陸 衍
(上海市地質(zhì)調(diào)查研究院,上海 200072)
遙感影像云霧分離的BP神經(jīng)網(wǎng)絡(luò)方法研究
陸 衍
(上海市地質(zhì)調(diào)查研究院,上海 200072)
使用改進算法構(gòu)造BP神經(jīng)網(wǎng)絡(luò),利用MATLAB中train函數(shù)訓練,并用sim函數(shù)進行仿真,達到提取遙感影像中霧區(qū)的目的。圖像處理結(jié)果表明,BP神經(jīng)網(wǎng)絡(luò)方法可以較好地分離影像中的霧區(qū)與其他地物。
遙感影像;城市災害監(jiān)測;霧區(qū)識別;BP神經(jīng)網(wǎng)絡(luò)
隨著社會經(jīng)濟快速發(fā)展,大霧帶來的危害日益嚴重,已成為一種不可忽視的城市自然災害。做好霧災防治,對大霧天氣進行監(jiān)測與預警,已成為各國學者的研究熱點。
對于如何識別和分離遙感影像上的云和霧,國內(nèi)已有不少學者對此進行了大量研究。20世紀80年代初,周淑貞等根據(jù)上海天氣情況及其氣象要素,從多個方面對上海城市霧的形成、特征、影響等進行深入分析,探討上海市成霧的原因[1]。90年代開始,越來越多的學者從氣象特征、霧生消的條件以及霧本身的機理特征等方面,研究霧的形成、消散,并對大霧預測進行了初步探討。熊秋芬根據(jù)歷史氣象資料分析,得出三種易于產(chǎn)生大霧的天氣環(huán)流形勢,從而達到預測三峽大霧的目的[2]。當前,隨著對衛(wèi)星遙感研究的深入,更多的學者開始利用霧的光譜特性來研究云霧分離、大霧識別的方法。如劉健等基于云霧對于4μm波長的散射能力與粒子半徑有關(guān)的特點,發(fā)現(xiàn)AVHRR(advanced very high resolution radiometer)CH3(4μm)反射率值小的云中大粒子區(qū)與可降水區(qū)之間有一定的聯(lián)系,而其反射率值大的區(qū)域與大霧覆蓋區(qū)之間是相互對應的,因此提出利用AVHRR CH3(4μm)反射率的大小對白天霧的情況進行遙感監(jiān)測[3]。
本文在前人研究的基礎(chǔ)上,利用 BP神經(jīng)網(wǎng)絡(luò)法實現(xiàn)對MTSAT-1R衛(wèi)星影像中云霧的分離處理,并對影像中的霧區(qū)進行識別、提取,研究成果可為大霧遙感監(jiān)測及其城市災害防治提供依據(jù)。
人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)是由大量處理單元(神經(jīng)元neurons)廣泛互連而成的網(wǎng)絡(luò),是對人腦的抽象、簡化和模擬,反映人腦的基本特征[4]。人工神經(jīng)網(wǎng)絡(luò)是從人腦的生理結(jié)構(gòu)出發(fā),研究人的智能行為,模擬人腦的信息處理功能,目前已在模式識別、信號處理、圖像處理等領(lǐng)域得到了廣泛的運用。而BP(back propagation)神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò),是目前應用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP網(wǎng)絡(luò)能學習和存貯大量的輸入—輸出模式映射關(guān)系,而無需事前揭示描述這種映射關(guān)系的數(shù)學方程。它的學習規(guī)則是使用最速下降法,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值,使網(wǎng)絡(luò)的誤差平方和最小。BP神經(jīng)網(wǎng)絡(luò)模型拓撲結(jié)構(gòu)包括輸入層(input)、隱層(hidden layer)和輸出層(output layer)。
