留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于KNN的地基可见光云图分类方法

朱彪 杨俊 吕伟涛 陈丽英 马颖 姚雯 张义军

朱彪, 杨俊, 吕伟涛, 等. 基于KNN的地基可见光云图分类方法. 应用气象学报, 2012, 23(6): 721-728..
引用本文: 朱彪, 杨俊, 吕伟涛, 等. 基于KNN的地基可见光云图分类方法. 应用气象学报, 2012, 23(6): 721-728.
Zhu Biao, Yang Jun, Lü Weitao, et al. Ground-based visible cloud image classification method based on KNN algorithm. J Appl Meteor Sci, 2012, 23(6): 721-728.
Citation: Zhu Biao, Yang Jun, Lü Weitao, et al. Ground-based visible cloud image classification method based on KNN algorithm. J Appl Meteor Sci, 2012, 23(6): 721-728.

基于KNN的地基可见光云图分类方法

资助项目: 

中国气象科学研究院基本科研业务费项目 2011Z002

国家自然科学基金项目 41105121

国家自然科学基金项目 41105122

详细信息
    通信作者:

    朱彪, E-mail: zhubiao0502@163.com

Ground-based Visible Cloud Image Classification Method Based on KNN Algorithm

  • 摘要: 云图的自动分类是实现地基云自动化观测的技术保障。该文探讨了一种先将云图分为积状云、层状云和卷云3大类的分类方案,通过对3大云类和晴空这4种天空类型的纹理特征、颜色特征和形状特征进行分析,选取了21个特征参量,并采用K最近邻分类器 (K-Nearest Neighbor,KNN), 在不同的K取值情况下对这几类天空类型进行了分类识别。结果表明:新的分类方案是可行的,且当纹理特征、颜色特征和形状特征结合使用时获取了比单独利用纹理特征、颜色特征和形状特征以及它们两两组合时更好的识别效果。当K=7且使用21个特征参量时,KNN算法对积状云、层状云、卷云和晴空的识别最好, 识别正确率分别为91.1%,74.4%,70.0%和100.0%,平均正确率为83.9%。
  • 图  1  提取纹理、颜色和形状特征量识别率统计分布

    Fig. 1  Statistical distribution of recognition rate when the texture features are used in conjunction with shape and shape features

    图  2  几种典型的误分类情况

    (a) 积状云误判为层状云, (b) 层状云误判为积状云, (c) 卷云误判为积状云

    Fig. 2  Typical misclassification

    (a) cumulus are mistaken for stratus, (b) stratus are mistaken for cumulus, (c) cirrus are mistaken for cumulus

    表  1  云图分类表

    Table  1  Types of cloud image

    分类 积状云 层状云 卷云
    高云 卷积云 卷层云 卷云
    中云 高积云
    (蔽光高积云除外)
    高层云,
    蔽光高积云
    低云 积云,积雨云,
    积云性层积云,堡状层
    积云,荚状层积云
    层云,雨层云,
    透光层积云,
    蔽光层积云
    下载: 导出CSV

    表  2  云图特征量平均值统计表

    Table  2  Average values of characteristic parameters

    特征量 积状云 层状云 卷云 晴空
    Tamura粗糙度 0.8911 0.8697 0.8652 0.6877
    Tamura对比度 0.3967 0.2079 0.2737 0.0941
    Tamura方向度 0.4167 0.3057 0.3776 0.0398
    GLCM对比度 0.1865 0.1535 0.1614 0.1471
    GLCM相关 0.9774 0.9282 0.9617 0.7906
    GLCM能量 0.3464 0.5426 0.4382 0.7296
    GLCM局部平稳 0.9841 0.9869 0.9862 0.9930
    GLCM熵 0.4183 0.5546 0.3698 0.2945
    色调 (一阶分量) 0.5987 0.3735 0.6377 0.6628
    饱和度 (一阶分量) 0.3237 0.1717 0.4548 0.6817
    亮度 (一阶分量) 0.6561 0.7358 0.6617 0.6565
    色调 (二阶分量) 0.2154 0.2841 0.0985 0.0070
    饱和度 (二阶分量) 0.4041 0.1201 0.3183 0.0996
    亮度 (二阶分量) 0.4429 0.2905 0.2790 0.1488
    不变矩1 0.6811 0.6798 0.6990 0.7125
    不变矩2 0.2807 0.3230 0.3148 0.3017
    不变矩3 0.3445 0.2352 0.3579 0.2435
    不变矩4 0.2943 0.2036 0.3063 0.2067
    不变矩5 0.3256 0.2177 0.3106 0.2135
    不变矩6 0.0097 0.0153 0.0096 0.0140
    不变矩7 0.2382 0.1528 0.2355 0.1740
    下载: 导出CSV

