CN108229550A - 一种基于多粒度级联森林网络的云图分类方法 - Google Patents

Abstract

本发明涉及一种基于多粒度级联森林网络模型的云图分类方法，首先利用多粒度级联森林的多粒度层对云图进行特征表示得到高阶语义信息，然后多粒度级联森林的级联层利用特征表示的语义信息将云图分为厚云、薄云和晴空。本发明比传统卫星云图分类方法准确率更高，并且相同硬件条件下样本训练和测试时间也比大多数方法快很多。

Description

一种基于多粒度级联森林网络的云图分类方法

技术领域

本发明涉及了一种基于多粒度级联森林网络的云图分类方法，属于云图像处理技术领域。

背景技术

卫星云图是气象卫星最早进行的观测项目之一，在大气科学研究、自然灾害观测和天气预报中发挥着重要作用。伴随着卫星探测技术与成像技术的快速发展，卫星能在多个通道上提供不同种类的图像，卫星云图的应用越来越广泛，对卫星云图的分析也越来越重要。基于卫星图像开展的云检测、云分类并且计算云量是获取全球云量分布的主要方式。目前云检测的技术主要分为两类:阈值法和聚类分析法。阈值法是对不同通道组合的亮温、亮度差、反射率与所设置的阈值进行对比来分析像元。阈值法相对成熟且方法易于实现，主要有ISCCP方法、CLAVR方法等。ISCCP算法假设观测辐射值仅来自于云和晴空两者之一，像元观测辐射值与晴空的辐射值相比对，若两者之间的差值大于晴空辐射本身的最大变化幅度时候，判定该像元是云。CLAVR算法是以2X2矩阵块作为检测单位，四个像素都没通过云检测时候，判定矩阵无云，全都通过检测时判为有云，否则认为是混合型。对于混合型矩阵，如果有云及晴空共同存在的矩阵满足其他如冰/雪等晴空判决条件，该矩阵重新被判为晴空。由于卫星图像非常复杂多变，很难找出一种通用的阈值标准，因此检测精度并不是很理想。

聚类方法主要有直方图聚类、自适应阈值聚类、动态阈值聚类、动态聚类等。其中的APOLLO法是阈值法与聚类分析法相结合的方法。由于云图特征很复杂，云层类别通常是由多个特征来确定。在研究了以上的方法发现，现有的研究着重点在于云图的个别特征提取上，而云图的各种有效信息并没有有效利用，因此以上方法得到的云检测准确率不高。云检测是后续的气象研究工作和应用的基础，因此必须先取得较好的云检测结果。

另外云检测分类中基于特征的研究主要有模糊策略,K近邻，支持向量机，极限学习机和神经网络。其中极限学习机由于所需的训练时间短、准确率较高，神经网络分类器的识别精度普遍高于其它分类器，但是由于这些方法的云图特征利用率不高，从而导致了检测精度不是很可靠。而这几年深度学习的快速发展和应用，让研究者发现网络增加适当的深度往往能取得很好的效果。由随机森林发展而来多粒度级联森林网络具有很好的泛化性能，在获得高准确率同时所需的时间比深度神经网络要少很多。多粒度级联森林网络采用多粒度层进行云图特征表示，用级联层进行有监督学习并预测结果。

发明内容

本发明的目的是克服上述背景技术的不足，提供一种基于多粒度级联森林网络的云图分类方法，克服了传统神经网络对云图特征利用率不够的缺陷。为了实现上述技术目的，本发明的技术方案为：

一种基于多粒度级联网络的云图分类方法，包括如下步骤：

步骤一、多粒度级联森林网络模型结构的训练：设定网络模型的多粒度扫描层为三种不同粒度尺寸，每种粒度层包含两个森林；网络模型的级联层为L个完全随机森林和L个随机森林，利用已标注的样本(X_i,Y_i)，对该网络模型进行学习,使用多粒度扫描层进行特征表示，级联层进行有监督学习并输出云类别，得到训练后的网络参数,其中，X_i为一个N×N的图像块，Y_i表示X_i对应的云的分类，N满足20≤N≤40，i代表第i个样本，i＝1,2,3,...,p，p为样本总数；

