一種基于多通道衛星云圖的臺風分割方法

錢華明 姜 波

(哈爾濱工程大學 自動化學院,哈爾濱 150001)

一種基于多通道衛星云圖的臺風分割方法

錢華明 姜 波

(哈爾濱工程大學 自動化學院,哈爾濱 150001)

有效的臺風主體分割能夠提高臺風預報的準確性.提出一種基于矢量圖像的改進水平集方法進行臺風分割,將 C-V模型推廣到矢量空間,加入了無需重新初始化的能量項;提出了一種迭代收斂條件并設計了針對云圖特點的模型參數及分割方法,該方法利用了多通道的云圖信息,避免了無謂的迭代計算,能夠加快分割曲線的演化速度并提高分割的準確性.實驗結果驗證了所提出方法的有效性和可行性,其平均目標錯誤率與平均非目標錯誤率分別為 1.21%與 2.25%,可得到較理想的臺風分割效果.

圖像分割;水平集;C-V模型;衛星圖像;氣象預報

臺風嚴重影響著人類的生產生活,是災害性天氣之一,準確預報臺風是事關人民生命財產安全的重大問題.隨著衛星技術的發展,利用氣象衛星云圖對臺風云系進行分割,確定臺風的中心位置成為臺風預報的重要手段.圖像分割是計算機視覺研究中的一個經典難題,準確分割臺風圖像是衛星云圖分析中關鍵而困難的問題,因為一個云系包含有多種形態的云,而在云系發展的不同階段,其所包含云的情況各不相同,難以找到一個恰當的統計方案能適用于各種云的情況.目前,人們對衛星云圖的分割與識別技術做出了許多有益的探索,其中包括:閾值法[1],人工神經網絡法[2],聚類方法[3],數學形態學[4],特征提取[5],小波分析[6],活動輪廓模型[7]等.

水平集方法[8]是一種通過求解幾何曲線演化實現圖像分割的方法,它以一種隱含的方式來表達平面閉合曲線或者立體閉合曲面,從而避免了對閉合曲線演化過程中的跟蹤,將曲線演化轉化成一個純粹的求偏微分方程數值解的問題.文獻[9]提出了基于曲線演化理論的測地活動輪廓線(GAC,Geodesic Active Contour)的水平集圖像分割方法,然而該方法僅利用圖像的局部邊緣信息,對邊緣模糊或者存在離散狀邊緣的圖像難以得到理想的分割效果.

臺風云系表現在云圖上,具有亮度高、面積大、類圓性強等特點,適于基于模型驅動的分割方法.然而臺風云系的邊緣特征不明顯,云系周圍無關云團的干擾較多,僅利用圖像邊緣信息難以有效分割.文獻[10]基于簡化的 Mumford-Shah模型[11]提出了采用水平集方法的 C-V模型,該方法依賴于同質區域的全局信息,能獲得較好的分割效果.針對 C-V模型需要定期重新初始化,曲線演化速度慢的缺點,本文引入了文獻[12]所提出的無需重新初始化的能量項,并將得到的能量函數模型推廣到矢量空間中,利用多通道衛星云圖信息映射到矢量空間進行臺風分割.為克服傳統水平集圖像分割方法中固定迭代次數的局限性,提出一種判斷迭代收斂條件的方法.應用改進的模型設計了臺風分割方案并進行仿真實驗.

1 相關工作

1.1 C-V模型

文獻[10]提出一種基于簡化 Mumford-Shah模型[11]的無邊緣活動輪廓模型:C-V模型.該模型假設圖像是分段連續的,即在每個目標區域內灰度是均勻的,將一幅圖像按灰度相似性劃分,劃分的粗細通過分割曲線長度的權重來調節.若圖像 I(x,y)被輪廓曲線 C劃分為目標區域 Ω1和背景區域 Ω2,對應區域的平均灰度為 c1和 c2,C-V模型的能量函數構造為如下形式:

式中,第 1項 L(C)為輪廓曲線 C的全弧長;第 2項 So(C)為 C的內部區域面積;第 3項與第 4項分別為內部區和外部區的灰度值與標量 c1和 c2的平方誤差;I為給定的實際圖像灰度值;μ,ν≥0,λ1,λ2＞0為各個能量項的權重系數.通過式(1),可以得到全局最優的圖像分割結果即最終分割輪廓線 C的位置以及未知數 c1和 c2.

