卷積神經(jīng)網(wǎng)絡(luò)識(shí)別地基云圖的數(shù)據(jù)庫(kù)建立及處理方法*

王 敏，周樹道，劉展華，任尚書

(1.國(guó)防科技大學(xué) 氣象海洋學(xué)院，江蘇 南京 211101；2.南京信息工程大學(xué) 氣象災(zāi)害預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，江蘇 南京 210044；3.解放軍95171部隊(duì)，廣東 廣州 510000)

0 引言

云是地球上水文循環(huán)的一個(gè)重要環(huán)節(jié)，它與地面輻射相互作用共同影響著局地和全球尺度的能量平衡[1-3]。云分類對(duì)天氣預(yù)報(bào)很重要，直接決定著降水、降雪、雹和雷電等天氣活動(dòng)。地基云觀測(cè)數(shù)據(jù)主要包括云量、云狀、云底高度，根據(jù)三者的不同表現(xiàn)可以將云分為3族、10屬、29類，具有種類多、變化快、相似、易與天空背景融合等特點(diǎn)。實(shí)際觀測(cè)中人工觀測(cè)為主，存在著主觀性強(qiáng)、準(zhǔn)靜態(tài)、成本高、觀測(cè)點(diǎn)偏少以及信息記錄不完整等問題。目前的地基云圖云狀自動(dòng)化識(shí)別方法通常采用圖像預(yù)處理→特征提取→分類器分類這樣的流程。

大多數(shù)研究者[4-7]重點(diǎn)研究表達(dá)不同云屬性的特征提取技術(shù)，但這種識(shí)別分類方法是基于人工經(jīng)驗(yàn)提取特征的，且各個(gè)環(huán)節(jié)都是獨(dú)立的，只有簡(jiǎn)單的兩三層學(xué)習(xí)網(wǎng)絡(luò)，實(shí)則是一種“淺層學(xué)習(xí)”，致使此類方法適用的云類別范圍有限，加之分類器的選取、云的復(fù)雜變化，影響了器測(cè)云狀識(shí)別的識(shí)別精度及識(shí)別速度，僅能簡(jiǎn)單識(shí)別積云、層云、高積云、卷云等少數(shù)四至五類典型云的自動(dòng)識(shí)別。

在圖像分類問題上，卷積神經(jīng)網(wǎng)絡(luò)(CNN)[8-9]表現(xiàn)搶眼且具有鮮明的優(yōu)勢(shì)：它無需人工選取特征，只需要設(shè)置適宜的參數(shù)，就能取得較高的精度，而且對(duì)不同類型的目標(biāo)物往往都能很好地應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)具有非比尋常的從樣本中學(xué)習(xí)特征的能力，這個(gè)學(xué)習(xí)的過程就是訓(xùn)練。在有監(jiān)督的學(xué)習(xí)中，訓(xùn)練需要大量帶有標(biāo)簽的圖像樣本。因此，在使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)地基云圖進(jìn)行相關(guān)研究時(shí)，建立云圖樣本庫(kù)是第一步，也是非常重要的一步。在擁有了一定量的圖像資源以后，如何對(duì)其進(jìn)行評(píng)價(jià)和預(yù)處理，使它們最大程度地服務(wù)于實(shí)驗(yàn)本身，也是需要考慮的問題。

本文中將詳細(xì)闡述說明地基云圖數(shù)據(jù)庫(kù)建立及處理方法。首先，通過數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取以及由全天空照相機(jī)拍攝等手段獲取三個(gè)云圖樣本庫(kù)；接著，對(duì)三個(gè)樣本庫(kù)圖像的分辨率、噪聲、數(shù)量等問題進(jìn)行了分析；最后，采用雙線性插值和數(shù)據(jù)增強(qiáng)方法對(duì)樣本庫(kù)進(jìn)行歸一化預(yù)處理，為卷積神經(jīng)網(wǎng)絡(luò)在地基云圖識(shí)別的應(yīng)用奠定基礎(chǔ)。

1 樣本庫(kù)的建立

要建立云圖樣本庫(kù)，必須要獲取帶有分類標(biāo)簽的彩色三通道地基可見光云圖像，圖像中最好能夠以云為主體且只有一類云而不宜是多類云的混合。目前獲取云圖主要途徑有：數(shù)碼相機(jī)直接拍攝、從互聯(lián)網(wǎng)上下載、從公開發(fā)行的云圖類書籍獲取、由全天空照相機(jī)拍攝產(chǎn)生，如圖1所示。不同來源的云圖差別可見表1。