步骤二、卫星云图分类：将卫星图像分成每个像素大小为N×N的小块，作为输入数据输入多粒度级联森林网络，得到整个网络的特征向量输出，最后，在特征向量的类别概率中取最大的类别概率判定云的种类。

所述的多粒度级联森林网络模型包括：

多粒度扫描层特征表示部分，用多粒度扫描层来增强数据的特征表示；

多粒度级联森林网络模型的级联层有监督学习部分，是将多粒度层提取的特征向量作为输入，级联层的每个森林输出和原输入数据聚合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；基于多粒度级联理论进行特征分类学习，得到训练后的网络参数。

步骤一的多粒度级联森林网络采用三种粒度扫描窗口([W₁×W₁×3]；[W₂×W₂×3]；[W₃×W₃×3])，每一种粒度窗口对已标注的样本(X_i,Y_i)进行特征提取，用W_i×W_i尺寸的粒子窗口在N×N大小的图片上以步长为1滑动，从相同大小的窗口提取的特征将用于训练完全随机树森林和随机森林，每个森林生成(N-W_i+1)²个三维特征向量，则最后得到2×(N-W_i+1)²×3维特征向量作为多粒度级联森林网络中级联层的输入。

级联层网络对特征向量进行学习并进行云图分类具体步骤如下：

步骤a、级联中的每一级接收到由前一级处理的特征信息，并将该级的处理结果输出给下一级，级联的每个级别包括L个随机森林和L个完全随机森林；

步骤b、每个完全随机森林包含M个完全随机树，通过随机选择一个特征在树的每个节点进行分割实现生成，树一直生长，直到每个叶节点只包含相同类的实例或不超过10个实例；

步骤c、每个随机森林也包含M棵树，通过随机选择数量的特征作为候选，然后选择具有最佳Gini值的特征作为分割，d为输入特征的数量；

步骤d、每个森林输出3维的类别概率向量，共2×L个森林输出的2×L×3维向量要和原输入特征向量融合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；

步骤e、经过多个级联森林，输出最终的类别概率向量。对得到2×L个森林输出的类别概率向量求取均值；最后，在类别概率向量中取最大的类别概率为预测结果。

所述步骤c中Gini指数具体算法如下：

其中f_i代表类别i出现的频率，如果集合f分成m部分N₁,N₂,...,N_m，那么这个分裂的Gini系数可由下式计算：

对于所有的属性都遍历所有可能的分裂方式，然后选择具有最小Gini指数的分裂作为分裂标准进行分裂。

所述多粒度级联森林网络输出的云的分类结果包括三种：晴空、薄云和厚云。

所述多粒度级联森林网络输出云分类的输出样本设定为对应的三维向量。

多粒度级联森林分类结果是通过类别概率向量来确定，通过对概率最大的值判定来确定是哪种云，并利用厚云和薄云概率值通过相减来确定重叠部分，其中厚云和薄云的重叠部分，可以通过以下公式计算出：

|S_h-S_b|＜0.12

式子中，S_h是代表检测后厚云的概率值，S_b代表检测后薄云的概率值。

本发明的有益效果为：

本发明通过多粒度级联森林网络模型的多粒度扫描层进行特征提取保证了网络具有良好的泛化性能，充分提取了云图中的云特征，使得网络模型取得的云图分类结果更加精确。

本发明利用多粒度扫描来增强数据的特征表示，并利用级联网络中不同类型的森林来确保特征的多样性。本发明不需要反向误差迭代训练，在准确率提高的前提下，在同等硬件条件下样本的训练测试速度和样本分类速度都取得了很大的提高。

