摘  要： 應(yīng)用基于水平集的多相活動輪廓模型對云圖進行多類別分割,云圖被自動分割成幾個區(qū)域，不同區(qū)域就對應(yīng)著不同的云頂高度，區(qū)域分割結(jié)果可以使對一幅云圖中不同高度云的分布以及哪種類型的云占主體有總體的認識和了解，從而對天氣系統(tǒng)的分析具有一定的輔助參考作用。
關(guān)鍵詞： 圖像分割；氣象衛(wèi)星云圖；無邊緣活動輪廓模型；多相活動輪廓模型

    氣象衛(wèi)星云圖以其時-空分辨率高、覆蓋面廣的特點在氣象領(lǐng)域得到了廣泛應(yīng)用，成為除常規(guī)資料外的最重要的非常規(guī)氣象資料。云是衛(wèi)星云圖上的重要目標，云對電磁波的發(fā)射和反射被稱為云的光譜特性，云的光譜特性又是云的物理特性（如云相、云厚和云頂溫度）的函數(shù)。其中，云頂溫度和云的高度密切相關(guān)，高度較高的云，云頂溫度較低；高度較低的云，云頂溫度較高[1]。云大體可分為高云、中云和低云3種類型。氣象衛(wèi)星的紅外云圖在白天、夜間均可獲得，圖像灰度取決于目標物的溫度（即亮溫），溫度越高灰度越小，由于云頂溫度隨大氣高度的增加而降低，云頂越高，其溫度越低，灰度就越大，因此根據(jù)目標物的溫度能判別云屬于哪一種類型和地表。紅外云圖可以很好地反映出云頂溫度的差異，從而也反映出云高的差異和變化[3]。既然云的分類對天氣系統(tǒng)的分析和預(yù)報有非常重要的作用，基于數(shù)字圖像處理技術(shù)的云的自動分割和分類方法研究近年來就成為一個主要的研究方向。過去幾十年，針對各種氣象衛(wèi)星（如AVHRR、MODIS、GMS等）提出了很多基于不同特征和分類器的云的分類方法，早期的方法主要是通過對云的反射率、亮溫或亮溫差等特征設(shè)置一系列的閾值來進行分類[4-7]，之后提出的方法主要是利用統(tǒng)計學(xué)方法或人工神經(jīng)網(wǎng)絡(luò)方法對提取的云的輻射、亮溫等特征進行分類[8-12]。近年來，奇異值分解SVD（Singular Value Decomposition）被用來在可見光和紅外云圖中區(qū)分云區(qū)和非云區(qū)，對云還可以區(qū)分高云、中云和低云[13]。另外，TAHIR A A K[2]提出了通過提取不同波段云圖的比值，利用改進的概率神經(jīng)網(wǎng)絡(luò)進行的云分類系統(tǒng)。以上所述的分類方法的設(shè)計大多是針對某一特定的衛(wèi)星傳感器，應(yīng)用這一特定衛(wèi)星傳感器時往往能取得較高的分類準確率，一旦傳感器類型改變，就不一定能取得理想的結(jié)果，也就是說方法的通用性不足。而且，在分類之前需要選取大量的樣本對分類器進行訓(xùn)練，整個分類的過程也比較耗時。圖像中的噪聲、背景照度的變化和云的不規(guī)則性等因素都會對分類準確率造成影響，因而有必要尋找高效、自動化程度較高、魯棒的分割方法?；诨顒虞喞Ｐ偷膱D像分割方法是一類新型的圖像分割方法，已被廣泛地運用于醫(yī)學(xué)圖像、遙感圖像和工業(yè)圖像處理領(lǐng)域。活動輪廓所固有的連續(xù)性和平滑性使得活動輪廓模型可以彌補噪聲、目標邊緣的不規(guī)則。本文應(yīng)用多相活動輪廓模型對紅外云圖進行分割，模型根據(jù)圖像內(nèi)的灰度分布將圖像分割為一系列的區(qū)域，區(qū)域分割結(jié)果對天氣分析和預(yù)報有一定的參考作用。
1 多相活動輪廓模型及相關(guān)的模型
　活動輪廓模型實質(zhì)上是一種基于變分偏微分方程的分割方法，其基本思想是將待分割的邊界視為一條可以活動的輪廓線，在特定能量泛函最小化過程的指引下，輪廓線不斷朝目標的邊緣方向變形，直至停留于目標的邊緣位置，此時由輪廓線表征的就是待分割的邊界[14]。根據(jù)定位邊界所用信息的差異，活動輪廓模型一般可分為基于邊緣的模型和基于區(qū)域的模型。其中，基于邊緣的模型一般利用輪廓線附近的局部梯度信息定位目標的邊緣，對于梯度信息不強的弱邊緣圖像基本失效?；趨^(qū)域的模型利用圖像的區(qū)域信息（如均值、方差和紋理等）來演化輪廓線，因而對于弱邊緣圖像具有更好的性能，并且對初始輪廓的敏感性顯著降低。CHAN T F和VESE L V提出的無邊緣活動輪廓CV[15]（Active Contours Without Edges）模型是比較經(jīng)典的基于區(qū)域的模型。

 

