云在大气辐射传输中扮演着重要角色, 云的形态、分布、数量及其变化标志着大气运动状况。实现云的自动定量观测对于飞行保障、天气预报等有重要意义。目前按工作平台不同, 云的观测主要分为卫星遥感和地基遥感两种方式, 地基遥感主要有两个不同于卫星遥感的特点:首先, 卫星遥感得到的是云顶亮温, 而地基遥感得到的是云底亮温; 其次, 卫星云图是大尺度观测, 而地基遥感则是局地范围的观测, 能得到比卫星遥感更为细致的云图信息。两者获取云信息的方式是不同的, Peura等^[1]认为两者没有优劣之分, 应该相互配合使用。

目前来看, 卫星云图云的识别技术研究较多, 相对成熟。如反映对应区域的灰度值分布的灰度共生矩阵法及其扩展方法^[2-8], 表达图像频率特征的Gabor滤波器^[9-10], 以及很多根据云图特点定义的云的原始特征^[11]、多光谱相态特征^[12]等等, 被广泛应用于卫星云图识别中, 并取得了较好的识别效果。受地基全天空测云仪器发展的限制, 目前地基云图的云识别主要集中于全天空可见光云图云状识别, 并且研究较少。Buch等^[13]对WSI云图进行了识别分类, 运用二元决策树进行高积云、卷云、层云、积云和晴空5种天空类型的判断, 总正确率达到61%。Peura等针对Vaisala公司研究的全天空成像仪提供的云图, 采用云的轮廓清晰度、大小、纤维性程度和边缘等基本物理信息, 进行了10属的判别, 总正确率为65% ^[11]。

全天空红外测云系统是最近研制成功的地基红外遥感系统, 它利用8~14μm波段大气向下红外辐射反演云的信息, 为云的昼夜连续观测提供了新途径。该系统由光学测量单元、环境参数测量单元、扫描伺服单元、采集控制单元和数据处理单元等组成。光学测量单元使用了一块320×240像素的非制冷红外焦平面阵列作为感应元件。工作时, 在扫描伺服机构的控制下, 按顺序分别得到天顶及天边8个方位的红外图像, 再经过定标、大气修正、拼图合成为一张全天空红外辐射分布图像, 它表示了天空不同方位、不同天顶角方向垂直向下的红外辐射分布。该系统目前可用于云量、云族和云分布的实时监测, 为了进一步实现云类型的自动识别, 本文将半球天空作为一个整体来看待, 进行云的分类研究, 提出了用模糊纹理光谱结合云的物理属性进行全天空云类识别方法, 初步试验表明, 该方法对单一云空具有很好的识别效果。

纹理特征是图像分割识别的一个重要而又复杂的特征。纹理特征抽取方法主要有基于结构的方法和基于统计的方法^[14]。基于结构的方法研究重点在于纹理基元之间的相互关系和排列规则, 主要适用于非常规纹理, 对于分析自然纹理图像则很难取得满意效果^[15]。基于统计的方法则考虑纹理的粗糙度、明暗对比等特征, 描述灰度空间的随机分布特征, 是自然纹理识别较为有效的方法。

He等^[16]提出了与上述两类方法不同的基于纹理基元的光谱分析法, 计算出每个像元与周围像元相对灰度关系作为一个纹理基元, 并认为这样能得到更有代表性的纹理信息。Lee等^[17]提出了一种模糊不确定度纹理光谱分析法 (fuzzy uncertainty texture spectrum), 简称FUTS, 用均一表面的不确定度表示纹理中一点P属于均一表面的程度, 其取值范围为^[0,1], 通过它可以将灰度范围的图像转化为模糊图像, 对于纹理较粗图像, 在相应的模糊图像中, 像元亮度较小。如果用三角隶属度函数将灰度图像f转化为模糊图像, 那么均一表面的不确定度定义为:

(1)

式 (1) 中, max_Rf(i, j) 是以 (i, j) 为中心、w×w区域R中灰度值最大的像元, 平均灰度f(i, j) 由式 (2) 给出:

(2)

由式 (1) 转化的模糊图像体现了区域特征, 故对模糊图像的μ_ij值进行统计分析, 便于揭示其图像的纹理特征, 以横坐标表示均一表面的不确定度μ_ij, 以纵坐标表示在一定区域出现的频率, 称该频率为模糊不确定纹理光谱。在实际应用中将均一表面不确定度μ_ij量化为L级, 定义模糊不确定纹理光谱为:

