英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

基于ICA算法的大气遥感图像云检测研究

中国人民解放军科技大学气象学院. 211101. 杜华东，王永奇

第二炮兵学院. 262500.陈亚明

摘要：在大气遥感科学中，云检测是一种大气参数反演的基本依据，如温度、湿度、海表温度等。目前，主要的云检测技术可以分为两类别，一种方法是基于有云和无云地区的不同光谱特征， 另一种是基于云相对于地球表面的纹理特征。ICA算法在近几年得到了很好的发展，是一种从所观察到的数据信息中可以得到高阶统计量的方法。它不仅可以移除数据相关性，但也可以得到相互的独立的图像。在文献中，云检测的大气AVHRR遥感图像是利用FastICA算法测试的。实验结果表明，该算法能分离的土地，水，云，高层冰云，尤其在高层冰云检测方面比其他云检测方法的结果更精确。这为云检测提供了另一个很好的方法。

关键字： ICA算法，云检测，遥感图像

1.介绍：

云是一个悬浮的水滴或冰粒子在可见光波段的大气。它是前身是主要的天气现象，如沉淀。云系统在全球尺度大气环流的调控和气的发展起着很重要的作用，因此，观察和研究云一直是气象科学研究的重要课题。

随着卫星技术的发展，越来越多的卫星数据已被广泛应用于云研究。与常规方法相比，使用卫星数据研究云具有快速和目的性的优势。云检测卫星定量应用的基本工作之一数据。只有云区已经确定了，一系列检索的表面和大气的遥感产品（陆地表面和海洋表面温度，冰/雪盖，气溶胶等）才可以工作[ 1 ]。然而，由于云的复杂性和多样性，发展基于遥感数据的准确和快速云检测和分类方法始终是一个具有挑战性的问题。目前，基于遥感数据的云检测和大气参数测量可以归纳了两大类别。

第一类是基于无云和有云地区不同的光谱特征。在白天时间，在可见光波段的云区的反射率比无云地区的高；同时，云顶温度通常比表面温度低，而且在云区红外热辐射场进去外太空中少于无云区。基于的提到的事实，很多种基于遥感信息的云检测方法已经得到了很好的发展。作为

早在1994年，根据各种类型的云在红外线和可见光具有不同的光谱特性，余凡[ 2 ]研究了接近一百个云样本的二维特征空间红外可见光光谱，并给出了一个确定的方法来分析云的类型和相应的簇分布，包括利用卫星云图识别七种主要类型的云区和无云区。但是使用该方法对多层薄卷云的识别结果并不满意。

第二类是基于研究云的纹理特征的方法。数学方法包括：模式识别，聚类算法，最大似然估计方法，神经网络方法，在云检测中得到了应用。但使用该结果的结果。但是利用该方法来识别更复杂形状的云和低云的结果是不令人满意的。

目前，ICA（独立成分分析）方法[ 3 ]已在信号领域得到了发展，它开始于估计一些观察到的信号源的信息，对源信号的访问是独立的。主成分分析法是一种基于协方差矩阵的二阶统计方法，而ICA基于更高阶的数量，不只是为了实现

主成分分析的不相关特性，而且还可以独立于成分特征。所以，ICA比主成分分析能有更好的结果。目前，ICA在信号处理中具有广泛的应用，特别是盲信号分离，但在图像领域中的应用，特别是在遥感图像的应用还比较有限[ 4 ]。一般的遥感图像数据的量比普通信号数据大，ICA的计算量是非常大的。所以直接应用ICA于遥感分类不高效。基于一般ICA算法的改进的FastICA算法可以减少算法的迭代次数，从而减少计算，并最终提高ICA在遥感图像自动分类中的应用，并提供相对好的结果。

在第一节中，将ICA的基本方法和原则介绍；第二节中，将描述FastICA算法理论；第三节中，将FastICA算法应用于AVHRR图像分类，将进行重组云，高层次的冰云，土地和水地区的识别。最后，结论将在第四节给出。

