李含光，王 琦

(南京信息工程大學(xué)計(jì)算機(jī)與軟件學(xué)院，江蘇南京210044)

0 引言

云的形成和變化不僅反映了當(dāng)時(shí)大氣的運(yùn)動(dòng)、穩(wěn)定程度和水汽狀況，也是預(yù)示未來(lái)天氣變化的重要征兆之一［1］。對(duì)衛(wèi)星云圖的分類識(shí)別主要采用統(tǒng)計(jì)模式法和結(jié)構(gòu)法，統(tǒng)計(jì)模式法是對(duì)衛(wèi)星云圖像模式的統(tǒng)計(jì)特征進(jìn)行提取，并對(duì)這些特征值集合進(jìn)行識(shí)別;統(tǒng)計(jì)結(jié)構(gòu)法是選取圖像的結(jié)構(gòu)特征基元，把這些基元按一定的規(guī)則進(jìn)行組織、排列來(lái)實(shí)現(xiàn)分類識(shí)別。利用這些方法對(duì)衛(wèi)星云圖的分類識(shí)別，都取得了較好的效果［2］。由于地基云觀測(cè)具有成本低、易操作、簡(jiǎn)單直觀以及對(duì)局部地區(qū)天氣指導(dǎo)性強(qiáng)等優(yōu)勢(shì)，逐漸成為研究的熱點(diǎn)。但由于受到獲取圖像設(shè)備的限制，目前取得的研究成果有限，主要靠人工目測(cè)和經(jīng)驗(yàn)分析為主，具有很大的局限性。Singh等［2］對(duì)地基云圖自動(dòng)識(shí)別進(jìn)行了研究。通過(guò)紋理特征提取的方法來(lái)對(duì)圖像進(jìn)行紋理特征的提取，使用了k最近鄰和神經(jīng)網(wǎng)絡(luò)作為分類器來(lái)對(duì)不同的云類進(jìn)行分類。TIAN B等 提取了衛(wèi)星云圖中紅外和可見光兩通道的紋理特征和頻域，利用神經(jīng)網(wǎng)絡(luò)對(duì)云團(tuán)進(jìn)行了分類。CALBO等［4］利用位于不同地區(qū)的TSI和WSC儀器收集到的數(shù)據(jù)對(duì)晴空、積狀云、層狀云、卷狀云、波狀云這5類不同的天空狀況進(jìn)行了分類。雖然，目前地基云分類識(shí)別的研究取得了一定的成績(jī)，但是也存在識(shí)別率較低等問(wèn)題，本文在研究了目前地基云識(shí)別已有的成果上，分析得出，一般可以通過(guò)紋理提取的方法提取圖像紋理特征，然后，利用圖像紋理特征構(gòu)成特征向量，實(shí)現(xiàn)對(duì)地基云圖的分類和識(shí)別。通過(guò)對(duì)地基云云圖云狀的分析與研究，提出用Gabor變換對(duì)地基云圖像的紋理特征進(jìn)行分析，獲得能夠最有效地表示云圖云狀的紋理特征。然后，應(yīng)用這些紋理特征，利用最短距離來(lái)構(gòu)造陀螺分類器，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行分類樣本訓(xùn)練，用陀螺分類器實(shí)現(xiàn)對(duì)地基云的分類識(shí)別。

1 地基云圖像紋理特征的Gabor小波變換

圖像紋理是一種重要的視覺手段，使圖像普遍存在而又難以準(zhǔn)確描述的特征。紋理分析一直是計(jì)算機(jī)視覺、圖像處理、圖像檢索等領(lǐng)域的研究熱點(diǎn)，一般通過(guò)對(duì)圖像紋理特征的處理實(shí)現(xiàn)對(duì)圖像的分析。因此，如何提取圖像特征就成為解決問(wèn)題的關(guān)鍵，目前采取的主要方法有自相關(guān)法、LAW能量法以及灰度共生矩陣法等［2］。由于地基云具有不規(guī)則性，并且存在過(guò)渡云和邊界消融等特征，上述方法取得的效果普遍較差，而Gabor小波變換利用其自身具有多方向的分析能力，在空間分布和方向上有很強(qiáng)的特性，具有很好的時(shí)域和頻域分辨能力，非常適用于圖像特征提?。?］，因此，采用Gabor小波變換來(lái)提取地基云圖紋理特征是不錯(cuò)的選擇。

