一种解决光照不敏感问题的地基云图识别方法

摘要

本发明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。

说明书

技术领域

本发明公开了一种解决光照不敏感问题的地基云图识别方法，涉及数字图像处理技术在气象观测领域的应用。

背景技术

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。此外，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。

发明内容

本发明将颜色恒常感知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。

本发明为解决上述技术问题采用以下技术方案：一种解决光照不敏感问题的地基云图识别方法，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)＝R_t(X,Y)·L_t(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，R_t(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，L_t(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L_t(X,Y)＝I(X,Y)*G_t(X,Y)计算出第t个单尺度Retinex对应的光照分量L_t(X,Y)，其中符号*表示卷积运算，G_t(X,Y)是对应的高斯环绕函数，具体表示为：

$>G_t(X,Y)={\lambda }_t·e\frac{-(X^2+Y^2)}{{z_t}^2}---\left(2\right)$>

其中λ_t为归一化因子，使得∫∫G_t(X,Y,z_t)dXdY＝1，z_t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(R_t(X,Y))＝log(I(X,Y))-log(L_t(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R_t(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R_t(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)：

$>R(X,Y)=\underset{t=1}{\overset{T}{\Sigma }}{w}_t{R}_t(X,Y)---\left(4\right)$>

其中，w_t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),...,(x_n,y_n)}和SVM学习算法h，其中x_i为第i个训练样本的输入，即步骤四得到的云图特征，y_i为第i个云图样本的类别，y_i∈{-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，σ_ini表示σ的初始化值，σ_min表示σ的最小阈值，σ_step表示σ每次迭代的步长。如果σ＞σ_min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h_m，并计算该分类器的错误率其中D_m(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h_m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ε_m＞0.5，以σ_step为步长来减少σ的值，即σ＝σ-σ_step，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$>D_{m+1}\left(i\right)=\frac{D_m}{Z_m}*\left(\begin{array}{ccc}{e}^{-{\alpha }_m}& \mathrm{if}& h_m\left(x_i\right)=y_i\\ e^{{\alpha }_m}& \mathrm{if}& h_m\left(x_i\right)\ne y_i\end{array}\right),$>其中，D_m指样本的权重，Z_m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：

$>f\left(x\right)=\mathrm{sign}\left(\underset{m=1}{\overset{M}{\Sigma }}{\alpha }_m{h}_m\left(x\right)\right).$>

进一步的，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f₁、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,lj表示图像的灰度级别，N_g表示灰度级别数量；

(402)利用公式计算二阶矩，衡量图像分布均匀性；

(403)利用公式计算对比度，衡量图像的清晰度和纹理沟纹深浅的程度，其中n_g是图像灰度值；

(404)利用公式计算相关性，衡量灰度共生矩阵的元素在行列方向的相似程度其中，μ_x,μ_y分别是灰度共生矩阵P(li,lj)行、列方向上的均值，σ_x,σ_y分别是灰度共生矩阵P(li,lj)行、列方向上的标准差；

(405)利用公式计算熵，衡量图像所具有的信息量；

(406)利用公式计算逆差距，衡量图像纹理的同质性和图像纹理局部变化。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：本发明使用Retinex算法减弱或消除太阳光照对云图样本的影响，获取增强云图图片样本，便于提取光照不变量相关特征，能够提高云图的识别率；本发明结构简单，利用现有的图形采集设备和普通计算机即可进行实现，提高了实用性和适用性。

附图说明

图1是本发明的总体流程图。

图2是基于Retinex的云图预处理方法逻辑框图。

图3是基于聚类的云图分割逻辑框图。

图4是基于改进的AdaBoost云图分类逻辑框图。

具体实施方式

本发明的具体实施方法包括如下具体步骤：

(1)图像采集

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。

(2)图像预处理

(2.1)对于采集到的云图样本进行一些必要的预处理，首先利用双边滤波对云图图片进行降噪，然后对图像进行锐化处理，突出云图的边缘轮廓与细节特征；

(2.2)对去噪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。根据辐照度模型理论，经过(2.1)预处理后的云图图片I(X,Y)可以表示为反射系数和光照的乘积，即：

I(X,Y)＝R_t(X,Y)·L_t(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；第t个单尺度Retinex的反射分量R_t(X,Y)与光照无关，由云的形状、纹理等因素决定，可以理解为云图像的高频信息；L_t(X,Y)表示入射光，是光照分量，可以理解为云图像中变化缓慢的低频信息。

对经过(2.1)预处理后的云图图像，循环重复执行如下步骤，每次获得一个单尺度的增强图像R_t(X,Y)，共执行T次，即t的取值为1,…,T。单次循环执行如下步骤：