    表  3  K=5时,提取纹理特征量的分类混淆矩阵

    Table  3  Confusion matrix using texture features alone when K is set to 5

    天空类型 积状云 层状云 卷云 晴空
    积状云 57.8%(52) 21.1%(19) 21.1%(19) 0.0%(0)
    层状云 7.8%(7) 72.2%(65) 13.3%(12) 6.7%(6)
    卷云 25.6%(23) 22.2%(20) 51.1%(46) 1.1%(1)
    晴空 1.1%(1) 10.0%(9) 1.1%(1) 87.8%(79)
     注:括号内为相应的样本数。
    下载: 导出CSV

    表  4  K=11时,提取颜色特征量的分类混淆矩阵

    Table  4  Confusion matrix using color features alone when K is set to 11

    天空类型 积状云 层状云 卷云 晴空
    积状云 82.2%(74) 5.6%(5) 12.2%(11) 0.0%(0)
    层状云 11.1%(10) 77.8%(70) 10.0%(9) 1.1%(1)
    卷云 24.4%(22) 8.9%(8) 58.9%(53) 7.8%(7)
    晴空 0.0%(0) 0.0%(0) 1.1%(1) 98.9%(89)
     注:括号内为相应的样本数。
    下载: 导出CSV

    表  5  K=1时,提取形状特征量的分类混淆矩阵

    Table  5  Confusion matrix using shape features alone when K is set to 1

    天空类型 积状云 层状云 卷云 晴空
    积状云 32.2%(29) 28.9%(26) 31.1%(28) 7.8%(7)
    层状云 20.0%(18) 41.1%(37) 18.9%(17) 20.0%(18)
    卷云 26.7%(24) 21.1%(19) 35.6%(32) 16.7%(15)
    晴空 3.3%(3) 15.6%(14) 13.3%(12) 67.8%(61)
     注:括号内为相应的样本数。
    下载: 导出CSV

    表  6  K=51时,提取纹理和颜色特征量的分类混淆矩阵

    Table  6  Confusion matrix when the texture features are used in conjunction with color features and K is set to 51

    天空类型 积状云 层状云 卷云 晴空
    积状云 86.7%(78) 6.7%(6) 6.7%(6) 0.0%(0)
    层状云 11.1%(10) 76.7%(69) 11.1%(10) 1.1%(1)
    卷云 23.3%(21) 6.7%(6) 68.9%(62) 1.1%(1)
    晴空 0.0%(0) 0.0%(0) 1.0%(1) 98.9%(89)
     注:括号内为相应的样本数。
    下载: 导出CSV

    表  7  K=31时,提取纹理和形状特征量的分类混淆矩阵

    Table  7  Confusion matrix when the texture features are used in conjunction with shape features and K is set to 31

    天空类型 积状云 层状云 卷云 晴空
    积状云 61.1%(55) 21.1%(19) 17.8%(16) 0.0%(0)
    层状云 8.9%(8) 65.6%(59) 17.8%(16) 7.8%(7)
    卷云 22.2%(20) 18.9%(17) 55.6%(50) 3.3%(3)
    晴空 0.0%(0) 7.8%(7) 2.2%(2) 90.0%(81)
     注:括号内为相应的样本数。
    下载: 导出CSV

    表  8  K=31时,提取颜色和形状特征量的分类混淆矩阵

    Table  8  Confusion matrix when the color features are used in conjunction with shape features and K is set to 31

    天空类型 积状云 层状云 卷云 晴空
    积状云 88.9%(80) 4.4%(4) 6.7%(6) 0.0%(0)
    层状云 12.2%(11) 76.7%(69) 10.0%(9) 1.1%(1)
    卷云 16.7%(15) 11.1%(10) 63.3%(57) 8.9%(7)
    晴空 0.0%(0) 0.0%(0) 6.6%(6) 93.4%(84)
     注:括号内为相应的样本数。
    下载: 导出CSV

    表  9  K=7时,提取纹、颜色和形状特征量的分类混淆矩阵

    Table  9  Confusion matrix when the texture features are used in conjunction with color and shape features and K is set to 7

