下载文档原格式
1.1 图像与图像处理的概念图像(Image)：使用各种观测系统以不同形式和手段观测客观世界而获得的，可以直接或间接作用于人眼并进而产生视觉的实体。
包括：·各类图片，如普通照片、X光片、遥感图片；·各类光学图像，如电影、电视画面；·客观世界在人们心目中的有形想象以及外部描述，如绘画、绘图等。
数字图像：为了能用计算机对图像进行加工，需要把连续图像在坐标空间和性质空间都离散化，这种离散化了的图像是数字图像。
图像中每个基本单元叫做图像的元素，简称像素（Pixel）。
数字图像处理（Digital Image Processing）：是指应用计算机来合成、变换已有的数字图像，从而产生一种新的效果，并把加工处理后的图像重新输出，这个过程称为数字图像处理。
也称之为计算机图像处理（Computer Image Processing）。
1.2 图像处理科学的意义1.图像是人们从客观世界获取信息的重要来源·人类是通过感觉器官从客观世界获取信息的，即通过耳、目、口、鼻、手通过听、看、味、嗅和接触的方式获取信息。
在这些信息中，视觉信息占70％。
·视觉信息的特点是信息量大，传播速度快，作用距离远，有心理和生理作用，加上大脑的思维和联想，具有很强的判断能力。
·人的视觉十分完善，人眼灵敏度高，鉴别能力强，不仅可以辨别景物，还能辨别人的情绪。
2.图像信息处理是人类视觉延续的重要手段非可见光成像。
如：γ射线、X射线、紫外线、红外线、微波。
利用图像处理技术把这些不可见射线所成图像加以处理并转换成可见图像，可对非人类习惯的那些图像源进行加工。
3.图像处理技术对国计民生有重大意义图像处理技术发展到今天，许多技术已日益趋于成熟，应用也越来越广泛。
它渗透到许多领域，如遥感、生物医学、通信、工业、航空航天、军事、安全保卫等。
1.3 数字图像处理的特点1. 图像信息量大每个像素的灰度级至少要用6bit（单色图像）来表示，一般采用8bit（彩色图像），高精度的可用12bit 或16bit。
数字图像处理技术在卫星图像处理中的应用随着空间技术的不断进步和发展，卫星监测技术已经成为我们日常生活不可或缺的一部分。
卫星图像作为一种重要的监测手段，不仅可以帮助我们了解地球上的变化和特征，还可以为我们提供实时的数据资料，用于研究各种自然和人文问题。
然而，传统的卫星图像往往存在亮度不均、噪声干扰和边缘模糊等问题，这些问题往往会影响到数据的准确性和可靠性。
在这种情况下，数字图像处理技术成为了我们处理卫星图像的有效手段。
数字图像处理技术是一种将数字信号处理应用于图像处理领域的技术。
它可以对图像进行数字化、处理和分析，使得处理结果更加精确和准确。
具体来说，数字图像处理技术在卫星图像处理中的应用主要包括以下几个方面：1. 图像增强卫星图像常常存在着亮度不均、噪声干扰和边缘模糊等问题，这些问题会影响到数据的准确性和可靠性。
为了解决这些问题，数字图像处理技术可以对卫星图像进行图像增强，使得卫星图像更加清晰和易于分析。
图像增强技术包括点运算、线性滤波、非线性滤波等方法。
例如，可以使用直方图均衡化方法对卫星图像进行增强，从而提高图像亮度和对比度，使得图像更加清晰。
2. 图像分割图像分割是将图像分成若干互不重叠的区域的过程。
在卫星图像处理中，图像分割可以用于提取海洋、陆地、植被、水体等不同对象的信息。
数字图像处理技术可以应用于图像分割，利用图像的颜色、纹理、边缘等特征进行分割。
图像分割方法包括基于阈值的方法、基于区域的方法、基于边缘的方法等。
例如，可以使用谷底阈值分割法对卫星图像进行分割，从而提取不同对象的信息。