1.2 水平集

水平集方法的核心思想就是將 n維曲面的演化問題轉化為 n+1維空間的水平集函數曲面演化的隱含方式求解,其關鍵是通過這種轉化,引入變中的相對不變:水平集函數 u的水平閉合曲線C不變.一般情況下,是用水平集函數的零水平集來表示一條閉合曲線,即 C={(x,y),u(x,y)=0},其中 u(x,y)的選擇并非唯一.

用水平集來解決圖像分割問題的實質就是水平集方法與理論模型的結合,用水平集方法來求解這些模型得到偏微分方程(PDE,Partial Differential Equations)[13].為保證 PDE數值計算的穩定性,要求水平集函數 u(x,y)的變化率處處是均勻的,因此,u(x,y)通常選取為符號距離函數(SDF,Signed Distance Function)[14].

1.3 重新初始化

文獻[10]采用水平集方法對其模型求解過程中,水平集函數 u在在演化過程中會逐漸偏離符號距離函數的性質,這將導致數值計算的迭代過程趨向不穩定,故需要在若干次 u的更新迭代后,進行重新初始化,以使 u重新恢復為符號距離函數.重新初始化可通過求解如下 PDE完成:

式中,sgn(·)為符號函數.該方法沒有利用零水平集的確切位置信息,可能導致零水平集的確切位置發生移動,而且要保證在 Ω域內每點都要收斂,這將極大的增加計算負擔.

文獻[12]提出了一種改進的變分水平集方法,用于避免水平集函數演化過程中的重新初始化過程.定義了一個內部能量項:

顯然,最小化 P(u)就意味著要求 |Δu|=1,即要求水平集函數 u在演化過程中盡可能保持為距離函數,就可達到避免重新初始化的目的.

2 多通道臺風云圖分割方法

本文所用的衛星云圖數據選自 FY2-C地球靜止軌道氣象衛星資料,FY2-C具有 1個可見光通道與 4個紅外通道.可見光云圖的色調取決于物體對太陽光的反照率大小,而紅外云圖的色調取決于物體自身散發的紅外輻射大小.其中紅外1通道的接收波段為 10.3～11.3μm,在此波段內,大氣對紅外輻射的吸收較小,故多數方法只根據該通道來區分不同云系.然而不同通道云圖能夠反映不同類型云的不同特征.在單一通道云圖中不同的云可能有相同的灰度值或者同種類型云的灰度分布范圍較大.為減小分割臺風時雜云帶來的影響,可以將多通道云圖結合分析,必將改善分割效果.本文基于文獻[15]中的矢量 C-V模型,并引入文獻[12]所提出的能量項,以減少重新初始化所增加的計算量,將該方法應用于 5通道云圖所構成的矢量圖像中.

2.1 基于矢量圖像的改進 C-V模型

將矢量 C-V模型[15]以水平集函數 u表達并引入式(2),可設計如下能量函數:

式中,m為矢量的維數;λ1,λ2,I,c1和 c2均為 m維矢量;i=1,2,…,m;Hε(u)為正則化的 Heaveside函數,δε(u)為其導數 ,可令

最小化式(3),得到偏微分方程:

式中

2.2 模型的數值實現

設 Δt為時間步長,h為空間步長,(xi,yi)=(ih,jh),1≤i,j≤M為格點坐標,則xi,yi)是對 u(x,y)在網格上的近似,這里有 n≥0,u0=u0,由有限差分法,式(4)中算子的離散化形式為

式中

div(Δu)算子的離散化形式為

綜上,式(4)的離散化形式為

式中

為了將式(5)進一步展開,令

則式(5)可變為

根據式(7)即可由第 n層數據得到第 n+1層數據,并不斷迭代直到達到穩定狀態.為了判斷是否達到穩定狀態,避免不必要的迭代計算,本文提出了如下迭代終止條件:

式中,Sn為第 n次迭代后輪廓曲線 C內部區域的像素數;Sx和Sy分別為圖像的行數和列數;i為大于 0小于 n的整數.當滿足條件時,就停止算法迭代,縮短了計算時間.上述條件中,若 i取值過小則可能曲線未達收斂時就滿足了收斂條件而被迫停止;若 i取值過大,則無法有效減少迭代次數.通過 i的不同取值對多幅圖像中的曲線進行收斂比較實驗可知,當 3＜i＜10時,可兼顧兩方面需求,本文實驗取 i=5.

2.3 云圖的預處理

整幅衛星云圖的數據量一般較大且包含有形態各異的多種云系,為減少計算量、去除無關云系干擾,在實驗中采用局部衛星云圖進行分割:識別出臺風在整幅云圖中的位置;按照一定的區域范圍將感興趣的臺風區域進行截取[16];采用本文提出的方法精確分割.

