1.一种基于SVM的云微粒子优化分类识别方法，包括以下步骤：

步骤1：对CPI图像进行云微粒子分割，包括：

步骤1.1：对CPI图像进行灰度化处理，具体方法为将RGB三通道CPI图像转化为单通道灰度图像；

步骤1.2：将CPI灰度图像二值化，首先抽取CPI灰度化图像中a幅云微粒子图像Ip，对a幅Ip图像中像素值按灰度值大小从大到小排序，选取灰度值最大的b个像素点，计算其灰度均值avg(Ip)，然后与背景图像灰度值均值avg(Ibg)进行比较，计算出定阈值Th，其中背景图像Ibg为选择的Ip图像的相邻的c×c非云微粒子图像区域，最后根据阈值Th将CPI灰度图像二值化，阈值Th计算方法为：Th＝α·(avg(Ip)-avg(Ibg))，(其中变量α∈[0.9,1])；

步骤1.3：将CPI二值图像填补孔洞，具体方法为：对CPI二值图像进行形态学处理,对应的参数设置为，膨胀矩阵选择的是 的正方形结构元素,腐蚀矩阵选择的是的单位矩阵结构元素；

步骤1.4：将所述CPI二值图像进行连通区域标记，以从左到右，从上到下的顺序，搜索CPI二值图像，当找到第一个像素值为1的像素f时，以这个像素为中心，按优化连通域方法确定其连通域，然后继续按序搜索除了已经确定的连通域外的CPI二值图像，确定新的连通域，直到遍历完整幅图像；所述优化连通域方法是以像素f为中心点，找出与其相邻的像素，组合成为矩阵A，计算矩阵A中非零值比例nz_A，以矩阵A为中心，找出与其相邻的像素，组和成为矩阵B，计算矩阵B中非零值比例nz_B，以nz_A、nz_B取值为判定条件采用不同的连通域搜索方法；

步骤1.5：统计CPI二值图像中被标记的矩形联通区域，以每个矩形联通区域左上角坐标为开始，按从左到右，从上到下的顺序，以矩形联通区域的坐标为索引，从CPI灰度图像上提取出对应的灰度图片，即为云微粒子图像；

步骤2：对云微粒子图像进行去标注；

步骤3：基于PCA降维的SVM云微粒子分类识别，包括：

步骤3.1：将云微粒子特征图进行PCA优化降维处理，计算各主成分的贡献度

λt为各主成分对应的特征值，T为特征值数量，当kt＜v1时，kst＝ε×kt，当kt＞v1时，klt＝η×kt，ε∈(0.1,0.5)，η∈(1.5,2)，计算累计贡献度 算出使得s(m)＜u的m个主成分；

步骤3.2：制作数据集，根据气象知识对云微粒子形态进行类别划分；

步骤3.3：SVM云微粒子分类识别，对经过步骤3.2制作的数据集进行切分，切分比为百分之70训练集，百分之30测试集；进行SVM云微粒子分类。

2.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述步骤1.4中，以nz_A、nz_B取值为判定条件采用不同的连通域搜索方法，包括：当同时满足nz_A＞v2，nz_B＞v3时，以像素f为基点，搜索像素f相邻的上下左右四个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的其他上下左右四个方向相邻像素，重复满足nz_A＞v2，nz_B＞v3时的步骤，直到新基点四个方向邻域内没有像素值为1的像素为止，当不同时满足nz_A＞v2，nz_B＞v3时，以像素f为基点，搜索像素f相邻的上下左右，左上，左下，右上和右下八个方向的像素，若搜索到的像素其像素值为1，那么这两个像素就属于同一个连通区域，然后以新找到的像素为新基点，继续搜索连通区域之外的其他相邻像素，重复不同时满足nz_A＞v2，nz_B＞v3时的步骤，直到新基点八个方向邻域内没有像素值为1的像素为止。

3.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述去标注处理包括：

步骤2.1：利用大津阈值法对灰度云微粒子图像进行处理使其成为二值化云微粒子图像,大津阈值法是采用自适应最佳阈值进行二值化处理；

步骤2.2：确定云微粒子图像中的标注区域，设二值化云微粒子图像为IBin，对二值化云微粒子图像IBin进行纵向和横向的搜索，所述纵向搜索为从二值化云微粒子图像左上角第一个像素点开始，从上到下，从左到右搜索，当搜索到像素点值为1，标记该像素点横坐标i1，接着换下一列继续搜索，直到搜索到r个像素点值为1，搜索结束，得到r个像素点的横坐标in,n＝1,2,…,r，对in降序排列，取中间值记为imid,横向搜索即从二值化云微粒子图像右下角第一个像素点开始，从右到左，从下到上搜索，当搜索到像素点值为1，标记该像素点横纵坐标j1，接着换下一列继续搜索，直到搜索到s个像素点值为1，搜索结束，得到s个像素点的横纵坐标jn,n＝1,2,…,s，对取s个横纵坐标中jn值降序排列，取中间值记为jmid，云微粒子图像尺寸P×Q，估计的标注位置为IBin([imid，P]，[1，jmid])，再将估计的标注区域扩大，最终标注区域为IBin([iexp，P]，[1，jexp])，其中，iexp＝round(β1×imid)，jexp＝round(β2×jmid)，β1∈(0.8,1)，β2∈(1,1.2)；

步骤2.3：对步骤2.2得到的所述标注区域进行形态学处理，对标注区域先膨胀再腐蚀，对应的参数设置为：膨胀操作的矩阵选择的是 的正方形结构元素,腐蚀操作的矩阵选择的是 的单位矩阵结构元素；

步骤2.4：将去标注后的二值化云微粒子图像进行取反，再乘以原云微粒子灰度图像，得到去标注后的云微粒子图像，所述去标注后的云微粒子图像的背景图像灰度值为0，将所述去标注后的云微粒子图像的背景图像的灰度值全部换为255，得到最终的云微粒子特征图。

4.如权利要求1所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述制作数据集，根据气象知识对云微粒子形态进行类别划分具体为，将其形态分为8类，分别是线、霰、枝、柱、混合、圆、六角盘状和破碎冰晶；然后，根据8个类别对降维后的云微粒子特征图进行数据标定，对其打上对应的0-7的数字标签，即完成了数据集的制作。

5.如权利要求2所述的一种基于SVM的云微粒子优化分类识别方法，其特征在于，所述SVM核函数选择高斯核，超参数选择情况为通过GridSearchCV网格搜索法进行交叉验证，最终确定最佳参数：松弛因子svc_C＝85，高斯核参数svc_gamma＝0.1。