（系统分析与集成专业论文）模式识别技术及其在气象研究中的应用.pdf

模式识别技术及其袖：气象研究中的应用 摘要 摘要 模式识别是随着人工智能和计算机视觉研究的兴起而得到迅速发展 的新理论和新技术，在图像技术和遥感研究等很多领域中都发挥着重要 的作用。对模式识别进行研究，具有重要的理论意义和应用价值。本文 对模式识别领域中的图像纹理特征提取、遥感图像分类、1 3 p 神经网络与 纹理特征组合分类等方法，以及它们在云团属性识别、云迹风反演和暴 雨过程分析等气象问题中的应用作了研究。 针对过去利用图像光谱亮度特征进行识别分析气象卫星图像准确度 不高的问题，本文提出了发展混合像元的分解模型，以图像的纹理特征 为基础，提高图像识别的智能水平，以实现在分析决策模型的支持下， 快速准确的复合分析的解决方案。并以2 0 0 3 年7 月4 日一5 日发生在江 淮流域的特大暴雨过程为例，对该方案进行了验证。 论文的第一部分介绍了进行纹理特征研究的一些典型的方法，利用 其中的基于统计的纹理分析法中的灰度共生矩阵以及灰度一梯度共生矩 阵法，分析了卫星云图上五类区域的纹理特性；第二部分主要介绍了遥 感图像分类原理以及神经网络中的b p 算法，在对算法原理进行深入理 解的基础上，把纹理特征与神经网络进行组合，实现对卫星云图进行分 类分析；第三部分内容是在前面图像分类结果的基础上，对序列图像用 相关匹配法进行运动分析，反演云迹风风场。通过对2 0 0 3 年7 月4 5 日暴雨过程的试验分析发现，使用纹理特征作为整个分析决策模型的基 础是十分合理的，另外改进的基于纹理分类的云迹风反演技术，由于精 度的提高，使诊断水平有了很大的改善。由它所表示的2 0 0 3 年7 月5 日0 7 0 8 时的高空风场上，可以清楚地看到一个北边辐散，南边辐合的 反气旋环流，这些细节有效地帮助了常规方法，使其对天气过程做出合理 的诊断分析。 关键词：模式识别，纹理特征提取，神经网络，云迹风反演， 暴雨过程分析 模式识别技术及其在气象研究中的应用 a b s 丁r a c t a b s i r a c r t h e p a t t e mr e c o g n i t i o n a sa q u i c k l yd e v e l o p i n g n e w t h e o r y a n d t e c h n i q u ep l a y si m p o r t a n t r o l e si nm a n ya r e a ss u c ha si m a g e p r o c e s s i n ga n d r e m o t es e n s i n ge t c ，i nt h i sp a p e rw es t u d i e dt h et e x t u r a lf e a t u r e se x t r a c t i o n ， r e m o t es e 2 1 s i n gi m a g e sc l a s s i f i c a f i o na n db pn e l h a ln e t w o r kt e c h n i q u e sa n d t h e i ra p p l i c a t i o n si nt h em e t e o r o l o g i c a lp r o b l e m ss u c ha sr e c o g n i t i o no ft h e c l o u dc l u s t e rf e a t u r e ，c l o u d d r i f tw i n dr e t r i e v a la n dh e a v yr a i np r o c e s s a n a l y s i se t c t ot h eq u e s t i o no ft h el o wp r e c i s er e c o g n i t i o no fs a t e l l i t ei m a g e sb y u s i n gs p e c t r a lf e a t u r e s ，t h ep r o p o s e da p p r o a c ha s s u m e s t op e r f o r ma m u l t i p i e a n a l y s i sb a s e do na na d v i s a b l ed e c i s i o n - m a k i n gm o d e lb yf i r s td e v e l o p i n ga m i x e d p i x e lr o o d e lw h i c hw a sb a s e do nt h et e x t u r a lf e a t u r e so fi m a g e s ，a n d t h e ni m p r o v i n gt h er e c o g n i t i o ni n t e l l i g e n c e t h i ss c h e m ew a sf i n a l l yt e s t e d b yat y p