（控制科学与工程专业论文）基于内容的卫星云图分类方法研究.pdf

国防科学技术大学研究生院工程硕士学位论文 摘要 气象卫星通过对地球表面和云层连续观测而得到的卫星云图，可以用以分析 大范围云系分布，研究天气系统的演变规律，是天气预报尤其是降雨分析的有力 工具。然而随着大量云图数据的获取，相应的分析处理工具的研发、应用却严重 滞后，对云图的应用仍然停留在人工定性分析为主的阶段。因此，如何从大量的 云图中自动、快速、有效地提取隐含的气象模式、发现气象知识成为目前研究的 热点。针对这个问题，本文以卫星云图的分类为切入点，分析并归纳出典型的云 图分类的基本框架，并围绕框架中分类技术的相关内容展开研究。 首先，本文分析和总结了卫星云图分类的气象学和图像挖掘的基础知识，对 其中云图的种类和特点、云的类别及其识别判据、图像挖掘的概念和方法进行了 详细的阐述。 在此基础上，本文根据数据挖掘中对聚类分析的定义，充分考虑到类内和类 间离散度的双重因素，建立了衡量图像聚类效果的质量评价参数。结合该参数， 本文将一种基于群体智能的随机优化技术：微粒群优化算法，引入到云图的分类 领域，从算法编码和目标函数的构造方面进行了设计，提出了一种基于微粒群优 化的云图聚类算法，为后一阶段的云图分类打下基础。 另外，针对目前卫星云图分类研究大多集中于利用单一特征集结合分类器进 行云图分类，从而忽略了各特征相结合所具有的分类潜能问题，本文提出了一种 卫星云图多特征融合分类方法，借助于信息融合的思想，使得分类器的性能得到 明显的提升。 最后通过实验，对本文提出的方法进行了验证，获得了较为满意的结果。 主题词：图像挖掘，云图分类，云图聚类，微粒群优化算法，融合 第i 页 国防科学技术大学研究生院_ 工程硕士学位论文 a b s t r a c t n e p h o g r a m s ，o b t a i n e db yc o n t i n u o u so b s e r v i n gt h e e a r t h s u r f a c ea n dc l o u d t h r o u g hs a t e l l i t e s ，c a nb eu s e dt oa n a l y z et h ed i s t r i b u t i o no ft h ec l o u ds y s t e mi nal a r g e a l c a a n dt os t u d yt h ee v o l v e m e n tr o l e so fw e a t h e rs y s t e m h o w e v e r ，w i t ht h e a b u n d a n c eo ft h en e p h o g r a m s ，t h er e s e a r c h e sa n da p p l i c a t i o n so ft h er e l e v a n tt o o l sf o r a n a l y z i n ga n dp r o c e s s i n gt h ed a t aa r es e v e r e l yl a g g a r da n dw es t i l lr e l yo nt h em a n u a l l y q u a l i t a t i v ea n a l y s i s t h e r e f o r e ，i tb e c o m e sah o t s p o tt h a th o wt oe x t r a c tt h ei m p l i e d m e t e o r o l o g i cp a t t e ma n dd i s c o v e rt h em e t e o r o l o g i ck n o w l e d g ea u t o m a t i c a l l y ，s p e e d i l y a n de f f e c t i v e l yf r o mt h em a s s e so fn e p h o g r a r n s i na l l u s i o nt ot h ep r o b l e m ，t h i st h e s i s s t u d i e st h es a t e l l i t en e p h o g r a mc l a s s i f i c a t i o n ，c o n c l u d e st h eb a s i cf r a m e w o r ka n d d e v e l o p sas e r i e so f r e s e a r c h e sa c c o r d i n gt ot h er e l a t i v et e c h n i q u e s f i r s t ，a st h eb a s i co fn e p h o g r a mc l a s s i f i c a t i o n ，t h em e t e o r o l o g ya n di