Продукционная модель, алгоритмы и комплекс программ для классификации изображений слабоконтрастных объектов на примере перистой облачности тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Евсюткин Тимофей Викторович

• Евсюткин Тимофей Викторович
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Евсюткин Тимофей Викторович

Список сокращений

Введение

1. Классификация изображений по данным ДЗЗ из космоса

1.1. Классификационные характеристики изображений

1.2. Классификация перистой облачности

1.3. Алгоритмы и методы классификации изображений

Основные выводы и результаты

2. Текстурный анализ изображений

2.1. Эталонные изображения текстур

2.2. Методы описания текстуры изображений

2.3. Методика формирования наборов информативных признаков

2.4. Модель текстурных признаков подтипов перистой облачности

Основные выводы и результаты

3. Искусственная нейронная сеть на основе модели нечеткого вывода

3.1. Функции принадлежности и их инициализация

3.2. Методика построения продукционной модели нечеткого вывода и конструирования нейросетевого классификатора

3.3. Топология нейро-нечеткой сети

3.4. Генетический алгоритм обучения сети

3.5. Интерпретация результатов классификации

Основные выводы и результаты

4. Программный комплекс для классификации текстур изображений

4.1. Выбор средств разработки

4.2. Проектирование, структура и описание программного комплекса

4.3. Апробация нечеткой нейронной сети и оценка эффективности

4.4. Внедрение и практическая значимость полученных результатов .... 115 Основные выводы и результаты

Заключение

Список литературы

Приложение А. ЦМЪ-диаграмма классов программного комплекса

Приложение Б. Иллюстрации к разделу

Приложение В. Акты внедрения

Приложение Г. Свидетельство о регистрации программы для ЭВМ

СПИСОК СОКРАЩЕНИЙ

ДЗЗ - дистанционное зондирование Земли. ПП - подстилающая поверхность. ТП - текстурный признак.

GLDV - метод текстурного анализа «вектор разности уровней яркости».

GLCM - метод текстурного анализа «матрицы смежности уровней яркости».

SADH - метод текстурного анализа «гистограммы суммы и разности».

SFR - спектральные характеристики яркости изображения.

МАГ - методика анализа гистограмм.

ИНС - искусственная нейронная сеть.

ФФ - фитнес-функция.

ПК - Питтсбургский классификатор.

PNN - вероятностная нейронная сеть.

RBF - радиально-базисная сеть.

FNN - нечеткая нейронная сеть (нейро-нечеткая сеть). SOM - самоорганизующиеся сети и карты Кохонена. ФП - функция принадлежности.

MODIS - визуализирующий спектрорадиометр среднего разрешения.

HDF - иерархический формат данных.

SDS - набор научных данных.

Ci unc - перистые когтевидные облака.

Ci floc - перистые хлопьевидные облака.

Ci ing - перистые облака образовавшиеся из наковален кучево-дождевых облаков. Ci vert & Ci int - перистые хребтовидные и перистые перепутанные облака.

Введение диссертации (часть автореферата) на тему «Продукционная модель, алгоритмы и комплекс программ для классификации изображений слабоконтрастных объектов на примере перистой облачности»

ВВЕДЕНИЕ

Актуальность исследования. В настоящее время данные дистанционного зондирования Земли (ДЗЗ) из космоса являются основным источником информации о состоянии атмосферы и подстилающей поверхности (ПП) в глобальном масштабе. Облачность играет важную роль в земной климатической системе, участвуя в гидрологическом цикле и оказывая существенное влияние на радиационный баланс Земли. «В настоящее время существует более десятка глобальных баз данных для облачного покрова, основанных на спутниковых и наземных наблюдениях и есть необходимость их детального анализа. Подобный анализ нужен как для более адекватного понимания структуры глобального поля облачности и его вариаций, так и для валидации климатических моделей, использующихся для оценки возможных изменений климата» [1]. Применение спутниковых снимков облачности в оперативно-прогностической работе дает возможность более точно определять форму, тип и структуру облачности, оценивать синоптическую обстановку, а также, используя серии последовательных снимков, осуществлять краткосрочное прогнозирование динамики и эволюции облачных систем. При этом одной из приоритетных задач по обработке данных ДЗЗ является задача автоматической классификации облачности и ПП. Специалистам, которые занимаются прогнозированием погоды, моделированием климата, обеспечением безопасности полетов летательных аппаратов, решением обратных задач по спектральной информации и многим другим, необходима детальная информация о типах облачности согласно действующему в метеорологии стандарту [2]. Результаты автоматической классификации спутниковых снимков применяются в нефанализе при построении, анализе и синоптической интерпретации карт распределения облачности на обширных территориях для использования в прогнозе погоды.