3. 特征提取特征提取是将图像中的信息转换成易于计算的数学特征的过程。
在卫星图像处理中，特征提取可以用于提取海岸线、湖泊面积、植被覆盖度等信息。
数字图像处理技术可以应用于特征提取，利用图像的灰度、梯度、边缘等特征进行特征提取。
特征提取方法包括基于灰度的方法、基于边缘的方法、基于形态学的方法等。
例如，可以使用Canny边缘检测算法对卫星图像进行特征提取，从而提取出海岸线等信息。
数字图像处理技术在卫星图像分析中的应用研究数字图像处理技术是一种利用计算机技术对图像进行处理、分析、处理和识别的技术。
随着卫星技术的发展，卫星图像处理技术越来越成熟，数字图像处理技术在卫星图像分析中的应用得到了广泛的关注和研究。
本文将从图像增强、目标识别与跟踪、图像分割等方面探讨数字图像处理在卫星图像分析中的研究进展和应用现状。
一、图像增强图像增强是数字图像处理技术中的一种基本操作，旨在改善图像质量，提高图像的整体可读性和识别度。
卫星图像可以是航拍图像或卫星遥感图像，由于成像时天气、云层、地形、测量角度等因素的影响，使得卫星图像质量不稳定，常出现噪声、模糊、对比度低等问题。
因此，利用数字图像处理技术进行增强处理可以有效地提高图像的质量和可读性。
对于卫星图像增强处理，常用的技术包括灰度拉伸、直方图均衡化、滤波等。
如灰度拉伸是一种通过调整图像像素值分配的方法，在不改变图像的相对像素值的情况下，增加图像的对比度和动态范围，从而使图像更好地适应观察要求。
直方图均衡化是一种常见的增强技术，它可以通过将直方图分布均匀化，增加图像对比度，提高图像清晰度和边缘信息。
滤波技术则可以通过一些处理算法来去除图像中的噪声。
二、目标识别与跟踪卫星图像中的目标识别与跟踪是利用数字图像处理技术的一种重要应用领域，对于目标的识别和跟踪，往往要依靠图像处理技术来完成。
数字图像处理技术可以识别卫星图像中的目标物体，了解目标的形状、大小、颜色等特征。
同时，也可以通过对目标进行跟踪来捕捉目标的运动信息。
目标识别和跟踪需要特定的算法和工具支持，如边缘检测、形状匹配、轮廓提取等算法。
在数字图像处理领域中，SIFT 和SURF 等特征提取算法，可以用来描述目标物体的主要特征，从而实现对目标识别和跟踪。
三、图像分割图像分割技术是数字图像处理技术在卫星图像分析中的重要应用之一。
图像分割就是将图像中的像素按照某种标准分成不同的部分，使每个部分的像素具有相似的属性，比如灰度值、颜色、形状等。
使用数字图像处理技术进行卫星影像的测绘分析数字图像处理技术在卫星影像测绘分析中扮演着重要角色。
卫星影像的测绘分析对于地理信息系统、城市规划、环境保护等领域具有重要的应用价值。
数字图像处理技术通过提取图像中的有用信息，可以实现对卫星影像进行高精度的分析和测量。
本文将从卫星影像的获取、预处理、特征提取和应用等方面，探讨数字图像处理技术在卫星影像测绘分析中的应用。
卫星影像的获取是卫星测绘分析的第一步。
通过卫星遥感技术，可以获取到大范围、高分辨率的卫星影像数据。
然而，由于云层、大气污染等因素的存在，卫星影像数据往往包含噪声和干扰。
数字图像处理技术可以对卫星影像数据进行预处理，去除噪声和干扰，提高数据质量。
例如，可以利用滤波算法对图像进行平滑处理，去除高频噪声；利用辐射校正方法对图像进行校正，提高数据准确性。
特征提取是卫星影像测绘分析的关键环节。
数字图像处理技术可以从卫星影像中提取出地物的特征信息，例如地表覆盖类型、河流路径、建筑物轮廓等。
其中，图像分类是特征提取的一种重要方法。
通过图像分类算法，可以将卫星影像中的像素点划分为不同的类别，并生成分类图。
常用的图像分类算法包括最大似然分类、支持向量机分类和深度学习分类等。