m a g em i n i n g k n o w l e d g ea r es u m m a r i z e d ，i nw h i c hs o m eo ft h ei m p o r t a n tc o n t e n t sa r ee m p h a s i z e d ， s u c ha st h ec l a s s e sa n dc h a r a c t e r i s t i c so fn e p h o g r a m ，t h et y p e so fc l o u d ，t h ec r i t e r i at o r e c o g n i z et h ec l o u d ，t h ec o n c e p t sa n dm e t h o d so fi m a g em i n i n g b a s e do nt h a t ，m e a s u r e so fi m a g ec l u s t e r i n gq u a l i t y ( m i c q ) a r ed e v e l o p e di nv i e w o ft h ed e f i n i t i o no fc l u s t e r i n ga n a l y s i sa n dt h eb i f a c t o r so fi n t r aa n di n t e rc l a s si nd a t a m i n i n g t h e nt h ep a r t i c l es w a r mo p t i m i z e r ( p s o ) i s i n t r o d u c e di n t on e p h o g r a m c l a s s i f i c a t i o na r e a i nc o n j u n c t i o nw i t hm i c q ，an c p h o g r a mc l u s t e r i n ga l g o r i t h mb a s e d o np s oi sp r o p o s e d ，o f w h i c ht h ec o d i n ga n df i t n e s sf u n c t i o na r ep r o j e c t e d i na d d i t i o n ，n o w a d a y s ，m a n yr e s e a r c h e so fn e p h o g r a mc l a s s i f i c a t i o nu s u a l l yf o c u s o ns o m es i n g l ef e a t u r e ，a n dt h ec l a s s i f i c a t i o n sa r ea c h i e v e db a s e do nt h e s eu n i q u e f e a t u r e s ，c o r r e s p o n d i n g l y t i f f ss t r a t e g yw o u l dp r o b a b l yi g n o r et h ep o t e n t i a lw h i c hi s p r o v i d e db yt h ec o m b i n e dc l a s s i f i c a t i o nb a s e do nm u l t i p l ef e a t u r e s i nf a c t ，c o m b i n e d c l a s s i f i c a t i o ni sn o to n l yat r e n di np a t t e r nr e c o g n i t i o nf i e l d ，b u ta l le f f e c t i v em e t h o df o r s u r et h a th a sb e e np r o v e d b a s e do nt h e s ep r o b l e m s ，m u l t i p l ef e a t u r e so ft h en e p h o g r a m d a t ah a v eb e e ne x t r a c t e di nt h i sp a p e r , a n da c c o r d i n gt ot h et h e o r yo fi n f o r m a t i o nf u s i o n ， ac l a s s i f i c a t i o nm e t h o do fm u l t i p l ef e a t u r e so fn e p h o g r a mh a sb e e nc o n s t r u c t e d r e c u r r i n gt ot h ei d e ao fi n f o r m a t i o nf u s i o n t h