一種基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種數(shù)字圖像處理技術(shù)領(lǐng)域，尤其涉及一種基于改進(jìn)k均值聚類算法 的天空?qǐng)D像云空辨識(shí)方法。
【背景技術(shù)】
[0002] 由于常規(guī)化石燃料的不可再生性以及使用化石燃料帶來的氣候變化和環(huán)境污染 的問題，以風(fēng)電和光伏為主的可再生能源發(fā)電得到發(fā)展。太陽能發(fā)電的決定因素是地面接 收太陽短波輻射的強(qiáng)度。云的遮擋作用是造成太陽入射輻射隨機(jī)波動(dòng)的主要原因。光伏發(fā) 電短期預(yù)測(cè)無法捕捉因云團(tuán)瞬時(shí)遮擋造成輸出功率的瞬時(shí)大幅度波動(dòng)，導(dǎo)致預(yù)測(cè)精度有 限。因此云團(tuán)關(guān)鍵特征提取和描述的準(zhǔn)確性，對(duì)于提高超短期預(yù)測(cè)的精度具有重要的意義， 進(jìn)而對(duì)于提高光伏發(fā)電系統(tǒng)的效率、利用率以及電網(wǎng)的運(yùn)行安全性和穩(wěn)定性具有重要的工 程應(yīng)用價(jià)值，對(duì)于地基天空?qǐng)D像的云空識(shí)別具有十分重要的意義。
[0003] 由于天空中云種類繁多、變幻莫測(cè)。以MATLAB軟件數(shù)字圖像處理功能進(jìn)行云提取 為例，需按照經(jīng)驗(yàn)選取固定的全局閾值對(duì)天空?qǐng)D像進(jìn)行處理，全局閾值具有一定的局限性， 根據(jù)全局閾值取值的不同，造成對(duì)部分類型的天空?qǐng)D像呈現(xiàn)較好的處理結(jié)果，其余類型的 天空?qǐng)D像云提取效果較差的現(xiàn)象。因此，通過選取固定閾值進(jìn)行圖像云提取的方法適應(yīng)性 差。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明提供一種基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法，以解決現(xiàn)有 技術(shù)適應(yīng)性差的問題。
[0005] 本發(fā)明提供一種基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法，所述基于改 進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法包括以下步驟:針對(duì)天空?qǐng)D像中各個(gè)像素點(diǎn)，分 別提取所述天空?qǐng)D像中紅顏色通道值R、綠顏色通道值G、藍(lán)顏色通道值B以及R/B*100四個(gè) 矩陣，并根據(jù)所述四個(gè)矩陣提取特征矩陣;根據(jù)所述天空?qǐng)D像中需要辨識(shí)的區(qū)域種類個(gè)數(shù) 確定初始聚類數(shù)量，并基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始聚類中心;基于改進(jìn)k均值聚類 算法，根據(jù)所述初始聚類中心對(duì)所述像素點(diǎn)的特征向量進(jìn)行聚類，獲取新的聚類中心;根據(jù) 所述新的聚類中心對(duì)所述特征矩陣中的特征向量進(jìn)行聚類;根據(jù)聚類結(jié)果確定各像素點(diǎn)所 屬區(qū)域類型并繪制云空辨識(shí)圖像。
[0006] 優(yōu)選的，所述根據(jù)所述四個(gè)矩陣提取特征矩陣包括:將所述四個(gè)矩陣中的每一列 按列編號(hào)順序排列成一個(gè)元素個(gè)數(shù)為m*n的列向量;將所述四個(gè)列向量按列向量R、列向量 G、列向量B和列向量R/B*100的順序合并成一個(gè)四列特征矩陣。
[0007] 優(yōu)選的，所述基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始聚類中心包括:從歷史數(shù)據(jù)中 選擇各類別區(qū)域間差異明顯的天空?qǐng)D像;分別提取各個(gè)區(qū)域中的N個(gè)像素點(diǎn)的特征向量，并 計(jì)算所述N個(gè)像素點(diǎn)的特征向量的算術(shù)平均值作為本區(qū)域的初始聚類中心，其中，N由天空 圖像數(shù)量、天空?qǐng)D像分辨率以及天空?qǐng)D像區(qū)域的大小確定。
