[论文解读] Comparative Analysis of Methods for Cloud Segmentation in Infrared Images

Guillermo Terrén-Serrano, Manel Martínez‐Ramón|arXiv (Cornell University)|Dec 13, 2020

Solar Radiation and Photovoltaics被引用 7

一句话总结

本研究比较了判别式与生成式模型在红外（IR）图像中实时云层分割中的表现，以提升短期全球太阳辐照度预测的准确性。通过利用马尔可夫随机场（MRFs）和采用原始形式的判别式模型，并结合预处理以去除静态伪影，MRFs 实现了最佳性能，而判别式模型则在计算成本低且准确率高的方面表现优异。

ABSTRACT

The increasing penetration of Photovoltaic (PV) systems in the power network makes the grid vulnerable to the projection of cloud shadows over PV systems. Real-time segmentation of clouds in infrared (IR) images is important to reduce the impact of noise in the short-term forecast of Global Solar Irradiance (GSI). This investigation presents a comparison between discriminate and generative models for cloud segmentation. Markov Random Fields (MRF), which add information from neighboring pixels to the prior, are included among the analyzed generative models. This investigation includes an evaluation of the performance of supervised and unsupervised learning methods in cloud segmentation. The discriminate models are solved in the primal formulation to make them feasible in real-time applications. The performances are compared using the j-statistic. Preprocessing of IR images to remove stationary artifacts increases the overall performances in all of the analyzed methods. The inclusion of features from neighboring pixels in the feature vectors leads to an improvement in the performances in some of the cases. The MRFs achieve the best performance in both unsupervised and supervised generative models. The discriminate models solved in the primal yield a dramatically lower computing time along with high performance in the segmentation. The performances of the generative models are comparable to those of the discriminate models when proper preprocessing is applied to the IR images.

研究动机与目标

• 解决由于光伏（PV）电网并网程度提高，云影对光伏（PV）系统造成的影响挑战。
• 通过实现实时红外（IR）图像中的云层分割，提升短期全球太阳辐照度（GSI）预测的准确性。
• 评估监督学习与无监督学习方法在利用红外数据进行云层分割中的性能表现。
• 评估预处理和空间上下文（邻近像素）对分割准确率的影响。
• 识别最适合实时部署且具备高准确率的模型类别——判别式或生成式模型。

提出的方法

• 将马尔可夫随机场（MRFs）作为生成式模型，利用邻近像素的空间上下文信息以增强分割先验知识。
• 采用判别式模型的原始形式，以确保其在实时应用中的计算可行性。
• 实施预处理技术以从红外图像中去除静态伪影，提升特征质量。
• 将邻近像素的特征整合到特征向量中，以提升模型性能。
• 使用 j-统计量评估模型性能，该指标适用于分割准确率的比较。
• 在相同条件下，对比基于MRF的生成式模型与判别式模型的监督与无监督变体。

实验结果

研究问题

• RQ1 在红外图像中，MRF等生成式模型与判别式模型在云层分割准确率方面有何差异？
• RQ2 为去除静态伪影而进行的预处理对不同模型类型分割性能的影响如何？
• RQ3 结合邻近像素的空间上下文在多大程度上能提升分割结果？
• RQ4 以原始形式求解的判别式模型能否在保持低计算时间的同时实现高准确率，以满足实时应用需求？
• RQ5 无监督生成式模型（如MRFs）在云层分割任务中的表现与监督模型相比如何？

主要发现

• 马尔可夫随机场（MRFs）在所有评估模型中，无论在无监督还是监督设置下，均实现了最高性能。
• 以原始形式求解的判别式模型在保持高分割准确率的同时，计算时间显著降低。
• 为去除静态伪影而进行的预处理在所有模型类型和设置中均一致地提升了性能。
• 将邻近像素的特征纳入模型可提升部分模型配置的性能，尤其在生成式模型中表现明显。
• 当应用适当的预处理时，生成式模型（尤其是MRFs）的性能可与判别式模型相媲美。
• j-统计量证实，MRFs在分割准确率方面优于其他模型，确立其为性能最佳的方法。