2独立成分分析：

在1988年，J Herault 第一次给出了ICA [ 5 ]的概念，ICA的主要思想是从一组观测到的信号x = { x1,x2,x3hellip;.,xn }估计一组独立的信号源S = { s1,s2,s3hellip;.,sn }。假设信号I 由N个线性独立分量组成：

假设，观察变量和来源变量是随机变量。将观察变量{x,x,x,x}写成向量X，源变量{s,s,s,s,s}写成向量S，aij写成混合矩阵A。然后，公式（1）

可以表示为：

X = A * S ；（2）

统计模型（2）称为ICA模型。模型描述了所观察到的数据是如何从混合

的源数据S产生的。变量S 是一个不可以直接观测的隐藏源变量，混合矩阵A是不知道的。唯一的观察数据就是随机变量X，很有必要去估计混合矩阵A 和源变量S。

关于ICA最开始的观点是基于一个非常简单的假设：源变量X在统计上是独立的。同时，源变量假设是一个非高斯分布。在混合矩阵A已经被估计后，非混合矩阵可以通过反演混合matrixw = A-1进一步计算，得到了独立成分S的估计值y， 模型如图1所示：

Y = A * X ; (3)

图表1.ICA模型

ICA算法的主要任务是估计非混合矩阵W。现在，很多ICA的实现已经得到了发展。P. Comon提供了一个基于高阶累积量算法构建在计算非混合矩阵中用到的成本函数[ 6 ]。A. J. Bell 和T. J. Sejnowski [ 7 ]提出了一种最大化信息的方法（Infomax），利用随机梯度学习方法提高了未混合矩阵的计算。T. W.Lee[8]扩展了最大熵算法，可以计算超高斯和亚高斯信号的非混合矩阵。J. Karhunen [9] 提出了一种基于固定点算法的FastICA 算法，该算法每次能够从信号中提取独立成分，是ICA的一种快速算法。

3 FastICA算法：

FastICA算法是赫尔辛基大学计算机与信息科学技术实验室开发的。该算法实现了一个系统的研究，以找到单位向量W的方向，该单位向量W的WX是最大非高斯分量。FastICA是基于固定点算法的。

要确定所有组件的独立性等价于从各种组件中提取非高斯最大值，即

E {（WTX）}的最大值。在组合条件E { 2 }（WTX）= W = 1下，E {G（WTX）的最优化可在下列条件下得到：

把公式4左边部分写成F（w），其雅克比矩阵的可以被表示成以下形式：

其中

，因此，雅克比矩阵是一个非奇角对异矩阵，利用牛顿迭代算法，可以得到以下近似解：

公式（7）是FastICA的迭代算法。

3 云检测实验

大气遥感图像中的信息是由若干部分组成，如云、土地、水等。利用ICA算法，遥感图像中的不同的信息能够被分离和确认。所以，在遥感图像中检测云区可以实现。在文献中，泰洛斯系列气象卫星NOAA-17上的遥感图像数据AVHRR被用于云检测实验。

AVHRR包含三个可见和三个红外频段。在图2（a）中，Apr. 11, 2009 02:26(UTC)的三个可见频段用错误的颜色进行显示。

文中用到的FastICA算法从网站http://www.cis.hut.fi/aapo/.下载，将AVHRR三可见频段的图像数据导入FastICA 算法，非混合矩阵W和三张分离后的图像数据可以获得。

图a、观测到的原始AVHRR图像数据 图b、第一种图像信息

图c、第二种图像信息 图d、第三种图像信息

表格1、非混矩阵W

三幅分离之后的图像也被表示于图2中。图2（b）是第一分离独立部分，从图中，可以看出这部分的信息主要由陆地和水组成；在图2（C）中，可以看出第二分离独立部分的信息主要来自于云层；在图2（d）中，可以看出第三分离独立部分主要来自高层冰云。