这些算法基于图像中的像素值、纹理特征、空间关系等信息，实现对地物的准确分类。
卫星影像的测绘分析在地理信息系统、城市规划等领域有广泛的应用。
例如，在城市规划中，可以利用卫星影像进行城市用地分类和土地利用分析，帮助城市规划师了解城市用地结构和变化趋势，从而制定合理的城市规划方案。
在环境保护中，可以利用卫星影像跟踪森林覆盖面积的变化，监测自然灾害的发生和演变情况，为环境保护部门提供科学依据。
总之，数字图像处理技术在卫星影像测绘分析中发挥着重要作用。
通过卫星影像的获取、预处理、特征提取和应用等步骤，可以实现对卫星影像的高效、准确的测绘分析。
数字图像处理技术的发展将进一步促进卫星影像测绘分析在各个领域的应用，并为我们的生活和工作提供更多有益的信息。
基于图像分析的天气预报研究随着科技的发展，人们对天气的依赖程度越来越高。
天气预报是人们生活中非常重要的一部分，通过天气预报我们能够提前做好各种准备。
然而，传统的天气预报方法存在很多缺陷，例如预报准确率不高、预报时间不精确等等。
因此，基于图像分析的天气预报研究成为了近年来的热门话题。
一、图像分析概述在探讨基于图像分析的天气预报研究之前，我们首先需要了解图像分析的概念。
图像分析是一种通过数字图像处理技术对图像中的信息进行分析、处理和重构的过程。
图像分析应用广泛，例如医学领域的CT、MRI等医学图像分析，自然保护领域的植被分析，军事领域的目标识别等等。
二、基于图像分析的天气预报原理基于图像分析的天气预报主要通过获取气象卫星图像、雷达图像，以及卫星云图等数据，对这些数据进行分析、处理和重构，从而预测未来的天气情况。
以卫星云图为例，卫星云图是一种记录大气云层位置和分布状态的图像。
通过分析云图可以得出当前天气状况，根据天气状况可以预测未来的天气情况。
卫星云图中云的颜色与密度对天气预测有着重要的影响，颜色越白表示云越厚，天气也会越恶劣；密度越大表示云越密，天气也会越恶劣。
通过对云图的颜色、密度和形状进行深入分析，可以准确预测未来的天气情况。
基于图像分析的天气预报不仅可以提高预报准确率，还可以提高预报时间的精确性。
相比传统的天气预报方法，图像分析更加客观、科学和可靠。
三、基于图像分析的天气预报现状目前，基于图像分析的天气预报在全球范围内都受到了广泛的关注和研究。
世界气象组织在2018年提出了全球气象科技发展规划，其中包括了基于图像分析的天气预报研究。
国内外的许多研究机构和公司也都开始了相关的研究和应用。
例如，美国国家海洋和大气管理局（NOAA）的GOES卫星系统，通过对气象卫星图像的获取、分析和处理，实现了高清晰度和全球覆盖的天气预报，预报准确率高达99%以上。
同时，国内的一些公司也开始了基于图像分析的天气预报应用，例如腾讯天气、阿里气象等。
数字图像处理方法在地貌测绘中的应用地貌是地球表面的自然形态，它是地球长期形成发展的结果，对于地理环境的研究和资源利用具有重要意义。
随着科技的发展，数字图像处理方法在地貌测绘中的应用逐渐被广泛采用，为地貌研究带来了新的突破和进展。
首先，数字图像处理方法在地貌测绘中的应用可以提供高精度的地貌数据。
传统的地貌测绘方法常常需要大量的人力和物力，而且可能存在主观因素的干扰。
而利用数字图像处理方法可以通过对高分辨率卫星遥感影像的处理和分析，获取地表形态的精确数据。
利用数字图像处理技术，可以对遥感影像进行几何校正、辐射校正和高程解译等操作，从而获得精确的地貌信息。
其次，数字图像处理方法在地貌测绘中的应用可以实现地貌信息的快速提取和分析。
通过数字图像处理技术，可以快速准确地提取地貌要素，如河流、湖泊和山脉的轮廓线等。