1.1 Gabor小波

Gabor小波是一種功能強(qiáng)大的紋理分析工具［6－8］，二維 Gabor濾波器與哺乳動(dòng)物視覺皮層簡(jiǎn)單細(xì)胞二維感受剖面非常相似，因此，Gabor小波變換在圖像紋理分析上具有獨(dú)特的優(yōu)勢(shì)，Gabor小波的核函數(shù)定義為

(1)式中:φμ，v(z)是 Gabor小波的核函數(shù);kμ，ν表示波向量，μ和ν分別表示波向量的方向和波長(zhǎng);z=(x，y)為圖像坐標(biāo)函數(shù);運(yùn)算符‖·‖則表示標(biāo)準(zhǔn)的運(yùn)算操作。kμ，ν定義為

(2)式中:kν=kmax/fν，kmax表示最高頻率的帶通濾波器中心頻率，f是頻率域中核函數(shù)的間隔因子［9］;Φμ=πμ/8。

在(1)式中的小波核心可以由波向量kμ，ν生成。模‖k‖控制高斯窗口的寬度以及正弦波的波長(zhǎng);Φ可以控制濾波器的方向，改變?chǔ)悼梢赃M(jìn)行濾波器的旋轉(zhuǎn)，σ定義了高斯窗口寬和波長(zhǎng)的比。

1.2 地基云圖的Gabor小波特征提取

對(duì)于一幅大小為I(z)的地基云圖像，進(jìn)行M個(gè)尺度、N個(gè)方向上Gabor小波變換可得到在不同方向和尺度上能量信息。

(3)式中，Xμ，ν(z)表示在尺度 ν方向 μ 上 Gabor核函數(shù)的卷積結(jié)果。地基云圖像在5個(gè)尺度(5個(gè)像素單位)和8 個(gè)方向(0°，45°，90°，135°，180°，225°，270°，315°)上卷積結(jié)果如圖1 所示。

圖1 地基云圖像卷積結(jié)果Fig.1 Convolution results of a ground nephogram

雖然Xμ，ν(z)能有效地表示地基云的紋理特征，但易造成較高的分類誤差。因此，這里采用能量均值Pμ，ν(z)和標(biāo)準(zhǔn)方差 Qμ，ν(z)作為紋理特征，則更能達(dá)到較高分類準(zhǔn)確率的目的。尺寸為M×N圖像I(z)的均值和標(biāo)準(zhǔn)方差為

用T表示圖像I(z)的紋理特征向量，則T可以表示為

為了增強(qiáng)該紋理特征向量在圖像特征表示中的魯棒性和抗噪聲性以及后期數(shù)據(jù)處理，將能量信息在紋理特征向量中的元素按從大到小的順序排列。假設(shè)在μ1方向和ν1尺度具有最大能量，在μ2方向和ν2尺度上具有次大能量，則T可以修改為

2 基于BP神經(jīng)網(wǎng)絡(luò)的陀螺分類器

BP神經(jīng)網(wǎng)絡(luò)包含了前向傳播訓(xùn)練和反向傳播連接權(quán)值修正的過(guò)程，具有很強(qiáng)的識(shí)別和分類能力［10］。前向神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的誤差反向傳播算法解決了多層網(wǎng)絡(luò)中隱含層神經(jīng)連接權(quán)值的學(xué)習(xí)問(wèn)題。將提取的地基云圖的紋理特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，利用中國(guó)云圖庫(kù)中的標(biāo)準(zhǔn)云圖結(jié)合氣象站實(shí)際地基云圖數(shù)據(jù)作為訓(xùn)練樣本，得到BP神經(jīng)網(wǎng)絡(luò)分類器。為了提高解決方案的效率和分類精度，提出將多個(gè)BP神經(jīng)網(wǎng)絡(luò)并聯(lián)，類似陀螺的分類器，該分類器的主要思想就是通過(guò)在學(xué)習(xí)和泛化中使用距離作為目標(biāo)函數(shù)來(lái)實(shí)現(xiàn)，分類器中的一個(gè)網(wǎng)絡(luò)代表一個(gè)類，這樣就能使得一個(gè)網(wǎng)絡(luò)對(duì)應(yīng)一個(gè)類。對(duì)一個(gè)未知模式進(jìn)行分類就是選取最適合它的一個(gè)網(wǎng)絡(luò)模型，使兩者之間具有最小差別。陀螺分類器的優(yōu)勢(shì)在于只需要計(jì)算全部類數(shù)目的距離，與學(xué)習(xí)數(shù)據(jù)大小無(wú)關(guān)［11］。對(duì)于N類不同的地基云圖像，把提取的圖像特征組成特征矩陣，對(duì)應(yīng)的期望輸出為一個(gè)N×N的矩陣T，T的每一行代表所要分類的某類地基云，其分類實(shí)現(xiàn)的主要過(guò)程如下。

