一種基于改進(jìn)som算法的地基云圖識(shí)別方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法，包括以下步驟：步驟一、使用成像設(shè)備采集云圖圖片，用于SOM分類(lèi)器訓(xùn)練以及云圖的識(shí)別；步驟二、對(duì)采集到的云圖圖片進(jìn)行預(yù)處理；步驟三、利用聚類(lèi)分析，將預(yù)處理后的云圖圖片前景與背景進(jìn)行分離；步驟四、計(jì)算云圖的特征；步驟五、使用已知類(lèi)別的云圖特征數(shù)據(jù)樣本，采用k-means和SOM相結(jié)合的學(xué)習(xí)算法來(lái)訓(xùn)練分類(lèi)器。本發(fā)明提高了識(shí)別的準(zhǔn)確率，提升氣象臺(tái)站云觀測(cè)的自動(dòng)化能力，同時(shí)提高云觀測(cè)的效率和準(zhǔn)確性，從而達(dá)到較高的云圖分類(lèi)準(zhǔn)確率；本發(fā)明結(jié)構(gòu)簡(jiǎn)單，利用現(xiàn)有的圖形采集設(shè)備和普通計(jì)算機(jī)即可進(jìn)行實(shí)現(xiàn)，提高了實(shí)用性和適用性。
【專(zhuān)利說(shuō)明】—種基于改進(jìn)SOM算法的地基云圖識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及數(shù)字圖像處理技術(shù)在氣象觀測(cè)領(lǐng)域的應(yīng)用，特別是一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法。
【背景技術(shù)】
[0002]云在大氣輻射傳輸中扮演著重要的角色，云的形態(tài)、分布、數(shù)量及其變化標(biāo)志著大氣運(yùn)動(dòng)的狀況，實(shí)現(xiàn)對(duì)云的觀測(cè)對(duì)于天氣預(yù)報(bào)、飛行保障等有著重要意義。隨著我國(guó)氣象觀測(cè)自動(dòng)化業(yè)務(wù)的推進(jìn)，氣象觀測(cè)業(yè)務(wù)正逐步擺脫人工觀測(cè)的限制，目前一般氣象要素基本都能實(shí)現(xiàn)自動(dòng)化觀測(cè)，但地基云圖的觀測(cè)尚不能完全實(shí)現(xiàn)自動(dòng)化，依然依賴(lài)于人工觀測(cè)。由于地基云觀測(cè)范圍相對(duì)較小，所包含的紋理信息相對(duì)豐富，且對(duì)短時(shí)、小范圍天氣預(yù)報(bào)具有很強(qiáng)的實(shí)用意義。然而面臨著的實(shí)際情況是地基云圖云狀種類(lèi)繁多，按照氣象觀測(cè)標(biāo)準(zhǔn)，云分為10屬29種，主要依賴(lài)于人工進(jìn)行觀測(cè)具有一定程度上的主觀性，且效率較低，難免漏掉許多有用信息，容易產(chǎn)生錯(cuò)判誤判。此外，在實(shí)際觀測(cè)中，易出現(xiàn)多種云混合等現(xiàn)象，這也為云自動(dòng)化觀測(cè)提出了挑戰(zhàn)。因此，解決云圖的多類(lèi)分類(lèi)，并保證一定的分類(lèi)精度，成為地基云圖分類(lèi)的一個(gè)核心問(wèn)題。
[0003]目前較為常用的分類(lèi)器有貝葉斯分類(lèi)器、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等。其中貝葉斯法則需要已知各類(lèi)別的先驗(yàn)概率等因素，而在實(shí)際情況中，先驗(yàn)概率等條件往往難以獲??；神經(jīng)網(wǎng)絡(luò)法則存在 訓(xùn)練速度慢，當(dāng)樣本類(lèi)別較多時(shí)分類(lèi)準(zhǔn)確率較低等缺點(diǎn)；支持向量機(jī)雖然成為小樣本學(xué)習(xí)問(wèn)題的典范，但存在一定的缺點(diǎn)，如對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施，解決多分類(lèi)問(wèn)題存在困難等。如何克服現(xiàn)有技術(shù)的不足已成為現(xiàn)有氣象觀測(cè)領(lǐng)域亟待解決的重點(diǎn)難題。

【發(fā)明內(nèi)容】

[0004]本發(fā)明所要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的不足而提供一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法，將模式識(shí)別中的SOM自組織神經(jīng)網(wǎng)絡(luò)、K-means等算法進(jìn)行結(jié)合、改進(jìn)，應(yīng)用于地基云圖的識(shí)別，從而達(dá)到較高的云圖分類(lèi)準(zhǔn)確率，提升氣象臺(tái)站云觀測(cè)的自動(dòng)化能力，同時(shí)提高云觀測(cè)的效率和準(zhǔn)確性。