神經(jīng)網(wǎng)絡(luò)研究始于20世紀40年代,心理學家McCulloch與數(shù)學家Pitts在研究生物神經(jīng)元的基礎(chǔ)上提出了一種簡單的人工神經(jīng)元模型[5],即人工神經(jīng)網(wǎng)絡(luò)的第一個數(shù)學模型“M-P模型”,從此開創(chuàng)了神經(jīng)科學理論的研究時代。50年代后期,Rosenblatt提出了感知器模型[6],確立了從系統(tǒng)角度研究神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)。之后,Widrow和Hoff提出了自適應線性單元網(wǎng)絡(luò)和Widrow-Hoff學習算法[7],Hopfield提出了Hopfield網(wǎng)絡(luò)模型[8],Rumelhart和McCelland提出了PDP(parallel distributed processing)網(wǎng)絡(luò)思想[9],使得人工神經(jīng)網(wǎng)絡(luò)技術(shù)得以蓬勃發(fā)展。
現(xiàn)今,越來越多的學者開始將神經(jīng)網(wǎng)絡(luò)技術(shù)應用于圖像處理領(lǐng)域。如尹顯東等利用BP神經(jīng)網(wǎng)絡(luò)原理建立了多層檢測模型,實現(xiàn)對圖像中的感興趣區(qū)進行自動檢測與分割[10];張海波等基于BP神經(jīng)網(wǎng)絡(luò)基本算法,對其參數(shù)進行優(yōu)化設(shè)置,提出了一種改進的BP網(wǎng)絡(luò)算法[11],用于圖像分類處理,取得了較好的實驗結(jié)果。
標準BP算法具有一定的局限性,因此本文采用改進的BP算法來構(gòu)造神經(jīng)網(wǎng)絡(luò),通過附加動量法、自適應學習率法、選擇合適的網(wǎng)絡(luò)結(jié)構(gòu)等方法,提高網(wǎng)絡(luò)對訓練樣本的記憶能力,同時提高網(wǎng)絡(luò)的泛化能力。本文根據(jù)隱含層神經(jīng)元數(shù)目公式結(jié)合嘗試法來確定網(wǎng)絡(luò)的結(jié)構(gòu),并采用附加動量法和自適應學習率法來進行網(wǎng)絡(luò)的訓練,以提高網(wǎng)絡(luò)的性能。采用2007年10月25日00:33的MTSAT-1R衛(wèi)星影像(圖1)進行神經(jīng)網(wǎng)絡(luò)訓練(圖2),從而對影像中的霧區(qū)進行分離和提?。▓D3)。
算法具體步驟如下:
(1)將待分割的圖像轉(zhuǎn)化為1*m*n的矩陣,以便神經(jīng)網(wǎng)絡(luò)輸入;
(2)讀入霧區(qū)樣本圖像,調(diào)整矩陣大小,以適合神經(jīng)網(wǎng)絡(luò)輸入,并產(chǎn)生霧區(qū)訓練目標矩陣;
(3)讀入云區(qū)樣本圖像,調(diào)整矩陣大小,以適合神經(jīng)網(wǎng)絡(luò)輸入,并產(chǎn)生云區(qū)訓練目標矩陣;
(4)讀入陸地樣本圖像,調(diào)整矩陣大小,以適合神經(jīng)網(wǎng)絡(luò)輸入,并產(chǎn)生陸地訓練目標矩陣;
(5)使用prestd函數(shù)對輸入矩陣數(shù)據(jù)進行標準差標準化預處理;
(6)利用trastd函數(shù)對prestd函數(shù)處理得到的輸入矩陣數(shù)據(jù)再次進行標準差標準化處理;
(7)利用newcf函數(shù)生成BP網(wǎng)絡(luò),并設(shè)定BP網(wǎng)絡(luò)參數(shù):訓練次數(shù)為5000次,訓練目標誤差為0.2,學習率為0.01;
(8 )利用train函數(shù)開始BP網(wǎng)絡(luò)訓練;
(9)利用sim函數(shù)對訓練后的網(wǎng)絡(luò)進行仿真,并保存結(jié)果;
(10)將訓練結(jié)果轉(zhuǎn)化為灰度圖像輸出。
