孫彥子1，范紅1,2，陳靜1,馬海全1

　?。?.東華大學 信息科學與技術學院，上海 201620;

　　2.東華大學 數字化紡織服裝技術教育部工程研究中心，上海 201620）

    摘要：在氣象預測過程中，靜止氣象衛(wèi)星全天候工作，其拍攝的衛(wèi)星云圖在災害性的強對流天氣監(jiān)測與預警方面發(fā)揮了重大作用。對多波段的紅外云圖進行分類前的融合、壓縮預處理，對提高云圖的分辨率，減輕數據傳輸壓力，以及加強夜間探測能力，都具有現實意義。文章對KL變換及小波變換兩種預處理方法進行對比。實驗結果表明，基于KL變換的預處理方法處理后效果與源圖像的差異更小，得到的紅外云圖也與同時段可見光云圖最接近，對紅外云圖更適用。小波變換則更多地保留了源圖像細節(jié)信息，適用于預處理后的云圖研究。

　　關鍵詞：紅外云圖；預處理；KL變換；小波變換

0引言

　　氣象衛(wèi)星屬于一種專門的對地觀測衛(wèi)星或遙感衛(wèi)星，主要負責對大氣層進行氣象觀測。氣象衛(wèi)星能夠從太空上，借助各種遙感儀器觀測并記錄地球及其大氣層的可見光、紅外數據，將云圖等氣象信息下發(fā)給地面站。氣象衛(wèi)星具有范圍廣、時效快、數據質量高、受限度小等優(yōu)勢，它所提供的氣象信息己廣泛應用于日常氣象業(yè)務、氣象科學、海洋學和水文學的研究，例如美國”泰羅斯”號氣象衛(wèi)星系列、中國的風云系列衛(wèi)星均表現出色。

　　靜止氣象衛(wèi)星獲得的云圖主要分為可見光云圖和紅外云圖，前者因借助于地面或云面對太陽光的反射過程拍攝，只限于白天工作；后者通過測量地表物體和大氣層的紅外輻射程度，全天可獲得［1］。與地面站傳輸通信前，實現對紅外波段云圖的壓縮、融合預處理，對氣象監(jiān)測作用不可小覷。本文從多光譜圖像的特性分析著手，提出基于它的兩種預處理方法，并對此進行比較，分析各自優(yōu)勢和適用情況。

1多光譜圖像特性分析

　　遙感各波段記錄了地物波譜的微弱差異，充分利用地物在不同波段的差異，可以更有效地識別物體。紅外云圖是氣象衛(wèi)星在紅外波段通過紅外感應器測量來自云頂、地表物體所發(fā)射的紅外輻射總量并向地面站發(fā)送的云圖［1］。它具有一般紅外圖像的特征。

　　紅外圖像一般較暗，分辨率低，邊緣模糊。圖像上深色物體灰度值較高，輻射能力強，溫度高；淺色物體灰度值較低，輻射較弱，溫度低。因此通過紅外云圖，可以判斷云頂的高度，從而預測天氣狀況。當處于晴天時，衛(wèi)星觀測到的數據是從地表發(fā)向太空的紅外輻射，紅外云圖上表現為黑灰色，顏色越深，天氣越晴朗；雨天時，衛(wèi)星觀測到的數據是從云頂發(fā)向太空的紅外輻射，紅外云圖上表現為灰白色，顏色越白，表明氣溫越低，云層越厚實，降雨強度越大；陰天時，紅外云圖上表現為深灰、灰、淺灰色系，表明有不同厚度的云而無明顯降水。紅外云圖可以在完全無光的夜晚或者煙云密布的條件下獲得圖像，這一點是可見光云圖不可媲美的［2］。本文重點分析紅外云圖，并與同時次的可見光圖像進行比對。

2紅外云圖預處理

　　基于紅外云圖的特性，對此進行分類前預處理，將來自多個傳感器、不同波段的紅外云圖進行融合壓縮，獲得比單一圖像更加可靠、準確的數據，實現實時傳輸，為災害性天氣檢測和預警準確性提供保證。多光譜圖像的各波段之間具有一定的相關性，它們的數值以及顯示出來的視覺效果往往相似，造成不同信息的重疊。圖像各波段之間的相關可能是以下幾個因素結合起來引起的：(1)物質的波譜反射相關性；(2)地形；(3)遙感器波段之間的重疊。從不同波段的紅外云圖中可以發(fā)現一個共性：陸地、海洋等地貌特征相關性較高，云朵的相關性較低，故在此基礎上，只需提取出最有用的云朵信息即可，減輕了預處理的工作量。

