本发明专利技术公开了一种解决光照不敏感问题的地基云图识别方法，使用Retinex算法减弱或消除太阳光照对云图样本的影响，获取增强云图图像样本，便于提取光照不变量相关特征，能够提高云图的识别率；使用聚类算法将云目标与背景分离，仅对云目标进行特征提取，计算特征值用于云的识别，从而提高了识别的准确率；使用AdaBoost集成算法将SVM学习算法训练出的多个单个分类器进行集成，在训练数据过程中对SVM算法中的参数进行合理的调整，使得训练出的分类器具有多样性，不仅提高了云图识别的准确率，而且使得泛化性能得到很大的改善。
【技术实现步骤摘要】
本专利技术公开了，涉及数字图像处理技术在气象观测领域的应用。
技术介绍
云在大气辐射传输中扮演着重要的角色，云的形态、分布、数量及其变化标志着大气运动的状况。不同的云具有不同的辐射特征和分布情况，因而对预报天气、飞行保障等服务行业都具有重要意义。目前，一般气象要素基本都实现了自动化观测，但地基云图的观测尚不能完全实现自动化，依然依赖于人工观测。由于地基云观测范围相对较小，所包含的纹理信息相对丰富，且对短时、小范围天气预报具有很强的实用意义。然而面临着的实际情况是地基云图云状种类繁多，按照气象观测标准，云分为10属29种，主要依赖于人工进行观测具有一定程度上的主观性，且效率较低，难免漏掉许多有用信息，容易产生错判误判。此夕卜，在实际观测中，地基云图采集设备基本采用可见光图像方式成像，采集过程中，不可避免地受到光照的影响，导致云图样本质量不一，影响自动化识别的效果。因此，在解决云图的多类分类，并保证一定分类精度这一核心问题的同时，降低光照对云图样本的影响，进一步提高识别效果也是一个具有实用价值和意义的工作。对于减弱或消除图像光照方面，有光照规整化方法和光照不变量提取方法等。其中光照规整化方法是利用图像处理技术对光照图像进行处理，如直方图均衡化、对数变换等，尽管此类方法在一定程度上消弱了光照变化对图像的影响，但在复杂光照情况下的效果仍很难令人满意；光照不变量提取 方法是从图像中提取不随光照变化而变化或者变化较小的图像特征，如颜色恒常感知的Retinex理论等。
技术实现思路
本专利技术将颜色恒常感知Retinex理论用于云图预处理，消除云图样本在采集过程中受到的太阳光照强弱变化、天气状况等各方面的不利影响，从而达到较高的云图分类准确率。本专利技术为解决上述技术问题采用以下技术方案:，包含以下步骤:步骤1、使用成像设备采集云片，用于分类器训练以及目标识别；步骤2、图像预处理，具体如下:(201)对于采集到的云片进行预处理，包括利用双边滤波对云片进行降噪、对图片进行锐化处理、突出云图的边缘轮廓与细节特征；(202)对降噪处理后的云片采用多尺度Retinex算法进行处理，用以消除光照对云图的影响，从而获取增强图像，具体步骤如下:经过(201)预处理的云片I(X，Y)表示为反射系数和光照的乘积:Kx, Y) = Rt (X，Y).Lt (X，Y) (I)其中，X，Y分别表示图像像素点所在坐标行、列坐标位置，Rt (X，Y)表示第t个单尺度Retinex的反射分量，为云图像的高频信息，Lt (X，Y)表示入射光，是光照分量，为云图像的低频信息；(步骤a)由公式Lt(X，Y) = I (X，Y) *Gt (X，Y)计算出第t个单尺度Retinex对应的光照分量Lt (X，Y)，其中符号*表示卷积运算，Gt (X，Y)是对应的高斯环绕函数，具体表示为:权利要求1.，其特征在于，包含以下步骤: 步骤1、使用成像设备采集云片，用于分类器训练以及目标识别； 步骤2、图像预处理，具体如下: (201)对于采集到的云片进行预处理，包括利用双边滤波对云片进行降噪、对图片进行锐化处理、突出云图的边缘轮廓与细节特征； (202)对降噪处理后的云片采用多尺度Retinex算法进行处理，用以消除光照对云图的影响，从而获取增强图像，具体步骤如下: 经过(201)预处理的云片I (X，Y)表示为反射系数和光照的乘积:KX, Y) = Rt(X1Y).Lt(X1Y) (I) 其中，X，Y分别表示图像像素点所在坐标行、列坐标位置，Rt (X，Y)表示第t个单尺度Retinex的反射分量，为云图像的高频信息，Lt (X，Y)表示入射光，是光照分量，为云图像的低频信息； (步骤a)由公式Lt (X，Y) = I (X，Y)*Gt(X，Y)计算出第t个单尺度Retinex对应的光照分量Lt (X，Y)，其中符号*表示卷积运算，Gt (X，Y)是对应的高斯环绕函数，具体表示为:—(X ~ 4 }'),2.如权利要求1所述的，其特征在于:步骤四中所述的云图特征采用基于灰度共生矩阵的图像特征，具体包括二阶矩、对比度、相关性、熵、逆差距，上述图像特征依次用f\、f2> f3> f4> f5表示， (401)根据步骤三的结果，计算云图的归一化灰度共生矩阵P(li，lj)，其中li，Ij表示图像的灰度级别，Ng表示灰度级别数量； (402)利用公式全文摘要本专利技术公开了，使用Retinex算法减弱或消除太阳光照对云图样本的影响，获取增强云像样本，便于提取光照不变量相关特征，能够提高云图的识别率；使用聚类算法将云目标与背景分离，仅对云目标进行特征提取，计算特征值用于云的识别，从而提高了识别的准确率；使用AdaBoost集成算法将SVM学习算法训练出的多个单个分类器进行集成，在训练数据过程中对SVM算法中的参数进行合理的调整，使得训练出的分类器具有多样性，不仅提高了云图识别的准确率，而且使得泛化性能得到很大的改善。文档编号G06T5/00GK103246894SQ20131014440公开日2013年8月14日 申请日期2013年4月23日 优先权日2013年4月23日专利技术者李涛, 李娇, 裴永杰, 鲁高宇, 王丽娜, 李娟 , 王雪春, 刘松林 申请人:南京信息工程大学本文档来自技高网...