(2.2.1)由公式L_t(X,Y)＝I(X,Y)*G_t(X,Y)计算出第t个单尺度Retinex对应的光照分量L_t(X,Y)。其中符号*表示卷积运算；G_t(X,Y)是对应的环绕函数。本专利采用高斯环绕函数，其可以从已知图像中很好地估计出亮度图像，具体表示为：

$>G_t(X,Y)={\lambda }_t·e\frac{-(X^2+Y^2)}{{z_t}^2}---\left(2\right)$>

其中λ_t为归一化因子，使得∫∫G_t(X,Y,z_t)dXdY＝1；z_t是第t个单尺度Retinex的尺度参数；X,Y分别表示图像像素点所在坐标行、列坐标位置。

(2.2.2)为了便于计算，对式(1)做对数处理，得到：

log(R_t(X,Y))＝log(I(X,Y))-log(L_t(X,Y))      (3)

由云图像I(X,Y)和步骤(2.2.1)获得的光照分量L_t(X,Y)，由式(3)得到增强模型log(R_t(X,Y))。

(2.2.3)对增强模型log(R_t(X,Y))再做指数处理，得到第t个单尺度Retinex的反射分量，即增强后的图像R_t(X,Y)。

(2.2.4)循环步骤(2.2.1)～(2.2.3)，直到循环结束，获得T个单尺度的Retinex增强图像R_t(X,Y)。对这些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)：

$>R(X,Y)=\underset{t=1}{\overset{T}{\Sigma }}{w}_t{R}_t(X,Y)---\left(4\right)$>

式(4)中X,Y分别表示图像像素点所在坐标行、列坐标位置；w_t为第t个单尺度Retinex的权重，且满足T表示单尺度Retinex的个数，是t取值的最大值；R_t(X,Y)为第t个单尺度增强图像。

(3)由于云的形状多变，单纯使用矩形作为识别目标，容易将背景包含其中，如果直接对样本进行特征提取，必然损失了一些所提取的特征精度，从而直接影响到最终识别结果的准确性。本发明使用基于聚类的算法将云从背景中分离出来，如图2所示。对于所有云图图片，逐个进行预处理，每张云图处理的具体步骤如下：

(3.1)针对步骤二获取的预处理后的增强图像，进行聚类的初始化工作。具体初始化内容包括：图片中包含的总像素数量n；确定聚类类别数量c，满足2≤c≤n；加权指数m，一般情况下q＝2；迭代停止阈值ε；迭代计数器b；选取聚类原型模式矩阵p⁽⁰⁾。

(3.2)根据公式(5)计算各个像素的隶属度函数用于更新划分矩阵U^(b),其中u代表第u类，k代表第k个样本，即第k个像素：

对于如果则有

$>{\mu }_{\mathrm{uk}}^{\left(b\right)}={\left\{\underset{v=1}{\overset{c}{\Sigma }}\right[{\left(\frac{d_{\mathrm{uk}}^{\left(b\right)}}{d_{\mathrm{vk}}^{\left(b\right)}}\right)}^{\frac{2}{q-1}}\left]\right\}}^{-1}---\left(5\right)$>

其中，r是第r个样本，x_k代表第k个样本，v代表第v类，d_uk为样本x_k与第u类的聚类原型p_u之间的距离度量，为第b次运算时第r个样本到第u类聚类原型p_u的距离，为第b次运算时第r个样本到第u类聚类原型p_u的隶属度函数，为第b次运算时第u类的聚类原型p_u到第v类的聚类原型p_v的隶属度函数，如果使得则有并且对

(3.3)根据步骤(3.2)的结果，更新聚类原型模式矩阵p^(b+1)：

$>p_u^{(b+1)}=\frac{\underset{k=1}{\overset{n}{\Sigma }}{\mu }_{\mathrm{uk}}^{(b+1)}·x_k}{\underset{k=1}{\overset{n}{\Sigma }}{\left({\mu }_{\mathrm{uk}}^{(b+1)}\right)}^q},u=\mathrm{1,2},...,c---\left(6\right)$>

其中c为聚类类别数量，为第b+1次运算时第k个样本到第u类聚类原型p_u的隶属度函数。

(3.4)迭代计数器b＝b+1，循环执行步骤(3.2)(3.3)，直到公式(7)成立，视为聚类收敛，从而得到划分矩阵U和聚类原型p；

||p^(b)-p^(b+1)||≤ε     (7)

(3.5)对图像中的所有像素，确定其所属的类别(云或背景)。通过前序步骤获取的μ_uk和p，用c_k表示第k个像素点所属的类别，则有

c_k＝arg{max(μ_uk)}       (8)

