基于極限學(xué)習(xí)機(jī)的地基可見光云圖的云分類

李林,劉青山,夏旻

(南京信息工程大學(xué) 信息與控制學(xué)院,江蘇 南京 210044)

基于極限學(xué)習(xí)機(jī)的地基可見光云圖的云分類

李林,劉青山,夏旻

(南京信息工程大學(xué) 信息與控制學(xué)院,江蘇 南京 210044)

摘要：大氣系統(tǒng)中云的輻射特性以及分布情況決定了天氣預(yù)報(bào)的準(zhǔn)確性和氣候監(jiān)測(cè)的有效性。云的檢測(cè)與識(shí)別對(duì)大氣探測(cè)和大氣遙感至關(guān)重要。本研究旨在通過提取可見光云圖的紋理特征、顏色特征和sift特征自動(dòng)訓(xùn)練分類器,實(shí)現(xiàn)對(duì)卷云、積云、層云和晴空的分類識(shí)別。本研究采用極限學(xué)習(xí)機(jī)(extreme learning machine)對(duì)樣本進(jìn)行學(xué)習(xí),并在不同條件下進(jìn)行云分類識(shí)別。實(shí)驗(yàn)結(jié)果表明:當(dāng)紋理特征、顏色特征和sift特征融合在一起時(shí),獲得了比單獨(dú)使用紋理特征、顏色特征和sift特征以及它們兩兩組合時(shí)更好的識(shí)別效果,識(shí)別正確率分別為87.67%、90.75%、74.50%和93.63%,平均正確率達(dá)到86.64%。在相同實(shí)驗(yàn)條件下,本文采用的方法比人工神經(jīng)網(wǎng)絡(luò)(artificial neural network)、K近鄰(k-nearest neighbor)和支持向量機(jī)(support vector machine)好。

關(guān)鍵詞：云分類;紋理特征;顏色特征;sift特征;極限學(xué)習(xí)機(jī)

中圖分類號(hào)：

文章編號(hào)：1674-7097(2015)05-0678-08P468

文獻(xiàn)標(biāo)志碼：碼：A

doi：10.13878/j.cnki.dqkxxb.20130520004

Abstract:Cloud radiation properties and distribution significantly determine the forecasting accuracy and the climate monitoring effectiveness.Cloud detection and recognition are crucial for atmospheric sounding and atmospheric remote sensing.The purpose of this study is to realize the classification of cirrus,cumulus,stratus and clear sky by means of extracting texture features,color features and sift features to automatically train the classifier.This paper uses the extreme learning machine to study the samples and does cloud-type classification and recognition under different experimental conditions.The experiment results show that using texture features,color features and sift features together get better performance than using these features alone or any two of them together,and the accurate identification rates of cirrus,cumulus,stratus and clear sky are 87.67%,90.75%,74.50% and 93.63%,respectively,with an average of 86.64%.Under the same experiment conditions,the proposed method can outperform the artificial neutral network(ANN),the k-nearest neighbor(KNN) and the support vector machine(SVM).

收稿日期：2012-07-18；改回日期：2013-05-23

基金項(xiàng)目:江蘇省高校重大項(xiàng)目(11KJA170002);江蘇省“333工程”項(xiàng)目(BRA20133297);江蘇省基礎(chǔ)研究計(jì)劃(BK2012884);江蘇省環(huán)境監(jiān)測(cè)基金項(xiàng)目(1016)

通信作者：湯莉莉,博士,教授,研究方向?yàn)榇髿猸h(huán)境化學(xué),lily3258@163.com.

