CN111898627B - 一种基于pca的svm云微粒子优化分类识别方法 - Google Patents

Abstract

本发明涉及一种基于PCA的SVM云微粒子优化分类识别方法，主要包括首先对CPI图像进行云微粒子分割，然后对分割后的云微粒子图像进行去标注，接着基于PCA降维的SVM云微粒子图像分类识别，由于现有方法中缺乏对CPI云微粒子原始数据的针对性预处理，通过该方法可有效的对云微粒子分类，并识别破碎冰晶粒子图片。

Description

一种基于PCA的SVM云微粒子优化分类识别方法

技术领域

本发明属于云微粒子形态分类领域,尤其涉及基于人工智能算法对机载CPI 探测的冰晶粒子图像的快速、高效的冰晶形态识别分类。

背景技术

图像分类识别技术是人工智能的一个重要领域。它是指对图像进行对象分 类,以识别各种不同模式的目标和对像的技术。图像分类识别技术发展主要经历 了三个阶段:数字文字识别阶段(始于1950年)、数字图像处理与识别阶段(始于 二十世纪六十年代末)、自然图像识别阶段(始于1970年)、总的来说图像识别技 术已经有了半个多世纪的发展历程了,其被广泛运用于军事、医学、气象、交通、 农业、测绘等广泛领域。

机载云粒子成像仪(Cloud Particle Imager,CPI)主要由粒子检测系统(Particle Detection System，PDS)、成像激光器、数码工业相机和数据信息系统组成.基本 原理为利用PDS的两个连续波激光二极管垂直交叉照射，交点定义为仪器的样 品体积,当粒子通过交叉点,成像激光器被脉冲化且粒子图像被投射在数码相机电 荷耦合器件(Charge Coupled Device,CCD)上。同时粒子图像从CCD实时提取 与发送并在系统主处理器上进行显示和储存。CPI相对于其他光学成像仪器具有 高速处理图片(每秒最高可达400帧)和高分辨率的特点(2.3um/像素)。同时CPI 还具有抗压力与抗低温的特点。CPI的特点适应于高空探测的恶劣环境，同时探 测的高分辨率图像也适用于图像处理领域。然而如何快速、准确的将机载CPI探 测器获取到的海量云微粒子数据进行分类识别，仍然是亟待解决的问题，因此， 我们依靠北京气象局的飞机所采集的大量CPI数据，研究了基于PCA的SVM云微粒子分类识别方法。

在图像分类识别技术当中，决策树方法、随机森林集成方法、支持向量机方 法、基于神经网络类方法等，在零件精密仪器的检测，人脸、车牌识别，肿瘤检 测等领域都被广泛使用，但是，在对CPI云微粒子分类上应用较少。并且，各类 方法基本都是基于CPI云微粒子原始数据进行训练学习，而这些原始数据一般 都存在较大的噪声，现有方法缺乏对CPI云微粒子原始数据的针对性预处理也 是一大问题。此外，目前还没有对云微粒子形态多分类和识别破碎冰晶粒子图片 的相关方法，这一问题亟待解决。

发明内容

本发明针对上述现有技术的不足，提出了一种基于PCA的SVM云微粒子 优化分类识别方法，包括以下步骤：

步骤1：对CPI图像进行云微粒子分割，包括：

步骤1.1：对CPI图像进行灰度化处理，具体方法为将RGB三通道CPI图像转 化为单通道灰度图像；

步骤1.2：将CPI灰度图像二值化，首先抽取CPI灰度化图像中a幅云微粒子图 像I_p，对a幅I_p图像中像素值按灰度值大小从大到小排序，选取灰度值最大的b 个像素点，计算其灰度均值avg(I_p)，然后与背景图像灰度值均值avg(I_bg)进行 比较，计算出定阈值Th，其中背景图像I_bg为选择的I_p图像的相邻的c×c非云微 粒子图像区域，最后根据阈值Th将CPI灰度图像二值化，阈值Th计算方法为：

