的距离的计算公式为：
d = ( Σ i = 1 4 a i ( x i - y i ) 2 ) 1 / 2 - - - ( 1 )
公式(1)中xi和yi为像素点特征向量第i维数值，ai为特征向量第i维数值的权重系数。
请参看图5，所示为本发明实施例中提供的权重系数ai的计算方法流程图。
由图5可知，将所述特征矩阵分别删除各列，获取四个三列矩阵；利用传统k均值聚类算法，对所述特征矩阵和所述四个三列矩阵分别聚类，获得聚类结果；计算所述四个三列矩阵聚类结果与所述特征矩阵聚类结果的相关系数ri；根据所述相关系数ri计算权重系数，所述权重系数的计算公式为：ai＝1-ri。
ri的计算公式为：
r i = Σ m Σ n ( P m n - P ‾ ) ( Q m n i - Q ‾ i ) ( Σ m Σ n ( P m n - P ‾ ) 2 ) ( Σ m Σ n ( Q m n i - Q ‾ i ) 2 ) - - - ( 2 )
公式(2)中，ri为特征矩阵删除第i列得到的聚类结果矩阵与特征矩阵聚类结果矩阵之间的相关系数，Pmn为m行n列的特征矩阵聚类结果矩阵，为矩阵P的均值，的计算公式为：
P ‾ = Σ x = 1 m Σ y = 1 n P x y m × n - - - ( 3 )
公式(3)中Pxy为矩阵P中x行y列的元素，m为矩阵P的行数，n为矩阵P的列数。
Qmni为特征矩阵删除第i列进行聚类得到的m行n列的聚类结果矩阵，为矩阵Q的均值，计算公式为：
Q ‾ = Σ x = 1 m Σ y = 1 n Q x y m × n - - - ( 4 )
公式(4)中Qxy为矩阵Q中x行y列的元素，m为矩阵Q的行数，n为矩阵Q的列数。
本发明提出的基于改进k均值聚类算法的天空图像云空辨识方法与采用全局阈值进行云提取的方法相比较具有以下优点：
改进k均值聚类算法提取效果较稳定，并且能够通过权值的大小体现各分量图对云空识别效果的影响，能将云和天空清晰的分割。
改进k均值聚类算法不仅把三个彩色分量作为一个整体进行聚类还添加了云空对比度较高的R/B*100列向量，全局阈值仅对灰度图像进行云空识别。
本发明采用改进k均值聚类算法进行天空图像的云空辨识，聚类简洁，收敛速度快；把三个彩色分量作为一个整体进行聚类，克服了处理灰度图像进行云空识别过于单一的缺点，可以解决现有技术适应性差的问题。
以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于改进k均值聚类算法的天空图像云空辨识方法包括以下步骤：
针对天空图像中各个像素点，分别提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，并根据所述四个矩阵提取特征矩阵；
根据所述天空图像中需要辨识的区域种类个数确定初始聚类数量，并基于历史图像数据设定各类别的初始聚类中心；
基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心；
根据所述新的聚类中心对所述特征矩阵中的特征向量进行聚类；
根据聚类结果确定各像素点所属区域类型并绘制云空辨识图像。
2.根据权利要求1所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述根据所述四个矩阵提取特征矩阵包括：
将所述四个矩阵中的每一列按列编号顺序排列成一个元素个数为m*n的列向量；
将所述四个列向量按列向量R、列向量G、列向量B和列向量R/B*100的顺序合并成一个四列特征矩阵。
3.根据权利要求1所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于历史图像数据设定各类别的初始聚类中心包括：
从历史数据中选择各类别区域间差异明显的天空图像；
分别提取各个区域中的N个像素点的特征向量，并计算所述N个像素点的特征向量的算术平均值作为本区域的初始聚类中心，其中，N由天空图像数量、天空图像分辨率以及天空图像区域的大小确定。
4.根据权利要求1所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：
计算每个像素点特征向量到对应的所述初始聚类中心的距离；
将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别；
计算各类别中所包含的特征向量的算术平均值，并将所述算术平均值作为该类别新的聚类中心。
5.根据权利要求4所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别包括：
若特征向量所属类别不唯一，则选取小类别标号作为所述特征向量类别；
若类别未包含任何像素点特征向量，则删除所述类别以及与所述类别对应的聚类中心。
6.根据权利要求4所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：基于改进k均值聚类算法重复获取新的聚类中心，直到新的聚类中心不再改变或达到预设的最大重复次数后，输出聚类结果。
7.根据权利要求4所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述计算每个像素点特征向量到对应的所述初始聚类中心的距离的计算公式为：
d = ( Σ i = 1 4 a i ( x i - y i ) 2 ) 1 / 2
其中xi和yi为像素点特征向量第i维数值，ai为特征向量第i维数值的权重系数。
8.根据权利要求7所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述特征向量第i维数值的权重系数ai的计算方法为：
将所述特征矩阵分别删除各列，获取四个三列矩阵；
利用传统k均值聚类算法，对所述特征矩阵和所述四个三列矩阵分别聚类，获得聚类结果；
计算所述四个三列矩阵聚类结果与所述特征矩阵聚类结果的相关系数ri；
根据所述相关系数ri计算权重系数，所述权重系数ai的计算公式为：ai＝1-ri。
CN201510929496.5A 2015-12-15 2015-12-15 一种基于改进k均值聚类算法的天空图像云空辨识方法 Active CN105488538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510929496.5A CN105488538B (zh) 2015-12-15 2015-12-15 一种基于改进k均值聚类算法的天空图像云空辨识方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510929496.5A CN105488538B (zh) 2015-12-15 2015-12-15 一种基于改进k均值聚类算法的天空图像云空辨识方法