Cloud classification based on ground-based vision cloud

image using extreme learning machine

LI Lin,LIU Qing-shan,XIA Min

(School of Information and Control,NUIST,Nanjing 210044,China)

Key words:cloud classification;texture features;color features;sift features;extreme learning machine

0引言

云是地球熱力平衡和水氣循環(huán)的重要組成部分,云的變化決定了地球的輻射收支狀況,它是全球氣候變化的一個(gè)重要影響因子(Stephens,2005)。不同類型的云反映了大氣運(yùn)動(dòng)的不同形態(tài)、云物理結(jié)構(gòu)和天氣特征。然而,云的凈效應(yīng)仍不清楚,且在氣候模型和氣候預(yù)測(cè)中會(huì)引起較大的不確定性(Solomon et al.,2007)。目前,云量、云狀和高度的觀測(cè)主要依賴地面人工目測(cè)和衛(wèi)星遙感(蔡淼等,2011)。然而,人工觀測(cè)的代價(jià)很高,因此研制自動(dòng)化檢測(cè)云和確定云類型的設(shè)備成了必然趨勢(shì)。

衛(wèi)星云圖能提供大范圍云的大尺度分布結(jié)構(gòu)信息,但是在薄云和低云上受限于空間分辨率和未知表面的影響(黃勇等,2012);而地基云觀測(cè)范圍較小,能提供云塊大小、排列方式以及云的高低分布等局部分布信息(孫學(xué)金等,2009)。近年來(lái),隨著電荷耦合器(Charge Coupled Devices,CCDs)等硬件技術(shù)的快速發(fā)展和數(shù)字圖像處理技術(shù)(Digital Image Processing,DIP)的不斷完善,很多地基全天空測(cè)云儀器研制成功,如:全天空成像儀(Whole Sky Imager,WSI;Shields et al.,1998)、總天空成像儀(Total Sky Imager,TSI;Long et al.,2001)、全天空紅外測(cè)云系統(tǒng)(Whole Sky Infrared Cloud Measuring System,WSIRCMS;Sun and Liu,2009)和地基全天空云觀系統(tǒng)(Ground-based Total-sky Cloud Imager,TCI;Yang et al.,2012)等。目前,地基云分類研究主要集中在可見光云圖的云分類研究。Singh and Glennen(2005)利用5種不同的特征提取方法(自相關(guān)、共生矩陣、邊緣頻率、能量特征和原始長(zhǎng)度),將彩色數(shù)字?jǐn)z像機(jī)得到的云圖進(jìn)行5種天空類型分類,但是作者自認(rèn)為他們僅限于方法性討論,分類效果取決于圖像分割的質(zhì)量、獲取的圖像質(zhì)量和實(shí)驗(yàn)設(shè)備。Calbo and Sabburg(2008)提出了通過提取統(tǒng)計(jì)特征量、基于傅里葉變換的特征量以及區(qū)分有云無(wú)云的像素點(diǎn)分布信息進(jìn)行8類天空類型分類的方法,正確率僅為62%,且可能出現(xiàn)一幅圖被分為兩類或更多類別的情況。Heinle et al.(2010)基于紋理特征和光譜特征,采用KNN分類器對(duì)7類云進(jìn)行分類,正確率為75%;該算法能解決復(fù)雜問題,實(shí)現(xiàn)簡(jiǎn)單且計(jì)算復(fù)雜度低,但圖片質(zhì)量和增白效應(yīng)均影響分類效果。Kazantzidis et al.(2012)基于Heinle的工作,不僅利用圖像的紋理特征、顏色統(tǒng)計(jì)特征,而且考慮太陽(yáng)天頂角、云量、太陽(yáng)圓盤的可視部分和云圖上存在的雨滴,對(duì)7種天空類型進(jìn)行分類,正確率為87.9%,但是該方法所需的輔助量過多,在實(shí)際操作中無(wú)法實(shí)現(xiàn)。

云圖特征很復(fù)雜,現(xiàn)有的云狀識(shí)別主要關(guān)注云的整體特征描述,而忽略了云的局部特征描述。本文結(jié)合近些年國(guó)內(nèi)外的云分類研究狀況(師春香和瞿建華,2002;韓丁等,2011;Rossi et al.,2011;費(fèi)文龍等,2012),提出從數(shù)字?jǐn)z像機(jī)拍攝的天空?qǐng)D像中提取全局特征和局部特征的方法,并能很好地應(yīng)用于天空類型分類。第1節(jié)描述云圖的紋理特、顏色特征和sift特征;第2節(jié)介紹基于極限學(xué)習(xí)機(jī)的云分類器;第3節(jié)是在不同條件下進(jìn)行實(shí)驗(yàn),并對(duì)算法的性能進(jìn)行評(píng)估;第4節(jié)給出本文總結(jié)及未來(lái)研究方向。