(3)

式 (3) 中, (i, j) 表示图像f中的像素点, #表示图像f中等于v的像元个数, v是均一表面的不确定度μ_ij量化后的级数, 0≤v≤L-1。

Lee等^[17]对Brodatz纹理中的多幅图像用上述方法进行纹理分析, 取L=256, 将纹理光谱作为纹理特征, 用最小距离法进行分割测试, 其分辨率达到97.5%, 另外, 还证明这种方法具有旋转不变特性, 这对云分类是非常有利的。

由模糊纹理的定义, 首先要选择合适的滤波窗口w×w, 下面对滤波窗口的选择进行讨论。分析全天空红外图像中的辐射值数据, 分析区域是半径为325个像元的圆形区域。以2007年1月11日14:28(北京时, 下同) 的图像进行分析。分别用3×3, 7×7, 13×13等3个滤波窗口求取模糊纹理图像 (图 1)。窗口较小时 (3×3), 模糊纹理图像较为细致地反映了原始图像的纹理信息, 但显然区域特征的代表性不足; 而窗口较大时 (13×13) 原始图像纹理也能很好地反映出来, 但过分放大了其中较小的纹理结构, 且窗口越大, 一次计算时间越长。

图 1

图 1. 不同滤波窗口下的模糊纹理图像 Fig 1. The fuzzy cloud images corresponding to different filter windows

图 2给出了不同滤波窗口下模糊纹理光谱的变化规律, 图中横坐标表示0~255阶, 纵坐标表示阶数对应频数的对数值。可见窗口越大, 接近第255阶的数量越多, 也就是说模糊纹理图像越平滑, 而实际上需要能合适地反应云图纹理结构信息的模糊图像, 并不是越平滑越好。因此, 这里考虑代表性和计算时间两个方面, 取7×7的滤波窗口进行计算。

图 2

图 2. 不同滤波窗口下模糊纹理光谱的变化 Fig 2. Differences of the FUTS in fuzzy cloud images corresponding to different filter windows

下面对不同云的模糊纹理光谱进行分析, 从已经建立的样本库中分别选取层状云、卷云、积云、高积云和晴空样本进行计算。层状云为云层较均匀的云类, 如蔽光层积云、层云等布满全天的情况, 卷云是指所有类型的高云天空。不同类型的模糊纹理光谱如图 3所示。由图 3可见, 不同云类的模糊纹理光谱是不同的。层状云与其他云类之间的差异较大, 能很好地进行区分, 卷云和晴空之间、高积云和积云之间差异较小, 有可能会错分。

图 3

图 3. 不同类型云的模糊纹理光谱 Fig 3. The FUTS for different sky conditions

进一步考察了同类云的模糊纹理光谱, 限于篇幅这里仅给出积云的情况。在积云的典型云集中随机选取了5组数据, 模糊纹理光谱如图 4所示。由图 4中可以看到同类云的模糊纹理光谱具有很好的一致性, 这为全天空云分类提供了非常有利的条件。

图 4

图 4. 积云天空的模糊纹理光谱 Fig 4. The FUTS for the cumulus

基于上述分析, 对全天空云图进行分类实验, 分类时采用最小距离法: ①计算5种典型云图的模糊纹理光谱S_k, 其中k为云类数, 这里取1~5; ②计算测试云图的模糊纹理光谱T; ③分别计算测试云图的模糊纹理光谱T与5种典型云图模糊纹理光谱S_k的距离, 根据最小距离法初步判断最小距离对应的典型云即为测试样本的云类型。

