利用卫星图像进行连续云分类的多通道时间自适应系统外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

利用卫星图像进行连续云分类的多通道时间自适应系统

摘要

摘要提出了一种新的基于卫星图像的云分类的多光谱方案，其中包括两种临时可适应的概率神经网络(PNN)，一种是可见的，另一种是红外(IR)通道。这个系统提供了pegom在一天内持续更新的能力。给出了5个类的结果，表明了该方案的可行性。

1 绪论

由于地球同步运行环境卫星(如，GOES-8)每天收集的大量数据，对气候和许多其他相关应用来说，显然需要自动分类。近年来，提出了几种方法。文献[1]，[2]提供了对现有方法的良好回顾。在已经采用的各种分类器中，由于其良好的分类精度和快速训练[3]，概率神经网络(PNN)更具有吸引力。PNN是一种受监督的神经网络，在模式识别领域得到广泛应用。PNN[4]的原始版本是Parzen非参数概率密度函数(PDF)估计理论的实现。然而，该网络在测试阶段受到结构复杂性和大量计算时间的影响。在[5]中，Streit et a1引入了PNN的修改版本，通过使用高斯混合模型和期望最大化(EM)算法来估计网络参数，大大减少了识别层神经元的数量。

在[l]中，一个临时更新方案是基于[5]的高斯混合模型开发的。该方案适用于从GOES-8卫星图像中可见的红外通道。基本思想是利用两个连续的数据帧之间的时间和空间相关信息来解释由于温度(IR)和太阳角变化(可见)所造成的云和背景特征的变化。这是通过在不同的类中更新不同的高斯混合物的参数来实现的。根据PNN的分类结果和基于上下文的预测因子[1]的结果，采用了监督和非监督的训练方案。在GOES-8图像序列的这个参考文献中报告了有希望的结果。然而，这种方法有几个主要缺点。从两个通道中提取的特征被集中在一起，并呈现给分类器。这并不允许基于单个光谱(可见)和温度(IR)特性的云/无云区域分类。另外，由于可视数据在夜间不可用，所以系统无法持续更新。由于数据的不连续性，后者在第二天的更新过程中会产生严重的问题。本文介绍了一种新的时态更新方案，该方案利用两个信道分别对上述问题进行了规避。在白天，两个独立的PNN分类器被用于两个通道，它们的结果被融合在一起，给出最终的分类结果。然而，在夜间，仅红外通道的PNN分类器可以提供基于温度特征的云分类。在这两种情况下，PNN分类器的参数都使用[I]中描述的方案进行更新，以跟踪云云区域的时间和空间变化。此方案背后的理念源于气象学家标记和分类卫星图像的方式。

本文的组织结构如下。第2节简要回顾了以前的方案。第3节给出了多通道系统的描述。第4节给出了系统的测试结果，并对结果进行了讨论。最后，第5节提供了结论和未来工作。

2原始时间更新方案

在[l]中提出的时态更新PNN (TUPNN)的结构包括三个主要的组件，即PNN分类器，基于上下文的预测器和一个比较器，如图1所示。可见的和红外图像数据连续地以一小时的频率到达。在分类之前，这些通道的光谱和纹理的特征必须被提取出来。在[2]中，一些特征提取方案，即奇异值分解(SVD)、小波包(WP)、灰度共现矩阵(GLCM)在GOES-8图像数据上进行了基准测试。结果表明，SVD方法具有良好的识别能力和算法简单性。该方案提取的特征包括来自红外和可见通道的每8x8块的光谱和结构方面的贡献[2]。然后将Fisher准则与正向浮动序列选择[6]一起使用，从每个具有高区分度的信道中选择三个特征。然后在一个特征向量中增加它们，并将它们输入到PNN中。请注意，每个8x8块对应的区域大小为32x32公里。分类器使用基于前一帧数据更新的网络参数对数据进行初步分类。最后一帧的分类结果也被用作预测器的输入，它通过两个连续帧中的上下文信息来预测当前帧。Markov链方法在[l]中用于对时间上下文信息进行建模。然后比较了PNN和预测因子的结果。两个结果匹配的块被放到一个子集XI中，而其余的则被放到子集X2中。所有的XI模块都被用于与受监督的学习(已知标签)进行微调来调整与选定类对应的高斯组件的参数;而在X2中使用的是不受监督的学习(未知标签)来更新所有用于建模类分布的高斯混合物的参数。这两种学习机制都是使用基于预期最大化(EM)的更新策略实现的。更新完成后，由更新后的模块对块进行分类，以给出最终的分类结果。