(3.6)使用聚类结果，逐个将像素点归类，即可获取前景云区域和背景。

(4)计算云图特征，本发明中主要采用基于灰度共生矩阵的图像特征，这类特征包括10多种。根据发明过程中的实验，本发明具体包括二阶矩、对比度、相关性、熵和逆差距等五种作为特征，也可以添加使用其他特征。

(4.1)根据步骤(3)的结果，计算云图的归一化灰度共生矩阵P(li,lj)，其中li,lj表示图像的灰度级别，灰度级别数量为N_g。

(4.2)利用公式(9)计算二阶矩，衡量图像分布均匀性。

$>f_1=\underset{\mathrm{li}}{\Sigma }\underset{\mathrm{lj}}{\Sigma }{\left\{P(\mathrm{li},\mathrm{lj})\right\}}^2---\left(9\right)$>

(4.3)利用公式(10)计算对比度，衡量图像的清晰度和纹理沟纹深浅的程度。

$>f_2=\underset{n=0}{\overset{N_g-1}{\Sigma }}{n}^2\left\{\underset{\underset{|\mathrm{li}-\mathrm{lj}|=n}{\mathrm{li}=1}}{\overset{N_g}{\Sigma }}P(\mathrm{li},\mathrm{lj})\right\}---\left(10\right)$>

(4.4)利用公式(11)计算相关性，衡量灰度共生矩阵的元素在行列方向的相似程度。

$>f_3=\frac{\underset{\mathrm{li}}{\Sigma }\underset{\mathrm{lj}}{\Sigma }(\mathrm{li}·\mathrm{lj})P(\mathrm{li},\mathrm{lj})-{\mu }_x{\mu }_y}{{\sigma }_x{\sigma }_y}---\left(11\right)$>

式(8)中，μ_x,μ_y是P_x,P_y的均值，σ_x,σ_y是P_x,P_y的标准差。

(4.5)利用公式(12)计算熵，衡量图像所具有的信息量。

$>f_4=\underset{\mathrm{li}}{\Sigma }\underset{\mathrm{lj}}{\Sigma }P(\mathrm{li},\mathrm{lj})\log \left(P(\mathrm{li},\mathrm{lj})\right)---\left(12\right)$>

(4.6)利用公式(13)计算逆差距，衡量图像纹理的同质性和图像纹理局部变化。

$>f_5=\underset{\mathrm{li}}{\Sigma }\underset{\mathrm{lj}}{\Sigma }\frac{1}{1+{(\mathrm{li}-\mathrm{lj})}^2}P(\mathrm{li},\mathrm{lj})---\left(13\right)$>

(5)使用已知类别的云图特征数据样本，训练基于AdaBoost、SVM相结合的分类器。训练完成后，该分类器即可用于对于未知云图的自动识别。由于AdaBoost集成算法在每次迭代过程中需要训练出一个弱分类器，本发明中采用SVM学习算法来训练这样的分类器，最后对训练出的分类器进行加权得到最终的分类器，这样可以达到较好的分类效果。本发明的分类器训练过程如下：

(5.1)给定已知云类型的云图训练样本{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}，其中x_i为第i个训练样本的输入，即步骤4得到的若干特征，y_i为第i个云图样本的类型，y_i∈{-1,+1}以及给定SVM学习算法h；

(5.2)初始化样本的权重D₁(i)＝1/n，n是训练样本的个数；初始化学习算法参数值σ,σ_ini以及σ的最小阈值σ_min和每次迭代的步长σ,σ_step；

(5.3)如果σ＞σ_min，则执行如下步骤：

(5.3.1)调用学习算法训练出一个分类器h_m，并计算该分类器的错误率$>{ϵ}_m=\underset{h_m(x_i\ne y_i)}{\Sigma }{D}_m\left(i\right);$>

(5.3.2)如果ε_m＞0.5，以σ_step为步长来减少σ的值，即σ＝σ-σ_step，并返回到(5.3.1)；

(5.3.3)计算该分类器的权重分类效果好的相对权重较大；

(5.3.4)更新样本权重$>D_{m+1}\left(i\right)=\frac{D_m}{Z_m}*\left(\begin{array}{ccc}{e}^{-{\alpha }_m}& \mathrm{if}& h_m\left(x_i\right)=y_i\\ e^{{\alpha }_m}& \mathrm{if}& h_m\left(x_i\right)\ne y_i\end{array}\right),$>对于训练样本分类错误的在下次算法迭代时赋予较大的权重；

(5.4)最后将训练好的M个分类器依权重联合得到最终的分类器模型：

$>f\left(x\right)=\mathrm{sign}\left(\underset{m=1}{\overset{M}{\Sigma }}{\alpha }_m{h}_m\left(x\right)\right)---\left(14\right)$>

(6)对于预测新的云图样本，可以使用(2)(3)(4)步骤进行预处理，然后利用(5)的结果给出最终判别。