为了清晰地显示各个分离层的不同之处，对分离后的图像数据进行归一化处理。归一化处理的方法是：给每幅图像提供阈值，如果分离后图像数据大于该阈值，将图像数据置为1，否则置为0。阈值是每幅分离后图像数据的平均值。归一化后的图像显示在图3中。

图3.归一化分离后的部分

1. 陆地层信息；（b）第二种信息；（c）第三种信息

在图3中，AVHRR图像不同的物体可以被清晰和简单地确定。由于高层冰云的透明清晰的特征，利用传统云检测方法检测云是比较困难的。但是利用ICA算法，高层冰云的检测变得简单和准确。

四、总结和展望

ICA算法可以利用统计原理及其优化算法分解多通道观测信号为独立分量，可以提供一个源信号的近似估计。基于高阶统计信息，ICA算法不仅能去除带间的相关性，也可以将不同的源信息分离到不同的对象。但由于计算量大，ICA的用法在数字图像处理，特别是在遥感图像的图像处理中，是比较少的。在本文中，FastICA算法是用来处理大气遥感图像。实验结果表明，FastICA算法可以成功分离图像中的不同对象，如土地，水，云，高层冰云等。这给了大气遥感图像中的云与高层冰检测的另一个好办法。

五、参考文献

[1] Lee, J., R.C.Weger,S.K.Sengupta, and R.M.Welch, “A neural network approach to cloud classification”, IEEE Trans. Geosci. Remote Sens.,1990, Vol. 28, 846-855.

[2] Yu Fan, Chen Weimin, “Research on the Cloud Classification for the Bi-Spectrum Cloud Picture”, journal of nanjing institute of meteorology,1994, Vol. 17, 117-124.

[3] Comon P., “Independent Component Analysis, A new concept”, Signal Processing, 1994, Vol. 36, 287 -314.

[4] Chen C H, Zhang X., “Independent component analysis for remote sensing study”. SPIE, vol., 38, 1999, 150-155.

[5] Jutten C, Herault. J., “Independent Component analysis verus principal component analysis”. Proc. Europ. Signal Processing Conf. EUSIPC088, 1988, 643-646

[6] Comon P., “Independent Component Analysis, A new concept”, Signal Processing, 1994, Vol. 36, 287 -314.

[7] Bell A J, Sejnowski T J., “An information2maximization approach to blind separation and blind deconvolution”., Neural Computation, 1995,Vol. 7, 1129-1159.

[8] Lee T W. et al., “Independent component analysis using an extended infomax algorithm for mixed Subgaussian and Supergaussian sources”. Neural Computation, 1997 , Vol. 11, 409-433.

[9] Hyvrinen A., “Fast and robust fixed2point algorithms for independent component analysis”. IEEE Trans. Neural Networks, 1999, Vol. 8, 622-634.

新顶帽变换及其在红外弱小目标检测中的应用

摘要

以一种简单有效的方法来提高用于红外弱小目标检测的顶帽变换的性能，新顶帽变换和红外弱小目标检测技术的定义、性质、多尺度运算都包含在这篇论文中。新顶帽变换是用两种不同但是相互关联的结构元素来重组经典的顶帽变换，并且将目标和周围区域的差别信息考虑在内。根据这个定义，新顶帽变换有一些特殊的性质和三种多尺度运算类型，这些会详细讨论。随后，我们给出了一个用于噪声抑制的多尺度操作应用实例。我们获得了很好的红外弱小目标检测的性能，这可以归功于基于其性质的正确的结构元素选择。这个应用的实验结果表明新顶帽变换在检测红外弱小目标时，比经典顶帽变换和一些其他广泛使用的方法更有效。

1、前言

数学形态学是由Matheron和Serra第一次提出和扩展用于图像分析。数学形态学是基于几何学和集合论的，已经在不同的领域里得到很好的应用和发展。小目标检测技术是数字形态学的重要应用之一，而顶帽变换又是这个应用中的一个重要操作。

尽管顶帽变换已经应

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[148446]，资料为PDF文档或Word文档，PDF文档可免费转换为Word