圖1 地基云圖樣本的不同來源

在實(shí)際中，這些途徑獲取的大部分圖像是不帶有標(biāo)簽的(即沒有定義所屬類別)，所以獲取能夠用于CNN訓(xùn)練的云圖工作量比較大。本文根據(jù)實(shí)驗(yàn)實(shí)際需要，收集整理了3個(gè)云圖樣本庫(kù)，為了便于區(qū)分，將它們分別命名為SWIMCAT樣本庫(kù)、Total-sky樣本庫(kù)、Online-image樣本庫(kù)。

表1 不同來源的云圖樣本特點(diǎn)分析

(1)SWIMCAT樣本庫(kù)

SWIMCAT樣本庫(kù)主要是使用廣角高分辨率天空成像系統(tǒng)拍攝的圖像，該系統(tǒng)是一個(gè)地基全天空成像儀，主要由一個(gè)佳能EOS 600D相機(jī)機(jī)身和Sigma圓形魚眼鏡頭組成，視野180°，可以定期自動(dòng)捕獲圖像。SWIMCAT樣本庫(kù)共包含了由地基全天空成像儀獲取的5個(gè)云類別的784個(gè)圖像斑塊[10]，斑塊即為從整張圖片中剪切的一部分。這五種類別云包括晴空(sky)、有圖案的云(pattern)、厚重的烏云(thick-dark)、厚重的白云(thick-white)和面紗云(veil)。所有圖像斑塊均為125×125像素，圖片格式為png，如圖2所示。

圖2 SWIMCAT樣本庫(kù)示例

(2) Total-sky樣本庫(kù)

Total-sky樣本庫(kù)包含5 000張全天空?qǐng)D像，是從位于西藏(29.25 N,88.88 E)海拔4 000 m以上的天空照相機(jī)TSI(Total-sky cloud imager)上獲取的，TSI主要包括一個(gè)每10 s拍攝一次的數(shù)字相機(jī)和一個(gè)曲面鏡。所有圖像以jpg格式存儲(chǔ)，分辨率為800×800像素。圖像分為五種天空條件：卷云狀(cirrus)、積云狀(cumulus)、層狀(stratus)、晴空(clear)和混濁(hybird)，示例見圖3。

圖3 Total-sky樣本庫(kù)示例

(3) Online-image樣本庫(kù)

Online-image樣本庫(kù)主要搜集了《航空氣象云圖》、《中國(guó)云圖》、國(guó)家氣象局官方網(wǎng)站等來源共1 049幅帶標(biāo)注類別的地基可見光云圖像，所有的圖片都存儲(chǔ)為jpg格式，多數(shù)圖片長(zhǎng)寬不相等且分辨率也各不相同，高積云原始?xì)w檔圖庫(kù)如圖4所示。

在收集完這些圖像后，需逐一驗(yàn)證原有標(biāo)注的準(zhǔn)確性，并將它們按照云分類的10個(gè)類別進(jìn)行歸檔，分別是Cu(積云)、Cb(積雨云)、Sc(層積云)、St(層云)、Ns(雨層云)、As(高層云)、Ac(高積云)、Ci(卷云)、Cs(卷層云)、Cc(卷積云)。

2 三種樣本庫(kù)存在的問題

(1)分辨率

從示例圖片可以看出，SWIMCAT樣本庫(kù)和Total-sky樣本庫(kù)的圖片長(zhǎng)寬像素相同，均為正方形圖片，而Online-image樣本庫(kù)分辨率不一致且各圖片長(zhǎng)寬像素不相等。根據(jù)CNN卷積運(yùn)算機(jī)制，輸入圖片需長(zhǎng)寬相等，且在分辨率大小方面，Total-sky和Online-image樣本庫(kù)都有像素大于800×800的樣本存在，訓(xùn)練時(shí)會(huì)導(dǎo)致參數(shù)量過多，訓(xùn)練時(shí)間過長(zhǎng)。綜合以上考慮，三個(gè)樣本庫(kù)在進(jìn)入網(wǎng)絡(luò)訓(xùn)練之前，必須要經(jīng)過預(yù)處理，將圖片長(zhǎng)寬各自統(tǒng)一到同一數(shù)值，調(diào)整圖像大小后的樣本庫(kù)的圖片樣例見圖5，圖片下方對(duì)應(yīng)字母為類別，數(shù)字為數(shù)量。