ep e r f o r m a n c eo fc l a s s i f i c a t i o nh a sb e e n r e m a r k a b l ye n h a n c e d f i n a l l y t h em e t h o d s a r ev a l i d a t e dt h r o u g he x p e r i m e n t s r n l cr e s u l t ss h o wt h a tt h e y h a v ei m p o r t a n ts e n s ei nt h en e p h o g r a mc l a s s i f i c a t i o nf i e l d k e yw o r d s ：i m a g em i n i n g ，n e p h o g r a mc l a s s i f i c a t i o n ，n e p h o g r a m c l u s t e r i n g ，p s o ，f u s i o n 第i i 页 国防科学技术大学研究生院工程硕十学位论文 表目录 表2 1 表2 2 表3 1 表4 1 表4 2 表5 1 表5 2 表5 3 表5 4 表5 5 表5 6 表5 7 表5 8 表5 9 表5 1 0 典型的反照率值( ) 1 0 不同类型云的发射率( ) 编码结构 基于灰度图像的纹理描绘子 灰度共生矩阵的二次统计量 参数设置表。 1 ( 1 2 9 ：i ： ，3 5 聚类质量参数对比表( 1 ) 4 9 聚类质量参数对比表( 2 ) 聚类质量参数对比表( 3 ) 5 1 样本分布情况5 2 不同隐节点数b p 网络的均方误差 基于灰度直方图的描绘子分类器分类结果( ) 5 4 基于灰度共生矩阵的二次统计量特征分类器分类结果( ) 5 4 奇异值特征分类器分类结果( ) 5 5 综合分类结果( ) 第1 v 页 国防科学技术大学研究生院工程硕士学位论文 图目录 图2 1 图2 2 图2 3 图2 4 图3 1 图4 1 图4 2 图4 3 图4 4 图4 5 图4 6 图4 7 图5 1 图5 2 图5 3 图5 4 图5 5 图5 6 图5 7 图像挖掘的基本过程1 5 图像内容的层次1 7 卫星云图分类框架1 7 云图分块的例子1 8 算法流程图3 0 单一特征集分类流程3 1 多特征融合分类流程3l 共生矩阵的像素对3 4 三层b p 网络拓扑结构3 7 成批训练协议 t a n - s i g m o i d 激励函数4 1 基于投票系统的多特征融合框架4 2 专家标号云图示例4 7 切割后原始样本集示例4 8 p s o 奶) 聚类结果4 9 p s o 铌) 聚类结果5 0 聚类结果 全局最优粒子适应度变化趋势5 l 学习曲线 第v 页 独创性声明 车人声明所呈交的学位论文是我本人在导师指导下进行的研究工作及取得 的爵究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含 丹4 2 - 池人已经发表和撰写过的研究成果，也不包含为获得国防科学技术大学或其它 教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任 何贡献均已在论文中作了明确的说明并表示谢意。 学位论文题目：基王凼奎鲍里星主翌佥娄壶洼丑塞 学位沧文作者样： ! 赵照日期：护占年、月7 日 学位论文版权使用授权书 度人完全了解国防科学技术大学有关保留、使用学位论文的规定。本人授权 国防科学技术大学可以保留并向国家有差部门或机构送交论文的复印件和电子 文档，允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据 库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。 ( 保密学位论文在解密后适用本授板书。) 学位论又题目： 基王由查盟里星垂旦佥娄左鎏盟塞 学1 立论文作者签名：丛望塾日期：泓心2 7 年i f 月椤日 佧者指寻教师签名：考生肇 日期：2 b 如年ff 月2 夕日 国防科学技术大学研究生院工程硕士学位论文 第一章绪论 1 1 问题的提出 随着网络技术的发展和计算机性能的提高，数码相机、监视相机、卫星遥感 系统的应用越来越广泛，涌现出大量的图像数据。如何从这些数量庞大的图像数 据中挖掘出准确地指导人类生产、生活的有用知识成为人们关注的一大热点。伴 随着这种对强有力的图像数据分析工具的需求，图像挖掘技术应运而生。图像挖 掘是一种从大型图像集中提取图像模式的技术，它是数据挖掘技术的一个分支， 但又不仅仅是数据挖掘技术在图像领域中的一种简单扩充，而是多门学科包括了 计算机视觉、图像处理、图像恢复、数据挖掘、机器学习、数据库和人工智能的 综合技术，是一项较新的研究领域。随着美国计算机学会( a c m ) 第一届多媒体 数据挖掘年会m d m k d d 2 0 0 0 和2 0 0 1 年m d m ，k d d 年会的召开，图像数据挖掘 技术得到较大发展，其思想已经在交通管理、医学影像诊断、台风预测等很多领 域扩展 ”。 