[发明专利]一种基于支持向量机分类树的地基云图识别方法

说明书

技术领域

本发明属于模式识别领域，具体涉及利用多种特征及基于支持向量机的分类树对地基云图进行识别的方法。

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。因此，实现云的自动定量观测对于天气预报、飞行保障有着重要的意义。目前人们普遍使用的方法是利用气象卫星得到的卫星云图对云团种类进行识别，由专家对卫星云图上的云团情况进行解释后再配合其它预报工具使用。这种人工分析的方法具有一定程度上的主观性，且效率较低，因此难免漏掉许多有用信息，容易产生错判误判。

相比于传统卫星云图的大范围、大尺度的分布特点，地基可见光云图的观测范围较小，能够反映出云块大小、排列方式以及云的高低分布等局部分布信息，且其纹理信息更为丰富，有利于人们采用相应的纹理特征对其进行分类识别，从而进行短时、小范围的天气预报。国际上通常将云分为十属29种云，云的类别多，合混度大，因此如何解决多类云图分类识别并满足一定的分类精度，是当前陆基可见光云图分类研究中的一个关键问题。

在目前的云图分类应用中，采用较多的方法有多谱阈值法、神经网络法、聚类分析法等；所采用的特征有灰度共生矩阵、灰度-梯度共生矩阵、基于Gabor滤波的均值方差等。其中，灰度共生矩阵和灰度-梯度共生矩阵只对图像在空间域的特性进行分析，而Gabor的均值方差统计量过于简单。更为重要的是，这些工作都只采用了单一的特征，没有考虑到云图的复杂性和不同类别之间的差异性，所以分类能力有限。

目前较为常用的分类器有K均值聚类法、贝叶斯分类器、神经网络等。其中K均值聚类法容易受到类别初始中心选择的影响；贝叶斯法则需要知道各类别的先验概率等因素，而这些因素在实际情况中往往不可预知；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。

发明内容

本发明的目的在于提出一种基于支持向量机分类树的地基云图识别方法，使用支持向量机作为分类器，并对其进行集成从而进行分类，该方法能达到较高的分类准确率。

实现本发明目的所采用的具体技术方案为：

一种基于支持向量机的分类树的陆基云图分类方法，包括以下步骤：

(1)在参考云图上截取若干子块作为训练样本；

(2)Gabor滤波器组参数选择，将图像在频率域分解为S个尺度和T个角度，使用所得滤波器组对所有训练样本进行滤波，得到训练样本的滤波图像集合，记为P；

(3)从P中提取任一训练样本的排序直方谱特征向量或感兴趣算子特征向量，得到提取特征后的训练样本集合，记为F；

(4)对每一类别中的训练样本进行有监督聚类，得到新的训练样本集合F′。

(5)基于SVM分类树模型的建立。利用训练样本集合F′进行训练，解算出分类树各层分类器的参数，并确定分类树不同层之间的分类规则；

(6)按照(3)的步骤，对检验样本提取相应排序直方谱特征向量和感兴趣算子特征向量，得到检验样本特征向量集合，记为T′；

(7)利用(5)中训练好的分类树模型对T′中的样本进行分类，得到相应的分类结果；

本发明采用Gabor分析方法，通过提取合适的反映图像纹理信息的多维特征向量，并采用有监督聚类方法选择合适的训练样本，使用非线性变换将样本特征空间的划分问题转换为高维特征空间的线性分类问题，利用有限的支持向量点的线性组合建立分类决策函数并建立相应的分类树。试验结果表明该方法计算速度快，分类准确率较高。

本发明对空间域和频率域同时进行分析，因此能够获取更多有助于分类的图像纹理信息；计算排序直方谱特征向量和反映图像不同方向方差信息的感兴趣算子特征向量，并将其作为本发明所需要的统计量；在提取出图像不同纹理特征量的条件下，本发明采用支持向量机(SVM)并将其组合成分类树，进行陆基云图分类。根据线性可分原则确定最优分类面，不但将两类样本无错误的分开，而且使得两类样本之间的分类间隙最大，从而提高了分类精度。

附图说明

图1为本发明的总体流程图；

图2为提取任一训练样本的排序直方谱特征向量流程图；

图3为提取任一训练样本的感兴趣算子特征向量流程图；

图4为对训练样本图像进行划分子块的示意图；

图5为基于SVM分类树的原理图；

图6为本发明与一般方法的分类准确率比较表格。

具体实施方式

下面结合附图和实施例对本发明做详细说明。