CN107563452B - 一种基于判别测度学习的交叉域地基云图分类方法 - Google Patents

Abstract

本发明实施例公开了一种基于判别测度学习的交叉域地基云图分类方法，该方法包括以下步骤：对来自源域和目标域的多幅输入地基云图进行预处理，得到训练地基云图；分别对训练地基云图提取特征，得到训练地基云图对应的特征向量；基于训练地基云图对应的特征向量进行判别测度学习，得到距离函数；获取来自源域和目标域的测试地基云图的特征向量，基于测试地基云图的特征向量，使用距离函数对测试地基云图进行交叉域分类，得到地基云图识别结果。本发明方法的判别测度学习充分考虑来自源域和目标域的样本对，以及类内和类别之间的均值关系，学习得到的马氏距离应用在最近邻分类器上能够提高交叉域地基云图分类的正确率。

Description

一种基于判别测度学习的交叉域地基云图分类方法

技术领域

本发明属于模式识别技术领域，具体涉及一种基于判别测度学习的交叉域地基云图分类方法。

背景技术

云是一种重要的常见天气现象。通常状况下，云覆盖地球表面50％左右，是地气系统(把地面和大气看做一个整体，称为地气系统)辐射收支的主要调节者，是影响地气系统辐射平衡和热量平衡的重要因素，是地球气候系统的重要影响因素。

地基云图分类技术是建设地基云图自动分类系统的基础，对气候分析、大气环流模式和数值天气预报等具有重要的意义，国内外均已经着手开展相关领域的研究工作。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。Singh等人对数字相机得到的云图进行分类，通过自相关法、灰度共生矩阵法、LAWS能量法等提取出上百种云特征，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。Isosalo等人提出对云图提取LBP和LEP特征，对上述的5种天空类型进行分类。Calbo等人采用位于不同地区的TSI和WSC所采集的数据，通过抽取原始图像的统计信息、傅里叶变换图像信息和有云无云点的信息对晴空、波状云、卷云、层状云和积状云5类天空类型进行分类，正确率达到76％。Xiao等人提出同时考虑多种特征，即云图的纹理、结构和颜色特征，对云图进行表示。Liu等人提出光照不变完备化局部三值模式(Illumination-invariant Completed Local Ternary Pattern，ICLTP)和显著性局部二值模式(SalientLocal Binary Pattern，SLBP)来表示云图并对其分类。以上方法都是在同一个数据库，即同一个域中，做训练和测试，没有考虑到交叉域的情况，即在源域做训练，在目标域做测试。在现实生活中，中国有2424个气象站，每个气象站收集的数据库都存在很大的差异，比如地基云图的拍摄地点、摄像机的分辨率、光照和遮挡都不同，这样造成每个数据库的地基云图存在很大的差异。虽然以上的地基云图分类方法在同域做训练和测试能取得很好的分类效果，但是当在源域做训练，在目标域做测试时，这些方法的分类准确率下降。

发明内容

本发明的目的是要解决交叉域的地基云图分类问题，为此，本发明提供一种基于判别测度学习的交叉域地基云图分类方法。

为了实现所述目的，本发明提出一种基于判别测度学习的交叉域地基云图分类方法，所述方法包括以下步骤：

步骤S1，对来自源域和目标域的多幅输入地基云图进行预处理，得到多幅训练地基云图；

步骤S2，分别对所述训练地基云图提取特征，得到所述训练地基云图对应的特征向量；

步骤S3，基于所述训练地基云图对应的特征向量进行判别测度学习，得到距离函数；

步骤S4，按照所述步骤S1-S2，获取来自源域和目标域的测试地基云图的特征向量，基于测试地基云图的特征向量，在最近邻分类器上使用所述距离函数对所述测试地基云图进行交叉域分类，得到地基云图识别结果。

可选地，所述步骤S1包括以下步骤：

步骤S11，将所述输入地基云图转换为灰度地基云图；

步骤S12，将所述灰度地基云图进行大小归一化，并将归一化后的灰度地基云图作为所述训练地基云图。

可选地，所述步骤S2包括以下步骤：

步骤S21，获取每幅训练地基云图的类别标签，并将每幅训练地基云图划分为多个图像块；

步骤S22，对所述图像块利用滑动窗口进行稠密采样，并提取局部特征，得到每个滑动窗口对应的多个特征向量；

步骤S23，对于每个图像块中所有滑动窗口对应的多个特征向量进行最大化抽取，得到每个图像块的特征向量z；

步骤S24，将每一训练地基云图中所有图像块的特征向量依次连接，得到所述训练地基云图对应的特征向量。

可选地，所述距离函数为马氏距离函数。

可选地，所述步骤S3包括以下步骤：

步骤S31，根据所述训练地基云图的类别标签，将所述训练地基云图的特征向量作为样本进行样本配对，并将所有样本对分为包含相似样本对的相似集合S和包含非相似样本对的非相似集合D；

