[发明专利]一种基于PCA的SVM云微粒子优化分类识别方法

权利要求书

1.一种基于SVM的云微粒子优化分类识别方法，包括以下步骤：

步骤1：对CPI图像进行云微粒子分割，包括：

步骤1.1：对CPI图像进行灰度化处理，具体方法为将RGB三通道CPI图像转化为单通道灰度图像；

步骤1.2：将CPI灰度图像二值化，首先抽取CPI灰度化图像中a幅云微粒子图像I_p，对a幅I_p图像中像素值按灰度值大小从大到小排序，选取灰度值最大的b个像素点，计算其灰度均值avg(I_p)，然后与背景图像灰度值均值avg(I_bg)进行比较，计算出阈值Th，其中背景图像I_bg为选择的I_p图像的相邻的c×c非云微粒子图像区域，最后根据阈值Th将CPI灰度图像二值化，阈值Th计算方法为：

Th＝α·(avg(I_p)-avg(I_bg))，其中变量α∈[0.9,1]；

步骤1.3：将CPI二值图像填补孔洞，具体方法为：对CPI二值图像进行形态学处理,对应的参数设置为，膨胀矩阵选择的是的正方形结构元素,腐蚀矩阵选择的是的单位矩阵结构元素；

步骤1.4：将所述CPI二值图像进行连通区域标记，以从左到右，从上到下的顺序，搜索CPI二值图像，当找到第一个像素值为1的像素f时，以这个像素为中心，按优化连通域方法确定其连通域，然后继续按序搜索除了已经确定的连通域外的CPI二值图像，确定新的连通域，直到遍历完整幅图像；所述优化连通域方法是以像素f为中心点，找出与其相邻的像素，组合成为矩阵A，计算矩阵A中非零值比例nz_A，以矩阵A为中心，找出与其相邻的像素，组和成为矩阵B，计算矩阵B中非零值比例nz_B，以nz_A、nz_B取值为判定条件采用不同的连通域搜索方法；

步骤1.5：统计CPI二值图像中被标记的矩形联通区域，以每个矩形联通区域左上角坐标为开始，按从左到右，从上到下的顺序，以矩形联通区域的坐标为索引，从CPI灰度图像上提取出对应的灰度图片，即为云微粒子图像；

步骤2：对云微粒子图像进行去标注；

步骤3：基于PCA降维的SVM云微粒子分类识别，包括：

步骤3.1：将云微粒子特征图进行PCA优化降维处理，计算各主成分的贡献度λ_t为各主成分对应的特征值，T为特征值数量，当k_tv1时，ks_t＝ε×k_t，当k_tv1时，kl_t＝η×k_t，ε∈(0.1,0.5)，η∈(1.5,2)，计算累计贡献度算出使得s(m)u的m个主成分；

步骤3.2：制作数据集，根据气象知识对云微粒子形态进行类别划分；

步骤3.3：SVM云微粒子分类识别，对经过步骤3.2制作的数据集进行切分，切分比为百分之70训练集，百分之30测试集；进行SVM云微粒子分类。

2.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述步骤1.4中，以nz_A、nz_B取值为判定条件采用不同的连通域搜索方法，包括：

当同时满足nz_Av2，nz_Bv3时，以像素f为基点，搜索像素f相邻的上下左右四个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的其他上下左右四个方向相邻像素，重复满足nz_Av2，nz_Bv3时的步骤，直到新基点四个方向邻域内没有像素值为1的像素为止，当不同时满足nz_Av2，nz_Bv3时，以像素f为基点，搜索像素f相邻的上下左右，左上，左下，右上和右下八个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的其他相邻像素，重复不同时满足nz_Av2，nz_Bv3时的步骤，直到新基点八个方向邻域内没有像素值为1的像素为止。