专利名称：一种卫星云图的二次聚类分割方法
技术领域：
本发明涉及数气象卫星云图的处理技术，尤其是涉及一种卫星云图的二次聚类分割方法。
背景技术：
天气预报是气象学中的一个重要应用，它与每个人的日常生活息息相关，甚至关乎到人们的生命财产安全。精确的云分类是天气预报的基础，因此，对卫星云图进行分割而实现正确的云分类就显得至关重要。最早的云图分类是由气象专家通过丰富的气象知识进行肉眼分析判别。然而随着气象卫星技术的发展，大型气象卫星每天向地面发送GB数量级以上的云图数据，以我国风云二号D星(FY2-D)为例，2006年12月份它的发射成功实现了与风云二号C星(FY2-C)的“双星观测”。每颗卫星每半个小时观测一次地球，把双星观测时间错开15分钟，这样重叠区域就可以每隔15分钟接收云图数据并且全天候工作，如此海量的云图数据如果仅靠肉眼、手工来实现云图分割不仅耗时乏味，而且分割结果易受主观因素的影响。因此，人们渐渐把目光聚焦到利用计算机实现自动云分类上。云图的自动分割主要包括三个步骤云图预处理、特征提取和分类。其中云图特征的提取与选择及分类方法的选择尤显重要，已成为中外学者关注研究的重点。判别卫星云图中云类的主要依据有云的结构、云的范围大小、云的边界状况、云的色调、云的纹理及云顶亮温等。同样，这些特征也成为计算机智能云分类的依据，但由于云的结构边界等视觉特征难于描述，因此云的形态特征很少用于云图的分类，所以一般用于计算机自动云分类的云图特征主要为光谱特征及纹理结构特征两大类。在光谱特征上，HongG等人利用红外云图反演云顶亮温用于强对流云团的识别。但此种单一利用红外通道云顶亮温的阈值分割法易受时空变化的影响，很难实现将强对流云从卷云层中分离出来。因此，MecikalskiJR等人提出亮温差的概念用于强对流云团的识别，利用红外一通道与水汽通道亮温差值大于0K，以及红外一通道与红外二通道亮温差值在-25K — 5K范围作为阈值对强对流云进行判别，取得较好的效果。在纹理结构特征上，R.M. Welch等人利用灰度共生矩阵(GLCM)提取云图纹理特征用于层积云、积雨云和卷云的分类。K. S Kuo等人利用灰度差分矢量(GLDV)法提取特征用于区分普通云和冰云。近年来，多特征融合思想逐渐被重视，人们更多的是把光谱及纹理结构特征相结合用于云分类。Tian B与Rashpal K等人利用奇异值分解(SVD)同时提取云图光谱及纹理特征取得较好效果，后期Tian B另辟蹊径采用二维Harr小波包对卫星云图进行3层分解分别提取特征进行云分类。国内周毓荃、陈英英等人利用云顶亮温、云顶高度、云光学厚度等云微观物理特征对云分类进行过深入研究，并取得一系列成果。目前，卫星云图的自动分割及云分类研究处于高速发展时期。云分类中的特征提取，已然从单一阈值过渡到多阈值相结合；从起初的光谱特征发展到光谱特征、纹理特征及云微物理特征相结合。然而，现有的大多数方法仅仅适用于小范围、类别少的云图进行分类，并且大多数方法在抗噪性、分割精确性上不够理想，这将不利于其在气象领域上的实际运用。
发明内容