[0005]本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案:
[0006]根據(jù)本發(fā)明提出的一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法，包括以下步驟:
[0007]步驟一、使用成像設(shè)備采集云圖圖片，用于SOM分類(lèi)器訓(xùn)練以及云圖的識(shí)別；
[0008]步驟二、對(duì)采集到的云圖圖片逐個(gè)進(jìn)行預(yù)處理，獲取對(duì)應(yīng)云圖灰度圖像；
[0009]步驟三、利用聚類(lèi)分析，將預(yù)處理后的云圖圖片前景與背景進(jìn)行分離；
[0010]步驟四、計(jì)算云圖的特征；
[0011]步驟五、使用已知類(lèi)別的云圖特征數(shù)據(jù)樣本，根據(jù)步驟四得到的云圖的特征，采用k-means和SOM相結(jié)合的學(xué)習(xí)算法來(lái)訓(xùn)練分類(lèi)器,具體步驟如下:
[0012](501)初始化各連接權(quán)值:給定已知類(lèi)別的云圖特征數(shù)據(jù)樣本(X1, X2，…，χα，…，χη}，η為輸入層節(jié)點(diǎn)數(shù)，α為輸入層節(jié)點(diǎn)序號(hào)，χα即輸入樣本的第α個(gè)特征向量，使用k-means算法將云圖樣本進(jìn)行分類(lèi)，類(lèi)別數(shù)為Ic1, C2，…，Ce，…，cs}，δ為最大類(lèi)別取值，β為類(lèi)序號(hào)，C0即第β個(gè)類(lèi)，則第β個(gè)類(lèi)的第α個(gè)分量的坐標(biāo)Ce α χ為:
[0013]
【權(quán)利要求】
1.一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法，其特征在于，包括以下步驟: 步驟一、使用成像設(shè)備采集云圖圖片，用于SOM分類(lèi)器訓(xùn)練以及云圖的識(shí)別； 步驟二、對(duì)采集到的云圖圖片逐個(gè)進(jìn)行預(yù)處理，獲取對(duì)應(yīng)云圖灰度圖像； 步驟三、利用聚類(lèi)分析，將預(yù)處理后的云圖圖片前景與背景進(jìn)行分離； 步驟四、計(jì)算云圖的特征； 步驟五、使用已知類(lèi)別的云圖特征數(shù)據(jù)樣本，根據(jù)步驟四得到的云圖的特征，采用k-means和SOM相結(jié)合的學(xué)習(xí)算法來(lái)訓(xùn)練分類(lèi)器,具體步驟如下: (501)初始化各連接權(quán)值:給定已知類(lèi)別的云圖特征數(shù)據(jù)樣本(X1,x2，…，xa，*.., xj ,n為輸入層節(jié)點(diǎn)數(shù)，a為輸入層節(jié)點(diǎn)序號(hào)，xa即輸入樣本的第a個(gè)特征向量，使用k-means算法將云圖樣本進(jìn)行分類(lèi)，類(lèi)別數(shù)為Ic1, C2，…，C0，…，cs}，δ為最大類(lèi)別取值，β為類(lèi)序號(hào)，C0即第β個(gè)類(lèi)，則第β個(gè)類(lèi)的第α個(gè)分量的坐標(biāo)Ce α x為:
2.根據(jù)權(quán)利要求1所述的一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法，其特征在于:所述步驟三具體如下: (301)對(duì)步驟二獲取的灰度圖像進(jìn)行k-means聚類(lèi)，將聚類(lèi)劃分結(jié)果作為初始解ω，計(jì)算目標(biāo)函數(shù)J。，
3.如權(quán)利要求1所述的一種基于改進(jìn)SOM算法的地基云圖識(shí)別方法，其特征在于:所述步驟四中云圖特征采用基于圖像灰度差值直方圖的特征來(lái)提取圖像的紋理特征，具體包括對(duì)比度Cm、角度方向二階矩Asm、熵Ent、平均值11_，其步驟如下: (401)對(duì)步驟三中分割出來(lái)的云區(qū)域f(i，j)進(jìn)行歸一化處理，
【文檔編號(hào)】G06K9/66GK104008402SQ201410198927
【公開(kāi)日】2014年8月27日 申請(qǐng)日期:2014年5月12日 優(yōu)先權(quán)日:2014年5月12日
【發(fā)明者】李濤, 李娟 , 邱忠陽(yáng), 周歡樂(lè), 范文波 申請(qǐng)人:南京信息工程大學(xué)