2 應(yīng)用多相分割模型進行云圖分割
    進行分割實驗的圖像是兩幅FY-2E氣象衛(wèi)星的紅外衛(wèi)星云圖，F(xiàn)Y-2E氣象衛(wèi)星有5個光譜波段：可見光波段（0.5 μm，光譜分辨率為6 bit，其成像被分成64灰度級）、短波紅外波段（3.7 μm，光譜分辨率為8 bit，其成像被分成256個灰度級）、兩個紅外分裂窗波段（10.3 μm和12 μm，光譜分辨率為8 bit，其成像被分成256個灰度級）和水汽波段（6.4 μm，光譜分辨率為8 bit，其成像被分成256個灰度級）。圖像的大小均為512×512。在這個模型中需要設(shè)定的參數(shù)有迭代次數(shù)（N）、μ和初始輪廓線模板，實驗中各參數(shù)取值為N=1 000，μ=0.2，mask=‘whole’。
    圖1為兩幅FY-2E衛(wèi)星IR1波段圖像，圖2是每幅圖像上的兩條輪廓線經(jīng)過500次迭代后的演化情況，圖3是每幅圖像上的兩條輪廓線經(jīng)過1 000次迭代后的演化情況，圖4是兩幅圖像最后的基于區(qū)域的分割結(jié)果。

    由圖4可以看到，應(yīng)用4相活動輪廓分割模型后，云圖被分割成4類，每一類都以該類內(nèi)的平均灰度所表示出來。在紅外云圖中灰度反映目標表面的溫度，溫度又與云高相聯(lián)系，灰度越大，溫度越低，即云的高度越高。如圖4（a）所示，云圖的大部分區(qū)域被高云所覆蓋，低云和地表或海表占據(jù)第二，中云所占的區(qū)域最少；而圖4（b）中，高云、中云和低云分布地相對比較均勻。因而可以從最后得到的基于區(qū)域的分割圖了解一幅云圖中不同高度的云的總體分布，并且認識到哪種類型的云是云圖的主體，這樣將對后續(xù)的天氣分析有一定程度的幫助。
    本文應(yīng)用基于水平集的多相活動輪廓模型對氣象衛(wèi)星云圖進行分割，經(jīng)過輪廓線的演化過程后，云圖被自動地分割成若干個不同性質(zhì)的區(qū)域。這種方法人工干預(yù)少，也不需要對樣本進行訓(xùn)練，實時性較好，而且對數(shù)據(jù)的依賴小，得到的區(qū)域分割圖便于從總體上了解各種不同高度的云的分布情況，為天氣分析和預(yù)報提供一定的幫助。
參考文獻
[1] MAMORU I. Analysis and use of meteorological satellite images（1st ed）[M]. Tokyo， Japan： Meteorol. Satell. Centre， Japan Meteorol. Agency， 2002.
[2] TAHIR A A K. A system based on ratio images and quick probabilistic neural network for ontinuous cloud classification[J]. IEEE Transactions on Geoscience Remote Sensing， 2011，49（12）：5008-5015 .
[3] 陳渭民.衛(wèi)星氣象學(xué)[M].北京：氣象出版社，2005.
[4] Yu Fan， Liu Changsheng， Chen Weimin. Man-computer interactive method on cloud classification based on bispectral satellite imagery[J]. Advances in Atmospheric Sciences， 1797，14（3）：389-398.
[5] ACKERMAN S A， STRABALA K I， MENZEL W P， et al. Discriminating clear sky from clouds with MODIS[J]. Journal of Geophysical Research， 1998，103（D24）： 32141-32157.
[6] HUANG B，  ACKERMAN S A， MENZEL W P. A new method for MODIS cloud classification[C]. Proceedings of SPIE， 2005（5890）：210-216.
[7] MINNIS P， TREPTE Q Z， SUN-MACK S， et al. Cloud detection in nonpolar regions for CERES using TRMM VIRS and terra and aqua MODIS data[J]. IEEE Transactions on Geoscience and Remote Sensing， 2008，46（11）：3857-3884.
[8] FAN Y， HAO A. Cloud classification by using multi-spectral GMS imagery and comparison with surface cloud observation[C]. Proceedings of SPIE， 2008（7149）：71490S-71490S-9.
[9] LI J， MENZEL W P，  YANG Z， et al. High-spatial- resolution surface and cloud-type classification from MODIS multispectral band measurements[J]. Journal of Applied Meteorology， 2003（42）：204-226.
[10] Li Zhenglong， Li Jun， MENZEL W P， et al. Comparison between current and future environmental satellite imagers on cloud classification using MODIS[J]. Remote Sensing Environment， 2007，108（3）： 311-326.
[11] GOMEZ-CHOVA L， CAMPS-VALLS G， CALPE-MARAVILLA J， et al. Cloud-screening algorithm for ENVISAT/MERIS multispectral images[J]. IEEE Transactions on Geoscience and Remote Sensing， 2001，45（12）： 4105-4118.
[12] GOMEZ-CHOVA L， MUOZ-MARI J， IZQUIERDO-VERDIGUIER E， et al. Cloud screening with combined MERIS and AATSR images[C]. Proceedings of IEEE IGARSS， Cape Town， South Africa， 2009： IV-761–IV-764.
[13] KAUR R， GANJU A. Cloud classifi cation in NOAA AVHRR Imageries using Spectral and textural Features[J]. J. Indian Soc. Remote Sens， 2008（36）：167-174.
[14] 賀志國，陸軍，匡綱要.基于全局活動輪廓模型的SAR圖像分割方法[J].自然科學(xué)進展，2009，19（3）：344-360.
[15] CHAN T F， VESE L A. Active contour without edges[C]. IEEE Transactions on Imaging Processing， 2001，10（2）： 266-277.
[16] VESE L A， CHAN T F. A multi-phase level set frame work for image segmentation using the Mumford and Shah model[J]. International Journal of Computer Vision， 2002，50（3）：271-293.