Начиная с 2000-х годов, основные усилия в области автоматической классификации изображений направлены на повышение её эффективности и адаптацию существующих методов к данным современных спутниковых систем,

таких как Imager, MODIS, VIIRS и ряда других. При этом имеется ряд сложных научных, технических и технологических проблем, связанных с распознаванием на изображениях слабоконтрастных объектов, в число которых входят подтипы перистой облачности. В тематических продуктах радиометра MODIS -MOD06_L2 (MYD06_L2) - можно найти информацию о наличии перистых облаков в каждом пикселе снимка (маска перистой облачности), однако сведения о конкретном типе облачности отсутствуют [3]. Наиболее достоверные результаты классификации изображений облачности получены при использовании информации о текстуре с помощью технологии нейронных сетей в работах R.H. Wade [4], Y. Liu [5], D. Lafont [6], J.R. Dim [7], В.Г. Астафурова [8], Е.В. Волкова [9] и др. В работах Астафурова и Скороходова [10, 11] предложен программный комплекс для классификации 14 разновидностей однослойной облачности и облаков вертикального развития, основанный на использовании персептрона [12, 13] и информации о текстуре спутниковых снимков MODIS, и который позволяет выделять маску перистой облачности без разделения её на подтипы. Среди коммерческих программных продуктов, использующихся при обработке и анализе данных ДЗЗ с функциональными возможностями классификации или сегментации, которые могут быть адаптированы для классификации облачности, можно выделить ScanEx Image Processor (SEIP) [14] и Environment for Visualizing Images (ENVI) [15]. При этом классификация перистой облачности по подтипам в известных нам работах не рассмотрена и не существует специализированного программного обеспечения для решения этой задачи.

Перистая облачность оказывает существенное влияние на радиационный баланс системы «атмосфера-подстилающая поверхность». Кроме того, по подтипам перистой облачности (например, перистые когтевидные и образовавшиеся из наковален кучево-дождевых облаков) можно прогнозировать изменения погодных условий [16]. Идентификация перистых облаков и их «хвостов» позволяет определять направление ветра и зоны турбулентности, таким образом, результаты автоматической классификации будут полезны для обеспечения полета воздушных судов.

На высотах образования перистых облаков низкая влажность, поэтому они имеют малую оптическую толщину. Из-за чего перистая облачность создает экран, искажающий изображение ПП и других типов облачности. Таким образом, она выступает в качестве «шумового» барьера спектральной информации об объектах на снимке, который в некоторых случаях сглаживается или устраняется при решении задач атмосферной коррекции, например, при восстановлении температуры земной поверхности, что повышает эффективность обнаружения очагов горения в 1,5-9 раз [17, 18]. Одним из подходов к решению проблемы неточного или неполного описания слабоконтрастных объектов, возникающей при создании системы автоматической классификации по данным ДЗЗ, может являться применение методов нечеткого моделирования, основополагающие результаты в которой получили А.Н. Аверкин, Л.С. Берштейн, В.Б. Тарасов, J. Casillas, F. Herrera, W.G. Jacoby, B. Kosko, E.H. Mamdani, J.M. Mendel, M. Sugeno, T. Takagi, R.R. Yager, L.X. Wang, L. Zadeh и многие другие.

Из всего вышесказанного можно сделать вывод, что задача автоматической классификации слабоконтрастных объектов, в частности перистой облачности по подтипам, на основе данных ДЗЗ из космоса является актуальной.

Целью диссертационной работы является разработка алгоритма и комплекса программ для автоматической классификации изображений подтипов перистой облачности по спутниковым данным на основе нейро-нечеткой сети.

Для достижения поставленной цели решены следующие задачи:

1. Обзор существующих методов и алгоритмов автоматической классификации изображений по спутниковым данным;

2. Построение классификационной модели подтипов перистой облачности на основе набора информативных текстурных признаков;

3. Разработка алгоритма и комплекса программ для автоматической классификации изображений перистой облачности по подтипам;

4. Апробация программного комплекса и оценка его эффективности.

