利用密度聚类支持向量机的气象云图云检测金炜.pdfVIP

光 电子 ·激 光 第21 卷 第7 期　2010 年7 月　　　　　　Journal of Optoelectronics ·Laser　　　　　　　　Vol.21 No.7　Jul.2010 ＊ 利用密度聚类支持向量机的气象云图云检测＊ ＊＊ 金　炜 , 俞建定, 符冉迪, 岑雄鹰, 尹曹 (宁波大学信息科学与工程学院,浙江宁波315211) 摘要:为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM )的云检 测方法。分析了MTSAT 气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM 学习中, 通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰, 从而降低了计算复杂度,提高 了分类精度。实验表明, 该算法的分类正确率较BP神经网络及传统SVM 的方法分别提高了2.54%和 0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值 的缺点,检测结果与人工解译结果基本吻合。 关键词:云检测;气象云图;密度聚类(DC);支持向量机(SVM) 中图分类号:TP391　　文献标识码:A 　　文章编号:1005-0086(2010)07-1079-04 Meteorological imagery cloud detection using density clustering support vector machine ＊＊ JIN Wei , YU Jian-ding, U Ran-di, CEN Xiong-ying, YIN Cao-qian (aculty of Information Science Technology, Ningbo University, Ningbo 315211, China) Abstract:In order to improve the recognition accuracy and computation efficiency in cloud detection to meteorological imagery, a cloud detection method based on density clustering support vector machine (DC-SVM)is proposed.The scheme of featureextraction and selectionformeteorologicalimagery is an- alyzed,and the classification sample set which discriminates cloudform underlying surfaceis established. In the learning stage of SVM,the critical training samples are selected to reduce the negative impact of noises and outliers by introducing the purity and sufficiency level of sample set,which can reduce the computational complexity and improve the classification accuracy.Experiments demonstrate that com-