[0008] 優(yōu)選的，所述基于改進(jìn)k均值聚類算法，根據(jù)所述初始聚類中心對(duì)所述像素點(diǎn)的特 征向量進(jìn)行聚類，獲取新的聚類中心包括:計(jì)算每個(gè)像素點(diǎn)特征向量到對(duì)應(yīng)的所述初始聚 類中心的距離;將所述特征向量分配給與所述特征向量距離最近的所述初始聚類中心所對(duì) 應(yīng)的類別；計(jì)算各類別中所包含的特征向量的算術(shù)平均值，并將所述算術(shù)平均值作為該類 別新的聚類中心。
[0009] 優(yōu)選的，所述將所述特征向量分配給與所述特征向量距離最近的所述初始聚類中 心所對(duì)應(yīng)的類別包括:若特征向量所屬類別不唯一，則選取小類別標(biāo)號(hào)作為所述特征向量 類別；若類別未包含任何像素點(diǎn)特征向量，則刪除所述類別以及與所述類別對(duì)應(yīng)的聚類中 心。
[0010]優(yōu)選的，所述基于改進(jìn)k均值聚類算法，根據(jù)所述初始聚類中心對(duì)所述像素點(diǎn)的特 征向量進(jìn)行聚類，獲取新的聚類中心包括:基于改進(jìn)k均值聚類算法重復(fù)獲取新的聚類中 心，直到新的聚類中心不再改變或達(dá)到預(yù)設(shè)的最大重復(fù)次數(shù)后，輸出聚類結(jié)果。
[0011]優(yōu)選的，所述計(jì)算每個(gè)像素點(diǎn)特征向量到對(duì)應(yīng)的所述初始聚類中心的距離的計(jì)算
2. 公式為： 其中XdPyi為像素點(diǎn)特征向量第i維數(shù)值，ai為特征向量第 i維數(shù)值的權(quán)重系數(shù)。
[0012]優(yōu)選的，所述特征向量第i維數(shù)值的權(quán)重系數(shù)ai的計(jì)算方法為:將所述特征矩陣分 別刪除各列，獲取四個(gè)三列矩陣;利用傳統(tǒng)k均值聚類算法，對(duì)所述特征矩陣和所述四個(gè)三 列矩陣分別聚類，獲得聚類結(jié)果;計(jì)算所述四個(gè)三列矩陣聚類結(jié)果與所述特征矩陣聚類結(jié) 果的相關(guān)系數(shù)r 1;根據(jù)所述相關(guān)系數(shù)Γι計(jì)算權(quán)重系數(shù)，所述權(quán)重系數(shù)的計(jì)算公式為:ai = l- Γ?ο
[0013] 本發(fā)明的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：
[0014] 本發(fā)明提供一種基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法，所述基于改 進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法包括以下步驟:針對(duì)天空?qǐng)D像中各個(gè)像素點(diǎn)，分 別提取所述天空?qǐng)D像中紅顏色通道值R、綠顏色通道值G、藍(lán)顏色通道值B以及R/B*100四個(gè) 矩陣，并根據(jù)所述四個(gè)矩陣提取特征矩陣;根據(jù)所述天空?qǐng)D像中需要辨識(shí)的區(qū)域種類個(gè)數(shù) 確定初始聚類數(shù)量，并基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始聚類中心;基于改進(jìn)k均值聚類 算法，根據(jù)所述初始聚類中心對(duì)所述像素點(diǎn)的特征向量進(jìn)行聚類，獲取新的聚類中心;根據(jù) 所述新的聚類中心對(duì)所述特征矩陣中的特征向量進(jìn)行聚類;根據(jù)聚類結(jié)果確定各像素點(diǎn)所 屬區(qū)域類型并繪制云空辨識(shí)圖像。本發(fā)明基于改進(jìn)k均值聚類算法，提取效果較穩(wěn)定，可以 將云和天空清晰的分割。同時(shí)，本方案不僅把三個(gè)彩色分量作為一個(gè)整體進(jìn)行聚類還添加 了云空對(duì)比度較高的R/B*100列向量，與全局閾值僅對(duì)灰度圖像進(jìn)行云空識(shí)別相比，大大提 高了圖像識(shí)別的適應(yīng)能力，可以解決現(xiàn)有技術(shù)適應(yīng)性差的問題。
[0015] 應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不 能限制本發(fā)明。
【附圖說明】
[0016] 圖1是本發(fā)明實(shí)施例中提供的一種基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí) 方法的流程圖；
