专利名称：一种基于改进AdaBoost算法的地基云图识别方法
技术领域：
本发明公开了一种基于改进AdaBoost算法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。此夕卜，在实际观测中，易出现多种云混合等现象，这也为云自动化观测提出了挑战。因此，解决云图的多类分类，并保证一定的分类精度，成为地基云图分类的一个核心问题。目前较为常用的分类器有贝叶斯分类器、神经网络、支持向量机等。其中贝叶斯法则需要已知各类别的先验概率等因素，而在实际情况中，先验概率等条件往往难以获取；神经网络法则存在训练速度慢，当样本类别较多时分类准确率较低等缺点；支持向量机虽然成为小样本学习问题的典范，但存在一定的缺点，如对大规模训练样本难以实施，解决多分类问题存在困难等。
发明内容
本发明旨在实现地基云图的自动识别，提升气象台站云观测的自动化能力，同时提高云观测的效率和准确性。将模式识别中的AdaBoost、SVM等算法进行结合、改进，应用于地基云图的识别，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，一种基于改进AdaBoost算法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片，用于分类器训练以及目标识别；步骤2、对采集到的云片进行预处理；步骤3、利用聚类分析，将预处理后的云片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本，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Kx1J1), (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，yi为第i个云图样本的类别，yi ee η,η是训练样本的个数；
(502)初始化第i个样本的权重D1⑴=I/η ；(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，Oniin表示σ的最小阈值，Ostep表示σ每次迭代的步长；如果σ > Oniin成立，则循环执行下述步骤: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
权利要求
1.一种基于改进AdaBoost算法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片，用于分类器训练以及目标识别； 步骤2、对采集到的云片进行预处理； 步骤3、利用聚类分析，将预处理后的云片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本，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Kx1,yi)，(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，Yi为第i个云图样本的类别，Yi e {-1, +1}, i e η,η是训练样本的个数； (502)初始化第i个样本的权重D1Q)= I/η ； (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，Oniin表示σ的最小阈值，Ostep表示σ每次迭代的步长；如果σ > Oniin成立，则循环执行下述步骤: 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
2.如权利要求1所述的一种基于改进AdaBoost算法的地基云图识别方法，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，其计算过程如下: (401)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，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
本发明公开了一种基于改进AdaBoost算法的地基云图识别方法，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。由于使用了集成算法，对单个分类器设计的要求并不高，这有效的降低了单个分类器设计难度；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。
文档编号G06K9/62GK103235954SQ201310147108
公开日2013年8月7日 申请日期2013年4月23日 优先权日2013年4月23日
发明者李涛, 鲁高宇, 李娟 , 王丽娜, 夏德群 申请人:南京信息工程大学