(2)噪聲

在SWIMCAT樣本庫(kù)和Total-sky樣本庫(kù)中，除了云和天空之外幾乎沒有其他噪聲，而Online-image樣本庫(kù)的圖片中還包含樹木、房屋等噪聲。噪聲無疑會(huì)影響分類準(zhǔn)確率，因此將Online-image樣本庫(kù)原圖像向外縮放，突出云的主體地位，然后將之作為一組樣本輸入進(jìn)網(wǎng)絡(luò)以便CNN更好地學(xué)習(xí)主體特征。

(3)可辨別性

SWIMCAT樣本庫(kù)和Total-sky樣本庫(kù)中的圖片均被分為5個(gè)類別，無論從類別數(shù)還是從類間差異度上來看，都更便于用戶關(guān)注分類算法。而Online-image樣本庫(kù)分類的難度明顯更大，不僅是因?yàn)樾璺殖?0個(gè)類別，更因?yàn)闃颖局写嬖谝恍┎焕趫D像分類的特征：一是同一類別圖片中的云可能從外觀上相差較大，二是有些不同類別的云可能肉眼上難以分辨，三是部分圖片中的噪聲因素，如圖6所示。CNN的卷積操作可以有效提取圖像信息，經(jīng)過上百個(gè)卷積核的數(shù)次訓(xùn)練，完成區(qū)分主次、規(guī)避噪聲的目標(biāo)也并不難。而且從歷史案例來看，CNN完成的比Online-image樣本庫(kù)更復(fù)雜的分類任務(wù)非常多，如果分類精度不佳，可以再增加樣本量、提高網(wǎng)絡(luò)復(fù)雜度、優(yōu)化具體參數(shù)。

3 樣本庫(kù)的其它指標(biāo)

建立樣本庫(kù)，除了要關(guān)注樣本圖片的分辨率、噪聲、數(shù)量等基本的參數(shù)信息，還有一些“軟實(shí)力”是必須要注意的，主要體現(xiàn)在以下三個(gè)方面。

(1)樣本庫(kù)的真實(shí)性和多樣性

用樣本庫(kù)來訓(xùn)練CNN，樣本真實(shí)性是最基本的，如果樣本庫(kù)本身的標(biāo)簽就是錯(cuò)誤或是帶有爭(zhēng)議的，那么網(wǎng)絡(luò)就會(huì)學(xué)習(xí)到錯(cuò)誤的特征，進(jìn)行錯(cuò)誤的鑒別，當(dāng)使用這類圖片來訓(xùn)練時(shí)，勢(shì)必影響分類的準(zhǔn)確率。而樣本庫(kù)的多樣性不單是指每個(gè)分類的數(shù)量，更加關(guān)注每個(gè)類別在圖像這一媒介上的不同表現(xiàn)形式。對(duì)于同一的類型的云，很可能就“橫看成嶺側(cè)成峰，遠(yuǎn)近高低各不同”，所以要盡量擴(kuò)充樣本的多樣性。這里預(yù)先請(qǐng)兩位老觀測(cè)員對(duì)每一個(gè)樣本逐一進(jìn)行了再標(biāo)注核準(zhǔn)，如果兩人分類意見不一致，則不再使用該樣本。通過此種方法，力求把標(biāo)注不準(zhǔn)確對(duì)實(shí)驗(yàn)造成的誤差降到最低點(diǎn)。