3一种新的多通道时态更新方案

新的多通道时间更新方案如图1所示，由两个图pnn组成，一个为可见通道，一个为IR通道。这两个TUPNN共享相同的基于上下文的预测器。该预测器的输出与两个PN的输出相比较，这些比较的结果用于更新两个PNN的参数。“为可见通道进行的训练”是针对3个不同的类，即viz。土地、水和云，因为这个通道不提供区分5个类所必需的高度信息。另一方面，对于IR频道来说，它是为5种不同的课程而训练的。土地、水、低层、中层和高层云。这两个TUPNN是在清晨训练的。早上7点，当可见和红外通道图像都可用时。

新的多通道时间更新方案如图1所示，由两个图pnn组成，一个为可见通道，一个为IR通道。这两个TUPNN共享相同的基于上下文的预测器。该预测器的输出与两个PN的输出相比较，这些比较的结果用于更新两个PNN的参数。可视通道的TUPNN训练为3个不同的类，即土地、水和云，因为这个通道不提供区分5个类所必需的高度信息。另一方面，对于IR频道来说，它是为5种不同的课程而训练的，即土地、水、低层、中层和高层云。这两个TUPNN是在清晨训练的。例如早上7点，当可见和红外通道图像都可用时。

在白天，TUPNN都提供了各自的分类结果。因此，为了得到每个图像块的最终分类结果，我们需要将这些结果融合在一起。采用多层反向传播_神经网络(IIPNN)，基于两个TUPN的结果进行决策融合。训练数据的TUPNN输出用于训练这个BPNN，它结合了TUPNN的输出，将图像块分成5个不同的类，即土地，水，低层，中层和高层云。

融合系统输出作为预测器的储存器，它根据当前帧的结果预测下一帧中的每个块的类标签。

在夜间，图1中所示的直流点线显示的可见PNN和融合系统是关闭的，IR TUPNN接管并给出最终的分类结果。 在这种模式下，该方案的工作方式与之前[1]相似。当我们在第二天早上得到第一个图像对时，两个TUPNN都重新初始化了训练好的重量。

除了这个新系统的空通道性质之外，与以前的系统相比，TUPNN的更新阶段还有另一个主要的区别[1]。将地理信息和地形信息嵌入到系统中，以提高更新过程的分类精度和可信度。当最终的AND操作的输出是Land或Water时，这是通过利用地理掩码来完成的。 在这种情况下，地理掩码结果优先于两个通道的AND结果。 例如，如果最后的AND操作将特定的块标记为Land，而根据地理掩码的标签应该是Water，则将该块放入XI子集中，以便对两个TUPNN进行监督更新。由于这些块被标记为100％置信度，因此将它们包括在监督式学习中显然提高了时间更新过程的准确性。包含这一额外信息的动机是基于这样一种观察，即由于温度和反射率差异较小，水和陆地水更容易被误分类。

4模拟结果

对该系统的性能进行了研究，并与[l]中使用连续GOES-8卫星图像的原始TUPNN系统进行了对比。 图2显示了1998年7月23日19 UTC的一个典型图像对。这些尺寸为512times;512像素（空间分辨率为5km /像素）的图像覆盖了中西部和美国东部的大部分地区， 从洛矶山脉延伸到大西洋沿岸。 这些图像覆盖了山区，平原，湖泊和沿海地区，云层有一些与地形有关的特征。 佛罗里达州位于右下角，墨西哥湾位于图像中下部。 由于各种云类型的存在，这些序列特别令人感兴趣。 根据专家气象学家使用的目视检查和其他相关信息，对某些高可信度的云无云区域进行识别和标记，以进行系统的培训和测试。

为每个通道的每个8times;8块选择SVD特征向量（3times;1）被应用于TUPNN。目标是将每个块分为Land（L），Water（W），Low level clouds（LC），Middle level clouds（MC）和High level clouds（HC）五个类别。随机选取1998年7月23日和24日两个早期成像图像（7：00am）标记区域中的一半作为训练数据集，其余的块作为这个多元化的“验证数据”渠道系统。验证数据集用于根据这个初始数据确定最佳训练的PNN。结果，该过程重复了10次，并且具有最佳性能的PNN分类器被用作多通道系统中的最终分类器以分类连续27小时的数据。在白天，融合系统的整体准确率在84％到95％之间，而在夜间，IR TUPNN的整体准确率在75％至93％之间。七月二十四日上午七点在图像上进行测试时，融合系统的整体准确率为99％。整体平均正确分类是89％。

然后将所提出的系统的性能与先前的系统的性能进行比较[1]，通过使用相同的一组测试图像来运行这两种算法。 表1给出了图2所示的图像对的先前方案的分类混淆矩阵。对角线元素指示正确分类的块的数目，而非对角线元素表示每个类别的错误分类块的数目。 整体正确的分类率在66％左右。 从这个混淆矩阵可以看出，所有的类之间都有很多的错误分类。