1云圖特征的提取

1.1　紋理特征的提取

紋理特征是通過像素及其周圍空間領(lǐng)域的灰度分布規(guī)律來(lái)反映圖像中的視覺特征。它描述的是圖像的局部特性;紋理通過紋理基元的局部模式數(shù)目、類型以及它們的空間關(guān)系來(lái)進(jìn)行描述。云的種類不同,使得云頂表面很光滑或呈現(xiàn)多起伏的斑點(diǎn)和皺紋,或者表現(xiàn)為纖維狀。層云的紋理光滑而均勻,灰度級(jí)差異小;積云表現(xiàn)為斑點(diǎn)和皺紋,云頂高度不一,灰度級(jí)差異大;卷云的紋理呈現(xiàn)纖維狀。本文利用統(tǒng)計(jì)方法進(jìn)行分析,采用了兩種紋理特征:Haralick(1979)提出的灰度共生矩陣和Tamura et al.(1978)提出的基于視覺感知的紋理特征。

1.1.1灰度共生矩陣

灰度共生矩陣反映的是圖像中相鄰間隔為固定長(zhǎng)度的兩個(gè)像素的灰度聯(lián)合分布?；叶裙采仃囍械脑乇欢x為從灰度為i的點(diǎn)到某個(gè)距離為δ=(Dx,Dy)的點(diǎn)上的灰度為j的概率,Dx為灰度級(jí)為j的點(diǎn)與灰度級(jí)為i的點(diǎn)的橫坐標(biāo)距離,Dy為灰度級(jí)為j的點(diǎn)與灰度級(jí)為i的點(diǎn)的縱坐標(biāo)距離,不同δ表示不同的距離和方向,灰度共生矩陣可表示為關(guān)于距離d和方向θ的表達(dá)式p(i,j,d,θ)。文中d取1,θ定義了4個(gè)方向,取0°、45°、90°和135°,提取的紋理特征包括能量、對(duì)比度、相關(guān)性、熵、逆差距和慣性距6種紋理特征量。

1.1.2Tamura紋理

Tamura以人類的主觀心理度量為標(biāo)準(zhǔn),提出了6種基本的紋理特征,分別是粗糙度、對(duì)比度、方向度、線像度、規(guī)整度和粗略度。其中,前3個(gè)分量對(duì)圖像檢索尤其重要。粗糙度描述灰度級(jí)顯著空間的變化,對(duì)比度描述圖像的明亮程度,方向度指圖像中灰度值的方向。本文Tamura紋理取粗糙度、對(duì)比度、方向度這3個(gè)特征量。

1.2　顏色特征的提取

顏色特征是一種全局特征,描述圖像所包含的物體或場(chǎng)景的表面性質(zhì)。與其他的視覺特征相比,顏色特征對(duì)圖像本身的尺寸、方向、視角的依賴性較小,從而具有較高的魯棒性。本文采用由Stricker and Orengo(1995)提出的顏色矩來(lái)描述云圖的顏色特征,該方法利用線性代數(shù)中矩的概念,將圖像中的顏色分布用其矩表示。由于顏色分布信息主要集中在低階矩,因此僅采用顏色的一階矩(mean)、二階矩(variance)和三階矩(skewness)來(lái)描述顏色分布。與顏色直方圖不同,利用顏色矩進(jìn)行圖像描述無(wú)需量化圖像特征。因此,圖像的顏色矩由9個(gè)分量來(lái)描述(3個(gè)顏色分量,每個(gè)分量上有3個(gè)低階矩)。

1.3　sift特征的提取及描述

采用Bag of Words(BOW)模型對(duì)提取的sift特征進(jìn)行處理。BOW的基本思想是將圖像看作相互獨(dú)立的局部圖像塊的無(wú)序集合,為每個(gè)圖像塊構(gòu)建一個(gè)描述量(Qiu,2002)。對(duì)描述量進(jìn)行聚類,生成一個(gè)包含視覺詞匯的詞典。根據(jù)詞典對(duì)圖像中的描述向量進(jìn)行加權(quán)統(tǒng)計(jì),生成特征直方圖向量。最后根據(jù)訓(xùn)練集圖像的高維向量表示,產(chǎn)生分類器,對(duì)圖像進(jìn)行分類。這里充分利用了以往研究被忽略的云圖的局部特征信息。