　　2.1基于KL變換的方法

　　對不同波段的紅外云圖進行預處理，主要目的是從多幅紅外云圖中提取出相關性較低的云朵信息。一種方法就是對紅外云圖進行去相關性的變換。本文選擇使用離散的KL變換（又稱霍特林變換），它將多波段空間中的圖像數據映射到所選取的主成分空間中，將各波段有用信息壓縮到盡可能少的主成分中，起到了信息壓縮和信息分離的效果，便于各波段信息量的計算。

　　離散的KL變換具有很高的去相關性，是均方誤差條件下的最佳變換，在圖像的壓縮和融合等方面應用廣泛。其融合合成速度較快，但由于對圖像中的所有像素處理均一致，因此它往往會丟失弱小的重要目標，不適用相關性較弱的圖像。由于紅外云圖都是針對同一時間、同一地點、相同目標獲取的圖像，相關性較強，因而此方法很適合［3］對紅外云圖的處理。

　　設從同一個隨機母體得到了M個矢量采樣，則其均值矢量和協(xié)方差矩陣可分別由以下兩式利用采樣來近似：

　　因為矩陣Cx是一個實對稱矩陣，所以總可以找到它的一組N個正交特征值?，F令ei和λi(i=1,2,…,N)分別為Cx的特征矢量和對應的特征值，并且這些特征值單調排列，即λi≥λi+1(i=1,2,…,N-1)。

　　設Cy是一個對角矩陣，它的主對角線上的元素正是Cx的特征值，即：

　　則：

　　式(4)就稱為KL變換［4］。

　　基于KL變換的紅外云圖預處理主要包括以下幾步：(1)在多幅圖像對應像素之間建立矩陣；(2)將原始矩陣進行中心化（將矩陣中每一個元素都減去樣本的均值），然后計算其協(xié)方差矩陣；(3)計算協(xié)方差矩陣的特征值，將特征值按從大到小的順序排列組成新的特征矢量（特征矢量為對角矩陣，主對角線上的元素為特征值）；(4)對新的特征矢量進行KL變換，取出第一分量，即得到第一主成分圖像。

　　2.2基于小波變換的方法

　　近年來，小波變換在圖像處理領域中的地位越來越突出，基于小波變換的圖像壓縮、融合技術則成為國內外研究的熱點。小波變換主要包括連續(xù)小波變換和離散小波變換,在圖像處理中主要使用離散小波變換。將小波變換理論應用到圖像融合中，實際上就是對圖像進行小波分解，產生基于圖像的低頻和高頻兩部分信息，再分別針對這兩部分進行融合處理。小波變換后低頻系數表征源圖像的近似信息，大體反應圖像的輪廓；高頻系數表征圖像的細節(jié)信息，如邊緣、線條以及區(qū)域邊界等。紅外云圖包含的信息比較豐富，但其邊緣不夠清晰。因此基于小波變換的方法，主要針對高頻分量進行處理，以此提高整體圖像的分辨率。

　　離散小波變換（DWT）是通過一組低通分解濾波器(g)和高通分解濾波器(h)來對圖像進行分解實現的。通過小波變換將原圖像按不同頻帶和分辨率分解成一系列子帶圖像，每一層小波系數分解成如下4個子帶：LL(低頻部分，顯示為近似圖像)、LH(高頻部分，顯示為垂直高頻圖像)、HL(高頻部分，顯示為水平高頻圖像)、HH(高頻部分，相當于45°斜線方向的高頻圖像)。然后小波分解對每層得到的低頻分量LL繼續(xù)進行下一個尺度的分解，但對高頻分量不再做任何分解［5］。

　　以一幅大小為M×M的圖像f(x,y)為例，進行j層分解：

　　當j=1時，

　　當j>1時，

　　其中，φ(x,y)為二維尺度函數；Ψk(x,y)(k=1,2,3)為二維基本小波。

　　若要重構圖像，通過另一組低通重構濾波器(g-)和高通重構濾波器(h-)就可以逐級重構出原圖像［2］。

　　針對紅外云圖的特點，基于小波變換方法的預處理基本步驟為：(1)對多幅原始圖像進行幾何配準，保證圖像大小一致；(2)分別對它們進行二維離散小波變換，得到圖像的高低頻分量；(3)針對低頻分量，采用基于像素的融合規(guī)則，即采用平均值；(4)針對高頻分量，采用基于區(qū)域的融合規(guī)則，即區(qū)域方差法；(5)對融合后的高低頻分量經過小波逆變換重構得到融合后的圖像。

　　其中區(qū)域方差法的基本思想是：對待融合圖像在小波變換后的頻率域，計算待融合圖像的對應空間域的區(qū)域方差以及方差匹配度，然后根據方差匹配度與閾值的比較確定融合圖像的小波分解系數。若匹配度小于閾值，則取區(qū)域方差大的相應點的分解系數作為融合圖像的分解系數；若匹配度大于閾值，則采取加權平均方法得出相應的分解系數［6］。

