[发明专利]一种基于PCA的SVM云微粒子优化分类识别方法

说明书

本发明涉及一种基于PCA的SVM云微粒子优化分类识别方法，主要包括首先对CPI图像进行云微粒子分割，然后对分割后的云微粒子图像进行去标注，接着基于PCA降维的SVM云微粒子图像分类识别，由于现有方法中缺乏对CPI云微粒子原始数据的针对性预处理，通过该方法可有效的对云微粒子分类，并识别破碎冰晶粒子图片。

技术领域

本发明属于云微粒子形态分类领域,尤其涉及基于人工智能算法对机载CPI 探测的冰晶粒子图像的快速、高效的冰晶形态识别分类。

背景技术

图像分类识别技术是人工智能的一个重要领域。它是指对图像进行对象分 类,以识别各种不同模式的目标和对像的技术。图像分类识别技术发展主要经历 了三个阶段:数字文字识别阶段(始于1950年)、数字图像处理与识别阶段(始于 二十世纪六十年代末)、自然图像识别阶段(始于1970年)、总的来说图像识别技 术已经有了半个多世纪的发展历程了,其被广泛运用于军事、医学、气象、交通、 农业、测绘等广泛领域。

机载云粒子成像仪(Cloud Particle Imager,CPI)主要由粒子检测系统(Particle Detection System，PDS)、成像激光器、数码工业相机和数据信息系统组成.基本 原理为利用PDS的两个连续波激光二极管垂直交叉照射，交点定义为仪器的样 品体积,当粒子通过交叉点,成像激光器被脉冲化且粒子图像被投射在数码相机电 荷耦合器件(Charge Coupled Device,CCD)上。同时粒子图像从CCD实时提取 与发送并在系统主处理器上进行显示和储存。CPI相对于其他光学成像仪器具有 高速处理图片(每秒最高可达400帧)和高分辨率的特点(2.3um/像素)。同时CPI 还具有抗压力与抗低温的特点。CPI的特点适应于高空探测的恶劣环境，同时探 测的高分辨率图像也适用于图像处理领域。然而如何快速、准确的将机载CPI探 测器获取到的海量云微粒子数据进行分类识别，仍然是亟待解决的问题，因此， 我们依靠北京气象局的飞机所采集的大量CPI数据，研究了基于PCA的SVM云微粒子分类识别方法。

在图像分类识别技术当中，决策树方法、随机森林集成方法、支持向量机方 法、基于神经网络类方法等，在零件精密仪器的检测，人脸、车牌识别，肿瘤检 测等领域都被广泛使用，但是，在对CPI云微粒子分类上应用较少。并且，各类 方法基本都是基于CPI云微粒子原始数据进行训练学习，而这些原始数据一般 都存在较大的噪声，现有方法缺乏对CPI云微粒子原始数据的针对性预处理也 是一大问题。此外，目前还没有对云微粒子形态多分类和识别破碎冰晶粒子图片 的相关方法，这一问题亟待解决。

发明内容

本发明针对上述现有技术的不足，提出了一种基于PCA的SVM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，计算出定阈值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；