此外，数字图像处理方法还可以通过图像纹理、亮度、颜色等特征，进行地貌类型的分类和识别，为地貌研究提供更为详细的数据和分析结果。
另外，数字图像处理方法在地貌测绘中的应用还可以实现地貌变化的监测和评估。
地球表面的地貌是处于不断变化之中的，如河流的侵蚀、风蚀的形成等，都会产生地貌的变化。
利用数字图像处理方法，可以通过对多时相遥感影像的比对和分析，实现地貌变化的监测和评估。
这对于自然资源的管理和环境保护具有重要价值。
此外，数字图像处理方法在地貌测绘中的应用还可以辅助地貌模拟和预测。
地貌模拟主要通过数学模型来模拟、再现地球表面的形貌特征。
利用数字图像处理方法，可以将地貌数据转化为数字模型，并通过模拟算法进行地貌特征的真实还原。
这为地质灾害预测、土地规划和资源利用等方面提供了重要参考。
总之，数字图像处理方法在地貌测绘中的应用为地质学、地理学等领域的研究提供了强大的工具和手段。
通过数字图像处理技术，可以快速准确地提取地貌要素，实现地貌信息的快速分析和评估，并辅助地貌模拟和预测。
这为地表地貌形态的研究和资源利用等方面提供了新的思路和方法。
遥感数字图像处理1. 概述遥感数字图像处理是指利用遥感技术获取的各种遥感数据，如航空影像、卫星影像等，进行数字化处理和分析的过程。
遥感数字图像处理在地理信息系统（GIS）领域有着广泛的应用，能够提取出地表覆盖类型、地形和植被等丰富的地理信息，为环境监测、资源管理、农业和城市规划等领域提供重要的数据支持。
2. 遥感数字图像处理的步骤遥感数字图像处理主要包括以下几个步骤：2.1 数据获取数据获取是遥感数字图像处理的第一步，通过卫星、航拍等遥感设备获取地理信息数据。
这些数据以数字图像的形式存在，包括多光谱、高光谱、雷达和激光雷达等数据。
2.2 数据预处理数据预处理是为了消除图像中的噪声和伪影，以及纠正图像的几何和辐射畸变。
常见的数据预处理方法包括辐射校正、几何校正、大气校正等。
2.3 图像增强图像增强是为了使图像更加清晰，突出地物的特征。
常用的图像增强方法包括直方图均衡化、滤波、锐化等。
2.4 特征提取特征提取是为了从图像中提取出具有区别性的特征，以便进行后续的分类和识别。
常见的特征提取方法包括纹理特征、形状特征、频域特征等。
2.5 图像分类图像分类是将图像中的像素划分为不同的类别。
常用的图像分类方法包括基于像元的分类、基于对象的分类、基于深度学习的分类等。
2.6 图像分割图像分割是将图像划分为不同的区域或对象。
常用的图像分割方法包括阈值分割、边缘分割、区域生长等。
2.7 地物提取地物提取是从图像中提取出感兴趣的地物或地物属性。
常见的地物提取方法包括目标检测、目标识别、地物面积计算等。
2.8 结果评价结果评价是对处理结果进行准确性和可靠性的评估。
常用的结果评价方法包括混淆矩阵、精度评定、误差矩阵等。
3. 遥感数字图像处理的应用遥感数字图像处理在各个领域都有广泛的应用，主要包括以下几个方面：3.1 环境监测遥感数字图像处理可以用于环境监测，如水质监测、土壤污染监测等。
通过遥感图像，可以获取水体和土地的信息，分析水质和土壤的污染程度。
课题名称：数字图像处理姓名：学号：年级: 2013级专业：地图学与地理信息系统完成时间：2014年6月29日摘要 (3)关键字 (3)1 气象卫星云图简介 (3)2 数字图像处理 (4)3 云图云类识别技术国内外研究现状 (5)3.1 闽值法 (5)3.2 监督分类法 (5)3.3 非监督分类法 (6)4 个人对于该领域进展的分析 (6)参考文献 (7)数字图像处理在气象卫星云图中的应用摘要卫星云图是由气象卫星在上而下观测到的地球上的云层覆盖和地表面特征的图像【1】，可以便捷地提供时空尺度广泛的云的信息,所展示的云的种类和形态蕴涵着丰富的天气演变信息,综合反映了大气中正在进行的动力和热力过程【2】。