气象卫星是六十年代以来出现的探测工具，它对地球表面和云层连续地进行 大范围观测，由此得到的卫星云图不仅可以分析大范围云系分布，研究天气系统 的演变规律，而且可以详细地分析中小尺度云系之间的相互作用，因此卫星云图 是天气预报尤其是降雨分析的一种有力工具。经历了接收技术的重大进展和微机 价格的急剧降低，气象卫星资料接收处理系统数量剧增，且卫星探测开始向全天 候发展，使得气象卫星云图数据源极大丰富。以我国为例，据不完全统计，目前 可以接收到4 个国家的业务极轨气象卫星资料和3 个国家的业务静止气象卫星资 料，包括：中国第一代风云静止气象卫星( f y 2 ) 、日本g m s m t s a t 气象卫星、 俄罗斯g o m s 卫星、欧盟m e t e o s a t - 5 卫星、中国第一代风云极轨气象卫星( f y 1 ) 、 美国极轨气象卫星、俄罗斯m e t e o r 极轨气象卫星、欧盟m e t o p 极轨气象卫星 及美国航天局的e o s 系统。仅仅气象部门就有高分辨资料接收站2 0 0 多个，加上 水利、防汛、民航、军事部门其数量还要大得多，每天可以接收到几乎覆盖全球 的海量云图数据【2 l 。相对于云图数据的这种爆炸式增长，相应的分析、处理工具的 研发、应用却严重滞后。对于云图的应用目前仍停留在领域专家人工定性分析为 主的阶段，因此存在以下两方面弊端： 一方面，云图数据量庞大与人工分析效率低之间存在巨大矛盾。一台卫星资 料接收机一天就可以产生1 0 g b 的云图数据，数据量之大已远远超出了人工分析的 能力，数据的直接生产者只能以近乎弃置的方式闲置大量的宝贵资源。 另一方面，对于采用人工经验性分析的这部分云图数据，由于个体差异，不 第l 页 国防科学技术大学研究生院工程硕士学位论文 同的预报人员可能对同一张云图得出不同结果，使得分析结果精度不高、主观性 大，在面对如防汛指挥调度和决策的过程中缺乏足够的说服力。 综上所述，我们所面临的问题即转化为：如何从大量云图数据中自动、快速、 有效地提取隐含模式、发现知识? 图像挖掘技术的出现为我们提供了解决问题的 途径。它是一种以用户需求为驱动、基于计算机的分析技术，它能将计算机高效、 快捷、精确等特点与专家的领域知识有效结合，最终得到更具有说服力的结果。 图像挖掘技术包括图像的关联规则挖掘、图像聚类、图像分类等方面的内容， 本文以卫星云图的分类为切入点，根据云图自身的颜色，灰度、纹理、形状等视觉 内容展开一系列的研究。 1 2 相关研究工作 图像数据挖掘是目前国际上数据库、图形图像技术和信息决策领域最前沿的 研究方向之一，是数据挖掘的一个新兴而富有挑战性的领域，具有较高的学术价 值和广泛的应用前景，其重要性已经成为学者们的共识。但图像挖掘与传统的数 据挖掘相比具有：图像中信息是隐含的；对图像信息可有多种解释，依赖于图像 表示方法和应用领域知识；图像信息中包含图像对象的空间关系等特点，使得图 像挖掘不是传统的数据挖掘理论与技术在图像数据上的简单扩展，其研究目前仍 主要集中在理论研究阶段，所作的工作将在下面分别加以介绍。 1 2 1 图像数据挖掘原型系统 图像数据挖掘软件系统的开发还处于试验探索阶段，主要是采取软件工程中 原型化的软件开发的方法进行开发，通过软件原型的开发，进一步明确图像数据 挖掘软件系统的需求，进一步明确图像数据挖掘的各项任务和功能。 1 多媒体数据挖掘原型系统：m u l t i m e d i a m i n e r 该系统是由加拿大西蒙弗雷泽大学的数据库系统研究实验室开发的，从大量 多媒体数据库中挖掘出高层的多媒体信息和知识的空间数据挖掘软件原型系统。 该系统是在基于关系型数据库的联机分析数据挖掘系统d b m i n e r ，以及基于内容 的图像检索系统c b i r d 的基础上进行开发的。该系统的挖掘模块包括四个主要功 能模块：特征挖掘模块、比较分析模块、分类分析模块、关联规则挖掘模块【3 】。 2 天体图像目录编辑和分析工具：s k i c a t 由喷气推进试验室的f a y y a d 博士领导的开发小组正在开发一套从图像集中发 现知识的系统，即天体图像目录编辑和分析工具( s k yi m a g ec a t a l o g i n ga n da n a l y s i s t o o l ，s c a t ) ，这套系统主要用来研究天文学图像，该系统利用g i d 3 和o b t r e e 等算法自动产生决策树，根据决策树产生分类规则，从而对天文图像中的对象进 第2 页 国防科学技术大学研究生院工程硕士学位论文 行分类( ”。 3 卫星图像智能信息挖掘原型系统 德国遥感中心的m i h a id a t c u 领导的研究组正在进行卫星图像智能信息挖掘原 型系统的研究，在基于内容的图像检索的基础上，提出了一个卫星图像智能信息 挖掘系统的开发策略，开发了一套实验原型系统【5 1 。 