步骤S32，根据所述相似样本对和非相似样本对的距离信息，以及类内和类别之间样本的均值关系，进行判别测度学习，得到马氏距离函数。

可选地，所述步骤S31中，将相同标签的两个样本作为相似样本对，将不同标签的两个样本作为非相似样本对。

可选地，所述马氏距离函数表达式表示为：

其中，a和b分别是来自源域和目标域的训练地基云图的特征向量，H是一个半正定矩阵，H＝WW^T，W是一个转换矩阵。

可选地，所述步骤S32包括以下步骤：

步骤S321，基于使所述相似集合S中所有样本对之间的距离之和最小，使所述非相似集合D中所有样本对之间的距离之和最大，并且使每类所有样本与该类样本均值的距离之和最小，使每类的样本均值与所有样本的均值之和最大，提出目标函数，并学习得到矩阵H；

步骤S322，将学习得到的矩阵H应用到所述马氏距离函数表达式中，得到马氏距离函数。

可选地，所述目标函数表示为：

s.t.H≥0,Tr(H)＝1，

其中，μ_n表示第n类样本的均值向量，μ表示所有样本的均值向量，e表示来自源域和目标域的第n类样本的特征向量，|S|表示相似集合S中所有样本对的数目，|D|表示非相似集合D中所有样本对的数目，|C_n|表示属于第n类云图的样本数目，α和β是常数项，N表示云图的总类别数目；H≥0和Tr(H)＝1为约束项。

可选地，所述步骤S321包括以下步骤：

步骤S3211，将(a-b)^TH(a-b)做如下变换：

将H＝WW^T和上式带入到所述目标函数中，所述目标函数变为：

s.t.H≥0,Tr(H)＝1；

步骤S3212，基于目标函数及其约束条件构造拉格朗日函数

其中，λ表示拉格朗日乘子；

对所述拉格朗日函数

进行求导并让等式为零，得到：

(E_D-E_S+E_B-E_I)W＝λW，

其中，

步骤S3213，对等式进行特征值和特征向量的求解，保留前m个最大的特征值对应的特征向量，得到转换矩阵W，进而得到矩阵H＝WW^T：

W＝(w₁,w₂,…,w_m)，

其中，w_m表示矩阵(E_D-E_S+E_B-E_I)第m个特征值对应的特征向量。

本发明的有益效果为：本发明提出一种基于判别测度学习的交叉域地基云图分类方法，判别测度学习充分考虑来自源域和目标域的样本对，以及类内和类别之间的均值关系，学习得到的马氏距离应用在最近邻分类器上能提高交叉域地基云图分类的正确率。

需要说明的是，本发明得到了国家自然科学基金项目No.61501327、No.61401309、No.61401310、No.61711530240、天津市自然科学基金重点项目No.17JCZDJC30600、天津市应用基础与前沿技术研究计划青年基金项目No.15JCQNJC01700。

附图说明

图1是根据本发明一实施例的一种基于判别测度学习的交叉域地基云图分类方法的流程图。

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了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

图1是根据本发明一实施例的一种基于判别测度学习的交叉域地基云图分类方法的流程图，下面以图1为例来说明本发明的一些具体实现流程，如图1所示，本发明提出的一种基于判别测度学习的交叉域地基云图分类方法包括以下步骤：

步骤S1，对来自源域和目标域的多幅输入地基云图进行预处理，得到多幅训练地基云图；

其中，所述对来自源域和目标域的多幅输入地基云图进行预处理包括以下步骤：

步骤S11，将所述输入地基云图转换为灰度地基云图；

步骤S12，将所述灰度地基云图的大小归一化为I×J，并将归一化后的灰度地基云图作为所述训练地基云图，其中，I和J分别表示灰度地基云图的高度和宽度。

在本发明一实施例中，所述灰度地基云图的大小归一化为300×300，其中，300和300分别表示灰度地基云图的高度和宽度。

步骤S2，分别对所述训练地基云图提取特征，得到所述训练地基云图对应的特征向量；

进一步地，所述步骤S2包括以下步骤：

步骤S21，获取每幅训练地基云图的类别标签，并对每幅训练地基云图分别进行l×l的划分，划分为预设大小的多个图像块，其中，l的取值可以为：l＝1,2,3；

步骤S22，对所述图像块利用预设大小的滑动窗口进行稠密采样，并提取局部特征，得到每个滑动窗口对应的多个特征向量；

在本发明一实施例中，每个滑动窗口的大小取为10×10，步长取为5，局部特征可以选为：局部二值模式(Local Binary Pattern，LBP)特征、局部三值模式(Local TernaryPattern，LTP)特征、完整局部二值模式(Completed Local Binary Pattern，CLBP)特征，并在三种尺度下提取上述局部特征，即(P，R)可以分别为(8，1)，(16，2)和(24，3)，其中，R表示圆形区域的半径，P表示圆形区域的采样点数目。