附图说明

图1是本发明的流程图。

图2是本发明中用多粒度级联网络进行云图处理的结构示意图。

具体实施方式

下面结合附图和具体实施方式对本申请作进一步详细的说明。

如图1所示，本实例的基于多粒度级联森林网络模型的卫星云图分类方法，包括以下步骤：

步骤一、多粒度级联森林网络模型结构的训练：设定网络模型的多粒度扫描层为三种不同粒度尺寸，每种粒度层包含两个森林；对已标注的样本(X_i,Y_i)进行特征表示；其中，X_i为一个N×N(N满足20≤N≤40，N为正整数)的图像块，Y_i表示X_i对应的云的分类，分为厚云、薄云及晴空三种，(i代表第i个样本，i＝1,2,3,...,p，p为样本总数)；网络模型的级联层为L个完全随机森林和L个随机森林，对该网络模型进行学习,级联层输出云类别，得到训练后的网络参数。多粒度扫描层特征表示部分，与卷积神经网络对图像数据和递归神经网络对序列数据处理的方法类似，多粒度级联森林(GcForest)用多粒度扫描来增强数据的特征表示；GcForest模型级联层有监督学习部分，是将多粒度层提取的特征向量作为输入，级联层的每个森林输出和原输入数据聚合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；基于多粒度级联森林模型理论进行特征分类学习，得到训练后的网络参数。

多粒度层特征提取部分采用三种粒度扫描窗口([W₁×W₁×3]；[W₂×W₂×3]；[W₃×W₃×3])，每一种粒度窗口对卫星图像样本X进行特征提取，用W_i×W_i尺寸的粒子窗口在N×N大小的云图样本上以步长为1滑动，从相同大小的窗口提取的特征将用于训练完全随机森林和随机森林，由于类别为3类(晴空、薄云和厚云)，每个森林生成(N-W_i+1)²个三维特征向量，则最后得到2×(N-W_i+1)²×3维特征向量作为多粒度级联森林网络中级联层的输入。

GcForest模型级联层有监督学习部分，是将多粒度层提取的特征向量作为输入，每一级接收到由前一级处理的特征信息，并将该级的处理结果输出给下一级，本发明采用不同类型的森林来确保特征表示的多样性，级联的每个级别包括L个随机森林和L个完全随机森林。每个完全随机的树森林包含M个完全随机树，通过随机选择一个特征在树的每个节点进行分割实现生长，直到每个叶节点只包含相同类的实例或不超过10个实例。类似地，每个随机森林也包含M棵树，通过随机选择数量的特征作为候选，d为输入特征的数量，然后选择具有最佳Gini值的特征作为分割。每个森林输出3维的类概率向量，2×L个森林输出的2×L×3维向量要和原输入特征向量融合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止。经过多个级联森林，输出最终的类别概率向量。对得到2×L个森林输出的类别概率向量求取均值；最后，在类别概率向量中取最大的类别概率为预测结果；基于多粒度级联理论进行特征分类学习，得到训练后的网络参数。

步骤二、将卫星图像分成每个像素大小为N×N的小块，作为多粒度级联森林网络的输入数据，并得到整个网络的特征向量输出，最后，在类别概率向量中取最大的类别概率判定为云的种类。

本发明根据输出的最大值判定云的种类。本实施例中网络模型输出的输出样本设定为对应的三维向量。

本实施例的云图分类方法利用多粒度级联森林对卫星云图进行检测，该方法相对于传统阈值法、卷积神经网络以及深度极限学习机网络所取得的结果准确率更高，并且相同硬件条件下样本训练和测试时间也比大多数方法快很多更适合后续的气象研究工作和应用。

以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (8)

1.一种基于多粒度级联森林网络的云图分类方法，其特征在于包括如下步骤：

步骤一、多粒度级联森林网络模型结构的训练：设定网络模型的多粒度扫描层为三种不同粒度尺寸，每种粒度层包含两个森林；网络模型的级联层为L个完全随机森林和L个随机森林，利用已标注的样本(X_i,Y_i)，对该网络模型进行学习,使用多粒度扫描层进行特征表示，级联层进行有监督学习并输出云类别，得到训练后的网络参数,其中，X_i为一个N×N的图像块，Y_i表示X_i对应的云的分类，N满足20≤N≤40，i代表第i个样本，i＝1,2,3,...,p，p为样本总数；