FY-2C資料的 5個通道云圖中,可見光云圖的量化等級為 64,紅外云圖的量化等級為 1 024且各通道紅外云圖具體灰度范圍各不相同.為在模型迭代計算中統一灰度級標準,本文采用灰度線性變換的方法對 5個通道云圖分別進行對比度映射.若原圖像 f(x,y)的灰度范圍是[m,M],希望變換后的圖像 g(x,y)的灰度范圍是[n,N],則可以設計如下的變換:

本文將各通道云圖的灰度范圍映射至[0,255],以可見光云圖為例,變換前后效果如圖 1.

由圖 1c可見,原始云圖的灰度分布范圍大致在[0,64]之間,前景與背景很難區分,這樣在分割過程中就無法正確判斷正確的分割邊界,而經過對比度映射后灰度分布范圍擴展到[0,255],前景與背景的對比度更加明顯.

2.4 參數設計及算法步驟

本文算法中取 λ1=λ2=1,ε用以控制 δε(u)的有效寬度,取 ε=1,空間步長取 h=1,ν為常數對水平集函數的演化不產生影響,故取 ν=0.

圖 1 可見光通道云圖增強效果

μ2為曲線長度項的權重系數,其大小影響所能檢測出目標的大小.本文目的是分割出臺風外部輪廓,并將其內部空洞區域及周邊雜云剔除,故需將 μ2設置為較大的值以檢測大面積目標.本文通過下式計算 μ2:

式中,m為矢量圖像 I的維數;E(I(i)(x,y)為第 i維圖形灰度值的期望;S[·]為滿足條件的像素數.在本文實驗中,選取 5通道云圖數據構成矢量圖像,由式(9)得 μ2=8000.

Δt為時間步長,由于變分水平集方法所得到的 PDE屬于拋物線型,具有較高的穩定性,故在本文的數值方案中可選用較大的時間步長.本文通過大量實驗發現,在 Δt固定的情況下,若 μ1取值過大,將導致演化過程趨向于不穩定狀態,一般情況下應滿足關系式 μ1Δt＜0.08,因此,在實驗中選取 Δt=1,μ1=0.04.

基于多通道衛星云圖的臺風分割算法如下:①云圖預處理;②圖像合成,將處理后的 5通道云圖數據合成為矢量圖像 I;③定義初始輪廓線 C0,構造 SDF函數,以此初始化 u0,n=0;④根據式(6),計算 c1(un)和 c2(un);⑤根據式(7),計算un+1,并更新輪廓線 C;⑥根據式(8),判斷迭代是否收斂,如果收斂,則停止計算,否則,轉步驟④,繼續計算.

3 實驗分析

3.1 實驗材料及設計

本文采用 Matlab R2007b實現上述算法,計算機配置如下:Pentium IV 3.0GHz CPU,512MB DDRII內存.為排除因太陽天頂角不同導致可見光云圖中目標反照率不同而產生的影響與誤差,本文選用一個時間段內同一時次的云圖進行實驗.臺風“薔薇”于 2008年 9月 23日至 2008年10月 1日期間在我國東南沿海附近活動,本文采用由國家衛星氣象中心所提供的 FY-2C衛星接收的該段時期內 4:00UTC時次的中國海區衛星云圖作為實驗數據.

本文針對每組云圖設計了 5項分割實驗,其中 4項只利用了紅外 1通道的云圖數據,分割方法分別為文獻[12]提出的改進 GAC模型、傳統的 C-V模型、基于增強云圖的閾值分割法[17]以及本文方法.另外一項實驗結合了 5通道圖像數據,采用本文方法進行臺風分割.

為客觀評價分割結果,本文實驗按如下方式獲得臺風輪廓的參考真值:請 5位氣象工作者使用 Photoshop CS3在紅外 1通道云圖中分別手繪了臺風輪廓,該輪廓將圖像分為目標與背景兩部分,如果至少有 3人將某一像素點劃分為目標,則將該像素作為參考真值的目標,否則令其為背景.

實驗采用兩種指標作為分割評價標準:目標錯誤率(FTR,False Target Rate)與非目標錯誤率(FNR,False Non-target Rate)[18],其定義如下:

式中,ft為錯分(真實圖像中屬于背景,而待評方法將其作為目標)像素數;fn為漏分(真實圖像中屬于目標,而待評方法將其作為背景)像素數;g為真實圖像的目標像素數.顯然,好的分割結果應同時具有較低的 FTR與 FNR.

