遥感影像云雾分离的BP神经网络方法研究

陆 衍

（上海市地质调查研究院，上海 200072）

遥感影像云雾分离的BP神经网络方法研究

陆 衍

（上海市地质调查研究院，上海 200072）

使用改进算法构造BP神经网络，利用MATLAB中train函数训练，并用sim函数进行仿真，达到提取遥感影像中雾区的目的。图像处理结果表明，BP神经网络方法可以较好地分离影像中的雾区与其他地物。

遥感影像；城市灾害监测；雾区识别；BP神经网络

随着社会经济快速发展，大雾带来的危害日益严重，已成为一种不可忽视的城市自然灾害。做好雾灾防治，对大雾天气进行监测与预警，已成为各国学者的研究热点。

对于如何识别和分离遥感影像上的云和雾，国内已有不少学者对此进行了大量研究。20世纪80年代初，周淑贞等根据上海天气情况及其气象要素，从多个方面对上海城市雾的形成、特征、影响等进行深入分析，探讨上海市成雾的原因[1]。90年代开始，越来越多的学者从气象特征、雾生消的条件以及雾本身的机理特征等方面，研究雾的形成、消散，并对大雾预测进行了初步探讨。熊秋芬根据历史气象资料分析，得出三种易于产生大雾的天气环流形势，从而达到预测三峡大雾的目的[2]。当前，随着对卫星遥感研究的深入，更多的学者开始利用雾的光谱特性来研究云雾分离、大雾识别的方法。如刘健等基于云雾对于4μm波长的散射能力与粒子半径有关的特点，发现AVHRR（advanced very high resolution radiometer）CH3（4μm）反射率值小的云中大粒子区与可降水区之间有一定的联系，而其反射率值大的区域与大雾覆盖区之间是相互对应的，因此提出利用AVHRR CH3（4μm）反射率的大小对白天雾的情况进行遥感监测[3]。

本文在前人研究的基础上，利用 BP神经网络法实现对MTSAT-1R卫星影像中云雾的分离处理，并对影像中的雾区进行识别、提取，研究成果可为大雾遥感监测及其城市灾害防治提供依据。

1 人工神经网络的基本原理

人工神经网络（artificial neural network, ANN）是由大量处理单元（神经元neurons）广泛互连而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特征[4]。人工神经网络是从人脑的生理结构出发，研究人的智能行为，模拟人脑的信息处理功能，目前已在模式识别、信号处理、图像处理等领域得到了广泛的运用。而BP（back propagation）神经网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入—输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层（hidden layer）和输出层（output layer）。

神经网络研究始于20世纪40年代，心理学家McCulloch与数学家Pitts在研究生物神经元的基础上提出了一种简单的人工神经元模型[5]，即人工神经网络的第一个数学模型“M-P模型”，从此开创了神经科学理论的研究时代。50年代后期，Rosenblatt提出了感知器模型[6]，确立了从系统角度研究神经网络的基础。之后，Widrow和Hoff提出了自适应线性单元网络和Widrow-Hoff学习算法[7]，Hopfield提出了Hopfield网络模型[8]，Rumelhart和McCelland提出了PDP（parallel distributed processing）网络思想[9]，使得人工神经网络技术得以蓬勃发展。

现今，越来越多的学者开始将神经网络技术应用于图像处理领域。如尹显东等利用BP神经网络原理建立了多层检测模型，实现对图像中的感兴趣区进行自动检测与分割[10]；张海波等基于BP神经网络基本算法，对其参数进行优化设置，提出了一种改进的BP网络算法[11]，用于图像分类处理，取得了较好的实验结果。

2 方法实现

标准BP算法具有一定的局限性，因此本文采用改进的BP算法来构造神经网络，通过附加动量法、自适应学习率法、选择合适的网络结构等方法，提高网络对训练样本的记忆能力，同时提高网络的泛化能力。本文根据隐含层神经元数目公式结合尝试法来确定网络的结构，并采用附加动量法和自适应学习率法来进行网络的训练，以提高网络的性能。采用2007年10月25日00:33的MTSAT-1R卫星影像（图1）进行神经网络训练（图2），从而对影像中的雾区进行分离和提取（图3）。

