一種基於空間金字塔隨機映射的地基雲圖分類方法
2023-05-06 02:24:46 2
一種基於空間金字塔隨機映射的地基雲圖分類方法
【專利摘要】本發明公開了一種基於空間金字塔隨機映射的地基雲圖分類方法，該方法包括以下步驟：首先對於每張訓練地基雲圖樣本按照稠密採樣的方式提取其局部特徵；然後應用隨機映射對每個局部特徵進行降維，將原始高維特徵集合映射到一個低維的子空間中；接下來在低維子空間對降維後的特徵進行聚類得到碼本；隨後，將樣本圖像按空間金字塔模型劃分為不同的區域，根據碼本得到不同區域的區域特徵，將這些區域特徵組合起來作為該樣本圖像最終的特徵表示；最後，應用支持向量機分類器得到測試地基雲圖的分類結果。本發明通過應用空間金字塔模型可以獲得圖像的空間信息，從而可以更好地表示雲圖中信息；同時本發明採用隨機映射對圖像的局部特徵進行降維，不僅可以提高地基雲圖分類系統的效率，節省了時間開銷，還可以避免維數災難。
【專利說明】ー種基於空間金字塔隨機映射的地基雲圖分類方法
【技術領域】
[0001]本發明屬於圖像處理【技術領域】，尤其是ー種基於空間金字塔隨機映射的地基雲圖分類方法。
【背景技術】
[0002]雲是大氣中熱カ過程和動カ過程的外部表現，其生成及演變是大氣中發生的錯綜複雜的物理過程的具體表現之一，不僅反映當時大氣的運動、穩定度和水汽情況等，而且能夠預示未來一定時間內的天氣變化趨勢。因此，雲的觀測是氣象觀測的重要內容，準確地獲取雲的信息，對於天氣預報以及國民經濟和軍事保障等諸多領域都有十分重要的意義。目前，雲層的檢測主要是通過地基觀測和衛星遙感來完成。其中衛星遙感在大尺度雲的檢測取得了很好的成果，但由於其空間解析度以及對雲底和多層雲的下層雲的觀測能力的限制，所以不能滿足大氣科學研究的需要。而地基雲觀測的範圍較小，反映的是雲塊大小、排列方式以及雲的高低分布等局地分部信息，彌補了衛星觀測的不足，同時對大氣科學許多研究領域具有重要意義。
[0003]在地基雲觀測中，雲狀分類是地基雲觀測的主要要素，也是分析雲資料時的重要統計內容。目前，主要通過地面的人工目測來進行雲狀分類，即依靠氣象觀測員主觀判斷當前天空雲狀類型。然而，目測雲狀類型有很多缺點。首先，雲狀分類採用人工目測方式，每個地面觀測站都需要觀測人員進行觀測，成本較高；其次，人工目測帶有較大的主觀性，不但容易受到心理、生理、視力、責任心等方面的影響，還會受到觀測人員經驗和水平的影響。相同的雲狀由不同的人觀測可能會產生不同的觀測結果，即使相同的觀測員在不同條件下也可能會給出不同的觀測結果。因此實現雲狀的自動分類是當前的迫切需要。
[0004]近年來，隨著硬體技術的發展和數字圖像處理技術的不斷完善，很多地基遙感測雲儀器研製成功，從而獲得天空圖像，比如國外的全天空成像儀WSI (whole sky imager) >總天空成像儀TSI (total sky imager)、紅外雲成像儀 ICI (infrared cloud imager)、全天空數字相機等。上述設備為分析地基雲圖提供了硬體支持，使得地基雲的自動化觀測成為可能。國際上雲的分類主要以雲的基本外形特徵和高度特徵為依據，並結合雲的成因發展和內部微觀結構，將雲狀劃分為3族10屬29類。其中，3族是把雲按照高低分為高雲、中雲和低雲三族,姆一族雲又劃分為幾類形成10屬雲,包括積雲、積雨雲、層積雲、層雲、雨層雲、高層雲、高積雲、捲雲、卷層雲和捲積雲。對10屬雲可進ー步劃分為29類。然而此分類方法的可操作性並不強，不僅很難適用於器測雲分類，而且即使具有相當水平的觀測員也很難準確識別這29類雲。
