CN105574551A - 一种基于组群模式的地基云图自动分类算法 - Google Patents
一种基于组群模式的地基云图自动分类算法 Download PDFInfo
- Publication number
- CN105574551A CN105574551A CN201610091614.4A CN201610091614A CN105574551A CN 105574551 A CN105574551 A CN 105574551A CN 201610091614 A CN201610091614 A CN 201610091614A CN 105574551 A CN105574551 A CN 105574551A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- cloud atlas
- ground cloud
- obtains
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于组群模式的地基云图分类算法,该方法包括:利用空间金字塔方法将图像转化为一系列以金字塔形状排列的图像集合,这些图像集合的分辨率是逐步降低的,获得图像的空间信息;针对每一分辨率的图像,提取显著性局部二值模式特征,作为该分辨率下的特征;串联所有分辨率下的特征,作为该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样本的分类结果。本发明将图像纹理的空间分辨率信息考虑到特征提取中,同时针对每一分辨率下的图像提取显著性局部二值模式特征,从而可以更好地表示云图中信息,提高分类性能。
Description
本发明得到国家自然科学基金项目No.61401309、No.61501327、天津市应用基础与前沿技术研究计划青年基金项目No.15JCQNJC01700、天津师范大学博士基金项目No.5RL134、No.52XB1405的资助。
技术领域
本发明属于图像处理技术领域,尤其是一种基于组群模式的地基云图自动分类算法。
背景技术
云是悬浮在大气中的小水滴、冰晶微粒或两者混合形成的可见聚集体,是一种重要的常见天气现象,其生成及演变不仅反映当前大气的运动状况况,而且能够预示未来一定时间内的天气变化趋势。此外,云对电磁波和光波的传输也会产生重要影响,使星地信号传输产生散射、衰减、码间干扰以及接收信号减弱等问题,进而对通信和军事活动也具有较大影响。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,对于气象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,云的观测主要有卫星云观测(又称卫星遥感)和地基云观测(又称地基遥感)两种。其中卫星云观测在大尺度云的观测已经取得了很好的成果,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,因此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观测。然后由于受人为的主观因素影响,人工云状观测具有较大的主观误差,且人工消耗很大,给云的观测资料的定量化应用带来不便,因此实现云状的自动观测是当前的迫切需要。
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(wholeskyimager)、总天空成像仪TSI(totalskyimager)、红外云成像仪ICI(infraredcloudimager)、全天空数字相机等。上述设备为获取地基云图提供了硬件支持,使得地基云状的自动观测成为可能。国际上云的分类主要根据云的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。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状分类,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Buch等人对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,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。Peura等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。Singh等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。Heinle等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。孙学金等人通过研究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图分类方法。以上分类方法均是对云图提取简单的纹理特征,显然不能很好地表示地基云图这种包含丰富信息的自然纹理图像,此外,云图中包含对分类有用的空间分辨率信息,因此需要提取更具判别性的特征,从而提高云图自动分类的性能。
发明内容
为了解决上述现有技术存在的问题,本发明的目的是根据地基云图的特点,提出一种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和空间信息,为此本发明提供一种基于组群模式的地基云图自动分类算法,该方法包括:将图像纹理的空间分辨率信息考虑到特征提取中,获得对分类有用的空间信息;同时针对每一分辨率下的图像提取显著性局部二值模式特征,从而可以更好地表示云图中信息,获得分类性能的提高。
为了实现上述目的,本发明提出的基于组群模式的地基云图自动分类算法,其特征在于,该方法包括以下步骤:
步骤S1,利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集合;