3.2 實驗結果及討論

在各組實驗中任選一組實驗結果,以 2008年9月 27日 4:00UTC時次云圖為例,幾種方法的分割效果如圖 2所示.

采用文獻[17]的方法對圖像進行了預處理,并利用貝葉斯法得到閾值進行分割,但是由于閾值法分割的固有缺陷,其分割輪廓平滑性較差且目標內部存在空洞,如圖 2a.文獻[12]的方法基于 GAC模型,該模型過于依賴圖像梯度來停止曲線演化過程,而實驗所選取的臺風云圖的邊緣強度較弱,既沒有明顯的邊緣,也缺乏明顯的紋理特征,故 GAC模型難以實現有效分割,如圖 2b.C-V模型利用了圖像的全局灰度信息,不依賴于目標的邊緣,因此能對弱邊緣圖像獲得較好的分割結果,然而由于僅利用了單通道的云圖信息,C-V模型與本文方法都不能正確區分圖像右下部的邊緣與背景,最終輪廓曲線存在“冒頂”現象.本文所用方法基于 C-V模型提出,結合了多通道的云圖數據,由于各個通道的圖像可進行信息互補,因此演化曲線能夠較準確的找到目標的真正邊緣,得到較理想的臺風分割效果,如圖 2e.利用 4種方法對 9組臺風云圖分割的平均性能指標如表 1.

圖 2 分割效果比較

表 1 臺風分割方法性能比較

文獻[17]所采取的閾值方法是一種全局的并行區域算法,不需要迭代且計算時間很短,然而其分割精度需要進一步提高.改進的 GAC模型中,由于避免了重新初始化的過程,能用較少的時間完成迭代計算,由于該模型自身的缺陷,并不能使演化曲線成功的收斂到臺風邊緣.C-V方法與本文方法都能較好地判斷出臺風邊緣,其 FTR與FNR兩項指標都較低,但是 C-V方法在進行一定數量的迭代之后需要重新初始化水平集函數以保持曲線演化過程的穩定性,因此其時間消耗遠高于本文方法.在加入其他通道的云圖信息后,由于只增加通道的數據量,并未增加額外的計算復雜度,計算速度仍然很快,而多通道信息的互補能夠用更少的迭代次數達到收斂,相對于僅利用單通道的云圖信息的分割方法來說,其分割精度更高.由于水平集方法的計算量較大,計算速度需要進一步提高,目前該方法只能應用于離線模式分割,不適用于實時性要求較高的系統.

4 結 論

臺風衛星云圖邊緣強度較弱,各個云系相互交叉,干擾嚴重,針對上述特點本文采用一種基于矢量空間的水平集的方法對臺風進行分割.通過實驗比較,所提出方法在速度與分割效果上優于其它算法.實驗結果表明:本文方法可有效應用于臺風分割,為臺風預報及其中心定位提供科學依據,同時對醫學、遙感等應用到圖像分割技術的領域有一定借鑒和參考價值.

References)

[1]周偉,李萬彪.利用 GMS-5紅外資料進行云的分類識別[J].北京大學學報:自然科學版,2003,39(1):83-90 Zhou Wei,Li Wanbiao.Classification of cloud using GMS-5 infrared data[J].Acta Scicentiarum Naturalum Universitis Pekinesis,2003,39(1):83-90(in Chinese)

[2]師春香,吳蓉璋,項續康.多閾值和神經網絡衛星云圖云系自動分割試驗[J].應用氣象學報,2001,12(1):70-77 Shi Chunxiang,Wu Rongzhang,Xiang Xukang.Automatic segmentation of satellite image usinghierarchical threshold and neural network[J].Quarterly Journal of Applied Meteorlolgy,2001,12(1):70-77(in Chinese)

[3]王繼光,張韌,洪梅,等.衛星云圖云分類的一種綜合優化聚類方法[J].解放軍理工大學學報:自然科學版,2005,6(6):585-590 Wang Jiguang,Zhang Ren,Hong Mei,et al.Synthetical optimization clustering method for classifying cloud from satellite images[J].Journal of PLA University of Science and Technology:Natural Science Edition,2005,6(6):585-590(in Chinese)

[4]王虹,余建波,陳明明,等.基于 FY-2C氣象衛星云圖的臺風分割方法的研究[J].計算機工程與應用,2008,44(20):188-191 Wang Hong,Yu Jianbo,Chen Ming ming,et al.Research on method of typhoon segmentation based on FY-2Cmeteorological satellite cloud image[J].Computer Engineering and Applications,2008,44(20):188-191(in Chinese)