[0005]在雲狀自動分類的研究方面，國際上有人對WSI雲圖進行了分類，主要考察雲圖的紋理特徵、位置信息和像元亮度信息來檢測，紋理特徵選擇採用了 LAWS紋理分析法；運用ニ元決策樹進行高積雲、捲雲、層雲、積雲和睛空等5種天空類型的判斷。有人利用雲的基本物理信息作為特徵將全天空雲圖分為10屬。有人對數字相機得到的雲圖進行分類，對積雲、濃積雲、積雨雲、天空和其他雲類這5種天空類型分類。有人採用德國吉爾大學獲得的全天空圖像，通過提取雲圖的紋理、結構以及統計特徵來對雲圖進行分類從而檢測雲圖。也有人通過研究WSIRCMS獲取的紅外雲圖，提出了基於結合模糊紋理光譜和雲物理屬性的全天空雲類識別方法。CN101566692A公開了ー種利用衛星遙感數據中的信息檢測雲層的方法，結合數字圖像技術進行雲和雲影匹配，得到雲和雲影之間的距離；CN101246545A公開了ー種光學遙感圖像去雲的泊松方法，利用圖像選擇器基本底圖圖像及替補圖像，構建多級相似結構，逐級進行雲區像元檢測，利用泊松去雲層處理算法對圖像進行融合處理。以上檢測方法中均是對雲圖提取簡單的紋理特徵，沒有考慮到地基雲圖中的空間信息，顯然不能很好地表示地基雲圖中的信息。
【發明內容】
[0006]為了解決上述現有技術存在的問題，本發明的目的是考慮加入地基雲圖中的空間信息，提出ー種基於分類性能更好的地基雲圖分類方法。由於地基雲圖包含豐富的紋理信息，同時地基雲圖中包含重要的空間信息。為此，本發明提供ー種基於空間金字塔隨機映射的地基雲圖分類方法，該方法通過應用空間金字塔模型可以獲得圖像的空間信息，從而可以更好地表示雲圖中的空間信息；同時本發明採用隨機映射對圖像的局部特徵進行降維，不僅可以提高地基雲圖分類系統的效率，節省了時間開銷，還可以避免維數災難。
[0007]為了實現上述目的，本發明提供ー種基於空間金字塔隨機映射的地基雲圖分類方法，其特徵在於，該方法包括以下步驟:
步驟1，對於每張訓練地基雲圖樣本按照稠密採樣的方式提取其局部特徵，利用局部圖像的強度值作為圖像的局部特徵；
步驟2，利用隨機映射對每個局部特徵進行降維，將原始高維特徵集合映射到一個低維的子空間中；
步驟3，在低維子空間對降維後的特徵集合進行聚類得到碼本D ；
步驟4，將訓練地基雲圖樣本按空間金字塔模型劃分為不同的區域，並將金字塔中每ー級稱為ー個尺度；然後根據碼本D得到不同區域的區域特徵，將這些區域特徵組合起來作為該樣本圖像最終的特徵表示；
步驟5，對於測試地基雲圖，按照所述步驟4得到所述測試地基雲圖的最終特徵表示；步驟6，基於所述訓練地基雲圖樣本的最終特徵表示和所述測試地基雲圖的最終特徵表示，應用支持向量機(SVM)分類器對所述測試地基雲圖進行分類，得到所述測試地基雲圖的分類結果。
[0008]進ー步，所述步驟2中，利用隨機映射進行降維，將原始高維特徵集合映射到ー個低維的子空間中，公式如下:
其中Z表示原始#維特徵向量，ァ表示降維後的I維特徵向量(#〈</￥)，導表示ー個
機矩陣，_1^為高斯隨機矩陣，元素?為相互獨立且為零均值單位方差
的高斯隨機變量，R表示實數；在壓縮傳感過程中，用隨機矩陣_對高維特徵向量進行降維得到低維的隨機特徵向量，此過程稱為隨機映射，根據上述描述得到低維特徵向量集合Y=IyJ o[0009]進ー步，所述步驟3中，利用K-means算法對地基雲圖的局部特徵集合Y進行聚類，然後將聚類中心作為碼本D。
[0010]進ー步，所述步驟4按如下步驟進行:
1)將訓練地基雲圖樣本按空間金字塔模型劃分為不同的區域，並將金字塔中每ー級稱為ー個尺度；將圖像劃分為三級，第一級為原始圖像，第二級是將圖像劃分為大小相等的四個圖像塊，第三級是將圖像劃分為大小相等的九個圖像塊；