構(gòu)建BOW描述子的主要步驟:

1)檢測(cè)圖像塊并生成描述子。本文采用密集采樣算法(Fei-Fei and Perona,2005),網(wǎng)格大小為16像素×16像素,步長(zhǎng)為8像素。然后使用Lowe(1999)提出的sift(Scale Invariant Feature Transform)描述子來(lái)描述每個(gè)塊,每個(gè)描述子為128維的向量,這些向量代表圖像中局部不變的點(diǎn)。

2)將所有特征點(diǎn)向量集合到一塊,再用k-means算法對(duì)其進(jìn)行訓(xùn)練,生成類心,即構(gòu)造了一個(gè)包含K個(gè)詞匯的詞典。

3)統(tǒng)計(jì)詞典中每個(gè)單詞在圖像中出現(xiàn)的次數(shù),從而將圖像表示成一個(gè)K維的直方圖特征。在云圖分類時(shí)將直方圖的特征作為分類器的輸入。

2基于極限學(xué)習(xí)機(jī)的云分類算法

本研究使用極限學(xué)習(xí)機(jī)(extreme learning machine)作為分類器。作為一類單隱層前向神經(jīng)網(wǎng)絡(luò),與傳統(tǒng)方法不同,它可以隨機(jī)地選擇網(wǎng)絡(luò)中的隱層神經(jīng)元的連接權(quán)值,輸入權(quán)值和隱藏層偏差可隨機(jī)賦值,輸出層權(quán)值通過解析算法計(jì)算得到,具有學(xué)習(xí)速度快、泛化能力好等優(yōu)良特性(Huang,2003)。

圖1　極限學(xué)習(xí)機(jī)網(wǎng)絡(luò)示意圖Fig.1　The diagram of extreme learning machine network

上述N個(gè)方程的矩陣形式可以寫為:Hβ=T。

(1)

(2)

式中:H為網(wǎng)絡(luò)隱層輸出矩陣。H(xi)為H的第i行向量,H的第j列為輸入變量分別為x1,x2,…,xN時(shí)的第j個(gè)隱層節(jié)點(diǎn)所對(duì)應(yīng)的輸出。如果激活函數(shù)g(x)無(wú)限可微,根據(jù)極限學(xué)習(xí)機(jī)的定理(Huang et al.,2006),‖Hβ-T‖=0。

基于上述知識(shí),算法的步驟如下:

1)利用原始數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)。xi=[xi1,xi2,…,xin]T是輸入訓(xùn)練數(shù)據(jù),即前面提取的云圖全局特征向量和局部特征向量,根據(jù)公式(1)計(jì)算出輸出矩陣H。

2)計(jì)算出輸出權(quán)值β。

3)把測(cè)試數(shù)據(jù)特征量送入ELM中,得到4個(gè)分類值。選最大值作為最終的分類結(jié)果。

4)重復(fù)步驟1)—3)S次,取分類次數(shù)最多的作為最終分類,即云的云狀類標(biāo)。

云狀識(shí)別的研究思路流程如圖2所示。

圖2　云狀識(shí)別算法流程Fig.2　The process of cloud recognition

3基于極限學(xué)習(xí)機(jī)的云分類結(jié)果

3.1　數(shù)據(jù)的選取和分類

為了進(jìn)行地基云的自動(dòng)識(shí)別,需要建立合適的地基器測(cè)云分類標(biāo)準(zhǔn)。氣象學(xué)上一般將云分為層狀云、積狀云、卷云三大類。本文根據(jù)云的形態(tài)及其發(fā)展過程,將全天空分為層狀云、積狀云、卷云和晴空共4類天空類型。這4種天空類型都有鮮明的特點(diǎn),比如層狀云云體均勻成層,呈灰色很像霧,云底很低但不接觸地面;積狀云輪廓分明,頂部凸起,云底平坦;卷云具有纖維狀結(jié)構(gòu),不規(guī)則的底部,形狀微細(xì)呈羽毛狀,排列散亂等。