[5]路志英,王長橋,王萍,等.用小波分析提取云圖紋理梯度特征[J].模式識別與人工智能,2000,13(4):434-438 Lu Zhiying,Wang Changqiao,Wang Ping,et al.Image texture feature extraction based on wavelet analysis theory[J].Pattern Recognition and Artificial Intelligence,2000,13(4):434-438(in Chinese)

[6]Zhang C J,Duanmu C J,Wang X D.Segmentation of typhoon cloud image by combining a discrete stationary wavelet transform with a continuous wavelet transform[J].International Journal of Remote Sensing,2010,31(4):941-967

[7]費文龍,呂紅,韋志輝.Mum ford-Shah模型在衛星云圖分割中的應用[J].中國圖象圖形學報,2009,14(4):598-603 Fei Wenlong,LǜHong,Wei Zhihui.An application of Mum ford-Shah model in segmentation of satellite cloud image[J].Journal of Image and Graphics,2009,14(4):598-603(in Chinese)

[8]Osher S,Sethian JA.Fronts propagating with curvature-dependent speed:algorithms based on Ham ilton-Jacobi formulations[J].Journal of Computational Physics,1988,79(1):12-49

[9]Caselles V,Kimmel R,Sapiro G.Geodesic active contours[J].International Journal of Computer Vision,1997,22(1):61-79

[10]Chan T F,Vese L A.Active contours without edges[J].IEEE Transactions on Image Processing,2001,10(2):266-277

[11]M um ford D,Shah J.Optimal approximation by piecewise smooth functions and associated variational problem[J].Communications on Pure and Applied Mathematics,1989,42(5):577-685

[12]Li CM,Xu C Y,Gui C,et al.Level set evolution without reinitialization:a new variational formulation[C]//Schmid C,Soatto S,Tomasi C.2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego:IEEE Computer Society,2005:430-436

[13]Gao S,Bui T D.Image segmentation and selective smoothing by using Mumford-Shah model[J].IEEE Transactions on Image Processing,2005,14(10):1537-1549

[14]李俊,楊新,施鵬飛.基于 Mum ford-Shah模型的快速水平集圖像分割方法[J].計算機學報,2002,25(11):1175-1183 Li Jun,Yang Xin,Shi Pengfei.A fast level set approach to image segmentation based on Mumford-Shah model[J].Chinese Journalof Computers,2002,25(11):1175-1183(in Chinese)

[15]Chan TF,Yezrielev Sanberg B,Vese LA.Active contours without edges for vector-valued images[J].Journal of Visual Communication and Image Representation,2000,11(2):130-141

[16]來旭,李國輝,趙福華.衛星云圖感興趣區域自動提取方法研究[J].計算機工程與應用,2009,45(30):230-233 Lai Xu,Li Guohui,Zhao Fuhua.Automatic ROI extraction from satellite c loud image based on gray level histogram[J].Computer Engineering and Applications,2009,45(30):230-233(in Chinese)

[17]Zhang C J,Lu X Q,Lu J,et al.Segmentation for main body of typhoon from satellite cloud image by genetic algorithm in contourlet domain[C]//Third 2008 International Conference on Convergence and Hybrid Information Technology.Busan:IEEE Computer Society,2008:352-357

[18]Shareef N,Wang D L,YagelR.Segmentation of medical images using LEGION[J].IEEE Transactions on Medical Imaging,1999,18(1):74-91

(編 輯:劉登敏)

Method base on multi-channel satellite cloud image for typhoon segmentation

Qian Huaming Jiang Bo

(College of Automation,Harbin Engineering University,Harbin 150001,China)

A modified level set method for typhoon segmentation base on vector image was proposed to improve the accuracy of typhoon prediction.The C-V model was extended to the vector space and an energy term without re-initialization was introduced.An iteration convergence condition was proposed,and the parameters of the model and the method of segmentation were designed for the features of cloud image.Through the use of cloud image information and avoiding the unnecessary iterative calculation,this method can accelerate the speed of curve evolution and improve the accuracy of segmentation.The experimental results verify the validity and feasibility of the proposed method.The expected typhoon segmentation effect is achieved with the average false target rate of 1.21%and the average false non-target rate of 2.25%.

image segmentation;level set;C-Vmodel;satellite imagery;weather forecasting

TP 751

A

1001-5965(2011)04-0466-06

2010-05-28

國防預研基金資助項目(40103××302)

錢華明(1965-),男,安徽池州人,教授,qianhuam@sina.com.