3實驗結果與分析

　　本實驗中，選取我國風云二號氣象衛(wèi)星3個紅外通道的原始數據圖像進行預處理，使用MATLAB編程實現，如圖1~圖3所示。圖1是3幅原始圖像，圖2顯示KL變換后的圖像，圖3顯示小波變換后的圖像。

對于圖像除了視覺效果評價外，還可以通過一些參數進行客觀評價，表1給出了原始圖像和兩種變換的結果進行數據比較。本文主要通過計算圖像的信息熵、平均梯度值、交叉熵、均方根誤差4項指標對預處理后的紅外圖像進行評價。圖像的信息熵E是衡量圖像信息豐富程度的一個重要指標，其大小體現了圖像所包含的平均信息量的多少。圖像的熵值越大，表示圖像的信息量越大，質量越好；平均梯度值 反映了圖像中的微小細節(jié)反差表達能力和紋理變化特征，同時也反映了圖像的清晰度。越大，表示圖像越清晰；交叉熵CE用來測定兩幅圖像灰度分布的信息差異。多幅源圖像和融合后圖像間的綜合差異用平均交叉熵MCE評估，該值越小，融合后圖像與源圖像的差異越小，該算法從源圖像中提取的信息量就越多，融合效果越好；均方根誤差RMSE用來評價融合圖像與標準參考圖像之間的差異程度［7］。這里選取的是同時段的可見光云圖，如圖4所示。RMSE值越小，表明融合圖像與理想圖像越接近，融合質量越好。

　　從表1結合效果圖可以看出, 經過變換后圖2、圖3兩幅圖像均去掉了像素點間的相關性，得到不同波段紅外云圖的互補信息，使得處理后的圖像能夠含有更豐富的源圖像信息。進一步對比可以發(fā)現，經過小波變換后圖像的信息熵和平均梯度值要高于KL變換，說明小波變換能更好地保留原始圖像信息。然而，KL變換后的平均交叉熵和均方根誤差比小波變換的小，說明KL變換的效果與源圖像的差異更小，得到的紅外云圖也與同時段可見光云圖最接近。從視覺上看，經過KL變換后的圖2更好地去除了源圖像間相關性高的陸地、海洋等信息，將相關性低的云圖信息很好地保留，而且算法歷時不足小波變換的一半，真正實現了高效率、高質量的預處理。KL變換更適用于靜止氣象衛(wèi)星紅外云圖的預處理，而小波變換盡可能保留源圖像的細節(jié)信息，可有效地將來自不同云圖的特征與細節(jié)融合起來，獲得豐富的圖像信息，因而更適合于預處理后云圖結構細致化分析。

4結論

　　靜止氣象衛(wèi)星紅外云圖在氣象預測過程中發(fā)揮重要作用，彌補了可見光的不足，為全天監(jiān)測氣象提供了保證。預處理實驗對兩種變換方法進行驗證，實驗結果的主觀分析和客觀評價表明，小波變換將高低頻分開處理，能更好地保留源圖像的細節(jié)信息，對于預處理后的云圖結構分析更顯優(yōu)勢。 KL變換是在統(tǒng)計特征基礎上的多維正交線性變換，應用到多波段、多時相遙感圖像應用處理中。采用KL變換的目的是減少各波段信息之間的冗余，達到了保留主要信息、壓縮數據量、增強和提取更具有目視解譯效果的新波段的目的。隨著遙感手段的發(fā)展，遙感圖像在空間分辨率和波譜分辨率方面都在不斷提高，KL變換以及由KL變換引申出的其他變換方法的應用價值也愈顯重要。

　　參考文獻

　?。?］ 朱青. 衛(wèi)星紅外云圖與可見光融合方法研究［D］. 青島：中國海洋大學，2010.

　?。?］ 李俊山，揚威，張雄美. 紅外圖像處理、分析與融合(第1版)［M］. 北京：科學出版社，2009.

　?。?］ WITTENBRINK C M, LANGDON J GLEN G, FERNANDEZ G.Feature extraction of clouds from GOES satellite data for integrated model measurement visualization［C］. Proc: SPIE 2666, Image and Video Processing IV, March 13, 1996, 2666: 212 222.

　?。?］ 章毓晉．圖像工程（上冊）圖像處理（第2版）［M］. 北京：清華大學出版社，2006.

　　［5］ 湯仁民，李國芳，王代強. 基于小波的圖像基本處理技術研究［J］. 微型機與應用，2015，34（2）：4446.

　　［6］ 李亞春, 武金崗, 王凈，等．多小波變換圖像融合規(guī)則性能的分析研究［J］. 計算機工程與應用，2010，46（8）:180  182，189.

　　［7］ 苗啟廣，葉傳奇，湯磊，等.多傳感器圖像融合技術及應用（第1版）［M］. 西安：西安電子科技大學出版社, 2014.