[发明专利]一种基于CNN与多特征融合的天气图像识别方法

权利要求书

1.一种基于CNN与多特征融合的天气图像识别方法，其特征在于，包括以下步骤：

步骤1：针对输入的图片，提取六种表征不同天气现象的天气特征，并编码为特征向量，天气特征包括天气图像中的亮度值、图像中最大和最小像素强度之间的差值，即对比度值、天气图像中雾因子、图像锐度值、图像中的白色像素值以及图像的颜色直方图；

步骤2：提取表征图像的高维CNN特征；

步骤3：将天气特征向量和CNN特征向量进行特征融合，组成整体特征向量；

步骤4：采用整体特征向量训练分类模型，并用训练后的分类模型对天气图像进行识别；

六种天气特征具体编码如下：

1)亮度值

将亮度值Y′信息编码为特征向量，计算RGB三通道图像每个像素点的亮度值，然后求其均值Y′＝0.299r+0.587g+0.114b，式中：r、g、b分别代表图像每个像素点在红色、绿色、蓝色三颜色通道的像素值；

2)对比度值

通过下式将对比度信息编码成特征向量：

c＝d-b

式中：d^I(x)是红、绿、蓝三个通道中的最小像素值，b^I(x)是最大值；d和b分别是d^I(x)和b^I(x)的平均值，X代表像素数；S_x×S_y是图像大小；I表示单张图像，Iⁿ表示图像I的某一个颜色通道；c是对比度值；

3)雾因子

通过以下公式估算不同的雾度，得到雾因子fog：

式中：c、d、b的值分别为计算对比度中所得的值，A₀为大气光亮度值；σ，μ，ν，λ为经验常值；

4)锐度值

通过以下公式得到锐度值T：

式中，i表示单张图像，S_X，S_Y为sobel滤波器参数；

5)白色像素值

选择像素175和更高值的像素作为白色像素，其他为黑色像素，再计算给定图像中的白色像素值，并且将其编码为特征向量；

6)颜色直方图

计算RGB三个通道的图像直方图的值，将它们连接起来编码得到一个特征向量。

2.根据权利要求1所述的一种基于CNN与多特征融合的天气图像识别方法，其特征在于，在步骤2中，提取表征图像的高维CNN特征具体为：

首先进行卷积，在卷积层中，前一层的特征图与一个能够学习的核进行卷积，得到的结果通过一个激活函数输出形成这一层的神经元，从而构成这层的特征图；卷积层计算公式如下：

式中：l表示当前层，kernel表示卷积核，M_j为特征图集合，j为特征图的一个选择，i表示单张图像，f代表某一种激活函数，B代表每一层唯一的偏置系数；

其次，进行池化计算，在池化层中输入特征图的数目和输出特征图的数目相同；池化层计公式如下：

式中：down()代表收缩函数，每一个输出的特征图对应一个权重系数β和一个偏置系数，j为特征图的一个选择，f代表某一种激活函数。

3.根据权利要求1所述的一种基于CNN与多特征融合的天气图像识别方法，其特征在于，所述训练分类模型时，将提取出来的特征传到全连接层中，通过全连接层，进行分类，所述全连接层计算公式：

x^l＝f(u^l),u^l＝ω^lx^l-1+b^l

式中：l代表当前层，f()代表激活函数，ω是全连接层的权重系数，b是全连接层的偏置项，u^l代表当前全连接层的得分函数。

4.根据权利要求1所述的一种基于CNN与多特征融合的天气图像识别方法，其特征在于，所述步骤4还包括：当卷积神经网络输出的结果与期望值不相符时，则进行反向传播过程；即求出结果与期望值的误差，再将误差一层一层的返回，计算出每一层的误差，然后进行权值更新，反复的更新权值得到最终训练模型。