從BP神經(jīng)網(wǎng)絡(luò)處理后的圖像(圖3)可以看出,原始影像上半部分與目標霧區(qū)灰度值相差較大的陸地和云區(qū)均被很好地分離出來了,霧區(qū)輪廓較為清楚。但是根據(jù)對影像的目視解譯以及霧的紋理特征可以判別出,原始影像的中部和下半部分并非霧區(qū)而是薄云區(qū)。但經(jīng)過BP神經(jīng)網(wǎng)絡(luò)訓練后的影像,其中部和下半部分的薄云區(qū)也被作為霧區(qū)分割出來了。這主要與霧區(qū)樣本和云區(qū)樣本的選取有關(guān)。由于影像中部和下半部分的薄云區(qū)與選擇的云區(qū)樣本的灰度值相差較大,而與選擇的霧區(qū)樣本的灰度值相差較小,這樣就導致薄云區(qū)也被BP神經(jīng)網(wǎng)絡(luò)當成霧區(qū)提取出來了。
由此可以看出,BP神經(jīng)網(wǎng)絡(luò)方法是根據(jù)輸入樣本的灰度值來構(gòu)造訓練目標矩陣的[12,13],樣本的選取對于神經(jīng)網(wǎng)絡(luò)的訓練結(jié)果有著直接的影響。然而在實際應用中,霧區(qū)樣本的灰度值與薄云區(qū)的灰度值非常接近,BP神經(jīng)網(wǎng)絡(luò)很難將其區(qū)分開來,只有結(jié)合目標地物的形態(tài)特征來進行圖像分割,才能帶來較好的分割精度。因此,本文采用MATLAB圖像處理工具箱中bwareaopen函數(shù)來去除BP神經(jīng)網(wǎng)絡(luò)方法得到的小面積的、不連續(xù)的區(qū)域,結(jié)果如圖4所示。
圖1 待分割的圖像Fig.1 The will segmentation image
圖2 BP神經(jīng)網(wǎng)絡(luò)訓練過程Fig.2 The training process of back propagation neural network
圖3 BP神經(jīng)網(wǎng)絡(luò)處理結(jié)果Fig.3 The processing results of back propagation neural network
由圖4可以看出,BP神經(jīng)網(wǎng)絡(luò)方法得到的結(jié)果圖的下半部分小面積區(qū)域已經(jīng)被很好地分離出來并去除,而保留了上半部分大面積的連接霧區(qū),圖像分割效果較為理想。
圖4 BP神經(jīng)網(wǎng)絡(luò)及MATLAB圖像處理后的最終成果Fig.4 The final results of back propagation neural network with MATLAB
BP神經(jīng)網(wǎng)絡(luò)方法能夠較準確地將影像中的云霧分割開來,并將霧區(qū)作為提取目標以白色顯示出來,分割效果較為滿意。但該方法的分割結(jié)果和樣本的選擇有直接關(guān)系,樣本質(zhì)量的好壞直接影響分割精度。
References)
[1] 周淑貞,張秀寶,郭淑麟. 上海的霧[J]. 地理學報,1981,36(1):47-58.
Zhou S Z, Zhang X B, Guo S L. The fog of Shanghai[J]. Acta Geographica Sinica, 1981,36(1):47-58.
[2] 熊秋芬. 長江三峽壩區(qū)大霧分析與預報[J]. 湖北氣象,1997, (2):16-17.
Xiong Q F. The fog analysis and forecast of the Three Gorges[J]. Meteorology Journal of Hubei, 1997,(2):16-17.
[3] 劉健,許健民,方宗義. 利用NOAA衛(wèi)星的AVHRR資料試分析云和霧頂部粒子的尺度特征[J]. 應用氣象學報,1999,10(1):28-33.
Liu J, Xu J M, Fang Z Y. Analysis of the particle sizes at top of cloud and fog with NOAA/AVHRR data[J]. Journal of Applied Meteorological Science, 1999,10(1):28-33.