1)訓(xùn)練得到BP神經(jīng)網(wǎng)絡(luò)分類器neti。

2)設(shè)待分類地基云圖像數(shù)據(jù)為P，將P輸入分類器，計(jì)算出BP神經(jīng)網(wǎng)絡(luò)分類器的輸出矩陣A，輸出矩陣A的計(jì)算公式為

3)計(jì)算輸出矩陣A中的最大元素Am=max［A1，A2，A3，A4，…，AN］。

4)輸出矩陣 A 位于第m(m∈(1，2，3，4，…，N))列，那么根據(jù)Am就可以得出，分類結(jié)果就是在期望輸出矩陣T的第m行所表示的那類云上。圖2為陀螺分類器的結(jié)構(gòu)圖。

圖2 陀螺分類器結(jié)構(gòu)Fig.2 Structure of gyro classifier

3 實(shí)驗(yàn)與分析

為了驗(yàn)證本文中的方法在地基云圖分類識(shí)別中的效果，實(shí)驗(yàn)采用經(jīng)人工精確判別過(guò)的地基云圖像作為訓(xùn)練樣本，這些樣本來(lái)自于氣象站和《中國(guó)云圖》數(shù)據(jù)集等，并且這些圖片都是經(jīng)過(guò)灰度化處理的尺寸為18×27像素的圖像。

1)將采集到的地基云圖樣本圖例進(jìn)行適當(dāng)?shù)幕叶然?、裁剪等預(yù)處理，形成統(tǒng)一的樣本庫(kù)。

2)使用Gabor小波變換提取實(shí)驗(yàn)樣本的紋理特征，作為該類地基云圖的分類識(shí)別特征參數(shù)。在Gabor小波提取紋理特征時(shí)尺度的選擇很重要。過(guò)大了不能很好地體現(xiàn)圖像的局部特性，過(guò)小了又容易受噪聲影響。

3)定義一個(gè)矩陣 F，F(xiàn)［1］存儲(chǔ)特征向量 T，F(xiàn)［2］存儲(chǔ)分類信息。在實(shí)驗(yàn)中，地基云圖樣本的預(yù)期輸出為0.9。將F作為BP神經(jīng)網(wǎng)絡(luò)的輸入輸出，進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程中，樣本相互之間形成正樣本與負(fù)樣本，例如濃積云為正樣本時(shí)，其他4類云樣本為負(fù)樣本，以此類推。如圖3所示。

圖3 神經(jīng)網(wǎng)絡(luò)輸入輸出Fig.3 Input and Output of Neural Network

由此可以得到，具有較強(qiáng)分類能力的神經(jīng)網(wǎng)絡(luò)，并以此作為各個(gè)地基云圖云類的分類依據(jù)。經(jīng)過(guò)多次的測(cè)試訓(xùn)練，實(shí)驗(yàn)中訓(xùn)練函數(shù)采用尺度共軛梯度法(scaled conjugate gradient，SCG)，訓(xùn)練精度要求為0.001。

4)訓(xùn)練完成后，使用此BP神經(jīng)網(wǎng)絡(luò)構(gòu)成的陀螺分類器來(lái)檢測(cè)未知樣本的云類。

針對(duì)步驟2)所面臨的問(wèn)題，處理數(shù)字圖像的Gabor小波通常在當(dāng)參數(shù)σ=2π，kmax=π/2和f=的條件下在5個(gè)尺度ν∈{0，…，4}和8個(gè)方向μ∈{0°，…，315°}上進(jìn)行采樣。為了獲得理想的實(shí)驗(yàn)參數(shù)，共進(jìn)行了4次比較試驗(yàn)，每次實(shí)驗(yàn)都是在其他條件不變的情況下，分別選取3個(gè)尺度、4個(gè)方向(3S4D);3個(gè)尺度、12個(gè)方向(3S12D);5個(gè)尺度、8個(gè)方向(5S8D);9個(gè)尺度、4個(gè)方向(9S4D);9個(gè)尺度、12個(gè)方向(9S12D)，共5個(gè)有比較意義的參數(shù)，得出分類正確率，實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表1所示。其中，選取的5個(gè)尺度、8個(gè)方向的實(shí)驗(yàn)參數(shù)獲得了最好的實(shí)驗(yàn)結(jié)果。這里選取在5個(gè)尺度ν∈{0，…，4}和8個(gè)方向μ∈{0，…，7}上提取地基云圖的特征向量T。

