李含光，王 琦

(南京信息工程大學(xué)計算機與軟件學(xué)院，江蘇南京210044)

0 引言

云的形成和變化不僅反映了當(dāng)時大氣的運動、穩(wěn)定程度和水汽狀況，也是預(yù)示未來天氣變化的重要征兆之一［1］。對衛(wèi)星云圖的分類識別主要采用統(tǒng)計模式法和結(jié)構(gòu)法，統(tǒng)計模式法是對衛(wèi)星云圖像模式的統(tǒng)計特征進行提取，并對這些特征值集合進行識別;統(tǒng)計結(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)則進行組織、排列來實現(xiàn)分類識別。利用這些方法對衛(wèi)星云圖的分類識別，都取得了較好的效果［2］。由于地基云觀測具有成本低、易操作、簡單直觀以及對局部地區(qū)天氣指導(dǎo)性強等優(yōu)勢，逐漸成為研究的熱點。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，主要靠人工目測和經(jīng)驗分析為主，具有很大的局限性。Singh等［2］對地基云圖自動識別進行了研究。通過紋理特征提取的方法來對圖像進行紋理特征的提取，使用了k最近鄰和神經(jīng)網(wǎng)絡(luò)作為分類器來對不同的云類進行分類。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)對云團進行了分類。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行了分類。雖然，目前地基云分類識別的研究取得了一定的成績，但是也存在識別率較低等問題，本文在研究了目前地基云識別已有的成果上，分析得出，一般可以通過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，實現(xiàn)對地基云圖的分類和識別。通過對地基云云圖云狀的分析與研究，提出用Gabor變換對地基云圖像的紋理特征進行分析，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，利用最短距離來構(gòu)造陀螺分類器，采用BP神經(jīng)網(wǎng)絡(luò)進行分類樣本訓(xùn)練，用陀螺分類器實現(xiàn)對地基云的分類識別。

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。紋理分析一直是計算機視覺、圖像處理、圖像檢索等領(lǐng)域的研究熱點，一般通過對圖像紋理特征的處理實現(xiàn)對圖像的分析。因此，如何提取圖像特征就成為解決問題的關(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的特性，具有很好的時域和頻域分辨能力，非常適用于圖像特征提?。?］，因此，采用Gabor小波變換來提取地基云圖紋理特征是不錯的選擇。

1.1 Gabor小波

Gabor小波是一種功能強大的紋理分析工具［6－8］，二維 Gabor濾波器與哺乳動物視覺皮層簡單細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特的優(yōu)勢，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;z=(x，y)為圖像坐標(biāo)函數(shù);運算符‖·‖則表示標(biāo)準(zhǔn)的運算操作。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。?！琸‖控制高斯窗口的寬度以及正弦波的波長;Φ可以控制濾波器的方向，改變Φ可以進行濾波器的旋轉(zhuǎn)，σ定義了高斯窗口寬和波長的比。

1.2 地基云圖的Gabor小波特征提取

對于一幅大小為I(z)的地基云圖像，進行M個尺度、N個方向上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個尺度(5個像素單位)和8 個方向(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)值修正的過程，具有很強的識別和分類能力［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，利用中國云圖庫中的標(biāo)準(zhǔn)云圖結(jié)合氣象站實際地基云圖數(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在學(xué)習(xí)和泛化中使用距離作為目標(biāo)函數(shù)來實現(xiàn)，分類器中的一個網(wǎng)絡(luò)代表一個類，這樣就能使得一個網(wǎng)絡(luò)對應(yīng)一個類。對一個未知模式進行分類就是選取最適合它的一個網(wǎng)絡(luò)模型，使兩者之間具有最小差別。陀螺分類器的優(yōu)勢在于只需要計算全部類數(shù)目的距離，與學(xué)習(xí)數(shù)據(jù)大小無關(guān)［11］。對于N類不同的地基云圖像，把提取的圖像特征組成特征矩陣，對應(yīng)的期望輸出為一個N×N的矩陣T，T的每一行代表所要分類的某類地基云，其分類實現(xiàn)的主要過程如下。