Th＝α·(avg(I_p)-avg(I_bg))，其中变量α∈[0.9,1]；

步骤1.3：将CPI二值图像填补孔洞，具体方法为：对CPI二值图像进行形态学 处理,对应的参数设置为，膨胀矩阵选择的是

的正方形结构元素,腐蚀 矩阵选择的是

的单位矩阵结构元素；

步骤1.4：将所述CPI二值图像进行连通区域标记，以从左到右，从上到下的 顺序，搜索CPI二值图像，当找到第一个像素值为1的像素f时，以这个像素为中 心，按优化连通域方法确定其连通域，然后继续按序搜索除了已经确定的连通域 外的CPI二值图像，确定新的连通域，直到遍历完整幅图像；所述优化连通域方 法是以像素f为中心点，找出与其相邻的像素，组合成为矩阵A，计算矩阵A中 非零值比例nz_A，以矩阵A为中心，找出与其相邻的像素，组和成为矩阵B， 计算矩阵B中非零值比例nz_B，以nz_A、nz_B取值为判定条件采用不同的连 通域搜索方法；

步骤1.5：统计CPI二值图像中被标记的矩形联通区域，以每个矩形联通区域 左上角坐标为开始，按从左到右，从上到下的顺序，以矩形联通区域的坐标为索 引，从CPI灰度图像上提取出对应的灰度图片，即为云微粒子图像；

步骤2：对云微粒子图像进行去标注；

步骤3：基于PCA降维的SVM云微粒子分类识别，包括：

步骤3.1：将云微粒子特征图进行PCA优化降维处理，计算各主成分的贡献度

λ_t为各主成分对应的特征值，T为特征值数量，当k_t＜v1时， ks_t＝ε×k_t，当k_t＞v1时，kl_t＝η×k_t，ε∈(0.1,0.5)，η∈(1.5,2)，计算累计贡献度

算出使得s(m)＜u的m个主成分；

步骤3.2：制作数据集，根据气象知识对云微粒子形态进行类别划分；

步骤3.3：SVM云微粒子分类识别，对经过步骤3.2制作的数据集进行切分， 切分比为百分之70训练集，百分之30测试集；进行SVM云微粒子分类。

进一步的，所述步骤1.4中，以nz_A、nz_B取值为判定条件采用不同的连 通域搜索方法，包括：

当同时满足nz_A＞v2，nz_B＞v3时，以像素f为基点，搜索像素f相邻 的上下左右四个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就 属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的 其他上下左右四个方向相邻像素，重复满足nz_A＞v2，nz_B＞v3时的步骤， 直到新基点四个方向邻域内没有像素值为1的像素为止，当不同时满足 nz_A＞v2，nz_B＞v3时，以像素f为基点，搜索像素f相邻的上下左右，左 上，左下，右上和右下八个方向的像素，若搜索到的像素其像素值为1，那么这 两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通 区域之外的其他相邻像素，重复不同时满足nz_A＞v2，nz_B＞v3时的步骤， 直到新基点八个方向邻域内没有像素值为1的像素为止。

进一步的，所述去标注处理包括：

步骤2.1：利用大津阈值法对灰度云微粒子图像进行处理使其成为二值化云 微粒子图像,大津阈值法是采用自适应最佳阈值进行二值化处理；

步骤2.2：确定云微粒子图像中的标注区域，设二值化云微粒子图像为I_Bin， 对二值化云微粒子图像I_Bin进行纵向和横向的搜索，所述纵向搜索为从二值化云 微粒子图像左上角第一个像素点开始，从上到下，从左到右搜索，当搜索到像素 点值为1，标记该像素点横坐标i₁，接着换下一列继续搜索，直到搜索到5个像素 点值为1，搜索结束，得到5个像素点的横坐标i_n,n＝1,2,3,4,5，对i_n降序排列，取 中间值记为i_mid,横向搜索即从二值化云微粒子图像右下角第一个像素点开始，从 右到左，从下到上搜索，当搜索到像素点值为1，标记该像素点横纵坐标j₁，接 着换下一列继续搜索，直到搜索到10个像素点值为1，搜索结束，得到10个像素 点的横纵坐标j_n,n＝1,2,…，10，对取10个横纵坐标中j_n值降序排列，取中间值记 为j_mid，云微粒子图像尺寸P×Q，估计的标注位置为I_Bin([i_mid，P]，[1，j_mid])，再将估计的标注区域扩大，最终标注区域为I_Bin([i_exp，P]，[1，j_exp])，其中， i_exp＝round(β₁×i_mid)，j_exp＝round(β₂×j_mid)，β₁∈(0.8,1)，β₂∈(1,1.2)；