4 算法开发与挖掘系统：a d a m a d a m ( a l g o r i t h md e v e l o p m e n ta n dm i n i n gs y s t e m ) 是由美国亚拉巴马州立大 学亨茨维尔分校的数据挖掘研究中心开发的一套地学空间数据挖掘软件原型，主 要是针对气象卫星图像进行挖掘，将所挖掘出的知识应用到气象的预报工作中， 进行飓风的预报监测、气旋的识别、积云的检测、闪电的检测等【6 】。 5 钻石眼系统：d i a m o n de y e 该系统是美国国家航空和宇宙航行局( n a s a ) 喷气推进实验室( j p l ) 研究 和开发的一套图像数据挖掘软件原型系统，系统能够从图像中自动提取含有语义 信息的知识，并且已经在弹坑地形的探测和分析以及卫星探测等方面得到了具体 应用【7 1 。 当前的图像数据挖掘的原型系统实现了特征器、比较器、分类器和关联器4 个数据挖掘功能模块，它们的作用分别是【1 】： ( 1 ) 特征器。从图像数据库中的相关数据集中发现一组多抽象级的典型特征。 ( 2 ) 比较器。从图像数据库中的相关数据集中发现不同类之间相区别的特征， 以区分目标类与比较类的一般或特定的特征。 ( 3 ) 分类器。根据一些已知的类标记对图像数据进行分类，其结果是对图像 数据集的分类和每一类的特征描述。 ( 4 ) 关联器。从图像数据库中的相关数据集中发现一组关联规则。 1 2 2 图像分类的研究 本文研究的目标就是从卫星云图数据集中挖掘出分类知识。分类是数据挖掘 的一项重要研究内容，图像分类技术发展至今，分类算法虽然已经十分丰富，但 是它们或多或少与经典分类算法有一定的联系。经典类算法按有无样本学习可以 分为监督分类和无监督分类眵，9 1 。无监督分类也称聚类，常用于图像挖掘过程的早 期阶段。常见的经典聚类算法有肛均值聚类和i s o d a t a 聚类，常见的经典监督分 类算法有最小距离分类、最大似然分类等。 随着图像分类研究的深入，不断涌现出一些新的图像分类算法，其中包括： 模糊分类、神经网络分类等。 以模糊分类为代表的“软”分类算法是目前图像分类的一个重要趋势【l0 】。一 第3 页 国防科学技术大学研究生院工程硕士学位论文 般来说，经典的分类技术中，一个像元只能归属到一个类别中，不能反映同一类 中的不同状况和一个像元中包含的其它图像信息情况，即一个像元只能属于一类 而不能同时属于另一类。而模糊分类则认为一个像元还是可分的，即一个像元在 某种程度上属于某类而同时在另一程度上属于另一类，这种类属关系的程度用像 元隶属度表示【l l 】，如模糊c 均值算法( f c m ) 0 2 - t 5 、p f c m 算法( p e n a l i z e df c m ) ”6 l 1 和c f c m 算法( c o m p e n s a t e df c m ) t s l 等。文献【1 9 】中提到的p f c m 算法克服 f c m 对噪声的敏感性问题。文献【2 0 】提出了一种光谱模糊分类系统，将一种从模 糊聚类方法改进的分类算法运用到光谱图像的模式识别中，取得了较好的效果。 神经网络技术主要用于获取分类模式，在图像分类中得到了广泛和深入的应 用，从单一的b p ( b a c kp r o p a g a t i o n ，反向传播) 网络发展到模糊神经网络、多层 感知机、学习向量分层一2 网络、k o h o m e n 自组织特征分类、h y a r i d 学习向量分 层网络等多种分类器。实验表明，神经网络在数据处理速度和分类精度上均优于 最大似然分类方法。特别是当数据资料明显偏离假设的高斯分布时，其优势更为 突出i l ”。参考文献【2 l 】中设计了一种两阶段自组织特征映射聚类算法。第一阶段先 进行图像内的模式单元聚类，第二阶段再利用每幅图像的模式单元频率直方图作 为输入矢量，实现图像间的聚类。该算法减少了空间信息对于聚类结果的影响， 且降低了输入矢量的维数，减少了网络运算负荷，提高了计算效率。文献【2 2 】提出 了一种基于模糊概率推理( f u z z yp o s s i b i l i s t i cr e a s o n i n g ) 的h o p f i e l d 模型网络：模 糊概率h o p f i e l d 网( f p h n ) ，该分类系统是在神经网络体系结构中执行模糊逻辑 系统的范例，对多光谱图像进行分类效果理想。 概括起来，图像分类算法大致可以分为三类：经典分类、模糊分类、神经网 络分类。 经典的分类技术算法简单、执行速度快，但算法多建立于统计的基础之上， 输入的特征矢量需假设其服从某种特定的分布，因此存在一些弱点：( 1 ) 初始化 条件较难确立，离散的类别数据在很多情况下不具备统计意义；( 2 ) 对于多源、 多维的图像数据中，可能不具备同一分布特征；( 3 ) 聚类过程中难以融入专家知 识。 实验证明模糊分类能在一定程度上提高分类的精度，但是目前仍然没有一种 方法能确切定义类别隶属度，现有的算法都存在主观性和随机性1 2 3 1 。 在利用模糊技术达不到分类器设计要求时，人们寻求更好的方法解决问题。 