[发明专利]一种基于异质化缩减的云状图像识别方法及系统

权利要求书

1.一种基于异质化缩减的云状图像识别方法，其特征在于，包括以下步骤：

S1：对待识别的云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强，

所述障碍物去除包括：

由原始云状图像四个边界分别朝其相对的边界，逐行地检测每个像素点的RGB值；若行内有像素点的RGB值位于特定区间外，则进行下一行的检测；若行内无像素点的RGB值位于特定区间外，则将该行作为关键行；其中，所述特定区间为天空和云层的RGB值区间，

若存在四个关键行，则判断四个关键行之间限定的图像面积与原始云状图像的图像面积之比是否超过设定阈值，若超过，将四个关键行之间限定的图像作为经所述障碍物去除后的图像，否则丢弃所述原始云状图像；

所述图像增强为拉普拉斯增强；其中，图像变换公式为：

；

其中，为处理前的原始图像，为处理后的增强图像，c为常数；

S2：对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；

S3：将经过所述异质化缩减处理后的云状图像输入至训练好的云状图像识别模型中进行识别，并得到相应的识别结果。

2.如权利要求1所述的基于异质化缩减的云状图像识别方法，其特征在于，所述云状图像识别模型训练时，对训练集中的云状图像依次进行所述预处理与所述异质化缩减处理后，还通过随机擦除和随机翻转对训练集中的云状图像进行图像增广；

其中，所述随机擦除为：由两个独立均匀分布从，中分别采样两个点，得到擦除区域中心，再从均匀分布采样得到擦除区域边长；其中，擦除区域的范围为，h为图像高度，w为图像宽度；

所述随机翻转为：每张图片以设定的概率，进行左右翻转操作。

3.如权利要求2所述的基于异质化缩减的云状图像识别方法，其特征在于，所述云状图像识别模型为EfficientNet分类网络；而且，基于迁移学习的方式，根据超参数搜索结果，对EfficientNet-B0分类网络的结构进行缩放得到所需的EfficientNet分类网络，并根据所述EfficientNet分类网络在ImageNet图像数据集上的预训练权重，对所述EfficientNet分类网络进行初始化。

4.如权利要求3所述的基于异质化缩减的云状图像识别方法，其特征在于，初始化后的所述EfficientNet分类网络利用所述训练集，并基于ResTraining方式进行训练，以得到所述云状图像识别模型；

其中，基于ResTraining方式进行训练包括：采用Adam优化算法对所述EfficientNet分类网络进行训练，并在训练过程中，记录每一个epoch的验证集性能指标，并实时更新保存性能好的k个权重，若连续n次性能没有提升，则等概率地从所述k个权重，选择权重进行加载，并重置学习率，得到云状图像识别模型。

5.一种基于异质化缩减的云状图像识别系统，其特征在于，包括：

预处理模块，用于对原始云状图像进行预处理；其中，所述预处理包括障碍物去除和图像增强，所述障碍物去除包括：

由原始云状图像四个边界分别朝其相对的边界，逐行地检测每个像素点的RGB值；若行内有像素点的RGB值位于特定区间外，则进行下一行的检测；若行内无像素点的RGB值位于特定区间外，则将该行作为关键行；其中，所述特定区间为天空和云层的RGB值区间；

若存在四个关键行，则判断四个关键行之间限定的图像面积与原始云状图像的图像面积之比是否超过设定阈值，若超过，将四个关键行之间限定的图像作为经所述障碍物去除后的图像，否则丢弃所述原始云状图像；

所述图像增强为拉普拉斯增强；其中，图像变换公式为：

；

其中，为处理前的原始图像，为处理后的增强图像，c为常数；

异质化缩减模块，用于对经过所述预处理后的云状图像进行异质化缩减处理；其中，所述异质化缩减处理为根据云状图像总体像素分布，对所有云状图像进行直方图匹配；

云状图像识别模块，用于根据训练好的云状图像识别模型，对将经过所述异质化缩减处理后的云状图像进行识别，并得到相应的识别结果。