(2)樣本庫(kù)的大小問題

CNN的訓(xùn)練需要大數(shù)據(jù)的支撐，那么對(duì)于樣本庫(kù)來說，什么情況為數(shù)量足夠？什么情況為樣本不足？完成一個(gè)分類任務(wù)究竟需要多少樣本？研究表明，訓(xùn)練樣本量沒有絕對(duì)的最小和最大量，通常與所需要進(jìn)行的分類任務(wù)相關(guān)，任務(wù)越復(fù)雜，需要的樣本越多。例如，如果只是對(duì)黑白圖像進(jìn)行分類，那么只需要很少的訓(xùn)練樣本，如果要對(duì)ImageNet圖片庫(kù)進(jìn)行分類，那么每個(gè)類別至少需要1 000張圖片。在小樣本數(shù)據(jù)集中，訓(xùn)練一個(gè)新的CNN網(wǎng)絡(luò)需要花費(fèi)大量資源，往往會(huì)導(dǎo)致過擬合。所以在實(shí)際操作中，如果出現(xiàn)過擬合或者分類精度過低，那么可以推測(cè)，所使用的樣本還不夠，需通過擴(kuò)充樣本庫(kù)的方法來提高精度。本研究中，Online-image樣本庫(kù)中個(gè)別類別只有幾十張圖片，面對(duì)10個(gè)類別的分類任務(wù)，擴(kuò)充數(shù)據(jù)以作對(duì)比實(shí)驗(yàn)就是一個(gè)很好的選擇。

為了使資產(chǎn)評(píng)估行業(yè)快速發(fā)展，目前我國(guó)正加速對(duì)資產(chǎn)評(píng)估實(shí)踐方面的大量推廣。雖然從短時(shí)間來看，比較符合我國(guó)當(dāng)前的經(jīng)濟(jì)情況，但是如果從長(zhǎng)遠(yuǎn)來看，這真的會(huì)對(duì)整個(gè)資產(chǎn)評(píng)估行業(yè)產(chǎn)生益處嗎？馬克思主義理論告訴我們，理論與實(shí)踐要相互結(jié)合，要用理論來指導(dǎo)實(shí)踐。只有將理論基礎(chǔ)打得扎實(shí)，才能不斷地研究出更高深的資產(chǎn)評(píng)估理論，使我國(guó)資產(chǎn)評(píng)估行業(yè)形成一個(gè)良性循環(huán)。目前，我國(guó)資產(chǎn)評(píng)估理論教育還處于起步階段，尚處于摸索階段，無法全面地將所有理論知識(shí)進(jìn)行深入教導(dǎo)。

(3)樣本庫(kù)的平衡

樣本庫(kù)在建立完善的過程中，很有可能存在各個(gè)類別的樣本數(shù)量并不接近甚至相差較大的情況，如本研究中Online-image樣本庫(kù)，高積云有239個(gè)樣本，卷積云只有35個(gè)，這就屬于樣本庫(kù)不平衡。研究表明，樣本庫(kù)不平衡時(shí)，可能會(huì)影響分類精度。影響精度的情況是，樣本較豐富的類別識(shí)別準(zhǔn)確率高，而樣本量少的類別識(shí)別精度尤為低。如果出現(xiàn)這種情況，可以擴(kuò)充樣本量少的類別的樣本量，直至精度提高到應(yīng)有水平。

4 歸一化預(yù)處理方法

樣本庫(kù)存在的上述問題會(huì)影響實(shí)驗(yàn)的進(jìn)行，所以在將樣本輸入進(jìn)CNN之前，必須對(duì)其進(jìn)行預(yù)處理。圖像預(yù)處理的方法有很多種，包括處理框標(biāo)注、調(diào)整圖像大小、色彩調(diào)整等。在本研究中，針對(duì)原始樣本庫(kù)分辨率不一致，需要統(tǒng)一調(diào)整圖像大小的需求，進(jìn)行雙線性插值操作；針對(duì)Online-image樣本庫(kù)存在噪聲且需要擴(kuò)充數(shù)據(jù)的需求，采用了數(shù)據(jù)增強(qiáng)的方法。

4.1 圖像大小調(diào)整

圖像的大小調(diào)整是圖像分類問題中的基本技術(shù)，在批量更改圖片輸入尺寸或者需將不同尺寸圖片處理到同一大小時(shí)，通常會(huì)用到此方法。在本研究中，Online-image樣本庫(kù)圖片尺寸不一致、長(zhǎng)寬像素不同，但是在CNN網(wǎng)絡(luò)結(jié)構(gòu)當(dāng)中，輸入節(jié)點(diǎn)的個(gè)數(shù)通常是固定的，所以圖像在進(jìn)入網(wǎng)絡(luò)之前大小必須得到統(tǒng)一。

