[发明专利]一种基于超像素聚类优化CNN的云图分割方法

摘要

本发明提供一种基于超像素聚类优化CNN的云图分割方法。该方法首先利用均值漂移算法把一幅原本是像素级的图，划分成一个又一个区域级的超像素组成的图，而这些超像素中提取出有效的信息是相同的。再将这些足以代表该区域总体特征的核心点为中心的区域的图像输入到我们已经通过CNN训练好的网络中，得到该核心点的标签，进而表征该超像素对应的标签，最后将不同的区域的结果进行组合，就可以得到最优的分割结果。本发明引入超像素，保证了像素的一致性，将云图的分割准确度达到了99.55％，在保证分割精度的前提下极大地提升了分割的速度。

主权项

一种基于超像素聚类优化CNN的云图分割方法，其特征在于步骤如下：1)、超像素聚类及核心点选取：将一副完成的图像，划分成若干个不同的超像素，对于每一个超像素，将这些超像素的每一个像素点向量化，即将这些像素点的坐标值作为向量中的一个元素，从该向量中等间隔采样5个像素点，作为超像素的关键点；并且采样过程中对超像素做了腐蚀处理，2)、训练样本集、验证样本集及测试样本集的制作数据集包括训练样本集、验证样本集及测试样本集三个方面；这三方面的制作原理完全相同，只是选取的数据范围有差异，以下只对其中一种的获取方式做详细的介绍：对于毫米波雷达云演变图，由于云图像处理领域并没有公开的数据集，需要制作groundtruth图作为训练CNN网络时候的监督信号，具体预处理操作如下：(1)生成groundtruth即将云图像中“云”和“非云”区域以黑白颜色区分后标注的原始云图所对应的groundtruth；从云图像集中随机选择若干张云图，并选中与之对应的groundtruth图，用于下一步的CNN网络训练和测试样本集的生成；(2)图像尺寸调整；为了保证在训练样本集、验证样本集及测试样本集采样时，能够完整采集整张图像的每一个像素点，首先对云演变图的尺寸进行了调整，即为尺寸为W*H的云图像增加了D/2个像素的背景图像边界，此时图像变为(W+D)*(H+D)；(3)样本集的采集和生成具体操作如下：a.裁剪出若干张以像素点p为中心的图像C1用于训练和验证CNN网络；以W*H云图像中的某一像素点p为中心，以D为边长裁剪出D*D大小的图像C1；C1就是以像素点p为中心的子图，其包含该像素点周围的像素特征；b.对于a中的每一个像素点p，在其所对应的groundtruth图中找到对应的像素点p’，根据该像素点在groundtruth图中的标签属性，以列表的形式制作训练标签的文本文件，其格式为“绝对路径/图像名称标签属性”，其中每个像素点的标签属性“云”或“非云”，用1或0表示；对于训练集合的所有图像，保留其标签文本文件作为训练CNN网络时候的监督信号；对于验证集合的所有图像，将验证样本通过训练集生成的网络模型得到判断的结果，并利用标签文本文件来检验的网络模型的准确程度；而对于测试集，不需要生成标签，需要利用其groundtruth图与分割结果图进行对比，来评价网络的主观性与客观性；三个样本集合之间应当不相交；3)、卷积神经网络模型的训练该网络由5个卷积层、3个全连接层组成，并且只给卷积层C1、卷积层C2和卷积层C5加入了pooling层；F1到F3是全连接层，相当于在五层卷积层的基础上再加上一个三层的全连接神经网络分类器；将AlexNet中F3的神经元个数由1000调为2，4)、基于区域内容引导的图像分割对步骤1)中这5个点一一做图像识别分类，将这五个结果加权得到本超像素区域最终的分割结果，将此方法用于对整张图的所有超像素区域，并利用其分类结果对图像进行分割；对于某一块超像素而言，其所对应的分类结果满足以下公式：R＝r1*ω1+r2+ω2+r3*ω3+r4*ω4+r5*ω5   (1)其中R表示该超像素的识别结果，r1、r2、r3、r4和r5为五个点为中心的子图的识别结果，ω1、ω2、ω3、ω4和ωR均为0.2。