[发明专利]一种基于改进k均值聚类算法的天空图像云空辨识方法

权利要求书

1.一种基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于改进k均值聚类算法的天空图像云空辨识方法包括以下步骤：

针对天空图像中各个像素点，分别提取所述天空图像中红颜色通道值R、绿颜色通道值G、蓝颜色通道值B以及R/B*100四个矩阵，并根据所述四个矩阵提取特征矩阵，其中，所述根据所述四个矩阵提取特征矩阵包括：

将所述四个矩阵中的每一列按列编号顺序排列成一个元素个数为m*n的列向量，所述m为所述列向量的行数，所述n为所述列向量的列数；

将所述四个列向量按列向量R、列向量G、列向量B和列向量R/B*100的顺序合并成一个四列特征矩阵；

根据所述天空图像中需要辨识的区域种类个数确定初始聚类数量，并基于历史图像数据设定各类别的初始聚类中心；

基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心；

根据所述新的聚类中心对所述特征矩阵中的特征向量进行聚类；

根据聚类结果确定各像素点所属区域类型并绘制云空辨识图像。

2.根据权利要求1所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于历史图像数据设定各类别的初始聚类中心包括：

从历史数据中选择各类别区域间差异明显的天空图像；

分别提取各个区域中的N个像素点的特征向量，并计算所述N个像素点的特征向量的算术平均值作为本区域的初始聚类中心，其中，N由天空图像数量、天空图像分辨率以及天空图像区域的大小确定。

3.根据权利要求1所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：

计算每个像素点特征向量到对应的所述初始聚类中心的距离；

将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别；

计算各类别中所包含的特征向量的算术平均值，并将所述算术平均值作为该类别新的聚类中心。

4.根据权利要求3所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述将所述特征向量分配给与所述特征向量距离最近的所述初始聚类中心所对应的类别包括：

若特征向量所属类别不唯一，则选取小类别标号作为所述特征向量类别；

若类别未包含任何像素点特征向量，则删除所述类别以及与所述类别对应的聚类中心。

5.根据权利要求3所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述基于改进k均值聚类算法，根据所述初始聚类中心对所述像素点的特征向量进行聚类，获取新的聚类中心包括：基于改进k均值聚类算法重复获取新的聚类中心，直到新的聚类中心不再改变或达到预设的最大重复次数后，输出聚类结果。

6.根据权利要求3所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述计算每个像素点特征向量到对应的所述初始聚类中心的距离的计算公式为：

其中x_i和y_i为像素点特征向量第i维数值，a_i为特征向量第i维数值的权重系数。

7.根据权利要求6所述的基于改进k均值聚类算法的天空图像云空辨识方法，其特征在于，所述特征向量第i维数值的权重系数a_i的计算方法为：

将所述特征矩阵分别删除各列，获取四个三列矩阵；

利用传统k均值聚类算法，对所述特征矩阵和所述四个三列矩阵分别聚类，获得聚类结果；

计算所述四个三列矩阵聚类结果与所述特征矩阵聚类结果的相关系数r_i；

根据所述相关系数r_i计算权重系数，所述权重系数a_i的计算公式为：a_i＝1-r_i。