圖像大小調(diào)整的目的是放大或縮小圖像的像素，同時(shí)保持原始圖像的細(xì)節(jié)和感知質(zhì)量。通?？梢赃x擇兩種方案，一是對(duì)圖像進(jìn)行線性插值操作，二是對(duì)圖像進(jìn)行剪裁。由于云圖像中云的分布比較分散，裁剪可能會(huì)減少圖像中的有用信息，因此選擇保留信息更全也是更常用的雙線性插值方法[12]，其表達(dá)式為：

f(x,y)=

(x-x1)(y2-y)f(x2,y1)+(x2-x)(y-y1)f(x1,y2)+

(1)

其中f(x,y)為目標(biāo)圖像在像素點(diǎn)(x,y)處的灰度值，f(x1,y1)、f(x2,y1)、f(x1,y2)和f(x2,y2)分別為點(diǎn)(x,y)周圍四個(gè)像素點(diǎn)(x1,y1)、(x2,y1)、(x1,y2)和(x2,y2)的圖像灰度值。

由于雙線性插值可以通過簡(jiǎn)單的計(jì)算來實(shí)現(xiàn)，使得其使用率非常高。除了網(wǎng)絡(luò)需求需要調(diào)整大小之外，有的樣本分辨率過大會(huì)影響計(jì)算速度，也可以通過這種操作調(diào)整圖像大小。通過雙線性插值將原分辨率600×397的圖片調(diào)整到397×397的樣例，如圖7所示。

圖7 雙線性插值法處理圖片效果示例

4.2 數(shù)據(jù)增強(qiáng)

當(dāng)深度學(xué)習(xí)使用大型樣本庫(kù)進(jìn)行訓(xùn)練時(shí)，樣本提供信息的能力常常會(huì)被放大，所以深度學(xué)習(xí)非常重視數(shù)據(jù)的獲取[12]，增加樣本庫(kù)的大小是提高深度學(xué)習(xí)模型泛化能力的有效途徑。然而，獲取新數(shù)據(jù)是一項(xiàng)昂貴且耗時(shí)的工作，為了解決數(shù)據(jù)采集問題，通常采用一種正則化技術(shù)——數(shù)據(jù)增強(qiáng)，來人工合成新的訓(xùn)練數(shù)據(jù)，增加訓(xùn)練集的大小。近年來，在一些機(jī)器學(xué)習(xí)任務(wù)中，特別是在分類方面，數(shù)據(jù)增強(qiáng)取得了巨大的成功[13]。對(duì)于圖像分類任務(wù)，采用一些圖像變換方法從訓(xùn)練集中生成新的樣本非常實(shí)用和有效，常用的數(shù)據(jù)增強(qiáng)方法有翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪和縮放、移動(dòng)、顏色抖動(dòng)、加入噪聲和PCA(主成分分析)抖動(dòng)等幾種。

Online-image樣本庫(kù)包含10個(gè)類別，類別里最少的僅有35張圖片，需要對(duì)樣本進(jìn)行擴(kuò)充。本文主要采取了水平翻轉(zhuǎn)、縮放、亮度調(diào)整3種方法，將樣本數(shù)擴(kuò)充到原來的4倍，擴(kuò)充后的圖片樣例見圖8。具體方法選擇主要有以下幾點(diǎn)考慮：

(1)水平翻轉(zhuǎn)、縮放、亮度變換都是經(jīng)典的數(shù)據(jù)增強(qiáng)方法，對(duì)云圖的基本信息改變不大又能使網(wǎng)絡(luò)學(xué)習(xí)到更為豐富的特征，計(jì)算簡(jiǎn)單便于實(shí)現(xiàn)，所以選擇了此三種方法。經(jīng)驗(yàn)表明，向外縮放20%和增加亮度20%效果最佳。

(2)由于云圖像中云的垂直特征(特別是云底的紋理特征)通常是云識(shí)別的重要因素，因此諸如垂直翻轉(zhuǎn)和旋轉(zhuǎn)等改變?cè)企w垂直分布的方法并不適合云圖數(shù)據(jù)增強(qiáng)。

(3)裁剪通常是隨機(jī)的，且有可能會(huì)丟失掉云體重要信息；樣本中背景復(fù)雜，移動(dòng)圖像主體并不適宜；加入噪聲和PCA抖動(dòng)實(shí)現(xiàn)過程略復(fù)雜，會(huì)帶來大量的計(jì)算成本。