表1 不同尺度和方向下的實(shí)驗(yàn)結(jié)果Tab.1 Experiment results with different scales and directions

本實(shí)驗(yàn)的對(duì)象主要是5類常見的云:濃積云、積雨云、雨層云、透光高層云、卷積云。訓(xùn)練過(guò)程中使用濃積云等5類云各200幅圖片，共1 000幅作為整個(gè)實(shí)驗(yàn)的訓(xùn)練樣本。

按照上述實(shí)驗(yàn)方案，把收集到的訓(xùn)練樣本輸入，得到圖像紋理特征矩陣F，數(shù)據(jù)分布如圖4所示。將矩陣F應(yīng)用到神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，訓(xùn)練神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線如圖5所示。最后，可將訓(xùn)練完成的網(wǎng)絡(luò)應(yīng)用于地基云圖的分類。

圖4 紋理特征數(shù)據(jù)分布Fig.4 Distribution of texture feature data

本實(shí)驗(yàn)方案中提出了將神經(jīng)網(wǎng)絡(luò)并聯(lián)形成陀螺分類器的思想，在同等條件下提高了單獨(dú)使用BP神經(jīng)網(wǎng)絡(luò)分類器的準(zhǔn)確率。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成之后，用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，輸入5類云圖各50幅進(jìn)行分類實(shí)驗(yàn)，根據(jù)神經(jīng)網(wǎng)絡(luò)分類輸出，得出分類結(jié)果統(tǒng)計(jì)如圖6所示。圖6中，每部分中的5個(gè)數(shù)據(jù)統(tǒng)計(jì)表示輸入的50幅該類云圖樣本最終得到的分類結(jié)果統(tǒng)計(jì)，如第1部分表示輸入50幅濃積云圖，分類得到了41個(gè)濃積云分類結(jié)果、2個(gè)積雨云分類結(jié)果、3個(gè)雨層云分類結(jié)果、1個(gè)透光高層云分類結(jié)果、3個(gè)卷積云分類結(jié)果。

圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線圖Fig.5 Error graph of BPNN training

圖6 實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)圖Fig.6 Statistic diagram of experimental result

圖6中，濃積云分類的正確率為82%;積雨云分類的正確率為78%;雨層云分類的正確率為78%;透光高層云分類的正確率為80%;卷積云分類的正確率為76%;平均正確率達(dá)到了78.8%。前文中提到Singh等和Calbo等人也對(duì)地基云分類作了相關(guān)的研究，并取得了一定的研究成果。從實(shí)驗(yàn)結(jié)果分類正確率上來(lái)看，本方案較優(yōu)于前兩者的方案。但是在3種實(shí)驗(yàn)方案中，實(shí)驗(yàn)樣本并不一致，這可能會(huì)導(dǎo)致實(shí)驗(yàn)結(jié)果有所偏差，所以，將Singh和Calbo 2個(gè)人的實(shí)驗(yàn)方案結(jié)合本文中的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，平均分類準(zhǔn)確率統(tǒng)計(jì)圖7所示。

從圖6和圖7中看出，本文提出的方案不僅能有效地應(yīng)用于地基云圖分類，而且取得的效果也是比較理想的，相比以往分類方案的正確率要高出10%～20%。

圖7 3種方案正確率比對(duì)Fig.7 Comparation of three schemes

但是，同時(shí)從圖6和圖7中看出，實(shí)驗(yàn)中出現(xiàn)了部分判斷錯(cuò)誤的情況，造成判斷錯(cuò)誤的原因是多因素的。首先，實(shí)驗(yàn)樣本數(shù)量有限，描述不夠精細(xì)，而且還受到成像設(shè)備的局限性、太陽(yáng)光照、能見度等影響，部分樣本的清晰度不高，對(duì)某一類云的形態(tài)的概括性不強(qiáng)，導(dǎo)致標(biāo)準(zhǔn)特征參數(shù)不夠全面，在分類的過(guò)程中產(chǎn)生了一些誤差。然后，在對(duì)未知樣本進(jìn)行分類識(shí)別的過(guò)程中，如果未知樣本圖片像素較高，整個(gè)識(shí)別過(guò)程時(shí)間花費(fèi)較大。