步骤2.3：对步骤2.2得到的所述标注区域进行去形态学处理，对标注区域先 膨胀再腐蚀，对应的参数设置为：膨胀操作的矩阵选择的是3×3的正方形结构元 素,腐蚀操作的矩阵选择的是3×3的单位矩阵结构元素；

步骤2.4：将去标注后的二值化云微粒子图像进行取反，再乘以原云微粒子灰 度图像，得到去标注后的云微粒子图像，所述去标注后的云微粒子图像的背景图 像灰度值为0，将所述去标注后的云微粒子图像的背景图像的灰度值全部换为 255，得到最终的云微粒子特征图。

进一步的，所述制作数据集，根据气象知识对云微粒子形态进行类别划分具 体为，将其形态分为8类，分别是线、霰、枝、柱、混合、圆、六角盘状和破碎 冰晶；然后，根据8个类别对降维后的云微粒子特征图进行数据标定，对其打上 对应的0-7的数字标签，即完成了数据集的制作。

进一步的，所述SVM核函数选择高斯核，超参数选择情况为通过 GridSearchCV网格搜索法进行交叉验证，最终确定最佳参数：松弛因子 svc_C＝85，高斯核参数svc_gamma＝0.1。

本发明与传统的云微粒子分类识别方法相比，存在以下优点，从而解决了相 应技术问题：

1、针对云微粒子图像的分类识别，提出了基于PCA的SVM方法，通过该方 法可有效的对云微粒子分类，并识别破碎冰晶粒子图片。

2、针对CPI图像中大小不一的云微粒子图像，提出了基于联通区域标记的分 割方法，为之后的分类识别提供支撑。

3、加入了CPI图像中存在的特有标注进行针对性去标注处理，提高了分类识 别效率。

附图说明

图1为分割下来的云微粒子图；

图2为云微粒子特征图像；

图3为8类云微粒子图像的特征图，图3中的(a)为线状，(b)为霰状，(c)为圆 状，(d)为六角盘状，(e)为柱状，(f)为混合状，(g)为枝状，(h)为破碎冰晶；

图4为分类识别精度图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、 完整的描述，方法包括以下步骤：

步骤1：对CPI图像进行云微粒子分割，包括：

步骤1.1：对CPI图像进行灰度化处理，具体方法为将RGB三通道CPI图像转化 为单通道灰度图像；

步骤1.2：将CPI灰度图像二值化，首先抽取CPI灰度化图像中10幅云微粒子图 像I_p，对10幅I_p图像中像素值按灰度值大小从大到小排序，选取灰度值最大的 5％个像素点，计算其灰度均值avg(I_p)，然后与背景图像灰度值均值avg(I_bg)进 行比较，计算出定阈值Th，其中背景图像I_bg为选择的I_p图像的相邻的5×5非云 微粒子图像区域，最后根据阈值Th将CPI灰度图像二值化，阈值Th计算方法为： Th＝α·(avg(I_p)-avg(I_bg))，其中变量α∈[0.9,1]；

步骤1.3：将CPI二值图像填补孔洞，具体方法为：对CPI二值图像进行形态学处理,对应的参数设置为，膨胀的矩阵选择的是3×3的正方形结构元素,腐蚀的矩阵选 择的是3×3的单位矩阵结构元素；