    天空类型 积状云 层状云 卷云 晴空
    积状云 91.1%(82) 5.6%(5) 3.3%(3) 0.0%(0)
    层状云 12.2%(11) 74.4%(67) 11.1%(10) 2.2%(2)
    卷云 20.0%(18) 7.8%(7) 70.0%(63) 2.2%(2)
    晴空 0.0%(0) 0.0%(0) 0.0%(0) 100.0%(90)
     注:括号内为相应的样本数。
    下载: 导出CSV
  • [1] Shields J E, Karr M E, Tooman T P, et a1. The Whole Sky Imager—A Year of Progress. Eighth Atmospheric Radiation Measurement (ARM) Science Team Meeting, Tucson, Arizona, 1998.
    [2] Long C N, Slater D W, Tooman T. Total Sky Imager Model 880 Status and Testing Results. ARM technical Report ARM TR-006, US Department of Energy, Washington D C, 2001.
    [3] 吕达仁, 霍娟, 吕曜, 等. 地基全天空成像仪遥感的科学、技术问题和初步试验//童庆禧. 中国遥感——奋进创新20年. 北京: 气象出版社, 2001: 114-120.
    [4] Cazorla A, Olmo F J, Alados-Arboledas L. Development of a sky imager for cloud cover assessment. Journal of the Optical Society of America, 2008, 25(1):29-39. doi:  10.1364/JOSAA.25.000029
    [5] 孙学金, 高太长, 霍东力, 等.基于非制冷红外焦平面阵列的全天空红外测云系统.红外与激光工程, 2008, 37(5): 761-764. http://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ200805006.htm
    [6] 张阳, 吕伟涛, 马颖, 等. 基于球瓣旋转遮光结构的地基全天空云自动观测系统. 中国专利: 200920277594. 5. 2009.
    [7] 谭涌波, 陶善昌, 吕伟涛, 等.双站数字摄像测量云高.应用气象学报, 2005, 16(5):629-637. doi:  10.11898/1001-7313.20050509
    [8] 翁笃鸣, 韩爱梅.我国卫星总云量与地面总云量分布的对比分析.应用气象学报, 1998, 9(1):32-37. http://qikan.camscma.cn/jams/ch/reader/view_abstract.aspx?file_no=19980105&flag=1
    [9] 高太长, 刘磊, 赵世军, 等.全天空测云技术及发展.应用气象学报, 2010, 21(1): 101-109. doi:  10.11898/1001-7313.20100114
    [10] 杨俊, 吕伟涛, 马颖, 等.基于自适应阈值的地基云自动检测方法.应用气象学报, 2009, 20(6): 713-721. doi:  10.11898/1001-7313.20090609
    [11] Yang J, Lu W, Ma Y, et al. An automated cirrus cloud detection method for ground-based cloud image. J Atmos Ocean Technol, 2012, 29:527-537. doi:  10.1175/JTECH-D-11-00002.1
    [12] Huo J, Lu D. Cloud determination of all-sky images under low-visibility conditions. J Atmos Ocean Technol, 2009, 26: 2172-2181. doi:  10.1175/2009JTECHA1324.1
    [13] 杨俊, 吕伟涛, 马颖, 等.基于局部阈值插值的地基云自动检测方法.气象学报, 2010, 68(6): 1007-1017. doi:  10.11676/qxxb2010.095
    [14] 中国云图.北京:气象出版社, 2004.
    [15] Peura M, Visa A, Kostamo P. A New Approach to Land-based Cloud Classification. Proceedings of the Thirteenth International Conference on Pattern Recognition (ICPR'96), Vienna, Austria, 1996: 143-147.
    [16] Buch J K A, Sun C H. Cloud Classification Using Whole-sky Imager Data. 9th Symposium on Meteorology Observations and Instruments, Charlotte, North Carolina, 1995:353-358.
    [17] Singh M, Glennen M. Automated ground-based cloud recognition. Pattern Anal Applic, 2005(8): 258-271. doi:  10.1007/s10044-005-0007-5
    [18] 孙学金, 刘磊, 高太长, 等.基于模糊纹理光谱的全天空红外图像云分类.应用气象学报, 2009, 20(2): 157-163. doi:  10.11898/1001-7313.20090204
    [19] Calbó J, Sabburg J. Feature extraction from whole-sky ground-based images for cloud-type recognition. J Atmos Ocean Technol, 2008, 25: 3-14. doi:  10.1175/2007JTECHA959.1
    [20] Heinle A, Macke A, Srivastav A. Automatic cloud classification of whole sky images. Atmospheric Measurement Techniques Discussions, 2010, 3: 269-299. doi:  10.5194/amtd-3-269-2010
    [21] 孙君顶, 马媛媛.纹理特征研究综述.计算机系统应用, 2010, 19(6): 245-250. http://www.cnki.com.cn/Article/CJFDTOTAL-XTYY201006059.htm
    [22] Haralick R M, Dinstein I, Shanmugam K. Texture Features for Image Classification. IEEE Transactions on Systems, Man and Cybernetics, 1973: 610-621.
    [23] Tamura H, Mori S, Yamawaki T. Texture Features Corresponding to Visual Perception. IEEE Transactions on Systems, Man and Cybernetics, 1978: 460-473.
    [24] Stricker M, Orengo M. Similarity of Color Images. SPIE Storage and Retrieval for Image and Video Databases Ⅲ, 1995:381-392.
    [25] Hu M K. Visual Pattern Recognition by Moment Invariants. IEEE Trans on Information Theory, 1962: 170-179.
    [26] 冯伟兴, 唐墨, 贺波, 等. Visual C++数字图像处理模式识别技术详解.北京:机械工业出版社, 2010.
  • 加载中
图(2) / 表(9)
计量
  • 摘要浏览量:  3123
  • HTML全文浏览量:  1014
  • PDF下载量:  1697
  • 被引次数: 0
出版历程
  • 收稿日期:  2012-02-14
  • 修回日期:  2012-08-03
  • 刊出日期:  2012-12-31

目录

    /

    返回文章
    返回