Методика исследования. В диссертационной работе использовались

методы теорий распознавания образов и нечетких множеств, а также численные

методы, математическая статистика и нейросетевые технологии. При реализации программной системы применялись методы обработки изображений и данных дистанционного зондирования Земли из космоса, компьютерной графики и принципы объектно-ориентированного проектирования и программирования.

Научная новизна результатов диссертационной работы по трем областям специальности 05.13.18 сводится к следующим положениям:

1. Предложена новая методика построения продукционной модели нечеткого вывода для классификации текстур изображений на основе сравнительного анализа гистограмм одноименных текстурных признаков, позволяющая сформировать наборы информативных текстурных признаков подтипов перистой облачности и отличающаяся универсальностью относительно классификатора;

2. Разработан новый численный метод инициализации функций принадлежности нечеткой системы путем их кусочной аппроксимации, покрывающий базовое терм-множество текстурных признаков и позволяющий построить компактную и эффективную базу правил нечеткого вывода;

3. Создан программный комплекс для классификации текстур по спутниковым данным МОБ18 на основе предложенных в работе оригинальных методик и алгоритмов, позволяющий решать задачу классификации четырех подтипов перистой облачности.

Практическая значимость результатов работы определяется возможностью использования разработанного программного комплекса для обработки данных спектрорадиометра МОБ18 и классификации четырех подтипов перистой облачности согласно действующему в метеорологии стандарту, которая необходима при решении задач прогноза погоды, моделирования климата и атмосферной коррекции изображений для повышения эффективности раннего обнаружения малоразмерных тепловых аномалий на земной поверхности и многих других. Предложенная методика конструирования нечеткой системы на основе нейронной сети, алгоритмы аппроксимации функций принадлежности и поиска ключевых признаков могут быть использованы для

решения задач автоматической классификации изображений на основе количественных характеристик, описывающих распознаваемые классы. На защиту выносятся приведенные ниже положения.

1. Классификационная модель изображений подтипов перистой облачности на спутниковых снимках, построенная на основе методики сравнительного анализа гистограмм одноименных текстурных признаков.

Соответствует пункту 1 паспорта специальности: Разработка новых математических методов моделирования объектов и явлений.

2. Численный метод инициализации функций принадлежности текстурных признаков путем их кусочной аппроксимации набором гауссовских функций позволяет повысить точность классификации в среднем на 8%.

Соответствует пункту 3 паспорта специальности: Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий.

3. Методика конструирования топологии нейронной сети, основанная на сравнительном анализе гистограмм одноименных текстурных признаков и Питтсбургском классификаторе, позволяет определять структуру антецедентов нечеткой системы для классификации изображений слабоконтрастных объектов.

Соответствует пункту 1 паспорта специальности: Разработка новых математических методов моделирования объектов и явлений.

4. Программный комплекс на основе нейро-нечеткой сети и сформированных наборов информативных текстурных признаков позволяет выполнять процедуру классификации полей перистой облачности по четырем подтипам на спутниковых снимках с пространственным разрешением 250 м, в светлое время суток и при отсутствии снежного покрова с вероятностью правильной классификации 0,58.

Соответствует пункту 4 паспорта специальности: Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента.

Апробация работы. Результаты диссертационной работы докладывались и обсуждались на 12 конференциях и симпозиумах: VIII Всероссийский симпозиум «Контроль окружающей среды и климата: КОСК-2012» (Томск, 2012); Пятая Всероссийская конференция молодых ученых «Материаловедение, технологии и экология в третьем тысячелетии» (Томск, 2012); Десятая Всероссийская Открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2012); 51-я Международная научная студенческая

конференция «Студент и научно-технический прогресс» (Новосибирск, 2013); XIX Международная научно-практическая конференция студентов, аспирантов и молодых ученых «Современная техника и технологии» (Томск, 2013); Всероссийская конференция по математике и механике (Томск, 2013); Одиннадцатая Всероссийская Открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2013); Всероссийская научно-техническая конференция студентов, аспирантов и молодых ученых «Научная сессия ТУСУР» (Томск, 2014); XX Международный симпозиум «Оптика атмосферы и океана. Физика атмосферы» (Новосибирск, 2014); Двенадцатая Всероссийская Открытая конференция «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2014) - два доклада; XXI Международный симпозиум «Оптика атмосферы и океана. Физика атмосферы» (Томск, 2015); XXII рабочая группа «Аэрозоли Сибири» (Томск, 2015).

