[发明专利]一种基于改进k均值聚类算法的天空图像云空辨识方法

说明书

本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，包括：提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，提取特征矩阵；确定初始聚类数量以及初始聚类中心；基于改进k均值聚类算法，根据初始聚类中心进行聚类，获取新的聚类中心；根据新的聚类中心进行聚类并根据聚类结果确定各像素点所属区域类型，绘制云空辨识图像。本发明基于改进k均值聚类算法，提取效果较稳定，不仅把三个彩色分量作为一个整体进行聚类还添加了云空对比度较高的R/B*100列向量，与全局阈值仅对灰度图像进行云空识别相比，大大提高图像识别的适应能力，可以解决现有技术适应性差的问题。

技术领域

本发明涉及一种数字图像处理技术领域，尤其涉及一种基于改进k均值聚类算法的天空图像云空辨识方法。

背景技术

由于常规化石燃料的不可再生性以及使用化石燃料带来的气候变化和环境污染的问题，以风电和光伏为主的可再生能源发电得到发展。太阳能发电的决定因素是地面接收太阳短波辐射的强度。云的遮挡作用是造成太阳入射辐射随机波动的主要原因。光伏发电短期预测无法捕捉因云团瞬时遮挡造成输出功率的瞬时大幅度波动,导致预测精度有限。因此云团关键特征提取和描述的准确性,对于提高超短期预测的精度具有重要的意义,进而对于提高光伏发电系统的效率、利用率以及电网的运行安全性和稳定性具有重要的工程应用价值,对于地基天空图像的云空识别具有十分重要的意义。

由于天空中云种类繁多、变幻莫测。以MATLAB软件数字图像处理功能进行云提取为例，需按照经验选取固定的全局阈值对天空图像进行处理，全局阈值具有一定的局限性，根据全局阈值取值的不同，造成对部分类型的天空图像呈现较好的处理结果，其余类型的天空图像云提取效果较差的现象。因此，通过选取固定阈值进行图像云提取的方法适应性差。

发明内容

本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，以解决现有技术适应性差的问题。

本发明提供一种基于改进k均值聚类算法的天空图像云空辨识方法，所述基于改进k均值聚类算法的天空图像云空辨识方法包括以下步骤：针对天空图像中各个像素点，分别提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，并根据所述四个矩阵提取特征矩阵；根据所述天空图像中需要辨识的区域种类个数确定初始聚类数量，并基于历史图像数据设定各类别的初始聚类中心；基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心；根据所述新的聚类中心对所述特征矩阵中的特征向量进行聚类；根据聚类结果确定各像素点所属区域类型并绘制云空辨识图像。

优选的，所述根据所述四个矩阵提取特征矩阵包括：将所述四个矩阵中的每一列按列编号顺序排列成一个元素个数为m*n的列向量；将所述四个列向量按列向量R、列向量G、列向量B和列向量R/B*100的顺序合并成一个四列特征矩阵。

优选的，所述基于历史图像数据设定各类别的初始聚类中心包括：从历史数据中选择各类别区域间差异明显的天空图像；分别提取各个区域中的N个像素点的特征向量，并计算所述N个像素点的特征向量的算术平均值作为本区域的初始聚类中心，其中，N由天空图像数量、天空图像分辨率以及天空图像区域的大小确定。

优选的，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：计算每个像素点特征向量到对应的所述初始聚类中心的距离；将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别；计算各类别中所包含的特征向量的算术平均值，并将所述算术平均值作为该类别新的聚类中心。

优选的，所述将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别包括：若特征向量所属类别不唯一，则选取小类别标号作为所述特征向量类别；若类别未包含任何像素点特征向量，则删除所述类别以及与所述类别对应的聚类中心。