i c a lm e s o s c a l es e v e r er a i n s t o r mp r o c e s sw h i c hh a p p e n e do nt h e m i d d l e l o w e r p a r t so f t h ey a n g t z er i v e ri nc h i n ad u r i n gt h ep e r i o do f j u l y 4 ”一5 “2 0 0 3 i nt h ef i r s tp a r to ft h i sp a p e r , s o m et y p i c a ls c h e m e si na n a l y z i n gt e x t u a l f e a t u r ea r ei n t r o d u c e d a m o n gt h e mt h eg r a yl e v e lc o o c c u r r e n c em a t r i x ( g l c m ) a n dg r a yg r a d i e n tc o - o c c u r r e n c em a t r i x ( g g c m ) m e t h o d s ，w h i c h a t t r i b u t e dt ot h es t a t i s t i ct e x t u r a la n a l y s i ss c h e m ew e r et h e nc h o s e nt oe x t r a c t t h et e x t u r a lf e a t u r e so ff i v ek i n da r e a so ns a t e l l i t ei m a g e s i nt h es e c o n dp a r t t h e p r i n c i p l e o fc l a s s i f i c a t i o na n db pn e u r a ln e t w o r kw e r ei n t r o d n c e d c o m b i n e dw i t ht e x t u r a l f e a t u r e s ，t h ei m p r o v e db p n e u r a ln e t w o r k s u c c e s s f u l l yp e r f o r m e d o nt h ec l a s s i f i c a t i o no f t h es a t e u i t ei m a g e s b a s e do n t h ec l a s s i f i c a t i o nr e s u l t s t h ec o r r e l a t i o nc o e 伍c i e n tm e t h o di n t r o d u c e di nt h e l a s tp a r to ft h i sp a p e rw a st h e nu s e dt or e t r i e v ec l o u d d r i f tw i n df r o mt h e s e q u e n ti m a g e s b ye x a m i n i n g o nt h er a i n s t o r mp r o c e s sh a p p e n e d d u r i n gt h e p e r i o do fj u l y4 m - 5 “，2 0 0 3 ，t h er a t i o n a l i t yo fu s i n gt e x t u r a lf e a t u r ea st h e w h o l e d e c i s i o n m a k i n g m o d e l sf o u n d a t i o nw a s s u c c e s s f u l l y t e s t i f i e d f u r t h e r m o r e t h ei m p r o v c dc l o u d d r i f tw i n dr e t r i e v a lt e c h n i q u ew h i c hb a s e d o nt h i s d e c i s i o n - m a k i n gm o d a la l s os h o w e dar e m a r k a b l ep e r f o m a a n c ei n a n a l y z i n gam e s o s c a l ew e a t h e rs y s t e m t h ew e a t h e rs r r r s t e m o nj u l y5 “ 0 8 b s td e p i c t e db yt h ec l o u d d r i f tw i n d sc o u l db ed i s t i n c t i v e l ys e e na n a n t i c y c l o n ew i