步骤S23，利用下式对于每个图像块中所有滑动窗口对应的多个特征向量进行最大化抽取，得到每个图像块的特征向量z：

z＝max{z₁,z₂,...,z_i,...,z_n}

其中，z表示图像块的特征向量，通过稠密采样和最大化抽取得到，z中不仅包含局部的显著特征信息，而且对视觉迁移具有较强的鲁棒性，所以z是一个含有视觉迁移信息的特征向量；z_i(i＝1,2,...,n)表示第i个滑动窗口的特征向量，每个图像块总共有n个特征向量；

步骤S24，将每一训练地基云图中所有图像块的特征向量依次连接，得到所述训练地基云图对应的特征向量。

步骤S3，基于所述训练地基云图对应的特征向量进行判别测度学习，得到距离函数；

其中，所述距离函数为马氏距离函数。

进一步地，所述步骤S3包括以下步骤：

步骤S31，根据所述训练地基云图的类别标签，将所述训练地基云图的特征向量作为样本进行样本配对，相同标签的两个样本称作相似样本对，不同标签的两个样本称作非相似样本对，将所有样本对分为包含相似样本对和包含非相似样本对的集合，分别称作相似集合S和非相似集合D；

步骤S32，根据所述相似样本对和非相似样本对的距离信息，以及类内和类别之间样本的均值关系，进行判别测度学习，得到一个马氏距离函数，所述马氏距离函数可表示为：

其中，a和b分别是来自源域和目标域的训练地基云图的特征向量，H是一个半正定矩阵，H＝WW^T，W是一个转换矩阵。

进一步地，所述步骤S32包括以下步骤：

步骤S321，使所述相似集合S中所有样本对之间的距离之和最小，使所述非相似集合D中所有样本对之间的距离之和最大，并且使每类所有样本与该类样本均值的距离之和最小，使每类的样本均值与所有样本的均值之和最大，提出如下目标函数学习得到矩阵H：

s.t.H≥0,Tr(H)＝1

其中，μ_n表示第n类样本的均值向量，μ表示所有样本的均值向量，e表示来自源域和目标域的第n类样本的特征向量，|S|表示相似集合S中所有样本对的数目，|D|表示非相似集合D中所有样本对的数目，|C_n|表示属于第n类云图的样本数目，α和β是常数项，N表示云图的总类别数目；约束项H≥0保证H是一个半正定矩阵，约束项Tr(H)＝1表示H的迹等于1，排除无效解。

在本发明一实施例中，将对7类地基云图进行分类，故N＝7。

进一步地，所述步骤S321包括以下步骤：

步骤S3211，因为(a-b)^TH(a-b)的计算结果是一个标量，可做如下变换：

(a-b)^TH(a-b)＝(a-b)^TWW^T(a-b)

＝Tr((a-b)^TWW^T(a-b))

＝Tr(W^T(a-b)(a-b)^TW)

注意，对(μ-μ_n)^TH(μ-μ_n)和(e-μ_n)^TH(e-μ_n)也可以做类似的变换。

将H＝WW^T和上式带入到目标函数中，目标函数变成：

s.t.H≥0,Tr(H)＝1

步骤S3212，将目标函数以及其约束条件构造一个拉格朗日函数

其中，λ表示拉格朗日乘子。

对所述拉格朗日函数

进行求导并让等式为零，得到：

(E_D-E_S+E_B-E_I)W＝λW

其中，

步骤S3213，对上述等式进行特征值和特征向量的求解，保留前m个最大的特征值对应的特征向量，得到转换矩阵W，进而得到矩阵H＝WW^T：

W＝(w₁,w₂,…,w_m)