表1：混淆矩阵（原始TUPNN） 表2：混淆矩阵（双通道TUPPN）

表2给出了图2所示的相同图像对提出的方案的混淆矩阵。整体正确的分类率大约为85％。 显然，除中层云以外的所有类别的分类精度都大大提高。 两个混淆矩阵的比较揭示了整体。 准确率提高了19％。

提高性能的一个原因可能是由于将系统分解成两个单独的通道，从而消除了先前方案中的双通道特征相互依赖性[1]。另外，使用BPNN对两个独立决策进行融合可以纠正任何一个通道中的一些分类错误。

在图3中示出了在同一图像对上为两个系统识别不同云和无云区域的灰色编码的分类图像。图3（a）和（b）的视觉检查显示，所提出的系统与以前的系统相比较。图4给出了具有灰码图的相应专家标记图像。图5（a）和（b）给出了两个系统相对于专家标记区域的掩蔽结果。再次，这些结果表明，新系统的掩盖结果比专家标记的图像更接近于先前的系统。

图6（a）显示了连续更新27小时的整体分类准确度（Pcc）与时间（以小时为单位）。所提出的系统使用实线，以前的系统使用虚线。在这个图中，1小时对应1998年7月23日的7：00，而27小时对应1998年7月24日的9：00。注意，由于前一个系统不能在夜间运行，因此当可视通道数据不可用时，此系统的情节就会终止。这个图清楚地表明，新系统中的更新肯定比以前的系统更可靠和一致。另外，夜间行动的结果是可以接受的结果考虑到系统只使用红外通道信息这一事实。图（b）-（f）中的其他图显示了所有五个类别的两个系统之间的比较。虚线表示在这两个小时之间没有特定类别的标记块。这些再一次揭示了所提出的系统对于除中等云以外的所有类别具有更好的准确性。

虽然该系统的结果表明了该系统在白天和夜晚连续运行的巨大前景，但这些图形也指出了在夜间对陆地和低空云层进行分类的一些问题。 原因是因为我们在夜间只使用红外频道信息，这并不足以区分这五个不同的类别。 因此，为了改善这种分类结果，不可避免地要使用其它信息，例如，第2频道和第4频道之间的差异。这些问题将在未来的研究中解决。

5结论与未来的工作

到目前为止，还没有一个自动的云分类系统可以提供连续的操作，因为夜间可见通道数据不可用。本文介绍了一种多通道(可视和IR)时间更新系统，提供了连续处理的能力。在每个通道中分别进行时间更新，并使用BPNN系统将结果融合在一起。在白天，这两个渠道都参与决策，而在晚上，决策仅仅是基于IR通道。地理和地形信息也被用来帮助分类和更新土地和水的类别。本文的初步结果表明了该方案的巨大前景。

未来的目标之一是建立一个系统，可以将云和无云类型划分为典型的10个不同的类。本文提出的方案是建立一个实现这一目标的分级云分类方案的初始阶段。在将图像标记为五个类之后，每个类都可以进一步划分为几个子类，例如，高级云可以分为卷云和卷层云类。此外，未来的工作还将涉及评估所提议的系统对不同的随机选择训练数据的鲁棒性，这些数据是从一组清晨图像中选出的。在夜间，其他的GOES-8通道，例如通道2，可以用来提高地面和低空云层的分类精度。也可以使用分区算法，其中每个4times;4的子块将通过使用8times;8的重叠块而被分类四次。该算法考虑了边界块，进一步提高了整体的精度。

6参考文献

[1] B. Tian，M.R. Azimi-Sadjadi，T.H. Vonder-Haar和D.L. Reinke，“适用于卫星云分类的概率神经网络的时间更新方案”，IEEE神经网络交易，第11卷，第903-920页，2000年7月。
[2] B. Tian，M. A. Siaikh，M. R. Azimi-Sadjadi，T. H. Vonder-Haar和D. L. Reiike，“光谱与文本特征的神经网络云分类研究，” IEEE神经网络交易，第10卷，第138-151页，1999年1月。
[3] R. M. Welch等人，“使用AVHRR影像的极地云和表面分类：方法的比对”，应用气象学杂志，第31卷，第405-420页，1992年5月。
[4] D.F. Specht，“概率神经网络”，神经网络，第3卷，第109-118页，1990年
[5] R.L. Streit和T.E. Luginbuhl，“概率神经网络的最大似然训练”，IEEE神经网络交易，第8卷，第1期，第114-132页,1997年。
[6] A.Jain和D.Zongker，“特征选择:评价，应用，和小样本性能”， IEEE模式分析与机器智能汇刊，第19卷，第2期，第153-158页，1997年2月。

[7] S. Haykin，“神经网络：综合基础”，麦克米伦出版公司，1994年。

图1：双通道TUPNN示意图

(a)可见的通道

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[21265]，资料为PDF文档或Word文档，PDF文档可免费转换为Word