神经网络分类算法在很多方面都具有优势：( 1 ) 与经典的分类算法相比，神经网 络的学习能力更强；( 2 ) 特征矢量不需假定服从某种分布；( 3 ) 当特征矢量明 显偏离高斯分布，分类效果优于最大似然分类等经典算法；( 4 ) 对噪声数据具有 高承受能力；( 5 ) 错误率低；( 6 ) 易融入专家知识。但是，由于神经网络分类 第4 页 国防科学技术大学研究生院工程硕士学位论文 方法获取的模式隐含在网络结构中，而不是显示地表达为规则，不容易被人们理 解和解释，另外神经网络存在训练时间开销大；网络参数确定和网络结构优化困 难；难以甚至无法收敛等固有缺陷。因此，与其它挖掘方法不同，神经网络用于 图像数据挖掘，要解决好两个关键问题：一是降低训练时间，二是挖掘结果的可 理解性。伴随着训练算法的陆续提出与优化，神经网络在图像数据挖掘分类中的 应用越来越为广大使用者所青睐。 1 2 3 卫星云图分类研究现状 卫星云图的计算机处理、识别在气象上并不是一个新的命题，已有几十年的 研究历史。但由于云图中云团的既动又变的特点，因此对云图的研究仍有一定的 困难。现有资料表明，在我国早期的云图应用中，一直采用经验性的人工定性判 断，国内对卫星云图的处理大多仍仅限于常规的图像处理技术，如分屏、漫游、 动画、增强和不同光谱通道的简易叠加、合成等，以发送云图的视觉效果，便于 气象预报人员使用。近几年来对卫星云图的计算机自动处理、分类、识别等工作 正引起很多人的关注，并进行了一些相关的研究，提出了多种方法。比如利用数 学形态学方法对台风云系进行处理识别；利用纹理分析方法、数学形态学、多值 自适应分割等方法对卫星云图进行分割；利用人工神经网络技术对不同云系进行 识别归类等，取得了很大进步。国外对卫星云图进行计算机分析识别等研究工作 目前仍然处于探索阶段，重点为利用模式识别手段实现云图的自动分类等研究， 如利用纹理特征分析积云、层云的特点，利用模板匹配技术分析气旋的发展阶段， 利用像素分类及聚类等方法对云进行自动分类等【2 4 】。 p a n k i e w i c z i ”1 对卫星云图的分类研究作了全面的总结。云图分类首先面临的是 分类特征的选择问题，对此研究人员对各种特征提取方法进行了测试。常用于云 图分类的特征包括：频域特征和纹理特征。频域特征反映云团在不同波段的辐射 情况，而纹理特征对大气衰减的影响不敏感且具有独特性即每种云都有其独特的 纹理特征。b i nt i a n 2 6 疑取了卫星云图红外与可见光两通道的频域和纹理特征，利 用神经网络对云团进行了分类。而对云图特征集的提取，c i c h r i s t o d o u l o u l 2 7 1 作了 更多尝试，利用经气象领域专家分析解释并分割后的红外卫星云图，提取其九大 类共5 5 种纹理特征，作为自组织神经网络和k 最邻近分类器的输入特征矢量。南 京理工大学的夏德深【2 8 】等人利用基于分数维与灰度梯度共生矩阵的方法进行云图 识别。w e l c h l 2 9 1 等人计算了基于灰度共生矩阵的二次统计特征。l a m e i l 3 0 l 等人用 g a b o r 滤波器提取云团的纹理特征。p a r i k h l 3 n ，g u p 2 1 ，o h a n i a n l 3 3 1 ，a u g u s t e i j i n t 3 4 1 分别对卫星云图和其它卫星图像的频域特征和纹理特征分类性能的比较研究表 明，对于云图分类问题目前尚未发现最佳的特征提取方案。 第5 页 国防科学技术大学研究生院工程硕士学位论文 在最佳分类器选择的研究中涉及到了传统的统计分类和神经网络分类两种分 类方法。s i m p s o n 和g o b a t 3 5 】使用嵌套的层次分割聚类算法对g o e s 图像进行分割。 在处理云图的分类问题中，w e l c h 2 9 j 使用了线性差别技术，l e e 3 6 】等人选择了一个 三层的b p 神经网络，b a n k e r t l 3 7 】等人则对统计神经网络进行了测试。文献1 3 剐分别 用这三种方法对同一类型图像进行分类性能的比较研究，实验结果显示b p 神经网 络分类准确性更高，统计神经网络次之但训练时间比前者短。文献p 卅根据数字化 气象卫星资料的特点，设计了对卫星云图进行自动分类识别的动态聚类算法。利用 g m s - - 5 的1 0 1 5 1 1 1 5 2 珊和0 1 5 5 0 1 9 i f 两个通道的资料，采用迭代自组织 的数据分析算法( i s o d a t a 算法) 对云图进行了分类试验。尽管研究人员作了大 量研究和努力，但云图的自动分类系统距实际应用还有很大一段距离。 1 2 4 相关研究工作评述 综上所述，在实际应用需求的驱动下，图像挖掘技术越来越受到人们的广泛 关注并开展了相应的研究工作。但是，现阶段的研究工作还有待进一步深入，针 对各个应用领域的研究如遥感图像挖掘、医疗图像挖掘，零散而不成体系，已经 投入使用的图像挖掘和分类系统还不成熟，还存在许多问题留待进一步的研究。 对于卫星云图的挖掘和分类，则面临更多困难。