本发明所要解决的技术问题是提供一种精确度高、鲁棒性强的卫星云图的二次聚类分割方法，该方法可以针对大范围气象卫星云图包含庞大繁杂的地理、海洋和大气等信息的特点，实现对其进行精细的云类识别。本发明解决上述技术问题所采用的技术方案为一种卫星云图的二次聚类分割方法，包括以下步骤①对卫星云图进行分块处理，将卫星云图分为LXL共L2块大小相等的子区域云图，其中2彡L彡10 ;②对各个子区域云图进行初次聚类分割②-1将子区域云图中每个像素点作为输入样本点，提取每个子区域云图中所有样本点在多个通道云图中相应区域内对应点的邻域灰度均值，该邻域灰度均值作为相应样本点的光谱特征，其中多个通道云图的分辨率一致；②-2将每个子区域云图中的某个像素点看做中心生成滑动窗口，将此滑动窗口看做一张子图，计算该滑动窗口内所含的所有像素点的三模块局部二元模式码值，并基于三模块局部二元模式码值构建得到该滑动窗口的三模块局部二元模式码图，统计该滑动窗口的三模块局部二元模式码图的一阶直方图并计算其熵、均值、一致性和三阶距，得到子区域云图中该像素点的二次统计量纹理特征；以上述方法得到每个子区域云图中所有的像素点的二次统计量纹理特征；
`
②-3采用最大最小距离法自适应确定初始聚类中心及其个数；②-4将步骤②-1和步骤②-2中每块子区域云图中提取的每个像素点的两个纹理特征和一个灰度均值特征构成的特征矩阵作为输入样本和初始聚类中心通过非线性映射函数映射到高维特征空间，在高维空间中对卫星云图中所有样本点进行模糊核聚类，得到每块子区域云图的初次聚类分割结果；③对各个子区域云图进行二次聚类分割③-1将初次聚类结果中每个类作为输入样本点，提取该输入样本点的类内灰度均值特征；③-2提取初次聚类分割结果的类内多样性指数特征；③-3将初次聚类分割结果的类内灰度特征和多样性指数特征作为样本点的二维特征，构成特征矩阵作为二次聚类分割的输入样本，采用最大最小距离法自适应确定最终聚类中心个数；③-4将二次聚类分割算法的样本点通过非线性映射函数映射到高维特征空间，在高维空间中对所有样本点进行模糊核聚类，最终得到整张卫星云图的二次聚类分割结果O步骤②-2中得到每个子区域云图的二次统计量纹理特征的具体步骤为a、选取子区域云图中的任一像素点0，以该像素点为中心生成(2M+1) X (2M+1)的滑动窗口，此时，将此滑动窗口看做一张子图，在子图中任选一个像素点P，以该像素点P为中心生成大小为3X3的邻域模块，记为Cp，同时在以该模块Cp为中心，半径为r圆周上额外生成s个与该模块Cp大小相同且均勻分布的模块,s个模块分别记为CyC1, ......Cj......Cs-!，其中4<r<M，r<M< (F/L)+10，s彡2，j=0，l，……，s_l，F表示卫星云图的分
辨率；b、在s个模块中选取Cj和C」，两个模块，其中j' = (j+a)mod (s), a为整数且2 ^ a ^ s-1, mod表示取两者相除后的余数；C、计算CpXj和C」.的局部二元模式码值，分别记为LBP (Cp) ,LBP (Cj)和LBP (C」，)；d、利用公式 Φ (h, q) =LBP (h) -LBP (q)计算 LBP (Cj)和 LBP (Cj,)与 LBP (Cp)的差值，汝.= LBPiCl)-LBP(Cp) ^rr(CnCll) = LBP(Cr) — LBPiCj ;e、将 4, ( Cj, Φ 和 4/ Cf, φ 代入公式々=#c, ( CjX1p) - 4,, C Cf, Cp)计算得到一组
Ip，利用公式
权利要求
