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。

主权项

1.一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)＝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：$f\left(x\right)=\mathrm{sign}\left(\underset{m=1}{\overset{M}{\Sigma }}{\alpha }_m{h}_m\left(x\right)\right)$