[发明专利]一种基于改进AdaBoost算法的地基云图识别方法

权利要求书

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图图片，用于分类器训练以及目标识别；

步骤2、对采集到的云图图片进行预处理；

步骤3、利用聚类分析，将预处理后的云图图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{(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，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，则循环执行下述步骤：

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，其中，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Dm+1(i)=DmZm*e-αmifhm(xi)=yieαmifhm(xi)≠yi,]]>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(x)=sign(Σm=1Mαmhm(x)).]]>

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,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。