步骤1.4：将所述CPI二值图像进行连通区域标记，以从左到右，从上到下的顺 序，搜索CPI二值图像，当找到第一个像素值为1的像素f时，以这个像素为中心， 按优化连通域方法确定其连通域，然后继续按序搜索除了已经确定的连通域外的 CPI二值图像，确定新的连通域，直到遍历完整幅图像；所述优化连通域方法是 以像素f为中心点，找出与其相邻的像素，组合成为矩阵A，计算矩阵A中非零 值比例nz_A，以矩阵A为中心，找出与其相邻的像素，组和成为矩阵B，计算 矩阵B中非零值比例nz_B，当同时满足nz_A＞0.3，nz_B＞0.2时，以像素f 为基点，搜索像素f相邻的上下左右四个方向的像素，若搜索到的像素其像素值 为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点， 继续搜索连通区域之外的其他上下左右四个方向相邻像素，重复满足 nz_A＞0.3，nz_B＞0.2时的步骤，直到新基点四个方向邻域内没有像素值为1 的像素为止，当不同时满足nz_A＞0.3，nz_B＞0.2时，以像素f为基点，搜索 像素f相邻的上下左右，左上，左下，右上和右下八个方向的像素，若搜索到的 像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像 素为新基点，继续搜索连通区域之外的其他相邻像素，重复不同时满足 nz_A＞0.3，nz_B＞0.2时的步骤，直到新基点八个方向邻域内没有像素值为1 的像素为止；

步骤1.5：统计CPI二值图像中被标记的矩形连通区域，以每个矩形连通区域左 上角坐标为开始，按从左到右从上到下的顺序，以矩形连通区域的坐标为索引， 从CPI灰度图像上提取出对应的灰度图片，即为云微粒子图像，如图1所示；

步骤2：对云微粒子图像进行去标注；

步骤2.1：利用大津阈值法对灰度粒子图像进行处理使其成为二值化粒子图像,大津阈值法原理是采用自适应最佳阈值进行二值化处理；

步骤2.2：确定云微粒子图像中的标注区域，具体方法为：设二值化云微粒子图 像为I_Bin，对二值化云微粒子图像I_Bin进行纵向和横向的搜索，因为云微粒子往往 存在于云微粒子图像的中心位置，纵向搜索即从二值化云微粒子图像左上角第一 个像素点开始，从上到下，从左到右搜索，当搜索到像素点值为1，标记该像素 点横坐标i₁，接着换下一列继续搜索，直到搜索到5个像素点值为1，搜索结束， 得到5个像素点的横坐标i_n,n＝1,2,3,4,5，对i_n降序排列，取中间值记为i_mid,横向 搜索即从二值化云微粒子图像右下角第一个像素点开始，从右到左，从下到上搜 索，当搜索到像素点值为1，标记该像素点横纵坐标j₁，接着换下一列继续搜索， 直到搜索到10个像素点值为1，搜索结束，得到10个像素点的横纵坐标j_n,n＝1,2,…，10，对取10个横纵坐标中j_n值降序排列，取中间值记为j_mid，假设 云微粒子图像尺寸P×Q，则估计的标注位置为I_Bin([i_mid，P]，[1，j_mid])，为了确保 标注能完全去除，将估计的标注区域增加扩大，最终标注区域为 I_Bin([i_exp，P]，[1，j_exp])，其中，i_exp＝round(β₁×i_mid)，j_exp＝round(β₂×j_mid)， β₁∈(0.8,1)，β₂∈(1,1.2)；

步骤2.3：对步骤2.2得到的标注区域进行形态学处理，具体方法为：对标注区 域先膨胀再腐蚀，对应的参数设置为：膨胀操作的矩阵选择的是3×3的正方形结 构元素,腐蚀操作的矩阵选择的是3×3的单位矩阵结构元素,这样既可去除标注信 息，提高分类识别准确率；

步骤2.4：将去标注后的二值化云微粒子图像进行取反，再乘以原云微粒子灰度图像，得到去标注后的云微粒子图像，而此时所得图像的背景图像灰度值为0， 不便于我们观察，我们将所得图像的背景图像灰度值全部换为255，得到最终的 云微粒子特征图，如图2所示；