(4)擴(kuò)充倍數(shù)選擇為4的原因是：對(duì)于云圖而言，上述3種擴(kuò)充的方法都是比較經(jīng)典和適用的。誠(chéng)然擴(kuò)充至4倍并不代表樣本就已足夠，只能由實(shí)驗(yàn)結(jié)果裁定。裁定方法是：在其他參數(shù)保持不變的基礎(chǔ)上，擴(kuò)充后數(shù)據(jù)分類精度與原數(shù)據(jù)精度相差不大，則說明原數(shù)據(jù)量充足；擴(kuò)充后數(shù)據(jù)精度明顯高于原數(shù)據(jù)精度，則說明原數(shù)據(jù)量不足以支撐網(wǎng)絡(luò)訓(xùn)練，可以通過增加源圖片數(shù)量或者加大擴(kuò)充倍數(shù)增加樣本量，直至分類精度已不再受樣本量增加的影響。

圖8 使用數(shù)據(jù)增強(qiáng)方法的云圖樣例

5 實(shí)驗(yàn)驗(yàn)證

本文設(shè)計(jì)的地基云圖自動(dòng)分類卷積神經(jīng)網(wǎng)絡(luò)包含了4個(gè)卷積層、4個(gè)池化層，3個(gè)全連接層。每個(gè)增強(qiáng)數(shù)據(jù)集中的類別按照9:1的比例分為訓(xùn)練集和測(cè)試集，隨機(jī)選取樣本作為訓(xùn)練樣本。批處理大小設(shè)置為64，訓(xùn)練在100個(gè)epoch處停止。使用Adam優(yōu)化器,學(xué)習(xí)率按照常用設(shè)置為0.000 8。訓(xùn)練通過權(quán)重衰減來正則化(L2正則化系數(shù)默認(rèn)設(shè)置為0.000 1)，前兩個(gè)全連接層則通過隨機(jī)失活進(jìn)行正則化(隨機(jī)失活比例默認(rèn)設(shè)置為0.5)。利用本文提出的數(shù)據(jù)增強(qiáng)集在卷積神經(jīng)網(wǎng)絡(luò)CNN與LBP(Local Binary Patterns)，Heinle feature、Texton-based method三種方法進(jìn)行云分類比較的結(jié)果見表2。

表2 方法平均準(zhǔn)確率比較

如表2所示，所提出的數(shù)據(jù)增強(qiáng)樣本庫(kù)在CNN網(wǎng)絡(luò)上進(jìn)行識(shí)別的表現(xiàn)明顯優(yōu)于Heinle feature、Texton-based method和LBP算法，可以有效解決卷積神經(jīng)網(wǎng)絡(luò)對(duì)小樣本數(shù)據(jù)識(shí)別率不高以及不能完整進(jìn)行網(wǎng)絡(luò)運(yùn)行的問題。

6 結(jié)論

本文提出了一種卷積神經(jīng)網(wǎng)絡(luò)識(shí)別的地基云圖數(shù)據(jù)庫(kù)建立及處理方法。首先介紹三個(gè)樣本庫(kù)的來源和建立過程，并從樣本的分辨率、噪聲、可辨識(shí)性等屬性出發(fā)，分析了各個(gè)樣本庫(kù)的基本特點(diǎn)。緊接著從這些基本特點(diǎn)出發(fā)，挖掘出了整個(gè)研究中需要關(guān)注和把握的幾個(gè)問題(如：樣本庫(kù)的真實(shí)性、大小、平衡性等問題)。然后結(jié)合網(wǎng)絡(luò)運(yùn)行的實(shí)際需求，闡述了采用兩種圖像預(yù)處理方法(雙線性插值和數(shù)據(jù)增強(qiáng)方法)的原因，并對(duì)其原理和具體操作過程進(jìn)行了進(jìn)一步說明。最后利用卷積神經(jīng)網(wǎng)絡(luò)CNN、LBP、Heinle feature以及Texton-based method四種方法對(duì)增強(qiáng)后的數(shù)據(jù)庫(kù)進(jìn)行識(shí)別分類實(shí)驗(yàn)驗(yàn)證。

樣本庫(kù)的建立是整個(gè)研究的基礎(chǔ)工程，預(yù)處理過程是重要一環(huán)，本文立足基本預(yù)處理方法，具有一定的思維邏輯性的理論支撐性，為下一步具體選擇網(wǎng)絡(luò)架構(gòu)和特征提取方法奠定了基礎(chǔ)。