4 總結(jié)

將圖像處理、模式識(shí)別等技術(shù)應(yīng)用于地基云圖像的分類識(shí)別中，從實(shí)驗(yàn)結(jié)果來(lái)看，文章提出的方法取得了較好的效果，具有較高的實(shí)用價(jià)值。同時(shí)，在未來(lái)的研究過(guò)程中，可以從擴(kuò)大實(shí)驗(yàn)樣本，提高樣本精度，優(yōu)化特征提取算法、提高識(shí)別效率等方面進(jìn)行改進(jìn)與完善。另外，實(shí)驗(yàn)研究表明，在使用Gabor小波提取紋理特征時(shí)，正確的參數(shù)選取在特征向量形成中起了至關(guān)重要的作用，這也是今后研究的一個(gè)重點(diǎn)。

［1］楊俊，呂偉濤，馬穎，等.基于自適應(yīng)閾值的地基云自動(dòng)檢測(cè)方法［J］. 應(yīng)用氣象學(xué)報(bào)，2009，20(006):713－721.YANG Jun，LV Weitao，MA Yin，et al.An automatic ground－based cloud detection method based on adaptive threshold［J］.Journal of applied meteorological science，2009，20(006):713－721.

［2］SINGH M，GLENNEN M.Automated ground－based cloud recognition［J］.Pattern Analysis ＆ Applications，2005，8(3):258－271.

［3］TIAN B，SHAIKH M A，AZIMI－SADJADI M R，et al.A study of cloud classification with neural networks using spectral and textural features［J］.Neural Networks，IEEE Transactions on，1999，10(1):138－151.

［4］CALBO J，SABBURG J.Feature extraction from wholesky ground－based images for cloud－type recognition［J］.Journal of Atmospheric and Oceanic Technology，2008，25(1):3－14.

［5］MUTELO R M，WOO W L，DLAY S S.Discriminant analysis of the two－dimensional Gabor features for face recognition［J］.IET Computer Vision，2008，2(2):37－49.

［6］曹林，王東峰，劉小軍，等.基于二維Gabor小波的人臉識(shí)別算法［J］.電子與信息學(xué)報(bào)，2006，28(3):490－494.CAO Lin，WANG Dongfeng，LIU Xiaojun，et al.Face recognition based on two－dimensional Gabor wavelets［J］.Journal of electronics＆ information technology，2006，28(3):490－494.

［7］張剛，馬宗民.一種采用Gabor小波的紋理特征提取方法［J］.中國(guó)圖像圖形學(xué)報(bào)，2010，15(002):247－254.ZHANG Gang，MA Zhongmin.An approach of using Gabor wavelets for texture feature extraction［J］.Journal of image and graphics，2010，15(002):247－254.

［8］羅亮，金文標(biāo)，龔勛.基于Gabor小波和支持向量機(jī)的人臉識(shí)別［J］.重慶郵電大學(xué)學(xué)報(bào):自然科學(xué)版，2008，20(2):230－235.LUO Liang，JIN Wenbiao，GONG Xun.Face recognition based on Gabor wavelet and support vector machine［J］.Journal of Chongqing University of Posts and Telecommunications:Natural Science Edition，2008，20(2):230－235.

［9］何源，羅予頻，胡東成.基于測(cè)地線活動(dòng)區(qū)域模型的非監(jiān)督式紋理分割［J］.軟件學(xué)報(bào)，2007，18(3):592－599.HE Yuan，LUO Yupin，HU Dongcheng.Unsupervised texture segmentation based on geodesic active regions［J］.Journal of software，2007，18(3):592－599.

［10］陳美，朱琦.基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的自動(dòng)調(diào)制識(shí)別研究［J］.重慶郵電大學(xué)學(xué)報(bào):自然科學(xué)版，2009，21(6):764－770.CHEN Mei，ZHU Qi.Research on automatic modulation recognition based on improved neural network［J］.Journal of Chongqing University of Posts and Telecommunications:Natural Science Edition，2009，21(6):764－770.

［11］SCHWENK H，MILGRAM M.Constraint tangent distance for on－line character recognition［C］//13th International Conference on Pattern Recognition(ICPR’96).Vienra，Austria:IEEE Press，1996，4:520－524.