Публикации. По результатам исследований, представленных в диссертации, опубликовано 17 научных работ. В их число входят 4 статьи в рекомендованных ВАК РФ периодических изданиях и 1 статья в реферативной базе научных публикаций и патентов Web of Science. Получено свидетельство о государственной регистрации программы для ЭВМ (номер свидетельства: №2015612375).

Внедрение результатов диссертационной работы.

Результаты диссертационной работы и разработанное программное обеспечение внедрены и использовались:

1. В лаборатории геоинформационных технологий Института климатических и экологических систем СО РАН для определения структуры перистой облачности и в геофизической обсерватории лаборатории климатических систем в составе автоматизированной метеорологической информационно-измерительной системы.

2. В лаборатории физики климата и окружающей среды Уральского федерального университета им. первого Президента РФ Б.Н. Ельцина для

независимого анализа аэрозольной оптической толщи атмосферы при зондировании парниковых газов на ИК Фурье-спектрометре на Уральской атмосферной станции в Коуровке.

3. При выполнении проектов РФФИ № 14-07-31018 мол_а «Автоматическая классификация облачности по спутниковым данным с применением технологий нейронных сетей и методов нечеткой логики» и № 14-07-31090 мол_а «Разработка алгоритма локализации контрастных объектов в видеопотоке для индексации видеофайлов с помощью распределенных вычислений на многоядерных кластерных системах и графических процессорах».

Личный вклад. Материалы диссертации являются обобщением работ автора, выполненных в период с 2011 по 2015 год, и отражают его личный вклад в настоящее исследование. Основные научные результаты получены автором самостоятельно. Постановка цели исследования и решаемых задач, обсуждение полученных результатов и подготовка материалов к печати выполнена совместно с научным руководителем. Создание методики формирования информативного набора классификационных характеристик и метода инициализации функций принадлежности текстурных признаков, разработка и реализация алгоритма автоматической классификации на основе нейро-нечеткой сети, а также формирование наборов эталонных изображений подтипов перистой облачности и проведение численных экспериментов выполнялись лично автором.

Объем и структура работы. Диссертация состоит из введения, четырех глав основной части, заключения, списка литературы из 107 наименований и четырех приложений. Полный объем работы 176 страниц текста, в том числе 81 рисунок и 12 таблиц.

Во введении обосновывается актуальность темы исследования, формулируется цель работы, излагаются полученные автором основные результаты проведенных исследований, показывается их научная новизна, теоретическая и практическая значимость, отражаются основные положения, выносимые на защиту.

В первой главе приводится описание современной классификации перистой облачности и анализ алгоритмов и методов для автоматической классификации изображений, использованных в работах отечественных и зарубежных авторов. Это позволяет охарактеризовать задачу диссертационной работы и обосновать выбор инструментов для её решения, а также создать представление об искомой природе классификации и объекте исследования - перистых облаках.

Вторая глава содержит описание формирования наборов обучающих и тестовых выборок подтипов перистой облачности путем экспертной оценки. Основное внимание в главе уделено методам описания и анализа текстуры изображений на спутниковых снимках. Описывается разработанная методика определения информативности текстурных признаков на основе сравнительного анализа гистограмм их выборочных значений, которая была применена для построения классификационной и статистической модели подтипов перистой облачности. Приводятся результаты формирования системы ключевых признаков и анализ обучающих и тестовых выборок изображений текстур на основе критерия согласия Колмогорова-Смирнова.

В третьей главе приводится методика конструирования архитектуры нейро-нечеткой сети на основе Питтсбургского классификатора и коллекции информативных текстурных признаков. Описываются алгоритм её обучения и особенности интерпретации результатов классификации. Приводятся различные виды функций принадлежности и методы их инициализации, в частности предложен метод кусочной аппроксимации.

В четвертой главе приведено описание разработанной программной системы, её функциональных возможностей и методов. Производится обоснование выбора программных средств разработки. Приведены диаграммы деятельности для алгоритмов обучения и классификации нейро-нечеткой сети, а также результаты и анализ численных экспериментов алгоритмами, реализованными в работе. Обсуждается оценка достоверности разделения перистой облачности по подтипам на основе тестовой выборки. Даются рекомендации по использованию разработанных алгоритмов.

