基于图像处理技术的地基云图云量的识别

　　0　引言

　　随着现代传感器技术、微电子技术、计算机技术和信息处理技术的迅猛发展并广泛地应用于气象观测领域,气象观测方法发生了深刻的变革。目前对温度、气压、湿度以及风的观测方法已基本实现了自动化,而对云的观测手段却停滞不前。现有的观云方法中,只有对云高的观测实现了器测,但对云量、云状的观测却依然是人工目测。寻找一种能够代替人眼来自动识别云的技术,是非常必要的。本文将对基于图像处理技术的地基云图的云量识别做探索性研究。

　　1　国内外相关技术发展状况

　　目前关于云图识别的研究工作,主要集中在卫星云图方面,而对于从地面向上拍照所获得云图的识别研究却比较匮乏。最近二三十年,国际上在这方面的研究,主要集中于两个方面:(1)像元灰度级操作,如阈值处理、波段比值处理等;(2)基于统计决策理论的统计模式识别方法,如逐步判别分析、聚类分析、最大似然判别法等。但随着人工智能技术的兴起,特别是人工神经网络(Artificial Neural Network,ANN)的研究,为卫星云图的自动识别开辟了一条新的道路[1]。在云量识别方面,1998年瑞士人在苏黎世-克洛腾(Zurich-kloten)机场建立了一个云的自动观测系统。该系统传感器部分包括传统自动站的观测仪器,大气辐射表和激光测云仪。该仪器是利用大气辐射表计算天空的云量,大气辐射表是长波辐射仪器,测量水平黑体表面(检测仪)和目标物(天空或地面)之间的辐射交换。如果确定辐射通量对云量和云状的依赖关系,就利用大气辐射表测量计算云量。与国内外相关技术不同,本文采用的是基于图像处理技术进行云量识别的方法。

　　2　相关图像处理技术

　　2.1　阈值分割技术

　　2.1.1　全局阈值分割

　　阈值T可通过分析边缘检测输出的直方图来确定。假使1幅云图只有一片明显的云与天空背景两部分组成,其灰度级直方图呈现明显的双峰值,如图1所示。在此情况下,选取双峰间谷底处的灰度值,即可将物体和背景很好地分割开。阈值分割法可用数学表达式来描述。设图像为,其灰度级范围为[Z1,Z2],设T为阈值,使Z1和Z2内任一值可得1幅二值图像[2],其数学表达式为:

　　这是一种比较理想的情况,实际云图并不都是单一的云块与天空背景。一幅云图通常有结构复杂的云和天空背景所组成。假如其灰度级直方图能呈现多个明显的峰值,如图2所示,则仍可取峰值间的峰谷处的灰度值作为阈值,此时有多个阈值将图像进行分割,这就是多峰值阈值选择。比如有3个峰值,可取2个峰谷处的灰度值T1,T2作为阈值。同样可将阈值化后的图像变成二值化图像。