t hd i v e r g e n c ei nt h en o r t ha n dc o n v e r g e n c e i nt h es o u t hw h i c h w a sm u c h h e l p f u li nr a t i o n a l l ye x p l a i n i n gt h e r e a lw e a t h e r p r o c e s sc o m b i n e d w i t hs o m et r a d i t i o n a lm e t h o d s k e y w o r d s ：p a t t e r nr e c o g n i t i o n ，t e x t u r a lf e a t u r e se x t r a c t i o n ，n e u r a ln e t w o r k ， c l o u d d r i f tw i n dr e t r i e v a l h e a v yr a i np r o c e s sa n a l y s i s 论文独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作 及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南 京信息工程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 表示了谢意。 签名：勉日期： 胛年厂月杉曰 关于论文使用授权的说明 本学位论文作者完全了解南京信息工程大学有关保留、使用学位论 文的规定，有权保留并向国家有关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。本人的电子文档的内容和纸质论文的内 容相一致。除在保密期的保密论文外，本人授权南京信息工程大学可以 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，也可以公布( 包括刊登) 论文的全部或部分内容。 签名：导师签名 日期：州嘭年r 月形日 模式识别技术1 ；6 乏j t - d - 气象研究中的应用第一章i j l 并 第一章引言 1 1 概述 图像是用各种观测系统以不同形式和手段观测客观世界而获得的， 是可以直接或间接作用于人眼并进而产生视知觉的实体【”。通常认为， 图像的研究分为三个层次【2 ，即图像处理、图像分析和图像理解。这三 个层次既有区别又有联系，从图1 1 可以看出，图像处理是这三个层次 中最低层的操作，它研究的内容包括滤波、压缩、编码等图像变换。图 像分析和图像理解则主要是对图像中感兴趣的目标进行检测，建立对图 像的描述，并在此基础上对描述图像而抽象出来的符号进行运算，以研 究目标的性质和内部规律。现在，图像技术的研究与越来越多的学科的 研究密不可分了，它不仅与数学、物理学等学科相关，还与模式识别、 计算机视觉等学科联系紧密。其中，模式识别领域的研究成果更是大大 推动了图像分析和理解的前进步伐。 高 圈1 - 1 图像研究的三层次示意图 模式识别最早诞生于2 0 世纪2 0 年代，随着人工智能和计算机视觉 研究的兴起，模式识别在6 0 年代以后得到了迅速的发展。所谓模式就是 人们在生活实践，生产实践和社会实践中对外部事物形成的形体、规则 和特征的概念，而识别就是认识和区别的结合 3 。举个简单的例子，我 们对周围环境的认识感知都是一种不知不觉的模式识别过程。模式识别 掳作难骞 l f l _ 素 标 号 像 目 符 模式识别技术及其在气象研究中的心闹 第一章0 【吉 的思想现在被很多领域借鉴，并在这些领域中发挥很大的作用。比 如本文一开始提到的图像技术领域中，利用计算机进行自动的( 图像) 模 式识别( p a t t e r nr e c o g n i t i o n ) 己经成为这个领域的一个研究热点。从 1 9 9 5 1 9 9 9 年的1 3 3 3 篇计算机科学文献统计情况来看【2 】，其中涉及到模 式识别的文献数量占总文献数量的3 2 5 ，到2 0 0 0 年这个数字上升到 5 6 。这一方面说明人们开始认识到模式识别的价值和意义，另一方面 也说明模式识别中涉及到许多复杂问题，要想取得全面细致的认识，需 要作大量的研究。 从目前的实际应用情况来看，模式识别在发展的几十年过程中，取 得了丰硕的研究成果，现在已经在很多行业得到了成功的应用。例如， 在工业制造、通信、医学等领域已经取得了显著的经济效益。 模式识别技术除了很多我们已经熟知的应用以外，用于系统的分析 研究则是近几年发展出来的一个很有前景的研究领域。 系统科学简单的说就是一门以系统及其机理为研究对象，分析系统 的类型、性质和运动规律的科学。它涉及自然科学中包括数学、物理学、 化学等多个学科领域，还涉及到工程技术的多个部门，甚至与社会科学 的不少学科也有联系。可以说，世界上任何一种事物都可以看作是一个 复杂系统的个例，要想把握一个系统就必须从研究这个系统各种组成部 分的结构和运动规律入手。 天气系统是系统科学中一个很有意义的研究范畴，由于它包含的因 素很多，因而研究起来十分复杂。