步骤3：基于PCA降维的SVM云微粒子分类识别，包括：

步骤3.1：将云微粒子特征图进行PCA最优化降维处理，云微粒子特征图可以看 成M行N列的数字矩阵，PCA最优化降维处理方法为：

(a)获取特征参数矩阵：x＝[x₁…x_N]，x_i＝[x_1ix_2i…x_Mi]^T，i＝1,2,…,N；

(b)计算特征参数矩阵均值：m_x＝E{x}，m_x:1×N阶实矩阵；

(c)计算特征参数矩阵协方差：C_X＝E{(x-m_x)^T(x-m_x)}；

(d)求解特征方程det(λ_iI-∑x)＝0，获取特征值λ_i；

(e)将特征值λ_i带入(λ_iI-∑x)p_i＝0解得对应的特征向量p_i；

(f)特征向量p_i组成变换矩阵P,获得线性无关的特征矩阵Y＝P^Tx；

(g)计算各主成分的贡献度

λ_t为各主成分对应的特征值，T为 特征值数量，当k_t＜5％时，ks_t＝ε×k_t，当k_t＞5％时，kl_t＝η×k_t，ε∈(0.1,0.5)， η∈(1.5,2)，计算累计贡献度

算出使得s(m)＜1.85的m个主 成分；

步骤3.2：制作数据集，具体方法是：首先根据气象知识对云微粒子形态进行 类别划分，本发明将其形态分为8类，分别是线、霰、枝、柱、混合、圆、六角 盘状,破碎冰晶，如图3所示；然后，根据8个类别对降维后的云微粒子特征图进行 数据标定，对其打上对应的0-7的数字标签，即完成了数据集的制作；

步骤3.3：SVM云微粒子分类识别，对经过步骤3.2制作的数据集切分，切分 比：百分之七十训练集，百分之三十测试集；进行SVM云微粒子分类，得到分类 结果。SVM核函数选择高斯核，超参数选择情况为通过GridSearchCV网格搜索法 进行交叉验证，最终确定最佳参数：松弛因子svc_C＝85，高斯核参数 svc_gamma＝0.1，分类识别结果如图4所示。

显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施 例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提 下所获得的其他实施例，都属于本发明保护的范围。

Claims (5)

1.一种基于SVM的云微粒子优化分类识别方法，包括以下步骤：

步骤1：对CPI图像进行云微粒子分割，包括：

步骤1.1：对CPI图像进行灰度化处理，具体方法为将RGB三通道CPI图像转化为单通道灰度图像；

步骤1.2：将CPI灰度图像二值化，首先抽取CPI灰度化图像中a幅云微粒子图像I_p，对a幅I_p图像中像素值按灰度值大小从大到小排序，选取灰度值最大的b个像素点，计算其灰度均值avg(I_p)，然后与背景图像灰度值均值avg(I_bg)进行比较，计算出阈值Th，其中背景图像I_bg为选择的I_p图像的相邻的c×c非云微粒子图像区域，最后根据阈值Th将CPI灰度图像二值化，阈值Th计算方法为：

Th＝α·(avg(I_p)-avg(I_bg))，其中变量α∈[0.9,1]；

步骤1.3：将CPI二值图像填补孔洞，具体方法为：对CPI二值图像进行形态学处理,对应的参数设置为，膨胀矩阵选择的是

的正方形结构元素,腐蚀矩阵选择的是

的单位矩阵结构元素；

步骤1.4：将所述CPI二值图像进行连通区域标记，以从左到右，从上到下的顺序，搜索CPI二值图像，当找到第一个像素值为1的像素f时，以这个像素为中心，按优化连通域方法确定其连通域，然后继续按序搜索除了已经确定的连通域外的CPI二值图像，确定新的连通域，直到遍历完整幅图像；所述优化连通域方法是以像素f为中心点，找出与其相邻的像素，组合成为矩阵A，计算矩阵A中非零值比例nz_A，以矩阵A为中心，找出与其相邻的像素，组和成为矩阵B，计算矩阵B中非零值比例nz_B，以nz_A、nz_B取值为判定条件采用不同的连通域搜索方法；

步骤1.5：统计CPI二值图像中被标记的矩形联通区域，以每个矩形联通区域左上角坐标为开始，按从左到右，从上到下的顺序，以矩形联通区域的坐标为索引，从CPI灰度图像上提取出对应的灰度图片，即为云微粒子图像；