步骤S2,基于所述步骤S1获得的每一分辨率的图像,计算显著性局部二值模式特征,作为该分辨率下的特征;
步骤S3,串联所有分辨率下的特征,作为该图像最终的特征表示;
步骤S4,对于测试地基云图,按照所述步骤S1、S2、S3得到所述测试地基云图的最终特征表示;
步骤S5,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,利用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。
本发明所述步骤S1中,利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集合,相邻两个分辨率下的图像关系为:
其中,当为分辨率的层数,当时,令其中表示原始图像;分别表示在方向和方向的降采样比例;当采用降采样时,分别表示相邻分辨率下的像素位置。
本发明所述步骤S2进一步包括以下步骤:
步骤S21,选取张云图作为训练样本,对于张训练地基云图,均选取第层分辨率下的地基云图,计算该分辨率下张训练样本的旋转不变特征向量;
步骤S22,将步骤S21获得的张训练样本得到的特征向量进行累加,得到一个直方图向量;
步骤S23,按照步骤S22获得的直方图向量,将每一维由大到小的顺序对直方图向量进行排列,占排序后的直方图向量80%以上的模式为显著性模式;
步骤S24,按照S23获得显著性模式,提取显著性特征,作为第层分辨率下的特征;
步骤S25,重复步骤S21至S24的方法,提取每层分辨率下的特征。
本发明将步骤S2中获得的每一层分辨率下的特征进行串联,作为该图像最终的的特征表示,公式如下:
代表第个分辨率下的图像所获得特征,代表分辨率的层数。
本发明所述分类器为支持向量机分类器
本发明进一步公开了基于组群模式的地基云图自动分类算法将分辨率信息考虑在特征提取中,同时针对每一分辨率提取显著性局部二值模式信息,提高分类性能方面的应用。实验结果显示:本发明的方法超过基于的分类方法;同时本发明方法的性能还要优于方法的分类性能。证明本发明可以获得更为精确的分类准确性。
本发明公开的基于组群模式的地基云图自动分类算法与现有技术相比所具有的有益效果在于:
本发明利用空间金字塔将图像转化为一系列分辨率逐层降低的图像集合,从而将纹理的空间分辨率信息考虑到特征提取中,获得对分类有用的空间信息;同时本发明针对每一层分辨率下的图像提取显著性局部二值模式特征,获得更具判别性的特征,从而可以更好地表示云图中信息,获得分类性能的提高。以上特点使本发明可以获得更为精确的分类准确性。
附图说明
图1是本发明提出的基于组群模式的地基云图自动分类算法的流程图;
图2是本发明方法在数据集上的分类结果示意图。
具体实施方式
下面通过具体的实施方案叙述本发明。除非特别说明,本发明中所用的技术手段均为本领域技术人员所公知的方法。另外,实施方案应理解为说明性的,而非限制本发明的范围,本发明的实质和范围仅由权利要求书所限定。对于本领域技术人员而言,在不背离本发明实质和范围的前提下,对这些实施方案中的物料成分和用量进行的各种改变或改动也属于本发明的保护范围。
实施例1
图1是本发明提出的基于组群模式的地基云图自动分类算法的流程图,如图1所示,所述方法包括以下步骤:
步骤S1,利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集合;
该步骤中,基于下式,利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集合,相邻两个分辨率下的图像关系为:
其中,当为分辨率的层数,本发明中其最大值设为6;当时,令其中表示原始图像;分别表示在方向和方向的降采样比例;当采用降采样时,分别表示相邻分辨率下的像素位置。
步骤S2,根据步骤S1获得的每一层分辨率下的图像,计算显著性局部二值模式特征,作为该分辨率下的特征,该步骤可以分为以下几个步骤实现,具体为:
步骤S21,选取张训练地基云图样本,均选取第层分辨率下的地基云图计算该分辨率下张训练样本的旋转不变特征向量;
步骤S22,将步骤S21获得的张训练样本得到的特征向量进行累加,得到一个直方图向量;
步骤S23,根据步骤S22获得的直方图向量,将每一维由大到小的顺序对直方图向量进行排列,占排序后的直方图向量80%以上的模式为显著性模式;
步骤S24,按照S23获得显著性模式,提取显著性特征,作为第层分辨率下的特征;
步骤S25,重复步骤S21至S24的方法,提取每层分辨率下的特征。
步骤S3,串联所有分辨率下的特征,作为该图像最终的特征表示;
该步骤中,基于下式,将步骤S2中获得的每一层分辨率下的特征进行串联,作为该图像最终的特征表示,公式如下:
代表第层分辨率下的图像所获得特征,代表分辨率的层数。
步骤S4,对于测试地基云图,按照步骤S1、S2、S3得到测试地基云图的最终特征表示;
步骤S5,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,利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。
实施例2
接下来以中国科学院大气物理所提供的全天空可见光地基云图数据(简记为IapCAS)作为测试对象来检验本发明方法的有效性。首先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1/2作为训练样本,剩下的1/2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局部二值模式(LocalBinaryPatterns,LBP)的地基云图分类方法以及基于显著性局部二值模式(SalientLocalBinaryPatterns,SLBP)的地基云图分类方法的分类性能比较示意图。
从图2中可以看出,本发明方法与基于SLBP方法的分类性能均超过基于LBP的分类方法;同时本发明方法的性能还要优于SLBP方法的分类性能。