对气象研究的要求正在逐步由定性化 研究向定量化研究过渡，一些常规方法已经越来越难以满足发展的需要。 随着气象雷达和卫星事业的迅速发展，一种应用非常规资料进行天气系 统分析研究的思想正越来越受到气象研究人员的关注。 从国内外新近发表的成果来看，人们在这方面的研究已经取得了可 喜的进展，如美国n a s a 通过研究m o d i s 传回的卫星图像资料发现了 厄尔尼诺和拉尼娜这些海洋表面温度反常现象以及大气和海洋的相互影 响在气候和天气变化中的作用。由于这些研究的资料多是以图像形式表 现的，模式识别技术在该研究中起到了重要的作用。 由此可见，模式识别技术的研究在气象研究中具有很强的理论意义 和实用价值。 模式识别技术及其在气象研究中的应用第一章引言 1 2 问题简介 在复杂多变的天气系统中，中短期天气系统的诊断分析研究无论是 在过去还是现在，在气象专业领域中都是一个研究难点和热点。这种天 气系统( 如暴雨和强雷暴天气这类灾害性天气过程) 往往具有尺度小、变 化快、生命短的特点 4 】，多年来人们一直很难把握它的结构和活动规律。 后来由于卫星云图资料具有对某一固定区域具有连续观测以及高时空分 辨率的优点，这些资料成为用常规气象方法进行分析时候很好的验证资 料，在某种程度上提高了分析诊断的水平和准确性。但是，应用模式识 别的方法从这些非常规资料中获取信息来进行分析诊断的研究工作目前 还不多见，这主要是由于卫星云图的研究主体云，不是种单纯的 物质，它本质上是固体和液体的混合体。因此想要获得结构和系统活动 规律的细节信息相对于不易发生形变的其他物体如建筑、桥梁、道路、 植被来说，难度就显得非常大。正因为这个原因，这个问题至今仍然被 国内外学者视为模式识别中一项极具挑战性的工作。 对于这类系统的结构和运动规律的分析，传统的模式识别方法多数 都是提取以像元为晟小处理单位的光谱亮度值，即灰度值为特征，用二 维空间的数学模型进行分析。由于光谱亮度常常受照度和环境光反射的 因素影响，人们很快发现利用这种特征很难从本质上界定图像上的景物。 如在红外云图上，卷云和积雨云的色调都呈白色，亮度值非常接近，无 法从本质上界定两种不同属性的物质。因此基于这种特征的识别会不可 避免地降低结构分析乃至整个系统的活动规律分析的精度。 一类解决办法就是发展混合像元的分解模型，以图像的纹理特征为 基础，提高图像识别的智能水平，以实现在分析决策模型的支持下，快 速准确的复合分析。本文将结合具体的实例对这个方法进行分析讨论。 1 3 论文工作概述 在明确了全文的中心议题以后，在本小节中将简要的阐述问题的解 决思路。 针对论文的工作是设计一种模式识别算法以获得研究对象结构和运 动规律，文章中提出如下解决问题的思路：首先是纹理特征分析，考虑 到虽然云团的灰度值可能因为运动、环境的影响会不断发生变化，但是 云团的属性( 即是积雨云、卷云、层云、积云) 的变化则是一种渐变的 模式识别技术及其在气象研究中的应用 第一章引言 过程，也就是说，在一段时间内，云团的某些结柯特征是相对稳定且基 本保持不变的。利用这种特性，我们考虑使用云团的纹理特征作为整个 分析决策模型的基础。 其次是基于纹理特征的分类分析，在图像中物体的非定常性、非局 域性、非线性的特点使用如最小距离法这种普通的聚类分割的方法对物 体进行硬性分割，分割的准确性不高的情况下，选择神经网络作为分类 器。主要原因是神经网络算法具有高度并行处理能力、实时处理大数据 集、自适应能力强、万能的逼近功能、尤其是非线性映射功能的特点， 在解决这类问题时具有了很大的优势。另外，2 0 0 1 年s i m p s o n 等人1 5 j 利 用b p ( b a c kp r o p a g a t i o n ) 算法成功地区分了云、雪和裸地，并且识别 了云雪混合的像元，1 9 9 0 年和1 9 9 2 年l e e 等人【6 和w e l c h 等人【7 】分别用 神经网络进行了识别分类云层方面的研究也取得了较为理想的结果，这 些试验也表明神经网络在这方面的应用具有很强的优越性。 最后，对分类图像作运动分析，由于分类后的图像反映出来的是整 个图像的结构信息，这种信息相对于亮度信息更加稳定，因此应用分类 后的图像作相关匹配，反演云迹风风场，精度会有明显的提高。 综上所述，本论文的主要工作如下： 1 分析和提取特征模板的纹理特征，利用灰度共生矩阵和灰度一梯 度共生矩阵计算纹理特征统计量，利用2 0 0 3 年7 月4 5 日暴雨 过程说明纹理特征分析的作用及使用纹理特征作为整个分析决 策模型的基础的合理性； 2 构造一个b p 神经网络模型，以纹理特征统计量作为输入节点， 输出层分别对应层云、积云、卷云、积雨云和无云区的分类号； 3 对序列分类图像用相关匹配进行运动分析，反演云迹风风场。用 2 0 0 3 年7 月4 日一5 日在江淮流域发生的一次特大暴雨为例验证 整个复合分析模型的有效性。 1 4 论文内容安排 根据论文内容特点安排六章。 第一章引言主要介绍论文的研究内容及其应用背景，国内外 发展状况，问题简介，论文工作概述及论文安排情况。 