Publications (2)

Publication Number Publication Date
CN105488538A true CN105488538A (zh) 2016-04-13
CN105488538B CN105488538B (zh) 2018-12-04

Family

ID=55675509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510929496.5A Active CN105488538B (zh) 2015-12-15 2015-12-15 一种基于改进k均值聚类算法的天空图像云空辨识方法

Country Status (1)

Country Link
CN (1) CN105488538B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682684A (zh) * 2016-11-23 2017-05-17 天津津航计算技术研究所 一种基于k均值聚类的目标识别方法
CN107590500A (zh) * 2017-07-20 2018-01-16 济南中维世纪科技有限公司 一种基于色彩投影分类的车牌颜色识别方法及装置
CN108470699A (zh) * 2018-03-29 2018-08-31 深圳市创艺工业技术有限公司 一种半导体制造设备和工艺的智能控制系统
CN108961357A (zh) * 2017-05-17 2018-12-07 浙江宇视科技有限公司 一种交通信号灯过爆图像强化方法及装置
CN110558026A (zh) * 2019-09-27 2019-12-13 江苏农林职业技术学院 一种草莓开花期喷施系统及方法
CN114972433A (zh) * 2022-05-31 2022-08-30 清华大学 图像处理方法、装置、设备、存储介质及程序产品
CN115266777A (zh) * 2022-09-19 2022-11-01 江苏芸裕金属制品有限公司 一种钢丝绳芯输送带实时监控方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130259375A1 (en) * 2008-02-15 2013-10-03 Heather Dunlop Systems and Methods for Semantically Classifying and Extracting Shots in Video
CN103714557A (zh) * 2014-01-06 2014-04-09 江南大学 一种地基云自动检测方法
CN104966291A (zh) * 2015-06-12 2015-10-07 上海交通大学 一种基于地基云图的云团自动检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130259375A1 (en) * 2008-02-15 2013-10-03 Heather Dunlop Systems and Methods for Semantically Classifying and Extracting Shots in Video
CN103714557A (zh) * 2014-01-06 2014-04-09 江南大学 一种地基云自动检测方法
CN104966291A (zh) * 2015-06-12 2015-10-07 上海交通大学 一种基于地基云图的云团自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨俊 等: "基于自适应阈值的地基云自动检测方法", 《应用气象学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682684A (zh) * 2016-11-23 2017-05-17 天津津航计算技术研究所 一种基于k均值聚类的目标识别方法
CN106682684B (zh) * 2016-11-23 2020-12-01 天津津航计算技术研究所 一种基于k均值聚类的目标识别方法
