基于BP神经网络与纹理分析优化的雾检测

　　利用卫星遥感技术进行雾检测的难点在于雾和低云的有效分离。由于低云和雾在卫星遥感图像上具有极其相似的光谱特征,故单纯采用光谱特征难以满足雾和低云有效分离的要求。鉴于大部分雾与低云的纹理特征存在差别:雾的纹理较为均匀,而低云的纹理相对粗糙,因而有可能采用纹理特征与光谱信息结合的方法进行雾检测。

　　陈伟[1]、王淑华[2]等分别利用灰度图像上云雾区不同的纹理特征以分形维数的差异进行云雾分离试验,取得了较好的效果。张顺谦[3]等利用地物光谱信息和图像纹理信息作为地物分类识别标志,将分形理论和BP神经网络应用于夜间浓雾的遥感监测,使夜间浓雾的监测精度得到较明显的提高。

　　上述研究尽管取得了一定的成效,但由于NOAA AVHRR/3空间分辨率较高,图像内容非常复杂,因此对整幅图像中所有类别目标进行纹理分析比较困难,且运算量大。

　　1　基于人工神经网络的雾检测

　　1.1　BP神经网络

　　BP(back propagation)学习算法由正向传播和反向传播组成。正向传播中,输入信号从输入层经隐含层到输出层,若输出层得到了期望的值,学习算法结束;否则,进行反向传播。反向传播是将误差信号(即期望输出与实际输出的误差)按原连接通路反向计算,由梯度下降法调整各层神经元的权值和阈值,使误差信号减小[4]。

　　BP算法是多层神经网络非常有效的算法,它完成了一个从输入n维到输出m维的非线性映射。只要提取待分类别的差异明显的n维特征,不管这些特征统计分布是怎样的,也无须由分布特征寻求判别阈值。只要将其输入神经网络,则网络通过充分恰当的学习便能够自动将各个类别进行判识[5]。

　　1.2　样本采集与特征提取

　　采样对象是2006年2月中旬至5月期间白天的NOAA AVHRR/3卫星资料。采样的原则可以概括为:参考常规地面观测资料和国家卫星气象中心发布的监测结果,根据世界地图地形概况,结合目标物自身特性,对卫星资料的多通道图像信息进行对比分析,同时采用多种卫星资料多个连续时刻的图像信息判断模糊的类别,进而实现6个类别目标的判

　　识并采样。AVHRR是一个宽波段扫描仪,包括可见光、近红外和热红外等光谱波段[6],AVHRR/3的波谱特性,如参考文献[7]所示。根据本文的研究内容,将样本划分为6个类别:中高云、低云、雾、水体、陆地和积雪,单个的样本数据包括NOAA AVHRR/3白天资料的3个可见光通道的反照率、2个红外通道的亮温和样本所属类别。

　　提取6个雾的检测光谱特征:通道1反照率、通道3反照率、通道4亮温、归一化植被指数、归一化雪盖指数和热红外通道亮温差。