论文部分内容阅读
云的分布、形态及变化是大气动态、天气变化的重要指示,影响全球气候变化,因此云的观测、记录和分析具有重要的研究价值。传统的云观测主要依靠人工目测进行,主观性较强,且需要耗费巨大的观测成本。随着全天空云图采集设备的投入使用,如何实现地基云图的自动分类是一个难点。本文从以下两个方面研究了地基云图分类算法:1.本文提出了联合正定矩阵流形特征和纹理特征的云状识别算法,主要分为预处理、特征抽取和分类三步。基于灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)抽取云图的纹理特征,根据图像的灰度、一阶和二阶梯度等6维特征计算云图的协方差描述子(Covariance Descriptors,CovD),通过对数映射将对称正定(Symmetric Positive Definite,SPD)矩阵流形中的CovD嵌入到其切空间,在切空间中向量化其上三角矩阵以获取流形特征,再基于支持向量机(Support Vector Machine,SVM)实现云状的自动识别。在计算CovD的过程中减去了特征均值,因此流形特征能够降低噪声的影响。由于CovD融合了多维特征,因而在一定程度上提高了算法的识别性能。在红外天顶数据集和全天空数据集上的实验结果表明,本文方法能够有效识别层状云、积状云、波状云、卷云和晴空等五类地基红外云图,与近年提出的WLBP(Weighted Local Binary Patterns)方法和基于统计特征与纹理特征的云图分块识别(Block-based cloud classification,BC)方法相比,平均识别率提高了2%-10%,能够更准确地实现地基红外地云图的分类。2.考虑到SPD矩阵的黎曼非欧几何结构,本文提出了基于流形核稀疏编码和字典学习(Manifold Kernel Sparse Coding and Dictionary Learning,MKSCDL)的云状识别算法,主要分为特征抽取、字典学习和分类三步。不同于欧氏空间中抽取的传统特征,SPD矩阵融合图像的多维特征并能够有效表征其非欧几何特性。基于Stein核函数,将SPD矩阵映射到再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)中,利用核稀疏编码与字典学习迭代更新字典,采用稀疏表示分类器判定云图所属的类别。得益于黎曼矩阵流形上的核稀疏表示,训练的字典能够更有效地表征SPD矩阵在RKHS上的稀疏性。实验结果表明,与WLBP、BC及联合颜色和纹理的纹理基元法等三种云状识别算法相比,本文方法提高了地基红外云图和彩色云图的分类准确性。