其中，w_m表示矩阵(E_D-E_S+E_B-E_I)第m个特征值对应的特征向量。

在本发明一实施例中，m取200。

步骤S322，将学习得到的矩阵H应用到所述马氏距离函数表达式中，得到马氏距离函数。

步骤S4，按照所述步骤S1-S2，获取来自源域和目标域的测试地基云图的特征向量，基于测试地基云图的特征向量，在最近邻分类器上使用所述距离函数对所述测试地基云图进行交叉域分类，得到地基云图识别结果。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (5)

1.一种基于判别测度学习的交叉域地基云图分类方法，其特征在于，所述方法包括以下步骤：

步骤S1，对来自源域和目标域的多幅输入地基云图进行预处理，得到多幅训练地基云图；

步骤S2，分别对所述训练地基云图提取特征，得到所述训练地基云图对应的特征向量；

步骤S3，基于所述训练地基云图对应的特征向量进行判别测度学习，得到距离函数；

步骤S4，按照所述步骤S1-S2，获取来自源域和目标域的测试地基云图的特征向量，基于测试地基云图的特征向量，在最近邻分类器上使用所述距离函数对所述测试地基云图进行交叉域分类，得到地基云图识别结果；

其中，所述步骤S2包括以下步骤：

步骤S21，获取每幅训练地基云图的类别标签，并将每幅训练地基云图划分为多个图像块；

步骤S22，对所述图像块利用滑动窗口进行稠密采样，并提取局部特征，得到每个滑动窗口对应的多个特征向量，其中，所述局部特征选自：局部二值模式特征、局部三值模式特征、完整局部二值模式特征，且在三种尺度下提取得到；

步骤S23，对于每个图像块中所有滑动窗口对应的多个特征向量进行最大化抽取，得到每个图像块的特征向量z；

步骤S24，将每一训练地基云图中所有图像块的特征向量依次连接，得到所述训练地基云图对应的特征向量；

所述步骤S3包括以下步骤：

步骤S31，根据所述训练地基云图的类别标签，将所述训练地基云图的特征向量作为样本进行样本配对，并将所有样本对分为包含相似样本对的相似集合S和包含非相似样本对的非相似集合D；

步骤S32，根据所述相似样本对和非相似样本对的距离信息，以及类内和类别之间样本的均值关系，进行判别测度学习，得到马氏距离函数；

所述步骤S32包括以下步骤：

步骤S321，基于使所述相似集合S中所有样本对之间的距离之和最小，使所述非相似集合D中所有样本对之间的距离之和最大，并且使每类所有样本与该类样本均值的距离之和最小，使每类的样本均值与所有样本的均值之和最大，提出目标函数，并学习得到矩阵H；

步骤S322，将学习得到的矩阵H应用到所述马氏距离函数表达式中，得到马氏距离函数；

其中，所述目标函数表示为：

s.t.H≥0,Tr(H)＝1，

其中，μ_n表示第n类样本的均值向量，μ表示所有样本的均值向量，e表示来自源域和目标域的第n类样本的特征向量，|S|表示相似集合S中所有样本对的数目，|D|表示非相似集合D中所有样本对的数目，|C_n|表示属于第n类云图的样本数目，α和β是常数项，N表示云图的总类别数目；H≥0和Tr(H)＝1为约束项，a和b分别是来自源域和目标域的训练地基云图的特征向量；

所述步骤S321包括以下步骤：

步骤S3211，将(a-b)^TH(a-b)做如下变换：

将H＝WW^T和上式带入到所述目标函数中，所述目标函数变为：

s.t.H≥0,Tr(H)＝1；

步骤S3212，基于目标函数及其约束条件构造拉格朗日函数

其中，λ表示拉格朗日乘子；

对所述拉格朗日函数

进行求导并让等式为零，得到：

(E_D-E_S+E_B-E_I)W＝λW，

其中，

步骤S3213，对等式进行特征值和特征向量的求解，保留前m个最大的特征值对应的特征向量，得到转换矩阵W，进而得到矩阵H＝WW^T：

W＝(w₁,w₂,…,w_m)，

其中，w_m表示矩阵(E_D-E_S+E_B-E_I)第m个特征值对应的特征向量。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1包括以下步骤：

步骤S11，将所述输入地基云图转换为灰度地基云图；

步骤S12，将所述灰度地基云图进行大小归一化，并将归一化后的灰度地基云图作为所述训练地基云图。

3.根据权利要求1所述的方法，其特征在于，所述距离函数为马氏距离函数。

4.根据权利要求1所述的方法，其特征在于，所述步骤S31中，将相同标签的两个样本作为相似样本对，将不同标签的两个样本作为非相似样本对。

5.根据权利要求1所述的方法，其特征在于，所述马氏距离函数表达式表示为：

其中，H是一个半正定矩阵。

Images