第二章图像纹理分析将卫星云图划分为五个部分即积云、层 模式识别技术及其在气象研究中的应用第一帝弓l 言 第三章 第四章 第五章 第六章 云、卷云、积雨云、无云区，用灰度共生矩阵和灰度一 梯度共生矩阵的方法求纹理特征量，以2 0 0 3 年7 月4 5 日暴雨过程为例，说明纹理特征分析的作用及使用 纹理特征作为整个分析决策模型基础的合理性。 遥感图像分类原理与方法首先介绍参与开发的一套 遥感图像处理软件系统平台，通过该系统中的分类处理 模块详细说明遥感图像分类原理和一些基本分类方法。 b p 神经网络与纹理特征组合分类。 基于分类分析的卫星云图云迹风反演在前面分类结 果的基础上，对序列图像用相关匹配法进行运动分析， 反演云迹风风场。并用2 0 0 3 年7 月4 日一5 日在江淮 流域发生的一次特大暴雨为例验证整个复合分析模型 的有效性。 全文的总结和结论总结全文的工作及论文中得出的 结论。 模式识别拙术及j 在气象研究中的应用第二章纹理特征提取1 j 分析 第二章纹理特征提取与分析 2 1 纹理分析的基本概念 图像纹理分析从一般意义上来说，就是找出图像中灰度和颜色的变 化，反复出现的纹理基元和它的排列规则 8 】。而所谓的纹理基元就是组 成一定的纹理结构的基本单位，如条状、丝状、圆斑等。 纹理的概念对于我们来说并不陌生，日常生活中木头的纹理、树叶 的纹理、布匹的纹理都是我们今天要谈的纹理中的一种。就如同人的指 纹各不相同一样，所有的物质都有区别于其他物质的纹理特征。利用这 个特点应用纹理特征识别目标物的方法已经成为模式识别中一个非常重 要的方法。它的应用范围也越来越广，如在农业方面，利用纹理建立标 准烟叶图像检索数据库【9 】，对谷物进行分类分析 1 0 】；在医学方面，如进 行舌诊断研究；另外，还有对建筑物震害12 1 、水体分类识别，以及 气象云图识别1 4 - 1 5 的研究应用等等。 综上所述，可以得到两点结论： 1 、纹理中蕴涵着反映被检测物体大量有用的信息； 2 、纹理与材质之间有一种潜在的对应关系，这种对应关系具有唯一性； 2 2 纹理分析方法简介 纹理特征提取的方法很多，赵锋等【l6 】在纹理分割及特征提取方法综 述一文中分析和总结了近年来国内外所作的纹理特征分析的研究工作， 将纹理特征提取的方法总结为四种类型，即基于算子的图像特征提取、 基于统计方法的图像特征提取、基于模型方法的分割技术( 分形技术以 及随机场模型) 以及基于纹理结构的特征提取。 2 2 1 基于算子的特征分析 在基于算子的特征分析法中最具代表性的就是l a w s 的纹理能量测 量法，这种方法是一种典型的一阶分析方法【l ”，在纹理分析领域里有一 定的影响。这种算法的基本思想是：设置两个窗口，一个是微窗口另一 个是宏窗口，这两个窗口的大小分别取5 5 和3 2 3 2 。微窗口用来测 量以像元为中心的小区域内灰度的不规则性，宏窗口则为了获得更大窗 口上属性量的一阶统计特性。整个纹理分析就是将这些属性所获得的能 量进行组合。如图2 一l 所示。 模式识别技术及其确：气象研究中的应用第二章纹理特征提取与分析 图2 - 1 算子序列 在这个思想基础上，一些国内外学者还设计出基于图像线性变换的 纹理统计法 1 8 ，基于灰度值排序的纹理统计法以及基于灰度值梯度强 度和灰度值梯度方向统计量的纹理特征描述法。 2 2 2 基于统计的特征分析 在纹理分割中，基于统计的特征分析方法主要有两种类型，一种就 是基于灰度空间共生矩阵提取特征的方法，称为灰度共生矩阵分析法。 另一种就是灰度一梯度共生矩阵法。这两种方法的共同点都是建立图像 空域的某种对应关系，并由这种对应关系建立的矩阵引导出一系列的统 计参数。例如灰度一梯度共生矩阵就是用一个矩阵来表征一幅图像上同 时出现灰度i 和梯度i 这种灰度一梯度对的概率。用公式可以表示为： h ( i ，) ，i = 1 , 2 ，l ，= 1 , 2 ，三，从矩阵中获得如能量、熵、相关、小 梯度优势、大梯度优势、灰度分布不均匀性、灰度方差等统计参数。 2 2 3 基于结构的纹理分析 该类型的纹理分析法对纹理图像本身有比较严格的要求。例如区域 增长法要求提取的对象的纹理比较规则，由一系列相连的、灰度相近的 像素点组成。用这种方法获得纹理特征时必须首先计算纹理基元之间的 矢量，估计基元的分布位置，最后通过去除多余矢量形成相对紧凑的纹 理基元。由于现实世界中绝大多数的纹理都无法用精确定义的纹理基元 来描述，因此，这种结构分析方法的应用受到很大程度的限制。 2 2 4 基于模型特征的纹理分析 基于模型特征的纹理分析方法中有两类比较典型的方法，即分形模 型和随机场模型。下面就对这两种方法分别作简要的介绍。 2 2 4 1 分形模型 分形即h a u s d o r f f - b o s i c o v i c h 维数。分形用于纹理研究最早是由一个 叫p o n t l a n dap 的外国人提出的。他在文献【2 0 中通过研究发现，分形维 数与物体的粗糙度具有很强的相关性。由此启发了人们用分形函数来描 述纹理特征的研究。它的具体思想就是：首先估计单位为n i 1 的窗口内 模式识别技术及其柏气象研究中的应用第二章纹理特征提取与分析 分形维数：然后把代表纹理分形维数的直方图分割成只包含一个波谷的 n 个区间，用每个区间来表示一种不同的纹理。