2)針對每ー級的每ー個圖像塊，根據碼本D，將該圖像塊中的每個局部特徵映射到與其最近的碼字上，然後計算碼本D中所有碼字在該圖像塊出現次數的直方圖，將其作為該圖像塊的區域特徵；
3)將這 些圖像塊的區域特徵串聯組合作為該地基雲圖樣本最終的特徵表示。
【專利附圖】
【附圖說明】
[0011]當結合附圖閱讀下文對示範性實施方式的詳細描述時，這些以及其他目的、特徵和優點將變得顯而易見，在附圖中:
圖1是本發明提出的ー種基於空間金字塔隨機映射的地基雲圖分類方法的流程圖；
圖2是本發明方法在Kiel數據集上的分類結果示意圖。
【具體實施方式】
[0012]為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進ー步詳 細說明。
[0013]圖1是本發明提出的ー種基於空間金字塔隨機映射的地基雲圖分類方法的流程圖，如圖1所示，所述方法包括以下步驟:
步驟I，對於每張訓練地基雲圖樣本按照稠密採樣的方式提取其局部特徵，這裡直接利用局部圖像的強度值作為局部特徵；
步驟2，利用隨機映射對每個局部特徵進行降維，將原始高維特徵集合映射到一個低維的子空間中，公式如下:
【權利要求】
1.ー種基於空間金字塔隨機映射的地基雲圖分類方法，其特徵在於，該方法包括以下步驟: 步驟1，對於每張訓練地基雲圖樣本按照稠密採樣的方式提取其局部特徵，利用局部圖像的強度值作為圖像的局部特徵； 步驟2，利用隨機映射對每個局部特徵進行降維，將原始高維特徵集合映射到一個低維的子空間中； 步驟3，在低維子空間對降維後的特徵集合進行聚類得到碼本D ； 步驟4，將訓練地基雲圖樣本按空間金字塔模型劃分為不同的區域，並將金字塔中每ー級稱為ー個尺度；然後根據碼本D得到不同區域的區域特徵，將這些區域特徵組合起來作為該樣本圖像最終的特徵表示； 步驟5，對於測試地基雲圖，按照所述步驟4得到所述測試地基雲圖的最終特徵表示； 步驟6，基於所述訓練地基雲圖樣本的最終特徵表示和所述測試地基雲圖的最終特徵表示，應用支持向量機(SVM)分類器對所述測試地基雲圖進行分類，得到所述測試地基雲圖的分類結果。
2.根據權利要求1所述的方法，其特徵在於，所述步驟2中，利用隨機映射進行降維，將原始高維特徵集合映射到一個低維的子空間中，公式如下: y=^x 其中Z表示原始Ar維特徵向量，7表示降維後的ガ維特徵向量，#〈W，M和N均為自然數，?表示ー個機矩陣為高斯隨機矩陣，元素
3.根據權利要求1-2其中任一項所述的方法，其特徵在於，所述步驟3中，利用K-means算法對地基雲圖的局部特徵集合Y進行聚類，然後將聚類中心作為碼本D。
4.根據權利要求1-3中任一項所述的方法，其特徵在於，所述步驟4按如下步驟進行: 1)將訓練地基雲圖樣本按空間金字塔模型劃分為不同的區域，並將金字塔中每ー級稱為ー個尺度；將圖像劃分為三級，第一級為原始圖像，第二級是將圖像劃分為大小相等的四個圖像塊，第三級是將圖像劃分為大小相等的九個圖像塊； 2)針對每ー級的每ー個圖像塊，根據碼本D，將該圖像塊中的每個局部特徵映射到與其最近的碼字上，然後計算碼本D中所有碼字在該圖像塊出現次數的直方圖，將其作為該圖像塊的區域特徵； 3)將這些圖像塊的區域特徵串聯組合作為該地基雲圖樣本最終的特徵表示。
【文檔編號】G06K9/62GK103605988SQ201310648520
【公開日】2014年2月26日 申請日期:2013年12月6日 優先權日:2013年12月6日
【發明者】不公告發明人 申請人:康江科技(北京)有限責任公司