分析数据取自架设在解放军理工大学气象学院实验楼顶的全天空红外测云系统在2006年12月-2007年4月的实验数据。全天空红外测云系统每半小时获取一张红外图像, 比对数据是南京大校场的人工目测数据, 考虑到夜间人工目测的困难、雨天对仪器数据的影响以及低能见度下的观测问题, 为使得参照标准具有较好的可靠性, 只选择去除雨天和低能见度 ( < 600m) 的、天空为单一类型云的07:00-17:00整点数据200组, 其中层状云、卷云、积云、高积云和晴空样本各40组。分类混淆矩阵如表 1所示。其中, 层状云和晴空的正确率均达到100%, 积云和卷云的正确率为82.5%, 积云40个测试样本有7个误判为高积云, 卷云40个样本中有6个误判为晴空, 1个误判为高积云, 而高积云的正确率只有80%, 主要误判为卷云, 少数误判为积云和卷云。平均识别正确率为89%, 说明单纯使用模糊纹理光谱对全天空云图进行识别分类是可行的。经过分析发现, 卷云误判为晴空主要有两种情况, 一是当卷云具有很薄、很细的结构且几乎布满天空时, 由于模糊纹理考虑的是像元与周围像元相对灰度关系, 因而此时得到的模糊纹理谱与晴空时的谱相似性较大; 二是卷云量非常少时, 模糊纹理光谱与晴空时的谱几乎一致。卷云误判成高积云主要是因为一些卷积云样本没有细分出去, 此时卷云具有波状结构特点, 与高积云的结构相似。

表 1

表 1 模糊纹理光谱分类混淆矩阵 Table 1 The confusion matrix for the test sky condition

表 1 模糊纹理光谱分类混淆矩阵 Table 1 The confusion matrix for the test sky condition

为了进一步降低误判率, 考虑加入云类的物理属性信息。图 5为根据全天空红外图像的像元辐射值计算的整幅图像的辐射最小值、最大值、平均值和标准差。

图 5

图 5. 全天空图像辐射值统计信息 Fig 5. The essential information in the cloud image

由辐射最小值图中可以看出, 由于积云和层状云为低云, 因而其最小值相对于卷云、晴空来说较大, 而高积云由于云底高度变化较大, 因而最小值范围变化也较大, 在晴空与积云之间变化, 由于选取的样本来自不同月份, 因而积云的最小值出现了两组, 这在平均值图中也可明显看出, 这也表明无法用辐射最小值来直接区分积云。由辐射最大值图中可以看出, 积云最大值要比其他几类云高。从平均值图中可以看出, 卷云和晴空的平均值较接近, 且最小, 基本上在21W·m^-2·sr^-1以下, 而积云相对要高些, 层状云的平均值也较高。而由标准差图中可以看出, 积云、高积云、层状云的标准差具有较好的区分度, 积云的标准差较大, 一般大于4W·m^-2·sr^-1, 而层状云的标准差较小, 基本在1W·m^-2·sr^-1以下, 但高积云的标准差与卷云和晴空有重叠。鉴于上述特点, 如果模糊纹理光谱法判断为晴空或卷云天空, 但此时均值在21W·m^-2·sr^-1以上, 应该将结果修正为高积云天空。

为了进一步提高卷云和晴空的识别率, 可结合有云无云信息和模糊纹理光谱进行分析判别, 由表 1可知模糊纹理光谱分析法只会将卷云误判为晴空, 而不会将晴空误判为有云, 因而若系统根据辐射阈值信息判断天空有云, 则进一步可通过模糊纹理光谱分析法将其区分为卷云还是其他云。

根据上述分析, 在模糊纹理光谱识别的基础上, 利用图像的平均值、均方差信息以及辐射阈值信息重新对200个样本进行了识别, 分类结果如表 2所示。此时, 积云天空和卷云天空的判断正确率都从82.5%提高到了100%, 高积云天空的判断正确率也由80%提高到了90%, 平均正确率高达98%。

表 2

表 2 模糊纹理光谱加灰度统计量分类混淆矩阵 Table 2 The confusion matrix for the test sky condition with the essential information in the cloud image

表 2 模糊纹理光谱加灰度统计量分类混淆矩阵 Table 2 The confusion matrix for the test sky condition with the essential information in the cloud image

全天空红外测云系统是新研制的地基遥感系统, 通过定标、大气修正和拼图处理可获得全天空红外分布图像, 为云的信息提取提供了新的途径。本文利用模糊纹理光谱结合云的基本物理属性研究了全天空云类的识别方法, 结果表明:

1) 由于云的形态变化复杂, 仅从图像的模糊纹理进行云的区分信息还不够, 加入云的基本物理属性有助于提高识别率。

2) 模糊纹理光谱结合云的基本物理属性判断全天空云类有效, 可较好地区分和识别层状云、高积云、积云、卷云和晴空等典型天空。

由于本文所选样本仅限于单一类型云的天空, 因而如何将该方法应用于实际的非单一类型云的天空, 还需要进一步进行研究。