在海洋气象观测领域中，卫星云图所提供的资料，弥补了常规探测资料的不足，对提高预报准确率起了重要作用。
随着卫星遥感技术和图像处理技术的发展,利用图像处理技术对卫星云图作相关处理和信息提取已经成为气象卫星资料分析的主要的手段。
关键字：卫星云图、图像处理、云识别1 气象卫星云图简介通过卫星云图【3】图像的形态、结构、亮度和纹理等特征，可以识别云的种、属及降水状况。
可以识别大范围的云系，如螺旋状、带状、逗点状、波状、细胞状等，并用以推断锋面、温带气旋、热带风暴，高空急流等大尺度天气系统的位置和特征。
卫星云图按探测通道可以分为两类:红外云图和可见光云图。
红外云图，是气象卫星上的扫描辐射计利用红外辐射通道感测并向地面站发送的云图，其亮度大致反映了云层顶的温度，因而也反映了云顶的高度。
一般温度越低，高度越高的云层，图上的色调过白，反之色调越黑。
由于红外遥感可以昼夜感测并向地面站发送云图，并可分析高云和云顶温度，提供了可见光云图不能提供的大量信息。
可见光云图，是气象卫星上的扫描辐射计用可见光通道感测并向地面站发送的卫星云图，图上亮度明暗反映了云的反照率的强弱。
可见光云图在研究云团、云系等的移动和发展方面，在监测台风和其他天气系统的发生、发展及移动方面，均获得广泛应用，并取得较好成效。
随着卫星云图的广泛应用，气象工作者对其进行了大量的分析与研究，从通过肉眼对卫星云图的形态学进行分析，到结合其它气象资料的研究与分析；从人工判别云体类型，到对云体性质进行自动识别的研究等。
由于云图的形状、结构、范围和暗影等特征在云分类定量分析中难以准确的量化描述,且存在不确定性,因此,目前研究较多的是云的光谱(亮度、色调)特征分析和纹理特征分析。
但由于不同类别的云团可能表现出相似的光谱特性,因此仅用光谱特征对云团进行识别分析,可能会得出较差的分类效果,例如,卷云与积云在红外通道上色调可能均呈白色。
纹理特征能反映云团灰度的空间关系及其排列模式,且并不直接依赖于云团的光谱特性。
例如,通过纹理分析能够容易地区分出红外通道上的卷云与积云。
因此,本文主要探讨数字图像处理在卫星云图云识别中的应用。
气象卫星拍摄的云图含有大量关于大气和地球表面的气象信息。
然而,在成像和传输过程中,由于运载器姿态的变化,传感器的非线性,地球自转,光照条件, 大气扰动,信道噪声等多种因素的影响,使景物在云图中失去了本来的面目。
因此只有经过图像处理,才能从云图中分析识别出更多的信息。
2 数字图像处理视觉是人类从大自然获取信息的最主要手段，而图像正是人类获取视觉信息的最重要的手段。
图像处理就是对图像信息进行加工，以满足人的视觉或心理或应用的需求的行为。
数字图像处理就是把图像根据一定的采样规则进行采样和量化成计算机能接受的形式,一般而言是用数字矩阵来表达。
然后用数学知识如泛函分析、矩阵变换、数值分析等一套理论来进行处理和提取数字特征,根据一定的数学方法对其图像进行分析,提取我们感兴趣的东西,从而使我们从图像中得到更多的知识,为其应用提供理论基础【4】。
它是一门新兴的应用学科，其发展速度异常迅速，应用领域极为广泛。
数字图像处理技术源于20世纪20年代,但其前期发展较为缓慢"，随着卫星遥感、军事、气象等学科及其技术的发展推动了数字图像处理技术的迅速发展"。
特别是用于图像处理的计算机硬件设备的不断降价、处理器速度的不断提高、存储器容量的不断增加等,使数字图像处理技术在各行各业的应用成为了可能,为人类带来了极大的经济效益、社会效益,大到应用气象遥感卫星监视全球环境、气候变化,小到指纹识别等,数字图像处理技术已经渗透到科学研究及应用的各个领域"【5】。