本研究中數(shù)字云圖一共有400個(gè)樣本,積云、卷云、層云和晴空各100個(gè)訓(xùn)練樣本,其中訓(xùn)練樣本各70個(gè),測(cè)試樣本各30個(gè)。數(shù)字云圖均為無(wú)符號(hào)8位的RGB圖像,灰度值大小為0～255。

3.2　實(shí)驗(yàn)分析

3.2.1基于紋理特征的識(shí)別

表1　=30時(shí)提取紋理特征分類的混淆矩陣

3.2.2基于顏色特征的識(shí)別

表2　=12時(shí)提取顏色特征分類的混淆矩陣

3.2.3基于sift特征的識(shí)別

表3　=2 500時(shí)提取sift特征分類的混淆矩陣

3.2.4基于紋理特征和顏色特征相結(jié)合的識(shí)別

表4　=30時(shí)提取紋理和顏色特征分類的混淆矩陣

3.2.5基于顏色特征和sift特征相結(jié)合的識(shí)別

表5　=2 500時(shí)提取顏色和sift特征分類的混淆矩陣

3.2.6基于紋理特征和sift特征相結(jié)合的識(shí)別

表6　=2 500時(shí)提取紋理和sift特征分類的混淆矩陣

3.2.7紋理特征、顏色特征和sift特征相結(jié)合的識(shí)別

表7　=2 000時(shí)提取紋理、顏色和sift特征分類的混淆矩陣

3.3　實(shí)驗(yàn)比較及誤判分析

K近鄰(KNN)、支持向量機(jī)(SVM)和BP神經(jīng)網(wǎng)絡(luò)都是常用的云分類方法,本文以這些模型為基準(zhǔn),評(píng)估本文方法的性能。圖3顯示了KNN、SVM、BP和ELM的分類性能?？梢?本文所提出的方法對(duì)天空類型分類較有魯棒性。表8是正確識(shí)別的耗時(shí)比較。

圖3　BP、KNN、SVM和ELM的分類結(jié)果Fig.3　Classification results using ELM,KNN,SVM and BP methods

表8　ELM、BP、SVM和KNN的耗時(shí)比較

運(yùn)用本文提出的方法提取紋理特征、顏色特征和sift特征進(jìn)行云分類識(shí)別時(shí),平均識(shí)別率為86.64%,卷云、晴空、積狀云和層狀云的識(shí)別率分別為87.67%、93.63%、90.75%和74.50%。其中:9.46%的卷云被錯(cuò)分為積狀云,由于樣本的云體較大,同時(shí)存在少量積狀云,天空復(fù)雜,從而導(dǎo)致誤判(圖4a);2.43%的卷云被錯(cuò)分為層狀云,由于樣本的云體覆蓋整個(gè)天空,表現(xiàn)出層狀特性,從而導(dǎo)致誤判(圖4b)。

圖4　卷云誤分為積狀云(a)和層狀云(b)Fig.4　Cirrus are mistaken for (a)cumulus and (b)stratus

積狀云中5.83%的樣本被誤判為卷云,這些樣本具有零碎云體(圖5a),3.26%的樣本被誤判為層狀云,這些樣本的云體布滿天空,呈現(xiàn)出層狀特性(圖5b)。

層狀云中10.61%的樣本被誤判為卷云,這些云體為不規(guī)則的碎片(圖6a),14.52%的樣本被誤判為積狀云,樣本中云體布滿天空,但仍然有些塊狀,呈現(xiàn)出積狀特性(圖6b)。此外,由于樣本的圖像中云量太少,導(dǎo)致有的積狀云、層狀云和卷云中被誤判為晴空。

圖5　積狀云誤分為卷云(a)和層狀云(b)Fig.5　Cumulus are mistaken for (a)cirrus and (b)stratus

圖6　層狀云誤分為卷云(a)和積狀云(b)Fig.6　Stratus are mistaken for (a)cirrus and (b)cumulus

4小結(jié)