【技术保护点】
一种解决光照不敏感问题的地基云图识别方法，其特征在于，包含以下步骤：步骤1、使用成像设备采集云图图片，用于分类器训练以及目标识别；步骤2、图像预处理，具体如下：(201)对于采集到的云图图片进行预处理，包括利用双边滤波对云图图片进行降噪、对图片进行锐化处理、突出云图的边缘轮廓与细节特征；(202)对降噪处理后的云图图片采用多尺度Retinex算法进行处理，用以消除光照对云图的影响，从而获取增强图像，具体步骤如下：经过(201)预处理的云图图片I(X,Y)表示为反射系数和光照的乘积：I(X,Y)＝Rt(X,Y)·Lt(X,Y)?????(1)其中，X,Y分别表示图像像素点所在坐标行、列坐标位置，Rt(X,Y)表示第t个单尺度Retinex的反射分量，为云图像的高频信息，Lt(X,Y)表示入射光，是光照分量，为云图像的低频信息；(步骤a)由公式Lt(X,Y)＝I(X,Y)*Gt(X,Y)计算出第t个单尺度Retinex对应的光照分量Lt(X,Y)，其中符号*表示卷积运算，Gt(X,Y)是对应的高斯环绕函数，具体表示为：Gt(X,Y)=λt·e-(X2+Y2)zt2---(2)其中λt为归一化因子，使得∫∫Gt(X,Y,zt)dXdY＝1，zt是第t个单尺度Retinex的尺度参数；(步骤b)对公式(1)做对数处理：log(Rt(X,Y))＝log(I(X,Y))?log(Lt(X,Y))(3)(步骤c)对公式(3)做指数处理，得到第t个单尺度Retinex的反射分量，即增强后的图像Rt(X,Y)。(步骤d)重复(步骤a)～(步骤c)，获得T个单尺度的Retinex增强图像Rt(X,Y)，对所述单尺度增强图像进行加权求和，得到多尺度的Retinex增强图像R(X,Y)：R(X,Y)=Σt=1TwtRt(X,Y)---(4)其中，wt为第t个单尺度Retinex的权重，且满足步骤3、利用聚类分析，将目标云前景与背景进行分离；步骤4、计算云图特征；步骤5、使用已知类别的云图特征数据样，采用SVM学习算法训练分类器，并采用AdaBoost集成算法进行迭代，对训练出的分类器进行加权得到最终的分类器，具体如下：(501)给定已知类别的云图训练样本{(x1,y1),(x2,y2),...,(xn,yn)}和SVM学习算法h，其中xi为第i个训练样本的输入，即步骤四得到的云图特征，yi为第i个云图样本的类别，yi∈{?1,+1}，i∈n，n是训练样本的个数；(502)初始化第i个样本的权重D1(i)＝1/n；(503)初始化SVM学习算法h的参数值，σ表示SVM学习算法参数值，σini表示σ的初始化值，σmin表示σ的最小阈值，σstep表示σ每次迭代的步长。如果σ＞σmin成立，则循环执行如下步骤：(步骤A)调用SVM学习算法h训练出一个分类器hm，并计算该分类器的错误率其中Dm(i)表示第m个分类器中的第i个样本的错误率权重，一共需要训练出M个，第m步训练出hm分类器，m表示当前循环中分类器的编号，取值为1,2,…,M，M是分类器的总数；(步骤B)如果εm＞0.5，以σstep为步长来减少σ的值，即σ＝σ?σstep，并返回到上一步；(步骤C)计算该分类器的权重(步骤D)更新样本权重Dm+1(i)=DmZm*e-αmifhm(xi)=yieαmifhm(xi)≠yi,其中，Dm指样本的权重，Zm是归一化因子；(504)将训练好的M个分类器依权重联合得到最终的分类器模型：f(x)=sign(Σm=1Mαmhm(x))FDA00003088604600022.jpg,FDA00003088604600023.jpg,FDA00003088604600024.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：李涛，李娇，裴永杰，鲁高宇，王丽娜，李娟，王雪春，刘松林，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。