[发明专利]一种基于迁移视觉信息的交叉域地基云图分类方法

说明书

本发明实施例公开了一种基于迁移视觉信息的交叉域地基云图分类方法，该方法包括：对来自源域和目标域的多幅输入地基云图预处理得到训练地基云图；将训练地基云图划分为多个图像块，并在每个图像块中稠密提取特征得到图像块的特征向量集合；对所有特征向量进行最大化抽取，得到训练地基云图的迁移特征向量；基于迁移特征向量进行加权度量学习，得到距离函数，并在最近邻分类器上使用该距离函数得到地基云图分类器；获取来自源域和目标域的测试地基云图的迁移特征向量，输入至地基云图分类器得到地基云图类别识别结果。本发明能有效挖掘显著特征信息，充分考虑来自源域和目标域的样本对以及每个类别的样本对数量，提高交叉域地基云图分类的正确率。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于迁移视觉信息的交叉域地基云图分类方法。

背景技术

云是由悬浮在大气中的小水滴、冰晶微粒或两者混合形成的可见聚合体，是一种重要的常见的天气现象。通常状况下，云覆盖地球表面50％左右，是地气系统(把地面和大气看做一个整体，称为地气系统)辐射收支的主要调节者，是影响地气系统辐射平衡和热量平衡的重要因素，是地球气候系统的重要影响因素。

地基云图分类技术是建设地基云图自动分类系统的基础，对气候分析、大气环流模式和数值天气预报等具有重要的意义，国内外均已经着手开展相关领域的研究工作。Buch等人对WSI云图进行了分类，主要考察云图的纹理特征、位置信息和像元亮度信息，纹理特征采用了LAWS纹理分析法。运用二元决策树进行高积云、卷云、层云、积云和晴空等5种天空类型的判断。Singh等人对数字相机得到的云图进行分类，通过自相关法、灰度共生矩阵法、LAWS能量法等提取出上百种云特征，对积云、浓积云、积雨云、天空和其他云类这5种天空类型分类。Calbo等人采用位于不同地区的TSI和WSC所采集的数据，通过抽取原始图像的统计信息、傅里叶变换图像信息和有云无云点的信息对晴空、波状云、卷云、层状云和积状云5类天空类型进行分类，正确率达到76％。孙学金等人提出应用局部二值模式(LocalBinary Pattern，LBP)来表示云图并对其分类。Liu等人提出显著性局部二值模式(SalientLocal Binary Pattern，SLBP)和光照不变完备化局部三值模式(Illumination-invariantCompleted Local Ternary Pattern，ICLTP)来表示云图并对其分类。以上方法都是在同一个数据库，即同一个域中，做训练和测试，没有考虑到交叉域的情况，即在源域(一个数据库)做训练，在目标域(另一个数据库)做测试。在现实生活中，中国有2424个气象站，每个气象站收集的数据库都存在很大的差异，比如地基云图的拍摄地点、摄像机的分辨率、光照和遮挡都不同，这样就造成每个数据库的地基云图存在很大的差异。虽然以上的地基云图分类方法在同域做训练和测试能取得很好的分类效果，但是当在源域做训练，在目标域做测试时，这些方法的分类准确率就会存在不同程度的下降。

发明内容

本发明的目的是要解决交叉域的地基云图分类问题，为此，本发明提供了一种基于迁移视觉信息的交叉域地基云图分类方法。

为了实现所述目的，本发明提出的一种基于迁移视觉信息的交叉域地基云图分类方法包括以下步骤：

步骤S1，对来自源域和目标域的多幅输入地基云图进行预处理，得到多幅训练地基云图；

步骤S2，将所述多幅训练地基云图分别划分为多个图像块，并在每个图像块中稠密提取特征，得到每个图像块的特征向量集合；

步骤S3，对所述每个图像块的特征向量集合中的所有特征向量进行最大化抽取，将得到的特征向量依次连接，得到所述训练地基云图的迁移特征向量；

步骤S4，基于所述训练地基云图的迁移特征向量，进行加权度量学习，得到距离函数，并在最近邻分类器上使用该距离函数构建得到地基云图分类器；