[发明专利]一种基于改进AdaBoost算法的地基云图识别方法

说明书

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。此外，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；