云分類是云天自動(dòng)觀察的重要組成部分,實(shí)現(xiàn)云的精確自動(dòng)定量觀測(cè)對(duì)許多氣候模型、水循環(huán)和大氣科學(xué)研究具有重要作用。本文提出的自動(dòng)云分類方法將不同天空類型的數(shù)字云圖進(jìn)行分類,取得了一定的效果。本文不但探討了云圖的全局特征(紋理特征和顏色特征),而且通過Bag of Words模型對(duì)局部sift特征進(jìn)行描述,結(jié)合三種特征和極限學(xué)習(xí)機(jī)分類器對(duì)地基云圖實(shí)現(xiàn)了詳盡分析。結(jié)果表明,使用三種特征進(jìn)行分類比僅使用一種特征或任意兩種特征要好。分類結(jié)果與云圖的質(zhì)量和實(shí)驗(yàn)裝置有關(guān),同時(shí)4類典型天空的樣本都是人工分類的,存在一定誤差,進(jìn)而對(duì)分類結(jié)果產(chǎn)生影響。在相同實(shí)驗(yàn)條件下,本文提出的基于極限學(xué)習(xí)機(jī)的分類模型在整體上優(yōu)于傳統(tǒng)分類模型。

自然界中,在同一時(shí)間天空經(jīng)常呈現(xiàn)一系列不同的云類型,比如卷層云和層積云或卷云和積云經(jīng)常發(fā)生在一起。為了避免由這種現(xiàn)象導(dǎo)致的誤分類,我們建議在初始圖像分塊時(shí)可以更小,檢查這些塊中是否仍然包含足夠的信息來(lái)指定圖像塊云類。其他的、沒有提到的特征也可能會(huì)增強(qiáng)算法的性能。此外,本文只是討論了單一天空類型的云圖,而天空云的類型通常是復(fù)雜的,因此還需要進(jìn)一步研究復(fù)雜云圖的自動(dòng)識(shí)別的分類方法。

參考文獻(xiàn)(References)：

蔡淼,周毓荃,朱彬.2011.一次對(duì)流云團(tuán)合并的衛(wèi)星等綜合觀測(cè)分析[J].大氣科學(xué)學(xué)報(bào),34(2):170-179.Cai Miao,Zhou Yuquan,Zhu Bin.2011.Comprehensive analysis of satellite and other observations from a convective clouds merging event[J].Trans Atmos Sci,34(2):170-179.(in Chinese).

Calbo J,Sabburg J.2008.Feature extraction from whole-sky ground-based images for cloud-type recognition[J].Journal of Atmospheric and Oceanic Technology,25(1):3-14.

費(fèi)文龍,呂紅,韋志輝.2012.圖割模型在衛(wèi)星云圖云檢測(cè)中的應(yīng)用[J].大氣科學(xué)學(xué)報(bào),35(4):502-507.Fei Wenlong,Lü Hong,Wei Zhihui.2012.Application of graph cut method in cloud detection in satellite cloud image[J].Trans Atmos Sci,35(4):502-507.(in Chinese).

Fei-Fei L,Perona P.2005.A bayesian hierarchical model for learning natural scene categories[C]//IEEE Computer Society Conference:Computer Vision and Pattern Recognition,CVPR 2005:524-531.

韓丁,嚴(yán)衛(wèi),任建奇,等.2011.基于支持向量機(jī)的CloudSat 衛(wèi)星云分類算法[J].大氣科學(xué)學(xué)報(bào),34(5):583-591.Han Ding,Yan Wei,Ren Jianqi,et al.2011.Cloud type classification algorithm for CloudSat satellite based on Support Vector Machine[J].Trans Atmos Sci,34(5):583-591.(in Chinese).

Haralick R M.1979.Statistical and structural approaches to texture[J].Proceedings of the IEEE,67(5):786-804.

Heinle A,Macke A,Srivastav A.2010.Automatic cloud classification of whole sky images[J].Atmospheric Measurement Techniques Discussions,3(1):269-299.

Huang G B.2003.Learning capability and storage capacity of two-hidden-layer feedforward networks[J].IEEE Transactions:Neural Networks,14(2):274-281.

Huang G B,Zhu Q Y,Siew C K.2006.Extreme learning machine:Theory and applications[J].Neurocomputing,70(1):489-501.