3 云图云类识别技术国内外研究现状卫星云图中的云类识别问题,从数字图像处理的角度来讲就是要对云图进行边缘检测、特征分析、图像分割等处理。
目前,一般采用如下几类技术用来对气象卫星云图进行云判断和云型分类:3.1 闽值法阈值法根据不同类别的云在相同云图通道中所表现出的灰度差异来进行判断,或在多通道云图中,分别在各通道中确定各类云的灰度差异,然后再进行云类识别。
杨澄[6]等利用多谱阐值法,建立了识别GMS-5气象卫星云图中晴空、半透明云或碎云和高、中、低云的方法。
马芳[7]等建立了通道综合运算云检测方法,该方法不仅改善了地理位置的变化对云检测带来的影响,而且可减弱太阳高度角的影响,减少了检测过程中阈值变化的麻烦,同时得到较好的检测效果。
师春香【8】等在Peak和Tag【9】【10】提出的人工神经网络方法基础上,设计了多阈值与人工神经网络相结合的方法,以此对GMS卫星红外云图进行分割实验,结果表明该方法在实际应用中是可行的。
3.2 监督分类法监督分类需要事先知道云型类别并用他们的样本对计算机分类器进行监督和训练,然后对云图进行分类。
即分类之前,对每种类型的云都要选取有代表性的训练区;然后计算特征向量,构成训练样本;再以这些云类的训练样本的特征向量为标准,按照云图上各点的特征向量与它们的相似或相异程度,把云图上各点分别归入己知的云型类别。
神经网络和支持向量机是目前运用较多的云图分类方法。
师春香等利用N0AA-AVHRR5个通道资料建立了 6种云类以及陆地和水体的BP神经网络分类模型,块像素样本测试正确率达79%,单像素样本测试正确率达78%。
郝英明【11】等建立了基于支持向量机的遥感影像分类模型,并针对陆地、海洋2种不同的下垫面进行了云检测试验。
云检测结果中,云与陆地、水体、积雪准确地区分开来。
石小云【12】建立了 SOM神经网络的云分类模型,并对FY-2C红外和可见光多通道云图数据进行云分类,试验表明该方法是可行有效的。
韩丁【13】等利用星载毫米波雷达探测资料提取云的特征参数,建立支持向量机模型实现云分类,实验表明,该模型具有较好的分类能力。
3.3 非监督分类法非监督分类法是不需要已知及其类别对计算机的分类器进行监督和训练,只是根据云图数据本身的特征,即各云类所代表的光谱特性及纹理特性的相似性或相异性来分类。
K-均值和模糊C均值聚类是目前应用较多的云类识别算法。
王继光【14】等运用遗传算法全局寻优、模糊C均值聚类局部寻优及模糊减法聚类客观估算聚类数等优势互补的等思想和途径,进行卫星云图的云类判别。
王彦磊【15】等提出用样本特征均值替代FCM中随机初始中心的改进办法对陆地、水体、低云、中云、卷云和积雨云进行分类,结果表明分割判别效果符合客观实际。
4 个人对于该领域的认识一般来讲，对图像进行处理的目的主要有三个方面：（1）提高图像的视感质量对图像进行几何变换等，以改善图像的质量。
（2）提取图像中所包含的某些特征或特殊信息，这些被提取的特征或信息往往为计算机分析图像提供便利。
（3）图像数据的变换、编码和压缩，以便于图像的存储和传输。
而数字图像处理常用方法有以下几种：（1）图像变换，其目的是减少计算量，而且可获得更有效的处理。
（2）图像编码压缩，图像编码压缩技术可减少描述图像的数据量（即比特数），以便节省图像传输、处理时间和减少所占用的存储器容量。
（3）图像增强和复原，图像增强和复原的目的是为了提高图像的质量，如去除噪声，提高图像的清晰度等。