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的計算公式為

3)計算輸出矩陣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 實驗與分析

為了驗證本文中的方法在地基云圖分類識別中的效果，實驗采用經(jīng)人工精確判別過的地基云圖像作為訓(xùn)練樣本，這些樣本來自于氣象站和《中國云圖》數(shù)據(jù)集等，并且這些圖片都是經(jīng)過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行適當(dāng)?shù)幕叶然⒉眉舻阮A(yù)處理，形成統(tǒng)一的樣本庫。

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

3)定義一個矩陣 F，F(xiàn)［1］存儲特征向量 T，F(xiàn)［2］存儲分類信息。在實驗中，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，進行訓(xùn)練。訓(xùn)練過程中，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，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，具有較強分類能力的神經(jīng)網(wǎng)絡(luò)，并以此作為各個地基云圖云類的分類依據(jù)。經(jīng)過多次的測試訓(xùn)練，實驗中訓(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)成的陀螺分類器來檢測未知樣本的云類。

針對步驟2)所面臨的問題，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個尺度ν∈{0，…，4}和8個方向μ∈{0°，…，315°}上進行采樣。為了獲得理想的實驗參數(shù)，共進行了4次比較試驗，每次實驗都是在其他條件不變的情況下，分別選取3個尺度、4個方向(3S4D);3個尺度、12個方向(3S12D);5個尺度、8個方向(5S8D);9個尺度、4個方向(9S4D);9個尺度、12個方向(9S12D)，共5個有比較意義的參數(shù)，得出分類正確率，實驗統(tǒng)計結(jié)果如表1所示。其中，選取的5個尺度、8個方向的實驗參數(shù)獲得了最好的實驗結(jié)果。這里選取在5個尺度ν∈{0，…，4}和8個方向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驗結(jié)果Tab.1 Experiment results with different scales and directions

本實驗的對象主要是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)練過程中使用濃積云等5類云各200幅圖片，共1 000幅作為整個實驗的訓(xùn)練樣本。

按照上述實驗方案，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

本實驗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)進行分類，輸入5類云圖各50幅進行分類實驗，根據(jù)神經(jīng)網(wǎng)絡(luò)分類輸出，得出分類結(jié)果統(tǒng)計如圖6所示。圖6中，每部分中的5個數(shù)據(jù)統(tǒng)計表示輸入的50幅該類云圖樣本最終得到的分類結(jié)果統(tǒng)計，如第1部分表示輸入50幅濃積云圖，分類得到了41個濃積云分類結(jié)果、2個積雨云分類結(jié)果、3個雨層云分類結(jié)果、1個透光高層云分類結(jié)果、3個卷積云分類結(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 實驗結(jié)果統(tǒng)計圖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%;平均正確率達到了78.8%。前文中提到Singh等和Calbo等人也對地基云分類作了相關(guān)的研究，并取得了一定的研究成果。從實驗結(jié)果分類正確率上來看，本方案較優(yōu)于前兩者的方案。但是在3種實驗方案中，實驗樣本并不一致，這可能會導(dǎo)致實驗結(jié)果有所偏差，所以，將Singh和Calbo 2個人的實驗方案結(jié)合本文中的實驗數(shù)據(jù)進行實驗，平均分類準(zhǔn)確率統(tǒng)計圖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Fig.7 Comparation of three schemes

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

4 總結(jié)

將圖像處理、模式識別等技術(shù)應(yīng)用于地基云圖像的分類識別中，從實驗結(jié)果來看，文章提出的方法取得了較好的效果，具有較高的實用價值。同時，在未來的研究過程中，可以從擴大實驗樣本，提高樣本精度，優(yōu)化特征提取算法、提高識別效率等方面進行改進與完善。另外，實驗研究表明，在使用Gabor小波提取紋理特征時，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重點。

［1］楊俊，呂偉濤，馬穎，等.基于自適應(yīng)閾值的地基云自動檢測方法［J］. 應(yīng)用氣象學(xué)報，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小波的人臉識別算法［J］.電子與信息學(xué)報，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］.中國圖像圖形學(xué)報，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小波和支持向量機的人臉識別［J］.重慶郵電大學(xué)學(xué)報: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.基于測地線活動區(qū)域模型的非監(jiān)督式紋理分割［J］.軟件學(xué)報，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.基于改進神經(jīng)網(wǎng)絡(luò)的自動調(diào)制識別研究［J］.重慶郵電大學(xué)學(xué)報: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.