[发明专利]一种基于CNN与多特征融合的天气图像识别方法

说明书

本发明公开了一种基于CNN与多特征融合的天气图像识别方法，包括以下步骤：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；提取表征图像的高维CNN特征；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；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。本发明融合天气特征和CNN特征来进行训练与分类，识别准确率高。

技术领域

本发明涉及图像处理领域，特别是一种基于CNN与多特征融合的天气图像识别方法。

背景技术

恶劣的天气条件经常导致船舶碰撞、森林火灾、电厂电网瘫痪、火车脱轨和飞机失事等灾难性事件发生。已经有不少的学者在探索和解决天气识别这类问题上已经做了一些工作：传统的天气识别方法依赖于特殊传感器(特殊微波传感器或卫星成像传感器)和人眼作为辅助来进行识别，然而这种方法消耗了大量人力物力，并且这种半自动化的识别精度较低。最近，卷积神经网络(CNN)在计算机视觉尤其是图像识别领域取得了重大突破，基于CNN的天气现象自动识别研究受到了广泛关注。此技术利用卷积算法提取大量图像特征，从而提高了传统图像识别的准确性。然而对于天气图像的识别，与传统的图像识别或者目标检测不同，识别天气图像更加依赖于图像中特定的天气线索，例如光照变化、对比度变化、背景多样性等。CNN能获取图像大部分基本信息然而对于能够表征天气现象的敏感线索获取能力较弱。目前还没有一种识别方法融合CNN特征和天气特征。

发明内容

本发明提供一种基于CNN特征和天气特征的多特征融合天气分类方法，融合天气特征和CNN特征来进行训练与分类，识别准确率高。

为解决上述技术问题，本发明采用的技术方案是：

一种基于CNN与多特征融合的天气图像识别方法，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。

进一步的，六种天气特征具体编码如下：

1)亮度值

将亮度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red、绿色green、蓝色blue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：