在具体计算时它是通过 区域内不同方向上一维功率滔的平均获得的。 2 2 4 2 随机场模型 随机场模型一般包括m a r k o v 链模型和g i b b s 模型。m a r k o v 链模型 是m a r k o v 随机过程的一种特殊情况，它是一种状态和时间都离散的 m a r k o v 过程。常见的m a r k o v 模型包括m a r k o vm e s h 模型、g a u s sm a r k o v 模型、c o n d i t i o n a lm a r k o v 模型等。对于这种模型的主要问题是，模型在 使用时通常需要进行预先的条件假设，而且由局部特征往往很难得到全 局的组合分布。现在在此基础上又衍生出h m m 模型，即隐m a r k o v 模 型对这个问题有了一定的改善。这个模型的主要思想就是将人们所能观 察到的事件与状态的关系用一组概率联系起来，它是种双重随机过程， 其中之一的m a r k o v 链用来描述状态的转移，另外一个描述状态和观察 值之间的统计对应关系。 g i b b s 模型是通过集团势能的概念，利用局部的计算获得全局的结 果。常用的g i b b s 模型包括i s i n g 模型和m l l 模型等。在基于随机场模 型的纹理特征提取方法中，纹理检测的窗口大小非常重要，窗口过小会 造成错误分类，窗口过大则会增加计算量。 2 2 5 几种方法的比较 在这几类常见的纹理特征提取方法中，基于算子的特征法具有计算 简单的优点，但缺点是抗噪声的能力差。基于统计的特征法原理简单， 而且有很好的空间域分辨性，这一性能也使得它比频域技术更适宜刻画 物体在空间中的结构情况。另外，它不需要有附加的假设，适合于任何 不同分布情况的纹理提取。其缺点是无法完全排除照度和环境光的影响。 基于结构的纹理特征分析法由于适用面太窄，不易于推广使用。对于基 于模型的纹理分析法来说，这种方法主要的优点就是能够有效的排除照 度和环境光的影响，抗噪声的能力较强，但是这种方法的实用性却不太 理想。其中，分形模型在使用时由于分形维数确定比较困难，受图像的 分辨率影响很大，因此它的适用面也非常窄：而随机场模型对大尺寸、 灰度级较多的图像进行纹理分析时，计算量非常可观，而且随机场模型 对分布不均匀，局部具有确定性纹理的分析能力比较弱，更适用于随机 模式识别技术及土e 在气蒙训，中的应用 第二章纹理特征提取。j 分析 纹理的分析。 由此可见，任何一种纹理特征提取的方法都有它不足之处，目前没 有一种方法可以适用于对所有的纹理进行分析，因此，根据实际情况， 针对具体的某类纹理选择相应的分析方法才是切实可行的。 2 3 卫星云图的纹理提取 在气象上，对云图上云进行分类 2 1 。2 2 1 以及利用这种云的结构信息研 究大气问题 2 3 - 2 6 的工作一直受到很多中外学者的关注。例如，k a r l s s o n 用云的结构信息验证数值天气预报和区域气候模式的结果【2 7 】，s a u n d c r s 和p u r l 等人研究将这种信息代入中尺度天气预报模式，并对模式进行初 始化设置【2 8 - 2 9 。因此，了解一个天气系统中云的结构和类型对后续的天 气过程的分析和诊断是非常有意义的。 通常云的种类划分为卷云、积云、层云以及积雨云这四种类型，如图 2 2 所示。通过长年的工作经验积累，一些气象工作者总结出一些简单的 从卫星云图上识别这些云团的判别方法，如卷云具有纤维状结构，高度 高，温度低，由冰晶组成，反照率低，在红外云图上通常表现为白色， 范围大，纹理均匀；积云主要由水滴组成，在红外图像上色调很不一致， 对流性较强的积云的云顶较冷，色调较白，其纹理表现为多斑点、皱纹， 为不均匀纹理；层云在红外图上表现为色调较暗的均匀云区，纹理结构 光滑均匀；积雨云在云图上常呈团状结构，由于云顶最高最冷，所以无 论红外云图还是可见光或是水汽图上，色调都是最白亮度最亮，在红外 云图上其纹理表现为均匀光滑。 a ) 卷云b ) 积云c ) 层云d ) 积雨云 图2 - 2 卫星云图中不同类型云的示意图 从这些总结出来的判别方法来看，这些云之间的形状和色调往往很 难界定清楚，但是不同云的纹理特征具有一一对应的特点，这对判断云 的类型是非常有利的。 通过前一节对纹理特征提取方法的总结和比较，我们已经对纹理特 征提取的方法有了初步认识。一般来说，由于云分布非常不均匀，用随 模式识别技术段 0 柏一气象研究中的应用 第二章纹理特征提取与分析 机场模型解决这类问题显然是不适合的，再者云的纹理特性也不适合基 于结构以及分形模型的纹理提取法的前提假设，因此，通过综合考虑， 本文最终选用纹理特征分析法中的基于统计的特征分析法来进行纹理特 征提取。下面就详细介绍基于统计的特征分析法中的灰度共生矩阵法和 灰度一梯度共生矩阵法。 2 4 灰度共生矩阵法 2 4 1 灰度共生矩阵概念 灰度共生矩阵( g l c m ) 表征从灰度为i 的象素点出发，距离为 ( d 。，d 。) 的另一个象素点位置上出现灰度为j 的概率( 或频度) 3 0 】，其关系 如图2 3 所示。 