首先，要实现云图的计算机 自动分类识别，就需要全面了解云图中所包含的信息，需要相关领域知识的支持。 众所周知，气象学是- - f o 独立而复杂的学科，要掌握其中相关内容并不是一件容 易的事。另外，除一些特征明显的典型云类外，存在大量过渡区域和处于生长消 亡阶段等一些特征较为模糊的云系以及多层云系相迭加的情况，它们在卫星云图 上表现出的灰度和纹理特征非常复杂，硬性地把这些云系归入某一种类既不合理， 也易产生误导，这些云给云图的分类挖掘提出了严峻挑战。 正因为有这样困难的存在，也使得云图分类问题存在巨大的研究空间： ( 1 ) 可以将其它领域的研究成果引入到图像挖掘特别是云图分类中。由于图 像数据集自身所具有的非结构化、图像数据理解多义性等特点，以及卫星云图的 海量数据和模糊性的特点，很多传统的数据挖掘的相关理论与技术不能直接引入 到卫星云图的分类中来，迫切需要研究一些切实可行的新方法。 ( 2 ) 对于卫星云图的多维特征的综合分类潜能研究较少。目前的研究大多集 中于利用单一特征集结合分类器进行云图分类，这样在很大程度上忽略了各种特 征相结合所具有的分类潜能。 1 3 本论文研究内容及贡献 本文围绕卫星云图的分类展开研究，分析并归纳出典型的卫星云图的分耋堡 第6 页 国防科学技术大学研究生院工程硕士学位论文 架，在此基础上，提出了两种卫星云图的挖掘方法一基于微粒群优化的卫星云 图聚类算法和卫星云图的多特征分类方法，具体研究内容及贡献包括以下几个方 面： 1 建立了一种基于内容的卫星云图分类框架 一个典型的卫星云图分类框架包括图像预处理、图像分块、特征提取和分类 四个基本模块，其中直接对图像进行分块处理的方式既不科学也不合理，本文在 对这个框架进行分析讨论的基础之上，构建了一个改进的卫星云图分类框架，采 用图像聚类分割的方法代替了原有的操作，使图像聚类结果能为最终的分类任务 提供服务。 2 提出了一种基于微粒群优化的云图聚类算法 本文根据数据挖掘中对聚类分析的定义，建立了衡量图像聚类效果的质量评 价参数体系，相比于误差平方和准则只讨论了类内离散度，建立该参数的目的在 于同时考虑类内和类间离散度的双重因素。结合图像聚类质量参数，本文将一种 基于群体智能的随机优化技术：微粒群优化算法，引入到图像聚类领域，从算法 编码和目标函数的构造方面进行了设计，提出了一种基于微粒群优化的云图聚类 算法。 3 提出了一种卫星云图的多特征融合分类方法 目前卫星云图的分类研究大多采用单一特征结合分类器进行云图分类，这种 方法在很大程度上忽略了各种特征相结合所具有的分类潜能。针对此问题，本文 提出了一种卫星云图的多特征分类方法，通过提取云图的多特征与相应分类器的 结合形成分量分类器，再送入融合中心经过融合算法的作用得出最终的分类判决。 本文采用了基于投票系统的融合方法来对多特征分类器进行融合，投票系统包括 无选通子系统和有选通子系统两种情况，借鉴神经网络学习和i s lj 练的思路，本文 提出了一种有选通子系统情况的分量分类器权系数训练方法，训练后的投票系统 能最大限度地发挥各分量分类器的优势，从而显著地提升了系统分类器的性能。 1 4 论文结构 论文第一章介绍了问题的提出、课题的相关研究工作、研究内容及贡献和本 论文的组织结构。 第二章从卫星云图分类问题出发，归纳和总结了与之密切相关的气象学和图 像挖掘的相关知识。在此基础上，讨论了典型的卫星云图分类系统，并针对问题 提出了一个改进的分类框架。 第7 页 国防科学技术大学研究生院工程硕士学位论文 第三章提出了一种基于微粒群优化的云图聚类方法。包括聚类分析的一些基 本概念和方法，微粒群优化算法和基于p s o 的云图聚类算法。 第四章介绍了卫星云图的多特征融合分类方法。包括云图多特征的提取，面 向云图分类的b p 神经网络的设计和基于投票系统的卫星云图多特征融合方法三 部分内容。 第五章对上述两部分内容进行了实验和结果分析，包括基于微粒群优化的云 图聚类算法和卫星云图的多特征融合分类方法作为独立部分的实验结果，以及聚 类和分类的联合实验结果。 第六章是总结和对未来工作的展望。 第8 页 国防科学技术大学研究生院工程硕士学位论文 第二章卫星云图分类基础 卫星云图为我们便捷地提供了时空尺度广泛的云的信息，所展示的云的种类 和形态，蕴涵着丰富的天气演变信息，综合反映了大气中正在进行的动力和势力 过程。准确识别云图上的云类的分布，对提高危险灾害性天气的监测和改进天气 预报有重要的实用意义。卫星云图的分类是涉及到气象学和图像挖掘两个学科的 综合问题，要解决好这个问题依赖于对这两个学科相关知识的全面掌握和融会贯 通。从这个角度出发，本章分别对气象学和图像挖掘的相关内容进行了简要的介 绍。在此基础上，构建了卫星云图分类的基本框架，并对其进行了详细的分析、 阐述。 2 1 卫星云图概述 气象卫星自上而下观测地球大气，接收来自地面、云面和大气反射的太阳辐 射或自身发射的红外辐射。若将卫星仪器在某一波段测得的辐射以图像方式显示， 就得到卫星云图。 2 1 1 卫星云图的种类及其特点 随着多光谱探测技术的发展，气象卫星采用的光谱通道，即波长间隔愈来愈 多，为天气分析预报提供的信息也愈来愈多。