本发明涉及人工智能模式识别领域，具体涉及一种用于卷积神经网络训练的地基云图数据库构建方法。

背景技术：

云是地球上水文循环的一个重要环节，它与地面辐射相互作用共同影响着局地和全球尺度的能量平衡。云分类对天气预报很重要，直接决定着降水、降雪、雹和雷电等天气活动。地基云观测数据主要包括云量、云状、云底高度，根据三者的不同表现可以将云分为3族、10属、29类，具有种类多、变化快、相似、易与天空背景融合等特点。实际观测中人工观测为主，存在着主观性强、准静态、成本高、观测点偏少以及信息记录不完整等问题。目前的地基云图云状自动化识别方法通常采用图像预处理→特征提取→分类器分类这样的流程，大多数研究者重点研究表达不同云属性的特征提取技术，但这种识别分类方法是基于人工经验提取特征的，且各个环节都是独立的，只有简单的两三层学习网络，实则是一种“浅层学习”，致使此类方法适用的云类别范围有限，加之分类器的选取、云的复杂变化，影响了器测云状识别的识别精度及识别速度。仅能简单识别积云、层云、高积云、卷云等少数四至五类典型云的自动识别。

在图像分类问题上，卷积神经网络表现抢眼且具有鲜明的优势：它无需人工选取特征，只需要设置适宜的参数，就能取得较高的精度，而且对不同类型的目标物往往都能很好地应用。卷积神经网络具有非比寻常的从样本中学习特征的能力，这个学习的过程就是训练。在有监督的学习中，训练需要大量带有标签的图像样本。因此，在使用卷积神经网络对地基云图相关研究时，建立云图样本库是第一步，也是非常重要的一步。在拥有了一定量的图像资源以后，如何对其进行评价和预处理，使它们最大程度地服务于神经网络训练本身，也是需要考虑的问题。

技术实现要素：

发明目的：本发明旨在提供一种适用于卷积神经网络训练的地基云图数据库建立方法，能够提高利用卷积神经网络进行地基云图识别分类的精度。

技术方案：为实现上述目的，本发明提出以下技术方案：

用于卷积神经网络训练的地基云图数据库构建方法，包括步骤：

(1)获取不同种类云的云图，为每个云图添加表示云种类的人工标签，将添加标签后的云图作为云图样本；

(2)对云图样本进行质量分析，包括计算每个云图样本的分辨率、计算每种类别云图样本的数量以及人工观察云图样本中是否存在噪声；

(3)归一化：将所有云图样本的大小或分辨率统一调整到某一标准尺寸；

(4)对归一化后的云图样本，将每种类别云图样本的数量与预设的阈值n比较，若某一类云的云图样本的数量低于阈值n，则将这类云图样本中的每一幅图像分别进行水平翻转和亮度变换，并将水平翻转和亮度变化后的图像与相应的原图一起作为该类云的云图样本；

(5)对归一化后的云图样本，选取其中带有噪声的图像，将相应图像按照设置的比例进行缩放，然后将缩放后的图像的外部边缘裁剪掉，留下与归一化后的原图尺寸大小一致的中心部分图像，将中心部分图像也作为云图样本；

(6)将步骤(1)至(5)获得的云图样本归入地基云图数据库。

进一步的，所述步骤(3)中利用双线性插值法将所有云图样本的大小或分辨率统一调整到某一标准尺寸。

进一步的，所述步骤(5)中缩放的比例为20％。

进一步的，所述云种类包括积云、层积云、高积云、卷云和卷积云。

有益效果：与现有技术相比，本发明具有以下优势：

通过本发明设计的用于卷积神经网络训练的地基云图数据库构建方法，通过多种手段获取多种样本数据，对样本图片质量进行分析并通过多种处理方法对小样本进行归一化和扩充，保证利用卷积神经网络对地基云图进行自动识别的有效性和可行性，能有效地提高地基云图云状识别的精度，并能显著提高对降水、降雪、雹和雷电等天气活动的预报精度。

附图说明

图1为本发明实施例涉及的用于卷积神经网络训练的地基云图数据库构建方法的流程图；

图2为本发明涉及的云图样本处理结果示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

本发明提供一种用于卷积神经网络训练的地基云图数据库构建方法。该方法首先通过数码相机直接拍摄、从互联网上下载、从公开发行的云图类书籍获取以及由全天空照相机拍摄等手段获取地基云图样本；接着，对云图样本图像的分辨率、噪声、数量等问题进行分析；最后，采用双线性插值和数据增强方法对云图样本进行归一化预处理，建立卷积神经网络训练用的地基云图数据库。

图1示出了本发明的具体流程图，包括如下步骤：

步骤001.利用数码相机直接拍摄、从互联网上下载、从公开发行的云图类书籍获取以及由全天空照相机拍摄等手段获取彩色地基云图样本；

步骤002.对获取的地基云图人工标记类别；

步骤003.获取图片的分辨率；

步骤004.人工观察图片上是否有噪声，如树木、房屋等；

步骤005.计算不同种类云图的数量；

步骤006.利用双线性插值方法将不同图片的大小或分辨率统一调整到某一标准尺寸下，如400*400像素；

步骤007.对步骤006获得的归一化且类别图片数量较少的图片在水平方向上翻转图像，将翻转后的图像也做为云图样本；

步骤008.对步骤006获得的归一化且含有噪声的图片向外缩放20％像素，按原尺寸(如400*400像素)从内向外进行裁剪，裁掉周围多余像素，将裁剪后的图像也作为云图样本；

步骤009.对步骤006获得的归一化且类别图片数量较少的图片的亮度提升20％，将亮度变换后的图像也作为云图样本图像；

步骤0010.如图2所示，将经过上述步骤处理的所有云图样本按类按序保存，得到大样本地基云图样本库。

综上，本发明通过多种手段获取多种样本数据，对云图样本图像质量进行分析并根据分析结果通过多种处理方法对小样本进行归一化和扩充，保证利用地基云图训练后的卷积神经网络对新采集的云图进行自动识别的有效性和可行性，能有效地提高地基云图云状识别的精度，并能显著提高对降水、降雪、雹和雷电等天气活动的预报精度。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。