0 y 图2 - 3 灰度共生矩阵的象素对 用公式表述为： ，“， 6 ，d ) = 集合 ( t ，y ) = t f ( x + d 。，y + d 。) = ，；工，y = 0 , 1 2 ，n 一1 ( 2 。1 ) 上式中i ，= 0 , t ，- ，2 ，三一1 ；d 。、d 。的取值范围是从一+ 1 到一1 ，则 该矩阵的维数为l l ( 即图像的灰度级范围) 。占表示距离，取值范围 在l 到一l 之间，原则上距离可以取该范围内的任意整数，但是间距的增 加相当于增大了图像中某些局部模式的周期性，也就使反映纹理的局部 特征值变得不准确，因此该值不能取得过大也不能取得过小，需要通过 一定的试验来选取。0 表示角度，以反映图像纹理不同方向的特性。 如果计算3 6 0 个角度方向上的灰度共生矩阵，计算量非常巨大，而 且对于一幅8 位数据格式的图像来说灰度范围为o 一2 5 5 ，而对于一幅无 符号1 6 位数据格式的图像来说灰度范围就上升为0 - 6 5 5 3 5 ，灰度范围以 2 0 的速度扩大，生成的灰度共生矩阵的维数则为2 “。为了减少运算量， 一个措施就是缩小图像的灰度范围。一般来说，将图像的灰度级压缩为 8 、1 6 、3 2 、6 4 这几级较为常见，以g 位数据格式的图像为例，其灰度 模式识别投术及e 在气象研究中的应用 第二章纹理特征提取1 j 分析 正规化公式可表述如下： 州，= 笔竽+ ( 2 - 2 ) 其中f ( i ，) 表示经过正规化以后的灰度值，厂( f ，) 为原始灰度值， 。表示图像的灰度级大小。这样灰度共生矩阵的维数就变为。+ 。， 对于8 位数据格式的位图来说，如果灰度级选为1 6 ，则此时的灰度共生 矩阵的维数就由2 5 5 x 2 5 5 降低到1 6 1 6 ，减少了2 8 个数据量。 另一个措施，就是减少计算不同方向上的灰度共生矩阵的个数。通 常情况下我们选取o 。，4 5 。，9 0 0 ，1 3 5 。四个方向来计算图像的纹理，这样d 。、 d 。对的选取实际上就限制为四种形式，即( d ，= 6 ，d ，= 0 ) 、 ( d ；= 占，d ，= 6 ) 、( d ；= 0 ，d ，= 占) 、( d ，= 一占，d ，= 6 ) a 由灰度共生矩阵可以提取一些特征参数，用以量化图像的纹理特征， 例如由灰度共生矩阵提取的图像纹理能量： ，；= 2 ： p ( f ，i6 ，臼) ) 2 ( 2 3 ) i ， ，：的大小是图像纹理分布均匀性的度量，分布越不均匀，灰度共生 矩阵相差越大，能量就越小，反之越大。再如纹理熵的定义如下： 疋= 一2 ：( p ( f ，1 6 ，日) ) 一l o g p ( i ，f 1 6 ，9 ) ) ( 2 - 4 ) j ， 该值代表了整个图像区域内灰度变化的复杂度。图像灰度变化越没 有规则，该值就越大，反之则越小。 除了这两种纹理特征参数以外，还可以抽取出十几种不同的纹理参 数，如对比度、惯性矩、相关、二阶矩、局部平稳性等。这些参数只能 单方面说明一种纹理的特性，因此在使用时往往是选用几个较稳定的特 征参数组合起来刻画一种类型的纹理，从而可以进行有效的区分。本文 选用了较为常用的四个参数：能量、熵、惯性矩以及局部平稳性来研究 云团的纹理特征。惯性矩和局部平稳性分别定义如下： 疋= ( f 一) 2 尸( f ，i 占，9 ) ( 2 - 5 ) 一 1 ，：i 2 善雨暑芦( f i l 6,o)(2-6) 2 4 2 实现算法 模式识别技术及其在气象 i | _ 究中的应用第二章纹理特征挫取与分析 以下以8 位数据格式的图像为例，详细描述纹理特征提取的算法步 骤： 1 、把待进行纹理分析的图像转换为灰度图像 一般人们对影像纹理分析的时候多是针对图像单波段的灰度图像讨 论的i3 1 ，这主要是由于单波段图像的纹理是灰度空间的分布模式，概括 了图像灰度分布的属性，在选取时，往往直接选用多波段中的某一波段 进行分析或是进行主成分分析。这就可能丢失多波段中其他波段提供的 辅助的数据信息，造成纹理特征提取不准确。为了有效的利用多波段信 息丰富的特点，转换后的灰度图像用输入图像的多波段光谱信息的平均 值来取代。具体公式表述如下： g r a y = ( b a n d i + b a n d 24 - + b a n d ) n( 2 7 ) 2 、将图像分成若干个窗口，进行灰度级正规化 一般计算纹理时是将原图像划分成一个个等大的窗口分别进行纹理 特征量的计算的。虽然图像窗口的宽、高的变化范围可以分别取在 1 - i m a g e w i d t h 和1 - i m a g e h e i g h t 之间，但是过大的窗口将使窗口内包含进 过多的不同类型的纹理基元，而过小的窗口内的纹理基元可能不完整， 这些都不利于分析图像的纹理特征 3 2 】。因此选取合适的窗口尺寸对纹理 分析有较大的意义。一般选取的窗口尺寸要略大于最小纹理基元的大小。 将指定窗1 2 1 区域内的像素值装载到窗口缓冲区后，就可以用公式( 2 2 ) 对灰度级进行正规化处理。 3 、计算窗口内的四个方向上的灰度共生矩阵 对正规化处理后的窗口缓冲区内的数据分别统计当灰度值为i ，距离 ( d 。