CN108961357A (zh) * 2017-05-17 2018-12-07 浙江宇视科技有限公司 一种交通信号灯过爆图像强化方法及装置
CN107590500A (zh) * 2017-07-20 2018-01-16 济南中维世纪科技有限公司 一种基于色彩投影分类的车牌颜色识别方法及装置
CN108470699A (zh) * 2018-03-29 2018-08-31 深圳市创艺工业技术有限公司 一种半导体制造设备和工艺的智能控制系统
CN108470699B (zh) * 2018-03-29 2019-12-06 新沂市瓦窑工业园区有限公司 一种半导体制造设备和工艺的智能控制系统
CN110558026A (zh) * 2019-09-27 2019-12-13 江苏农林职业技术学院 一种草莓开花期喷施系统及方法
CN114972433A (zh) * 2022-05-31 2022-08-30 清华大学 图像处理方法、装置、设备、存储介质及程序产品
CN114972433B (zh) * 2022-05-31 2024-07-19 清华大学 图像处理方法、装置、设备、存储介质及程序产品
CN115266777A (zh) * 2022-09-19 2022-11-01 江苏芸裕金属制品有限公司 一种钢丝绳芯输送带实时监控方法

Also Published As

Publication number Publication date
CN105488538B (zh) 2018-12-04

Similar Documents

Publication Publication Date Title
CN105488538A (zh) 一种基于改进k均值聚类算法的天空图像云空辨识方法
CN102945223B (zh) 一种构建多个风电场出力联合概率分布函数的方法
WO2024051524A1 (zh) 一种水风光发电功率联合预测方法、装置
CN103020423B (zh) 基于copula函数获取风电场出力相关特性的方法
CN107185854B (zh) 基于rgb通道的光伏电池片色差检测及颜色分类的算法
CN110599006B (zh) 基于场景分析的配电网运行风险评估方法
CN103683274B (zh) 区域中长期风电发电量概率预测方法
CN105069519A (zh) 一种智能电网园区终端用户能源需求状况动态预测系统及方法
CN103106344B (zh) 一种建立电力系统聚类负荷模型的方法
CN104166999A (zh) 一种基于地基云图强度分层的云团提取方法
CN112150025A (zh) 综合能源服务项目的经济性评价方法及系统
CN104992297A (zh) 基于大数据平台聚类算法的电费回收风险评估装置及方法
CN108717608A (zh) 百万千瓦级滩涂光伏电站接入电网综合决策方法及系统
CN105139269A (zh) 一种多期风电场微观选址方法
CN103310284A (zh) 经济负荷和降温负荷的确定方法及负荷确定装置
CN107609670A (zh) 一种基于copula算法电动汽车充电站负荷预测方法
CN104636492B (zh) 一种基于模糊积分特征融合的动态数据分级方法
CN109784228A (zh) 一种基于图像识别技术的光伏电站识别系统及方法
CN104504455A (zh) 一种梯级蓄能控制下水电站群长期优化调度方法
CN104361135A (zh) 一种图像检索方法
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN102930535A (zh) 一种应用于线上异物入侵检测的电力线轮廓提取方法
CN117332963A (zh) 一种源网荷储协同的虚拟电厂动态优化调度方法及系统
CN106056248A (zh) 一种可中断负荷项目用户参与度预测方法
CN101807260B (zh) 变化场景下行人检测的方法

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