黃勇,張文建,郁凡.2012.基于圖像熵的衛(wèi)星云圖分類方法[J].大氣科學(xué)學(xué)報(bào),35(5):633-639.Huang Yong,Zhang Wenjian,Yu Fan.2012.A method of cloud classification based on image entropy[J].Trans Atmos Sci,35(5):633-639.(in Chinese).

Kazantzidis A,Tzoumanikas P,Bais A F,et al.2012.Cloud detection and classification with the use of whole-sky ground-based images[J].Atmospheric Research,113:80-88.

Long C N,Slater D W,Tooman T P.2001.Total sky imager model 880 status and testing results[M].Washington:Pacific Northwest National Laboratory.

Lowe D G.1999.Object recognition from local scale-invariant features[C]//Computer vision:The proceedings of the seventh IEEE international conference:1150-1157.

Qiu G.2002.Indexing chromatic and achromatic patterns for content-based color image retrieval[J].Pattern Recognition,35(8):1675-1686.

Rossi R,Basili R,Del Frate F,et al.2011.Techniques based on Support Vector Machines for cloud detection on QuickBird satellite imagery[C]//2011 IEEE International Geoscience and Remote Sensing Symposium(IGARSS),Vancouver,Canada:515-518.

師春香,瞿建華.2002.用神經(jīng)網(wǎng)絡(luò)方法對(duì)NOAA-AVHRR資料進(jìn)行云客觀分類[J].氣象學(xué)報(bào),60(2):250-256.Shi Chunxian,Qu Jianhua.2012.Cloud classification for NOAA-AVHRR data by using a neural network[J].Acta Meteor Sinica,60(2):250-256.(in Chinese).

Shields J E,Karr M E,Tooman T P,et al.1998.The whole sky imager—A year of progress[C]//Eighth Atmospheric Radiation Measurement(ARM) Science Team Meeting,Tucson,Arizona:23-27.

Singh M,Glennen M.2005.Automated ground-based cloud recognition[J].Pattern Analysis and Applications,8(3):258-271.

Solomon S,Qin D,Manning M,et al.2007.Climate change 2007:The physical science basis[M].Cambridge:Cambridge University Press.

Stephens G L.2005.Cloud feedbacks in the climate system:A critical review[J].J Climate,18(2):237-273.

Stricker M A,Orengo M.1995.Similarity of color images[C]//IS&T/SPIE's Symposium on Electronic Imaging:Science & Technology.International Society for Optics and Photonics:381-392.

孫學(xué)金,劉磊,高太長(zhǎng),等.2009.基于LBP算法的全天空紅外云圖的分類研究[J].大氣科學(xué)學(xué)報(bào),32(4):490-497.Sun Xuejin,Liu Lei,Gao Taichang,et al.2009.Classification of whole sky infrared cloud image based on the LBP operator[J].Trans Atmos Sci,32(4):490-497.(in Chinese).

Sun X,Liu J.2009.Correction of the non-uniformity of the radiometric detector of WSICMS[C]//International Symposium on Photoelectronic Detection and Imaging 2009.International Society for Optics and Photonics:73830T-73830T-8.

Tamura H,Mori S,Yamawaki T.1978.Textural features corresponding to visual perception[J].IEEE Transactions:Systems,Man and Cybernetics,8(6):460-473.

Yang J,Lu W,Ma Y,et al.2012.An automated cirrus cloud detection method for a ground-based cloud image[J].Journal of Atmospheric and Oceanic Technology,29(4):527-537.

(責(zé)任編輯：倪東鴻)

湯莉莉,湯蕾,花艷，等.2015.蘇南三市秋冬季PM2.5中水溶性離子和元素特征及源解析[J].大氣科學(xué)學(xué)報(bào),38(5):686-693.doi：10.13878/j.cnki.dqkxxb.20120718001.

Tang Li-li,Tang Lei,Hua Yan,et al.2015.Characteristics and source apportionment of water-soluble ions and elements in PM2.5in three cities of South Jiangsu in autumn and winter[J].Trans Atmos Sci,38(5):686-693.(in Chinese).