= 占，d ，= 0 ) 、( d ，= 6 ，d ，= 6 ) 、( d ，= 0 ，d ，= 占) 、( d ，= 一d ，d 。= 6 ) 时出现灰度，的频率。具体公式如( 2 1 ) 所示。 4 、求纹理特征参数 用公式( 2 - 3 ) 、( 2 4 ) 、( 2 5 ) 、( 2 6 ) 可以分别求出每个窗1 2 灰度共生矩 阵的四个方向的纹理能量、熵、惯性矩以及局部平稳性。全图的纹理特 征参数大小分四个方向分别等于所有不重叠的窗口内该方向上的纹理参 数的平均值。 算法到这里整个纹理特征提取过程就基本结束了，所获得的结果就 是这四个方向上的平均纹理特征参数。但是我们在实际分析过程中往往 模式识别技术及1 e 在气象研究中的应用第二二章纹理特缸提取- j 分析 会遇到图像经过旋转以后纹理特征发生改变而影响特征提取效果的问 题。如何才能避免因为角度8 变化带来的影响，这就需要所获得的纹理 特征参数具有旋转不变的特点，即所谓的旋转不变性。 为了使得所获得的纹理特征参数具有旋转不变性，处理的方法很多， 如利用旋转不变的方向测度特征方法，平均值法和均方差法 3 3 1 。本文选 用平均值法来对特征参数进行改善。该方法就是对四个方向上的纹理特 征参数再求一次平均，这样就抑制了方向分量对图像纹理造成的影响。 具体公式表述如下： 型 ( 厶) ，：i = 尘_ 一 n = 1 , 2 ，3( 2 - 8 ) 珥 2 5 灰度一梯度共生矩阵法 灰度梯度共生矩阵相对于灰度共生矩阵法来说，就是在灰度信息的 基础上又增加了图像的梯度信息，并建立图像灰度与梯度之间的对应关 系。假设一幅图像的灰度为厂( 1 ，) ，其中i = o ，l 2 ，h e i g h t - 1 ， ，= o ，1 ，2 ，w d t h 一1 ，为避免太多的灰度级所带来的巨大的计算量，在 实际计算时，需要对灰度进行灰度级拉伸处理，假设灰度级数目为。， 所谓的灰度级拉伸就是将原来8 位图像的灰度级0 2 5 5 缩小为o 。一l 其处理方法如下： f ( i ，沪华业粤( l 。一1 ) ( 2 9 ) ，啪x 一，i l l j o 式中，厂m 护厂m 。分别指原图像中灰度的蕞大值和最小值。 求梯度的算法很多，本文中选用的梯度算子是著名的罗伯特梯度算 子( r o b e r t sg r a d i e n t ) ，其表达式为： d 厂( ，) = f ( i ，) 一f ( i + l ，i + 1 ) 1 2 + 【f ( i + l ，) 一f ( i ，+ 1 ) 2 ) ”2( 2 - 1 0 ) 为了提高编程效率，通常将其简化为： 舡f ( ，) 】= l f ( i ，) 一邝+ 1 ，+ 叫+ l f q + 1 ，) 一f q ，+ q ( 2 一1 1 ) 用前面对灰度进行的拉伸方法，假设梯度级为。，则其拉伸公式为： g ( f ，) =世上监( l g 一g m m f 2 1 2 ) 模式识别技术及j e 在气象研究中的应用第二章纹理特征提取与分析 用等大的两个窗口在图像的灰度图和梯度图上平移 正规化处理后得到的数据组成两个正规化矩阵： 灰度矩阵为： f ( x ，y ) ，x = 0 , 1 ，一1 ，y = 0 , 1 ，一1 梯度矩阵为： 6 ( x ，y ) ，x = o ，l ，一1 ，y = o ，l ，n 一1 n 为移动窗口的大小，一般设为1 6 1 6 ； 灰度梯度共生矩阵为： 用窗口内经过 ( 2 1 3 ) r 2 1 4 ) h ( i ，) = ( 暑y ) l i = f ( 葺y ) ，f = q 五) ，葺y = o 1 ，一1( 2 1 5 ) 其中： i = o ，l ，l 。一1 ，= o ，1 ，三；一1 同样为了避免在计算下面的纹理特征量时的过大的计算量，需要对 坎度梯度共生矩阵进行正规化处理，处理方法如下： h “( i 朋= 等 ，) = 等 以上灰度梯度共生矩阵就计算完成了， 些特征参数： ( 1 ) 小梯度优势 f 一1 r 一1 h ( i ，) ( ，+ 1 ) 2 1 一i 瓦了一 日( 1 ，) ( 2 ) 大梯度优势 h ( f ，) + ，2 12 一了了i 了一 h ，k f ，)厶厶 ”， ；0 ，= 0 ( 3 ) 灰度分布不均匀性 f 2 1 6 ) 由该矩阵可以抽取出如下一 ( 2 1 7 ) ( 2 1 8 ) 模式识别技术及其在气象研究中的应用 第二审纹理特征提取与分析 巧= l p 一1l ；一l i = 0 i = 0 f 一1l ；一1 ( 4 ) 梯度分布不均匀性 ( 5 ) 能量 l ，一1l # 一1 h ( i ，) 2 弘蒜 ( 6 ) 灰度平均 ( 7 ) 梯度平均 巧：篁 ，；0 ( 8 ) 灰度均方差 l p l h ( f ，例 i = 0 ( 9 ) 梯度均方差 t lf l 三 五= ( ，一弓) 2 【h ( f ，) 】 2 ，= 0f = 0 ( 1 0 ) 混合熵 ( 1 1 ) 惯性 1 s ( 2 1 9 ) 佗- 2 0 ) r 2 - 2 1 ) f 2 2 2 ) ( 2 - 2 3 ) ( 2 - 2 4 ) f 2 2 5 ) f 2 - 2 6 ) 、