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 (5)
1.一种基于组群模式的地基云图自动分类算法,其特征在于,该方法包括以下步骤:
步骤S1,利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集合;
步骤S2,基于所述步骤S1获得的每一分辨率的图像,计算显著性局部二值模式特征,作为该分辨率下的特征;
步骤S3,串联所有分辨率下的特征,作为该图像最终的特征表示;
步骤S4,对于测试地基云图,按照所述步骤S1、S2、S3得到所述测试地基云图的最终特征表示;
步骤S5,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,利用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S1中,利用空间金字塔方法将训练地基云图转化为一系列分辨率逐层降低的图像集合,相邻两个分辨率下的图像关系为:
其中,当为分辨率的层数,当时,令其中表示原始图像;分别表示在方向和方向的降采样比例;当采用降采样时, 分别表示相邻分辨率下的像素位置;
根据权利要求1所述的方法,其特征在于,所述步骤S2进一步包括以下步骤:
步骤S21,选取张云图作为训练样本,对于张训练地基云图,均选取第层分辨率下的地基云图计算该分辨率下张训练样本的旋转不变特征向量;
步骤S22,将步骤S21获得的张训练样本得到的特征向量进行累加,得到一个直方图向量;
步骤S23,按照步骤S22获得的直方图向量,将每一维由大到小的顺序对直方图向量进行排列,占排序后的直方图向量80%以上的模式为显著性模式;
步骤S24,按照S23获得显著性模式,提取显著性特征,作为第层分辨率下的特征;
步骤S25,重复步骤S21至S24的方法,提取每层分辨率下的特征。
3.根据权利要求1所述的方法,其特征在于,将步骤S2中获得的每一层分辨率下的特征进行串联,作为该图像最终的的特征表示,公式如下:
代表第个分辨率下的图像所获得特征,代表分辨率的层数。
4.根据权利要求1所述的方法,其特征在于,所述分类器为支持向量机分类器。
5.权利要求1所述基于组群模式的地基云图自动分类算法在作为将分辨率信息考虑在特征提取中,同时针对每一分辨率提取显著性局部二值模式信息,提高分类性能方面的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610091614.4A CN105574551B (zh) | 2016-02-18 | 2016-02-18 | 一种基于组群模式的地基云图自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610091614.4A CN105574551B (zh) | 2016-02-18 | 2016-02-18 | 一种基于组群模式的地基云图自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574551A true CN105574551A (zh) | 2016-05-11 |
CN105574551B CN105574551B (zh) | 2019-03-08 |
Family
ID=55884657
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610091614.4A Expired - Fee Related CN105574551B (zh) | 2016-02-18 | 2016-02-18 | 一种基于组群模式的地基云图自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574551B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108720A (zh) * | 2018-01-08 | 2018-06-01 | 天津师范大学 | 一种基于深度多模态融合的地基云图像分类方法 |
CN108229550A (zh) * | 2017-12-28 | 2018-06-29 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158830A1 (en) * | 2000-04-11 | 2003-08-21 | Adam Kowalczyk | Gradient based training method for a support vector machine |
CN103336972A (zh) * | 2013-07-24 | 2013-10-02 | 中国科学院自动化研究所 | 一种基于完备化局部三值模式的地基云图分类方法 |
CN103605988A (zh) * | 2013-12-06 | 2014-02-26 | 康江科技(北京)有限责任公司 | 一种基于空间金字塔随机映射的地基云图分类方法 |
CN104182977A (zh) * | 2014-08-13 | 2014-12-03 | 中国人民解放军理工大学 | 一种基于云块主体骨架分析的波状云排列信息提取方法 |
-
2016
- 2016-02-18 CN CN201610091614.4A patent/CN105574551B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030158830A1 (en) * | 2000-04-11 | 2003-08-21 | Adam Kowalczyk | Gradient based training method for a support vector machine |
CN103336972A (zh) * | 2013-07-24 | 2013-10-02 | 中国科学院自动化研究所 | 一种基于完备化局部三值模式的地基云图分类方法 |
