地基云图像的云状识别技术研究

发布时间：2020-05-06 13:52

【摘要】：随着地面观测设备与成像技术的发展,地基云的观测已逐步由人工目测记录转变为设备成像记录,但地基云图像的判读仍然需要依赖专业的观测员。这主要是因为目前绝大多数地基云图像的自动分类识别方法还无法按照气象观测标准中定义的云状进行有效的识别,仅能针对其中部分典型云状识别或按照其他分类依据重新简化云状分类后进行识别。因此,本文提出了能够按照气象观测标准中云状定义进行云状识别的有效方法,并在此基础上实现了基于地基云图像分析的自动观测系统。基于地基云图像的云状识别可以看做是一个图像分类问题,地基云图像的特征提取对区分不同云状的地基云图像起着至关重要的作用。本文通过使用不同种类的特征提取方法按照气象观测标准中的云状对地基云图进行分类,发现颜色、纹理、结构等底层特征在区分不同云状的图像上存在比较明显的互补作用,而基于卷积神经网络的高层语义特征能够进一步对图像特征进行补充。同时,在此基础上提出了一种多种类特征融合的云状识别方法,并在该方法中采用了局部采样和局部特征编码机制。所提出的方法能够很好地将地基云图像按照气象观测标准中的九类云状标准进行分类。为了更进一步提升地基云图像的云状识别效果,结合地基云图像的视觉特点与卷积神经网络的结构特点,本文提出了一种基于预训练的卷积神经网络模型提取地基云图像多层语义及多尺度局部特征的方法,并以Fisher Vector编码替代卷积神经网络中的全连接层对局部特征进行编码形成图像的全局特征。同时,本文通过对地基云图像局部模式的分析,发现通过稠密局部采样得到的局部模式存在很多的冗余,这些冗余的局部模式对云状的区分没有任何帮助甚至会产生负面影响。因此,本文又提出了一种基于聚类的局部模式挖掘方法并将其应用于地基云图像的多层语义特征提取,使得最终提取的地基云图像全局特征具有更强的云状区分能力。目前绝大多数地基云云状识别方法都是将云状识别独立于地基云观测中的云量估计任务来进行的,本文针对这一问题,提出了一种基于监督学习的全天空图像语义分割方法,该方法首先将全天空图像进行超像素分割,得到若干能够较好保持图像边缘的局部区域即超像素,再针对这些超像素进行特征提取和云状识别,从而得到全天空图像中各个局部区域的云状类别。另外,本文还提出了一种基于逐类云状测度学习和子空间对齐的特征空间变换方法,给每一类云状定义一个特定的特征空间使其能够更好地与其他云状区分开来。全天空图像的语义分割不仅能够得到天空中同时存在的多种云状类别信息,还可以得到各类云状在天空中的覆盖和分布情况,同时实现了云状识别与云量估计两个观测任务,使得地基云自动观测中云状识别与云量估计两个任务只能通过两套相互独立的算法分别完成的现状得以改变。最后,为了更好地将地基云图像的云状识别技术应用到实际气象观测中,本文实现了一套基于全天空图像的多任务地基云自动化观测系统,在该系统中提出了一种基于仰角对应弦长的全天空图像畸变校正方法作为图像预处理,并在此基础上进行了地基云图像分类和语义分割的多任务算法和综合决策。在与人工直接观测和人工读图复查的结果对比中,本文提出的自动化观测系统能够达到与专业人工观测媲美甚至更好的观测分析结果。
【图文】：

云图,聚类数,原始卷,效果

只要局部模式挖掘对单层级的效果有较明显提升，则各层融合后的效果自然也会相应的提升），并在 K-means 和 DP 聚类方法中均选取聚类数量 3，5，8，10 分别进行测试，测试的结果如图3-14所示，图中“km_3”表示以 K-means 聚类方法将原始卷积特征聚为 3 类“、dp_3”表示以 DP 聚类方法将原始卷积特征聚为 3 类、以此类推。可以看到DP 聚类的提升效果比较明显，而 K-means 聚类方法在某些情况下甚至不能提升最终分类效果，，同时，聚类数为 10 的时候，模式挖掘效果最好，而聚类数太少（为 3 时）会使得在某些层级上失去提升效果。3.6 本章小结本章结合地基云图的视觉特点分析和卷积神经网络的特点，提出了即使未经过针对地基云图特定训练的卷积神经网络依然能够较好的对地基云图进行多尺度、多语义层级的局部特征提取的观点，同时在此基础上通过对图像进行不同方式的旋转变换，对比了卷积神经网络中全连接层的局部编码方式与基于 Fisher Vector 的局部编码方式，通过实验分析确定了全连接层局部编码对空间约束有一定敏感的观点，并以此为依据确定了以 Fisher Vector 为基础的局部卷积特征的编码方法。另一方面
【学位授予单位】：华中科技大学
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP391.41;P412

【参考文献】