1.一种卫星云图的二次聚类分割方法，其特征在于包括以下步骤 ①对卫星云图进行分块处理，将卫星云图分为LXL共L2块大小相等的子区域云图，其中 2 < L < 10 ; ②对各个子区域云图进行初次聚类分割 ②-1将子区域云图中每个像素点作为输入样本点，提取每个子区域云图中所有样本点在多个通道云图中相应区域内对应点的邻域灰度均值，该邻域灰度均值作为相应样本点的光谱特征，其中多个通道云图的分辨率一致； ②-2将每个子区域云图中的某个像素点看做中心生成滑动窗口，将此滑动窗口看做一张子图，计算该滑动窗口内所含的所有像素点的三模块局部二元模式码值，并基于三模块局部二元模式码值构建得到该滑动窗口的三模块局部二元模式码图，统计该滑动窗口的三模块局部二元模式码图的一阶直方图并计算其熵、均值、一致性和三阶距，得到子区域云图中该像素点的二次统计量纹理特征；以上述方法得到每个子区域云图中所有的像素点的二次统计量纹理特征； ②_3采用最大最小距离法自适应确定初始聚类中心及其个数； ②_4将步骤②-1和步骤②-2中每块子区域云图中提取的每个像素点的两个纹理特征和一个灰度均值特征构成的特征矩阵作为输入样本和初始聚类中心通过非线性映射函数映射到高维特征空间，在高维空间中对卫星云图中所有样本点进行模糊核聚类，得到每块子区域云图的初次聚类分割结果； ③对各个子区域云图进行二次聚类分割 ③-1将初次聚类结果中每个类作为输入样本点，提取该输入样本点的类内灰度均值特征； ③_2提取初次聚类分割结果的类内多样性指数特征； ③-3将初次聚类分割结果的类内灰度特征和多样性指数特征作为样本点的二维特征，构成特征矩阵作为二次聚类分割的输入样本，采用最大最小距离法自适应确定最终聚类中心个数； ③-4将二次聚类分割算法的样本点通过非线性映射函数映射到高维特征空间，在高维空间中对所有样本点进行模糊核聚类，最终得到整张卫星云图的二次聚类分割结果。
2.根据权利要求1所述的一种卫星云图的二次聚类分割方法，其特征在于步骤②_2中得到每个子区域云图的二次统计量纹理特征的具体步骤为 a、选取子区域云图中的任一像素点O，以该像素点为中心生成(2M+1)X (2M+1)的滑动窗口，此时，将此滑动窗口看做一张子图，在子图中任选一个像素点P，以该像素点P为中心生成大小为3 X 3的邻域模块，记为Cp，同时在以该模块Cp为中心，半径为r圆周上额外生成s个与该模块Cp大小相同且均勻分布的模块，s个模块分别记为Ctl, C1, ......Cj......Cp1,其中4<r<M，r<M< (F/L) +10，s彡2，j=0，1，……，s_l，F表示卫星云图的分辨率； b、在s个模块中选取Cj和Cj,两个模块，其中Γ= (j+a)mod (s)，a为整数且2 ^ a ^ s-1, mod表示取两者相除后的余数； C、计算Cp、Cj和Cj .的局部二元模式码值，分别记为LBP (Cp)、LBP (Cj)和LBP (Cj,)； d、利用公式 Φ (h，q) =LBP (h)-LBP (q)计算 LBP(Cj)和 LBP (C」，)与 LBP (Cp)的差值，#c,( CffCp) = LBP(Ci)-LBP(Cp) ^(CffCp) = LBP(Cr)-LBP(Cp)；用公式n/,,) = |H =对Ip进行二值化，得到一组二进制数串T(Ip)； WfT(Ip)代入公式4
3.根据权利要求2所述的一种卫星云图的二次聚类分割方法，其特征在于步骤②-3中采用最大最小距离法自适应确定聚类中心个数的具体步骤为 a、将卫星云图表示为图像的灰度直方图{HJ输入，I为图像的像素灰度级，H1为图像中像素灰度级为I的像素总个数，10,1,…,255 ； b、选择输入样本中任意一样本点的像素灰度级作为第一个已知的聚类中心，记为I1； C、将已知聚类中心I1代入公式Cl11. = ! 