步骤2：对云微粒子图像进行去标注；

步骤3：基于PCA降维的SVM云微粒子分类识别，包括：

步骤3.1：将云微粒子特征图进行PCA优化降维处理，计算各主成分的贡献度

λ_t为各主成分对应的特征值，T为特征值数量，当k_t<v1时，ks_t＝ε×k_t，当k_t>v1时，kl_t＝η×k_t，ε∈(0.1,0.5)，η∈(1.5,2)，计算累计贡献度

算出使得s(m)<u的m个主成分；

步骤3.2：制作数据集，根据气象知识对云微粒子形态进行类别划分；

步骤3.3：SVM云微粒子分类识别，对经过步骤3.2制作的数据集进行切分，切分比为百分之70训练集，百分之30测试集；进行SVM云微粒子分类。

2.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述步骤1.4中，以nz_A、nz_B取值为判定条件采用不同的连通域搜索方法，包括：

当同时满足nz_A>v2，nz_B>v3时，以像素f为基点，搜索像素f相邻的上下左右四个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的其他上下左右四个方向相邻像素，重复满足nz_A>v2，nz_B>v3时的步骤，直到新基点四个方向邻域内没有像素值为1的像素为止，当不同时满足nz_A>v2，nz_B>v3时，以像素f为基点，搜索像素f相邻的上下左右，左上，左下，右上和右下八个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的其他相邻像素，重复不同时满足nz_A>v2，nz_B>v3时的步骤，直到新基点八个方向邻域内没有像素值为1的像素为止。

3.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述去标注处理包括：

步骤2.1：利用大津阈值法对灰度云微粒子图像进行处理使其成为二值化云微粒子图像,大津阈值法是采用自适应最佳阈值进行二值化处理；

步骤2.2：确定云微粒子图像中的标注区域，设二值化云微粒子图像为I_Bin，对二值化云微粒子图像I_Bin进行纵向和横向的搜索，所述纵向搜索为从二值化云微粒子图像左上角第一个像素点开始，从上到下，从左到右搜索，当搜索到像素点值为1，标记该像素点横坐标i₁，接着换下一列继续搜索，直到搜索到r个像素点值为1，搜索结束，得到r个像素点的横坐标i_n,n＝1,2,...,r，对i_n降序排列，取中间值记为i_mid,横向搜索即从二值化云微粒子图像右下角第一个像素点开始，从右到左，从下到上搜索，当搜索到像素点值为1，标记该像素点横纵坐标j₁，接着换下一列继续搜索，直到搜索到s个像素点值为1，搜索结束，得到s个像素点的横纵坐标j_n,n＝1,2,...,s，对取s个横纵坐标中j_n值降序排列，取中间值记为j_mid，云微粒子图像尺寸P×Q，估计的标注位置为I_Bin([i_mid，P]，[1，j_mid])，再将估计的标注区域扩大，最终标注区域为I_Bin([i_exp，P]，[1，j_exp])，其中，i_exp＝round(β₁×i_mid)，j_exp＝round(β₂×j_mid)，β₁∈(0.8,1)，β₂∈(1,1.2)；

步骤2.3：对步骤2.2得到的所述标注区域进行形态学处理，对标注区域先膨胀再腐蚀，对应的参数设置为：膨胀操作的矩阵选择的是

的正方形结构元素,腐蚀操作的矩阵选择的是

的单位矩阵结构元素；

步骤2.4：将去标注后的二值化云微粒子图像进行取反，再乘以原云微粒子灰度图像，得到去标注后的云微粒子图像，所述去标注后的云微粒子图像的背景图像灰度值为0，将所述去标注后的云微粒子图像的背景图像的灰度值全部换为255，得到最终的云微粒子特征图。

4.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述制作数据集，根据气象知识对云微粒子形态进行类别划分具体为，将其形态分为8类，分别是线、霰、枝、柱、混合、圆、六角盘状和破碎冰晶；然后，根据8个类别对降维后的云微粒子特征图进行数据标定，对其打上对应的0-7的数字标签，即完成了数据集的制作。

5.如权利要求2所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述SVM核函数选择高斯核，超参数选择情况为通过GridSearchCV网格搜索法进行交叉验证，最终确定最佳参数：松弛因子svc_C＝85，高斯核参数svc_gamma＝0.1。

Images