步骤二、卫星云图分类：将卫星图像分成每个像素大小为N×N的小块，作为输入数据输入多粒度级联森林网络，得到整个网络的特征向量输出，最后，在特征向量的类别概率中取最大的类别概率判定云的种类。

2.根据权利要求1所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：所述的多粒度级联森林网络模型包括：

多粒度扫描层特征表示部分，用多粒度扫描层来增强数据的特征表示；

多粒度级联森林网络模型的级联层有监督学习部分，是将多粒度层提取的特征向量作为输入，级联层的每个森林输出和原输入数据聚合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；基于多粒度级联理论进行特征分类学习，得到训练后的网络参数。

3.根据权利要求2所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：步骤一的多粒度级联森林网络采用三种粒度扫描窗口([W₁×W₁×3]；[W₂×W₂×3]；[W₃×W₃×3])，每一种粒度窗口对已标注的样本(X_i,Y_i)进行特征提取，用W_i×W_i尺寸的粒子窗口在N×N大小的图片上以步长为1滑动，从相同大小的窗口提取的特征将用于训练完全随机树森林和随机森林，每个森林生成(N-W_i+1)²个三维特征向量，则最后得到2×(N-W_i+1)²×3维特征向量作为多粒度级联森林网络中级联层的输入。

4.根据权利要求3所述的基于多粒度级联网络的云图分类方法，其特征在于：级联层网络对特征向量进行学习并进行云图分类具体步骤如下：

步骤a、级联中的每一级接收到由前一级处理的特征信息，并将该级的处理结果输出给下一级，级联的每个级别包括L个随机森林和L个完全随机森林；

步骤b、每个完全随机森林包含M个完全随机树，通过随机选择一个特征在树的每个节点进行分割实现生成，树一直生长，直到每个叶节点只包含相同类的实例或不超过10个实例；

步骤c、每个随机森林也包含M棵树，通过随机选择数量的特征作为候选，然后选择具有最佳Gini值的特征作为分割，d为输入特征的数量；

步骤d、每个森林输出3维的类别概率向量，共2×L个森林输出的2×L×3维向量要和原输入特征向量融合，再做为下一层的输入，若在增加新的级联后，验证集上估计级联的性能没有显著增加，则训练过程终止；

步骤e、经过多个级联森林，输出最终的类别概率向量，对得到2×L个森林输出的类别概率向量求取均值；最后，在类别概率向量中取最大的类别概率为预测结果。

5.根据权利要求4所述一种基于多粒度级联森林网络的云图分类方法，其特征在于：所述步骤c中Gini指数具体算法如下：

其中f_i代表类别i出现的频率，如果集合f分成m部分N₁,N₂,...,N_m，那么这个分裂的Gini系数可由下式计算：

对于所有的属性都遍历所有可能的分裂方式，然后选择具有最小Gini指数的分裂作为分裂标准进行分裂。

6.根据权利要求1所述一种基于多粒度级联网络的云图分类方法，其特征在于：所述多粒度级联森林网络输出的云的分类结果包括三种：晴空、薄云和厚云。

7.根据权利要求1所述一种基于多粒度级联网络的云图分类方法，其特征在于：所述多粒度级联森林网络输出云分类的输出样本设定为对应的三维向量。

8.根据权利要求1所述一种基于多粒度级联网络的云图分类方法，其特征在于：多粒度级联森林分类结果是通过类别概率向量来确定，通过对概率最大的值判定来确定是哪种云，并利用厚云和薄云概率值通过相减来确定重叠部分，其中厚云和薄云的重叠部分，可以通过以下公式计算出：

|S_h-S_b|＜0.12

式子中，S_h是代表检测后厚云的概率值，S_b代表检测后薄云的概率值。