[4] 高雋. 人工神經(jīng)網(wǎng)絡(luò)原理及仿真實例[M]. 北京:機械工業(yè)出版社, 2003.
Gao J. Artificial neural network principle and simulation examples[M]. Beijing: China Machine Press, 2003.
[5] Warren S McCulloch, Walter Pitts. A logical calculus of the ideas immanent in nervous activity [J]. Bulletin of Mathematical Biology, 1943,5(4):115-133.
[6] Rosenblatt F. The perceptron: A probabilistic model for information storage and organization in the brain[J]. Psychological Review, 1958,65(6):386-408.
[7] Widrow B, Hoff M E. Adaptive switching circuits[R]. IRE WESCON Convention Record, 1960:96-104.
[8] Hopfield J J. Neural networks and physical systems with emergent collective computational abilities[J]. PNAS, 1982,79(8):2554-2558.
[9] Rumelhart D E, McCelland J L. Parallel distributed processing: Exploration in the microstructure of cognition[M]. Cambridge, MA, MIT Press, 1986.
[10] 尹顯東,姚軍,李在銘. 基于BP神經(jīng)網(wǎng)絡(luò)的圖像感興趣區(qū)自動檢測技術(shù)[J]. 系統(tǒng)工程與電子技術(shù),2006,28(2):192-195.
Yin X D, Yao J, Li Z M. Automatic detecting region of interesting technique based on BP neural network[J]. Systems Engineering and Electronics, 2006,28(2):192-195.
[11] 張海波,董槐林,龍飛,等. 基于BP神經(jīng)網(wǎng)絡(luò)的圖像識別研究[J]. 計算機與現(xiàn)代化,2008,(5):17-19.
Zhang H B, Dong H L, Long F, et al. Study of image recognition based on BP neural network[J]. Compute and Modernization, 2008,(5):17-19.
[12] 王榮華,干嘉元,過仲陽,等. 模糊理論在遙感圖像分類中的應用[J]. 上海地質(zhì),2007,28(4):52-55.
Wang R H, Gan J Y, Guo Z Y, et al. The application of fuzzy theory in remote sensing image classification[J]. Shanghai Geology, 2007,28(4):52-55.
[13] 過仲陽,陸衍,戴曉燕. 空間數(shù)據(jù)挖掘系統(tǒng)及其應用[J]. 上海地質(zhì), 2004,25(4):41-44.
Guo Z Y, Lu Y, Dai X Y. Spatial data mining systems and its application[J]. Shanghai Geology, 2004,25(4):41-44.
Research on cloud and fog separation by a back-propagation (BP) network
LU Yan
(Shanghai Institute of Geological Survey, Shanghai 200072, China)
The recognition and separation of cloud and heavy fog has been a particularly challenging aspect of weather forecasting. Recently, on account of rapid socio-economic development, the harmful effects of fog have become increasingly serious, and some fog events have been classified as natural disasters. Thus, to prevent fog disasters, the monitoring of heavy fog and the development of early warning systems for heavy fog have become a focus of academic research. This study used an improved back propagation (BP) algorithm to build a BP neural network, using a train function to train the net and uses sim functions to simulate the net. In this way, areas of fog can be identified in remote sensing images. Experimental results show that the BP network can properly separate areas of fog from other meteorological features, thus producing good results in terms of prediction and early warning of conditions conducive to heavy fog.
remote sensing image; urban disaster monitoring; heavy fog recognition; back propagation (BP) neural network
P237
A
2095-1329(2015)03-0095-03
10.3969/j.issn.2095-1329.2015.03.022
2015-06-02
2015-08-10
陸衍(1966-),男,高級工程師,副院長,主要從事城市環(huán)境地質(zhì)研究.
電子郵箱: luyan@sigs.com.cn
聯(lián)系電話: 021-56073635
國土資源部和上海市政府合作項目“上海市三維城市地質(zhì)調(diào)查”(1212010511102)