1 9 7 8 年开始，美国的第三代业务气 象卫星，采用4 5 个光谱通道对大气、地面和云层进行观测。欧洲静止气象卫星、 美国静止气象卫星戈斯( g o e s ) 、雨云卫星等采用水汽通道，测量水汽辐射，得到 水汽图。最常使用的卫星图像包括：可见光图像( v i s ) 、红外图像( i r ) 、水图像( w v ) 【钟， 4 1 1 。 2 1 1 1 可见光云图的特点 卫星上的扫描辐射仪在可见光波段测量地面、云面所反射的太阳辐射强度， 把测到的辐射转换为图像，便得可见光云图。当可见光图像用黑白方式显示时， 较黑的色调代表低的亮度( 即低的反射辐射强度) ；较亮的色调代表高的亮度。 亮度与星下表现的反照率相关极好。反照率的典型值见表2 1 。 可见光图像可用于区分海洋、陆地和云。海洋和湖泊具有低的反照率，在可 见光图像上显得暗。一般来说，陆地比海洋亮，但比云暗。但是，陆地的反照率 随地表类型有很大的差异。与深色的森林和植被区域相比，沙漠非常亮。除雪盖 以外，云的反照率比陆地高，因此，在正常的显示方式下，云表现为白或亮灰色。 第9 页 国防科学技术大学研究生院工程硕士学位论文 其亮度或反照率取决于它们的物理特性，如下所述： 高反照率的云具有的特点：云的厚度大；云水( 冰) 含量高；云滴的平均尺 度小。而低反照率的云厚度小；云水( 冰) 含量低；云滴的平均尺度大。 在可见光图像中，太阳光斜射到云上，形成阴影和高亮区。这些有助于识别 云的结构。云的可视纹理结构也能帮助我们进行云的判识。 表2 1典型的反照率值( ) 2 1 1 2 红外云图的特点 可见光云图只有在白天得到，夜间就无法获取。但是红外云图不仅白天有， 夜间也有，具有全天时的工作特点，因此利用它可以连续监视云的活动情况。红 外云图是一张温度分布图。卫星在这一波段所测到的辐射，经转换后得到的云图 色调，主要决定于目标物发出的辐射，这种辐射又决定于物体自身的温度和发射 率，如表2 2 所示。在红外云图上，色调暗的地方表示温度较高，色调浅的地方表 示温度较低。一般来说，由于大气温度随高度是递减的，所以具有一定厚度的云 的色调愈浅，表示云顶温度愈低，云顶愈高。 表2 2 不同类型云的发射率( ) 在陆表和洋面之间有强烈温度反差的地方，海岸线在红外图像上清晰可见。 在可见光图像上，卷云通常透明的，但在红外图像上它清晰可见，尤其是当它位 于比它暖得多的地面之上时。在夜间的红外图像中很难观测到低云和雾，因为它 们的温度特征与下面的地表背景太相似，以至于分辨不出来。 第l o 页 国防科学技术大学研究生院工程硕士学位论文 2 1 1 3 水汽图的特点 卫星使用5 7 7 1 朋波段进行观测，可以得到大气中水汽分布资料。因为 5 7 7 1 # 肼波段是水汽强吸收带，吸收中心位于6 7 ，埘。卫星在这一谱段测量的辐 射主要来自两部分：其一为地面、云面发出并透过大气到达卫星的辐射，其二为 大气中水汽本身发出的辐射。由于该波段为水汽强吸收带，故卫星测量的辐射主 要来自水汽，地面的辐射可以忽略不计。如果大气中水汽含量不同，卫星得到的 辐射就不同。卫星测量的辐射愈小，表示水汽含量愈多，在水汽图上的色调愈白； 卫星测量的辐射愈大，表示水汽含量愈少，在水汽图上色调愈暗。如果视场内包 含中、高云，则卫星测得的辐射主要来自云层。因此在有中高云的地区，红外云 图上的云系外貌与水汽云图十分相似。但在晴空少云地区，从水汽云图上可以分 析对流层中上部大气系统活动和大气环流的许多特点，这在红外云图上看不出来。 在水汽图上，少云区的地表特征不清楚，而在红外云图上却可以反映出来。 2 1 2 识别卫星云图上各种云的判据 从云图上识别各种云是利用卫星云图分析预报降雨的基础。在降雨云系形成 和发展过程中，常伴有其它类型的云系的出现，为了将降雨云系与非降雨云系区 别开来；以及识别对降雨发生发展有指示性的云系，对各种云团种类的识别就显 得特别重要。从卫星云图上识别各种云主要依据以下六个判据【帅j ： 1 结构形式 卫星云图上的结构形式是指由于光的强度不同，反射或发射辐射所造成之不 同明暗程度的物象点的分布式样，这些物象点呈有组织分布或散乱分布，即具有 一定的结构形式。 在卫星云图上，锋厩云系呈带状，气旋( 台风) 呈涡旋状，冬季洋面冷锋后 的积状云呈细胞状。从云的结构形式可以帮助我们了解大气物理过程和识别云的 种类。如细胞状云是冷空气从陆地到达暖的洋面变性而造成的，这种云系主要由 积状云组成。 2 范围大小 不同种类的云系在卫星云图上表现的范围不同。例如与天气尺度系统相联系 的高层、高积云和卷云，分布范围很广，达几千公里以上。与中小尺度系统相联 系的积状云，范围很小，从几十公里到几百公里。与地形有关的云系分布与地形 范围一致。从云系的分布范围可以判断天气系统的尺度及其有关的物理过程。 3 边界形状 在卫星云图上的各种云系都表现有一定的边界形状，要识别不同种类的云， 边界形状是个重要依据。云系的边界有直线、弯曲、光滑和不整齐的等。如积云 第1 1 页 国防科学技术大学研究生院工程硕士学位论文 浓积云边界不整齐，层云( 雾) 边界较整齐。