CN103605988A (zh) * | 2013-12-06 | 2014-02-26 | 康江科技(北京)有限责任公司 | 一种基于空间金字塔随机映射的地基云图分类方法 |
CN104182977A (zh) * | 2014-08-13 | 2014-12-03 | 中国人民解放军理工大学 | 一种基于云块主体骨架分析的波状云排列信息提取方法 |
Non-Patent Citations (2)
Title |
---|
胡学岭等: "基于多纹理特征和PCA的地基云图识别研究", 《科学技术与工程》 * |
谢永华等: "基于多尺度分析的地基云图自动识别的研究", 《计算机仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108229550A (zh) * | 2017-12-28 | 2018-06-29 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
CN108229550B (zh) * | 2017-12-28 | 2022-02-18 | 南京信息工程大学 | 一种基于多粒度级联森林网络的云图分类方法 |
CN108108720A (zh) * | 2018-01-08 | 2018-06-01 | 天津师范大学 | 一种基于深度多模态融合的地基云图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105574551B (zh) | 2019-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Extraction of glacial lake outlines in Tibet Plateau using Landsat 8 imagery and Google Earth Engine | |
CN110263705A (zh) | 面向遥感技术领域两期高分辨率遥感影像变化检测方法 | |
CN108596055B (zh) | 一种复杂背景下高分辨遥感图像的机场目标检测方法 | |
CN107392130A (zh) | 基于阈值自适应和卷积神经网络的多光谱图像分类方法 | |
CN109409263A (zh) | 一种基于Siamese卷积网络的遥感影像城市地物变化检测方法 | |
CN106127725A (zh) | 一种基于多分辨率cnn的毫米波雷达云图分割方法 | |
CN108596101A (zh) | 一种基于卷积神经网络的遥感图像多目标检测方法 | |
CN107066995A (zh) | 一种基于卷积神经网络的遥感图像桥梁检测方法 | |
Xu et al. | Object‐based mapping of karst rocky desertification using a support vector machine | |
CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
CN109241902A (zh) | 一种基于多尺度特征融合的山体滑坡检测方法 | |
CN103971364A (zh) | 基于加权Gabor小波特征和两级聚类的遥感图像变化检测方法 | |
Sun et al. | Object-oriented land cover classification using HJ-1 remote sensing imagery | |
Kauth et al. | Blob: An unsupervised clustering approach to spatial preprocessing of mss imagery | |
CN108629368A (zh) | 一种基于联合深度融合的多模态地基云分类方法 | |
Li et al. | Effects of RapidEye imagery’s red-edge band and vegetation indices on land cover classification in an arid region | |
CN103093243B (zh) | 高分辨率全色遥感图像云判方法 | |
CN105447274A (zh) | 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 | |
CN110532953A (zh) | 基于纹理特征辅助的sar影像冰川识别方法 | |
Tang et al. | A multiple-point spatially weighted k-NN method for object-based classification | |
CN112348758B (zh) | 一种光学遥感图像数据增强方法及目标识别方法 | |
CN109359533A (zh) | 一种基于多波段遥感影像的海岸线提取方法 | |
CN103336972A (zh) | 一种基于完备化局部三值模式的地基云图分类方法 | |
Tang et al. | A novel sample selection method for impervious surface area mapping using JL1-3B nighttime light and Sentinel-2 imagery | |
CN105574551B (zh) | 一种基于组群模式的地基云图自动分类方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190308 Termination date: 20220218 |
|
CF01 | Termination of patent right due to non-payment of annual fee |