【摘要】：隨著地面觀測設(shè)備與成像技術(shù)的發(fā)展,地基云的觀測已逐步由人工目測記錄轉(zhuǎn)變?yōu)樵O(shè)備成像記錄,但地基云圖像的判讀仍然需要依賴專業(yè)的觀測員。這主要是因為目前絕大多數(shù)地基云圖像的自動分類識別方法還無法按照氣象觀測標(biāo)準(zhǔn)中定義的云狀進(jìn)行有效的識別,僅能針對其中部分典型云狀識別或按照其他分類依據(jù)重新簡化云狀分類后進(jìn)行識別。因此,本文提出了能夠按照氣象觀測標(biāo)準(zhǔn)中云狀定義進(jìn)行云狀識別的有效方法,并在此基礎(chǔ)上實現(xiàn)了基于地基云圖像分析的自動觀測系統(tǒng)�；诘鼗茍D像的云狀識別可以看做是一個圖像分類問題,地基云圖像的特征提取對區(qū)分不同云狀的地基云圖像起著至關(guān)重要的作用。本文通過使用不同種類的特征提取方法按照氣象觀測標(biāo)準(zhǔn)中的云狀對地基云圖進(jìn)行分類,發(fā)現(xiàn)顏色、紋理、結(jié)構(gòu)等底層特征在區(qū)分不同云狀的圖像上存在比較明顯的互補(bǔ)作用,而基于卷積神經(jīng)網(wǎng)絡(luò)的高層語義特征能夠進(jìn)一步對圖像特征進(jìn)行補(bǔ)充。同時,在此基礎(chǔ)上提出了一種多種類特征融合的云狀識別方法,并在該方法中采用了局部采樣和局部特征編碼機(jī)制。所提出的方法能夠很好地將地基云圖像按照氣象觀測標(biāo)準(zhǔn)中的九類云狀標(biāo)準(zhǔn)進(jìn)行分類。為了更進(jìn)一步提升地基云圖像的云狀識別效果,結(jié)合地基云圖像的視覺特點與卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點,本文提出了一種基于預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型提取地基云圖像多層語義及多尺度局部特征的方法,并以Fisher Vector編碼替代卷積神經(jīng)網(wǎng)絡(luò)中的全連接層對局部特征進(jìn)行編碼形成圖像的全局特征。同時,本文通過對地基云圖像局部模式的分析,發(fā)現(xiàn)通過稠密局部采樣得到的局部模式存在很多的冗余,這些冗余的局部模式對云狀的區(qū)分沒有任何幫助甚至?xí)a(chǎn)生負(fù)面影響。因此,本文又提出了一種基于聚類的局部模式挖掘方法并將其應(yīng)用于地基云圖像的多層語義特征提取,使得最終提取的地基云圖像全局特征具有更強(qiáng)的云狀區(qū)分能力。目前絕大多數(shù)地基云云狀識別方法都是將云狀識別獨立于地基云觀測中的云量估計任務(wù)來進(jìn)行的,本文針對這一問題,提出了一種基于監(jiān)督學(xué)習(xí)的全天空圖像語義分割方法,該方法首先將全天空圖像進(jìn)行超像素分割,得到若干能夠較好保持圖像邊緣的局部區(qū)域即超像素,再針對這些超像素進(jìn)行特征提取和云狀識別,從而得到全天空圖像中各個局部區(qū)域的云狀類別。另外,本文還提出了一種基于逐類云狀測度學(xué)習(xí)和子空間對齊的特征空間變換方法,給每一類云狀定義一個特定的特征空間使其能夠更好地與其他云狀區(qū)分開來。全天空圖像的語義分割不僅能夠得到天空中同時存在的多種云狀類別信息,還可以得到各類云狀在天空中的覆蓋和分布情況,同時實現(xiàn)了云狀識別與云量估計兩個觀測任務(wù),使得地基云自動觀測中云狀識別與云量估計兩個任務(wù)只能通過兩套相互獨立的算法分別完成的現(xiàn)狀得以改變。最后,為了更好地將地基云圖像的云狀識別技術(shù)應(yīng)用到實際氣象觀測中,本文實現(xiàn)了一套基于全天空圖像的多任務(wù)地基云自動化觀測系統(tǒng),在該系統(tǒng)中提出了一種基于仰角對應(yīng)弦長的全天空圖像畸變校正方法作為圖像預(yù)處理,并在此基礎(chǔ)上進(jìn)行了地基云圖像分類和語義分割的多任務(wù)算法和綜合決策。在與人工直接觀測和人工讀圖復(fù)查的結(jié)果對比中,本文提出的自動化觀測系統(tǒng)能夠達(dá)到與專業(yè)人工觀測媲美甚至更好的觀測分析結(jié)果。
【圖文】：

只要局部模式挖掘?qū)螌蛹壍男Ч休^明顯提升，則各層融合后的效果自然也會相應(yīng)的提升），并在 K-means 和 DP 聚類方法中均選取聚類數(shù)量 3，5，8，10 分別進(jìn)行測試，測試的結(jié)果如圖3-14所示，圖中“km_3”表示以 K-means 聚類方法將原始卷積特征聚為 3 類“、dp_3”表示以 DP 聚類方法將原始卷積特征聚為 3 類、以此類推。可以看到DP 聚類的提升效果比較明顯，而 K-means 聚類方法在某些情況下甚至不能提升最終分類效果，，同時，聚類數(shù)為 10 的時候，模式挖掘效果最好，而聚類數(shù)太少（為 3 時）會使得在某些層級上失去提升效果。3.6 本章小結(jié)本章結(jié)合地基云圖的視覺特點分析和卷積神經(jīng)網(wǎng)絡(luò)的特點，提出了即使未經(jīng)過針對地基云圖特定訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)依然能夠較好的對地基云圖進(jìn)行多尺度、多語義層級的局部特征提取的觀點，同時在此基礎(chǔ)上通過對圖像進(jìn)行不同方式的旋轉(zhuǎn)變換，對比了卷積神經(jīng)網(wǎng)絡(luò)中全連接層的局部編碼方式與基于 Fisher Vector 的局部編碼方式，通過實驗分析確定了全連接層局部編碼對空間約束有一定敏感的觀點，并以此為依據(jù)確定了以 Fisher Vector 為基礎(chǔ)的局部卷積特征的編碼方法。另一方面
【學(xué)位授予單位】：華中科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;P412

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李林;劉青山;夏e

本文編號：2651369