算法具体步骤如下：

（1）将待分割的图像转化为1*m*n的矩阵，以便神经网络输入；

（2）读入雾区样本图像，调整矩阵大小，以适合神经网络输入，并产生雾区训练目标矩阵；

（3）读入云区样本图像，调整矩阵大小，以适合神经网络输入，并产生云区训练目标矩阵；

（4）读入陆地样本图像，调整矩阵大小，以适合神经网络输入，并产生陆地训练目标矩阵；

（5）使用prestd函数对输入矩阵数据进行标准差标准化预处理；

（6）利用trastd函数对prestd函数处理得到的输入矩阵数据再次进行标准差标准化处理；

（7）利用newcf函数生成BP网络，并设定BP网络参数：训练次数为5000次，训练目标误差为0.2，学习率为0.01；

（8 ）利用train函数开始BP网络训练；

（9）利用sim函数对训练后的网络进行仿真，并保存结果；

（10）将训练结果转化为灰度图像输出。

3 结果分析

从BP神经网络处理后的图像（图3）可以看出，原始影像上半部分与目标雾区灰度值相差较大的陆地和云区均被很好地分离出来了，雾区轮廓较为清楚。但是根据对影像的目视解译以及雾的纹理特征可以判别出，原始影像的中部和下半部分并非雾区而是薄云区。但经过BP神经网络训练后的影像，其中部和下半部分的薄云区也被作为雾区分割出来了。这主要与雾区样本和云区样本的选取有关。由于影像中部和下半部分的薄云区与选择的云区样本的灰度值相差较大，而与选择的雾区样本的灰度值相差较小，这样就导致薄云区也被BP神经网络当成雾区提取出来了。

由此可以看出，BP神经网络方法是根据输入样本的灰度值来构造训练目标矩阵的[12,13]，样本的选取对于神经网络的训练结果有着直接的影响。然而在实际应用中，雾区样本的灰度值与薄云区的灰度值非常接近，BP神经网络很难将其区分开来，只有结合目标地物的形态特征来进行图像分割，才能带来较好的分割精度。因此，本文采用MATLAB图像处理工具箱中bwareaopen函数来去除BP神经网络方法得到的小面积的、不连续的区域，结果如图4所示。

图1 待分割的图像Fig.1 The will segmentation image

图2 BP神经网络训练过程Fig.2 The training process of back propagation neural network

图3 BP神经网络处理结果Fig.3 The processing results of back propagation neural network

由图4可以看出，BP神经网络方法得到的结果图的下半部分小面积区域已经被很好地分离出来并去除，而保留了上半部分大面积的连接雾区，图像分割效果较为理想。

图4 BP神经网络及MATLAB图像处理后的最终成果Fig.4 The final results of back propagation neural network with MATLAB

4 结论

BP神经网络方法能够较准确地将影像中的云雾分割开来，并将雾区作为提取目标以白色显示出来，分割效果较为满意。但该方法的分割结果和样本的选择有直接关系，样本质量的好坏直接影响分割精度。

References)

[1] 周淑贞,张秀宝,郭淑麟. 上海的雾[J]. 地理学报,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. 长江三峡坝区大雾分析与预报[J]. 湖北气象,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] 刘健,许健民,方宗义. 利用NOAA卫星的AVHRR资料试分析云和雾顶部粒子的尺度特征[J]. 应用气象学报,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] 高隽. 人工神经网络原理及仿真实例[M]. 北京:机械工业出版社, 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] 尹显东,姚军,李在铭. 基于BP神经网络的图像感兴趣区自动检测技术[J]. 系统工程与电子技术,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] 张海波,董槐林,龙飞,等. 基于BP神经网络的图像识别研究[J]. 计算机与现代化,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] 王荣华,干嘉元,过仲阳,等. 模糊理论在遥感图像分类中的应用[J]. 上海地质,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] 过仲阳,陆衍,戴晓燕. 空间数据挖掘系统及其应用[J]. 上海地质, 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

陆衍(1966-),男,高级工程师,副院长,主要从事城市环境地质研究.

电子邮箱: luyan@sigs.com.cn

联系电话: 021-56073635

国土资源部和上海市政府合作项目“上海市三维城市地质调查”(1212010511102)