（4）图像分割，是将图像中有意义的特征部分提取出来，其有意义的特征有图像中的边缘、区域等，这是进一步进行图像识别、分析和理解的基础。
（5）图像描述，图像描述是图像识别和理解的必要前提。
（6）图像分类（识别），其主要内容是图像经过某些预处理（增强、复原、压缩）后，进行图像分割和特征提取，从而进行判决分类【16】。
本文探讨对卫星云图进行数字图像处理，其主要目的是提取云图中的云特征或信息，提取的特征可以包括很多方面，如频域特征、灰度或颜色特征、边界特征、区域特征、纹理特征、形状特征、拓扑特征和关系结构等。
在这个过程中通常会用到图像分割和图像识别两种方法。
融合云图的边缘和纹理特征,以及这些特征对强云团的识别作用；依据融合云图及其边缘检测、纹理检测特征提取强对流云团识别的样本集是现有的研究方法。
不同云类在云图上各有其特点,在未来对卫星云图的处理中还需继续研究云的特征提取方法,以便提取出更能准确描述各云类信息的特征量；并能够结合气象业务应用的实际需求,利用特征提取、模式识别理论研究特定类型云团(如强降水云团、暴雨云团等)的识别、追踪,为气象灾害天气预测提供保障。
参考文献[1] 百度百科.卫星云图[2]吴咏明,张韧,蒋国荣,等.多光谱卫星图像的一种模糊聚类方法[J].热带气象学报,2004,20(6): 689-696.[3]百度百科.气象卫星云图[4]胡圣武,潘正风,梅天灿. 数字图像处理的技术及其在GIS中的应用[J].测绘通报2004(5).[5] 余远东.气象卫星遥感云图和水汽图的图像处理与强云团识别[D].武汉:武汉理工大学,2007.[6]杨澄,袁招洪,顾松山.用多谱阈值法进行GMS-5卫星云图云型分类的研究[J].南京气象学院学报,2002, 25(6): 747-754.[7]马芳,张强,郭铌,等.多通道卫星云图云检测方法的研究[J].大气科学,2007,31(1):119-128.[8]师春香,吴蓉章,项续康.多阈值和神经网络卫星云图云系自动分割试验[J].应用气象学报,2001, 12(1): 70-78.[9]Peak J E, Tag P M. Toward Automated Interpretation of Satellite Imagery for NavyShipboard Applications[J]. Bulletin of the American Meteorological Society, 1992,73:995-995.[10]PEAKJE,TAGPM. Segmentation of satellite imagery using hierarchical thresholding andneural networks[J]. Journal of applied meteorology, 1994,33(5): 605-616.[11]郝英明,王汉杰,姜祝辉.支持向量机在云检测中的应用[J].解放军理工大学学报(自然科学版本),2009,10(2): 191-194.[12]石小云.基于SOM神经网络的静止卫星云图分类[J].电子设计工程,2011,19(16):55-56.[13]韩丁,严卫,任建奇,等.基于支持向量机的CloudSat卫星云分类算法[J].大气科学学报,2011,34(5): 583-591.[14]王继光,张韧,洪梅,等.卫星云图云分类的一种综合优化聚类方法[J].解放军理工大学学报(自然科学版本),2005,6(6): 585-590.[15]王彦磊,张韧,孙照渤,等.基于模糊C均值聚类的云图样本修正与云类自动识别m.海洋科学进展,2005, 23(2): 219-226.[16]百度百科.数字图像处理。