1-1’ I计算灰度级为I的样本点与已知聚类中心的距离，其中I’表示已知聚类中心； d、在{HJ中找出离1^巨离最远的样本点的像素灰度级的作为第二个已知的聚类中心，记为I2 ; e、分别计算{HJ中除已知聚类中心对应的样本点以外的剩余样本点到所有的已知聚类中心的距离； f、比较同一样本点到各已知聚类中心的距离，选择其中的最小值； g、比较步骤f中所有样本点到各已知聚类中心的距离最小值，选择所有距离最小值中的最大值CU，若dmax。> EXdir，其中O. 5〈E〈1，则dmax。对应的样本点的像素灰度级作为新的已知的聚类中心，并返回步骤e ^dmaxSEXd11,，则统计所有已知的聚类中心，得到初始聚类中心Vg及其数量z, g=l,2, ......, z。
4.根据权利要求3所述的一种卫星云图的二次聚类分割方法，其特征在于步骤②_4中获得卫星云图初次聚类结果的具体步骤为 a、将图像样本点和初始聚类中心Vg通过非线性映射函数Φ(χ)从输入空间映射到高维特征空间，图像中各样本点用Xk表示，k=l，2，......，η，η表示图像包含的样本点的总数，Xk表示图像中第k个样本点； b、将Xk和Vg代入公式D=I I Φ (xk)-0 (Vg) I I中，计算得到样本点Xk与初始聚类中心Vg之间的欧式距离D ；C、将 I I φ (Xk)-O (Vg) I 2=φ (xk)τφ (xk) -2Φ (xk)τφ (ν8)+φ (ν8)τφ (Vg)代入特征空间模糊核聚类算法目标函数人略M(A)-O(Vir)Il2中，其中U = {ugk}，V =(Φ (V1)，Φ (V2)φ (Vg))，Ugk表示第k个样本点对应于第g类的隶属度，常数m > I为 隶属度矩阵指数，令核函数Κ(χ，γ)=Φ (χ)τΦ (y)，则
5.根据权利要求4所述的一种卫星云图的二次聚类分割方法，其特征在于所述的核函数为高斯核函数、多项式核函数或者Sigmoid核函数。
6.根据权利要求4或5所述的一种卫星云图的二次聚类分割方法，其特征在于步骤③_2中提取多样性指数特征的具体步骤为 a、计算每个子区域云图中感兴趣区域块内灰度的最小值Graymin及最大值Graymax，将区间[Graymin,Graymax。]等间隔的划分成10个区段，区段号分别为N1,N2,……，N1(I，其中，子区域云图初次聚类结果图中一个类范围块所对应于聚类前原子区域云图相同范围内的云图块为感兴趣区域块； b、计算每个子区域云图中所有的感兴趣区域内的灰度值Gray,将得到的灰度值Gray分别映射到相应的区段，并用对应的区段号代替原灰度值Gray ； C、统计每个区段中各区段号Nt的数量It，t= 1,2,……，10，设每个子区域云图中所有的感兴趣区域的总像素个数为N’ ,P = 4，将Pt代入公式
全文摘要
本发明公开了一种卫星云图的二次聚类分割方法，该方法首先将大范围的整体卫星云图进行分块化处理；其次依次对个子区域云图每个样本点提取对应的多通道光谱特征及TPLBP纹理特征进行精细的初次核聚类分割，从而得到若干子区域云图分割结果；最后在初次聚类分割结果的基础上，利用其作为先验知识提取初次聚类结果各类对应于原子区域云图范围内的灰度均值特征和DI特征进行全局云图的二次核聚类分割，以保证云分类的完整性；优点是精确度高、鲁棒性强，可以针对大范围气象卫星云图所包含的庞大繁杂的地理、海洋和大气等信息进行精细的云类识别。
文档编号G06K9/62GK103034858SQ20121050695
公开日2013年4月10日 申请日期2012年11月30日 优先权日2012年11月30日
发明者金炜, 范亚会, 符冉迪, 励金祥, 李纲 申请人:宁波大学