多通道卫星云图的图像处理技术研究

摘要

数字图像处理技术在各领域中的应用日益广泛，利用该技术对多通道卫星云图数据进行全方位、深层次的挖掘也成为一种必然趋势，同时也为气象卫星数据应用于气象常规业务提供了一个新的途径，拓展了气象业务的分析方式。本文通过对数字图像处理、卫星气象学、数据融合、模式识别等学科的研究，提出了分析气象条件的新的研究思路。本文的主要研究工作有如下几个方面：
　　 通过红外云图与可见光云图的数据融合，解决了可见光云图应用不充分的问题，提出一种将红外云图与可见光云图进行融合的图像融合方法。首先将原始图像经过无下采样Contourlet变换分解到不同尺度、不同方向的子带中。图像重构过程中，根据改进的拉普拉斯能量和，利用脉冲耦合神经网络对高频子带的值进行智能决策。该方法既能获取较好的方向信息，去除频谱混叠效应，又具有很好的抗噪性。应用本方法对卫星云图融合能为后续台风主体云系的分割以及云类的自动识别打下良好基础。
　　 通过对传统水平集活动轮廓模型的分析，提出一种改进的测地活动区域模型，用于融合卫星云图中台风主体云系的提取。由于台风云系是不断变化与发展的，不能仅通过某一个或几个形状或纹理特征识别台风云系，同时，台风云系在各个发展时期都包含涡旋，具有旋转特性。根据上述特点，本文提出在融合卫星云图中用边界云与中心主体云夹角来统计旋转程度，作为识别台风云系的主要特征之一。并基于旋转特征，综合利用了阈值法、数学形态学以及数理统计等方法识别台风主体云系的感兴趣区域，最后通过所提出模型实现对台风主体云系的分割。
　　 分别应用基于邻域自相关函数法、基于统计几何特征法和基于灰度共生矩阵法三种方法对融合云图的纹理特征进行了检测和分析。对不同大小的邻域进行了纹理检测实验，并根据特征统计量提取出有效的纹理特征，为云类识别提供了有效的输入空间。
　　 提出一种可自学习的半监督训练方法，对不同的训练样本、迭代停止条件引入迭代过程中的线性约束条件，并利用该方法训练支持向量机。提出基于决策树的一对多分类方法对密卷云、透光高积云、淡积云以及雨层云四类样本集进行了识别实验。实验结果表明，采用自学习训练的支持向量机能显著提高云分类的识别率；基于决策树的一对多分类方法在不降低识别率的前提下，识别时间优于传统支持向量机的多分类方法，如果增加云的类别，这种优势将更加明显；对于小样本识别问题，本文算法的性能要优于PNN算法与k-NN算法。
　　 本文的研究工作具有较好的应用价值，有望推动气象卫星数据的自动化应用水平。