[0017] 圖2是本發(fā)明實(shí)施例中提供的根據(jù)所述四個(gè)矩陣提取特征矩陣的方法流程圖；
[0018] 圖3是本發(fā)明實(shí)施例中提供的基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始聚類中心的方 法流程圖；
[0019] 圖4是本發(fā)明實(shí)施例中提供的步驟S03的方法流程圖；
[0020] 圖5是本發(fā)明實(shí)施例中提供的權(quán)重系數(shù)ai的計(jì)算方法流程圖。
【具體實(shí)施方式】
[0021] 這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及 附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例 中所描述的實(shí)施方式并不代表與本發(fā)明相一致的所有實(shí)施方式。相反，它們僅是與如所附 權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置的例子。
[0022] 本說明書中的各個(gè)實(shí)施例均采用遞進(jìn)的方式描述，各個(gè)實(shí)施例之間相同相似的部 分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說明的都是與其它實(shí)施例的不同之處。
[0023] 請(qǐng)參看圖1，所示為本發(fā)明實(shí)施例中提供的一種基于改進(jìn)k均值聚類算法的天空?qǐng)D 像云空辨識(shí)方法的流程圖。
[0024]由圖1可知，本發(fā)明提供一種基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法， 所述基于改進(jìn)k均值聚類算法的天空?qǐng)D像云空辨識(shí)方法包括以下步驟:針對(duì)天空?qǐng)D像中各 個(gè)像素點(diǎn)，分別提取所述天空?qǐng)D像中紅顏色通道值R、綠顏色通道值G、藍(lán)顏色通道值B以及 R/B*100四個(gè)矩陣，并根據(jù)所述四個(gè)矩陣提取特征矩陣;根據(jù)所述天空?qǐng)D像中需要辨識(shí)的區(qū) 域種類個(gè)數(shù)確定初始聚類數(shù)量，并基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始聚類中心;基于改 進(jìn)k均值聚類算法，根據(jù)所述初始聚類中心對(duì)所述像素點(diǎn)的特征向量進(jìn)行聚類，獲取新的聚 類中心;根據(jù)所述新的聚類中心對(duì)所述特征矩陣中的特征向量進(jìn)行聚類;根據(jù)聚類結(jié)果確 定各像素點(diǎn)所屬區(qū)域類型并繪制云空辨識(shí)圖像。本發(fā)明基于改進(jìn)k均值聚類算法，提取效果 較穩(wěn)定，可以將云和天空清晰的分割。同時(shí)，本方案不僅把三個(gè)彩色分量作為一個(gè)整體進(jìn)行 聚類還添加了云空對(duì)比度較高的R/B*100列向量，與全局閾值僅對(duì)灰度圖像進(jìn)行云空識(shí)別 相比，大大提高了圖像識(shí)別的適應(yīng)能力，可以解決現(xiàn)有技術(shù)適應(yīng)性差的問題。
[0025] 請(qǐng)參看圖2,所示為本發(fā)明實(shí)施例中提供的根據(jù)所述四個(gè)矩陣提取特征矩陣的方 法流程圖。
[0026] 由圖2可知，將所述四個(gè)矩陣中的每一列按列編號(hào)順序排列成一個(gè)元素個(gè)數(shù)為m*n 的列向量;將所述四個(gè)列向量按列向量R、列向量G、列向量B和列向量R/B* 100的順序合并成 一個(gè)四列特征矩陣。
[0027] 請(qǐng)參看圖3,所示為本發(fā)明實(shí)施例中提供的基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始 聚類中心的方法流程圖。
[0028] 由圖3可知，所述基于歷史圖像數(shù)據(jù)設(shè)定各類別的初始聚類中心包括:從歷史數(shù)據(jù) 中選擇各類別（如天空區(qū)域、云團(tuán)區(qū)域等）區(qū)域間差異明顯的天空?qǐng)D像;分別提取各個(gè)區(qū)域 中的N個(gè)像素點(diǎn)的特征向量，并計(jì)算所述N個(gè)像素點(diǎn)的特征向量的算術(shù)平均值作為本區(qū)域的 初始聚類中心，其中，N由天空?qǐng)D