В заключении приведены основные результаты работы. При нумерации формул, рисунков и таблиц первая цифра указывает номер главы, а вторая - порядковый номер формулы, рисунка или таблицы в разделе.

1. КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ ПО ДАННЫМ ДЗЗ ИЗ

КОСМОСА

Анализируя работы [4, 6, 8, 19-25], можно выделить стандартную схему решения задачи автоматической классификации изображений:

1. Поиск и формирование наборов эталонных изображений, которые отражают уникальность рассматриваемых классов. В дальнейшем они используются в качестве обучающей, тестовой и контрольной выборок. Если объектами исследования являются изображения различных типов облачности, то наборы эталонных изображений для них по данным выбранной системы ДЗЗ могут быть сформированы одним из следующих способов:

■ На основе экспертной оценки спутниковых снимков. Один или несколько специалистов принимают решение о принадлежности объекта, наблюдаемого на снимке, к определенному классу. Недостатки данного подхода заключаются в уровне знаний и опыте специалистов;

■ Проведение наземных наблюдений на полигоне. Один или несколько экспертов принимает решение о принадлежности облачности к определенному типу. При этом соответствующий спутниковый снимок является эталонным;

■ Сопоставление архивных данных наземных и судовых метеостанций со спутниковой съемкой. Основным преимуществом данного подхода является большое количество информации из разных регионов планеты за продолжительный интервал времени, следовательно, учитываются мнения множества специалистов о типе наблюдаемой облачности.

В работе используется третий подход, основная сложность которого состоит в том, что нужно согласовывать время спутниковой съемки и фиксации данных на метеостанции.

2. Формирование системы классификационных характеристик (спектральные, текстурные, структурные, физические или другие), с помощью которых описываются эталоны изображений различных типов облачности, так как

их морфологическое описание, приведенное в Атласе облаков, дает представление только о форме и внешнем виде при наземном наблюдении.

3. Выбор решающего правила, которое в специальной литературе называется классификатором [26]. По этому правилу классифицируемый фрагмент изображения облачности относится к определенному типу облаков путем сравнения рассчитанных значений его характеристик с соответствующими значениями эталонных образцов. В общем случае, выбор классификатора основан на разведочном анализе особенностей исходных данных (структура и взаимное расположение классов в признаковом пространстве) и используемых характеристик для описания объектов. Если количество свойств и признаков объекта исследования или явления невелико и рассматриваемые классы не пересекаются, то можно использовать простейшее сравнение на основе пороговых методов [27]. При большом количестве классификационных признаков для объектов исследования следует применять более эффективные классификаторы, к которым относятся нейронные сети [26].

4. Определение количественного критерия, в соответствии с которым можно предпочесть одно разбиение исходного множества объектов другому. Для формулировки представлений о качестве классификации в постановку задачи вводится функционал качества, задающий способ сопоставления с каждым разбиением Р числа Q(P), которое оценивает степень оптимальности разбиения Р. Тогда разбиение Р*, на котором выбранный функционал достигает экстремального значения, считается наиболее предпочтительным. Примером функционала качества является оценка вероятности правильной классификации

Е=Ь (1.1)

где Ыт - число образцов тестовой выборки, Ыя- количество совпадений результатов классификации с данными метеостанции или нефанализа.

Таким образом, при разработке системы автоматической классификации изображений необходимо пройти четыре этапа: поиск и формирование исходных данных, выбор классификационных характеристик, выбор и построение классификатора и оценка его эффективности.

1.1. Классификационные характеристики изображений

Для описания эталонных изображений классов (типов облачности) можно использовать различные подходы: спектральные, текстурные, структурные, физические или другие, - с помощью которых формируется исходная система (набор) классификационных характеристик. Выбор подхода зависит от решаемой задачи и типа исходных данных [28]. При этом смысл формальных методов задания исходной системы классификационных характеристик (признаков) сводится, в основном, к проверке выбранной системы на достаточность (эффективность) и необходимость (экономичность).

Наиболее весомый вклад в разделение различных типов облаков вносит информация о текстуре спутниковых снимков, как было отмечено в [26]. Под текстурой понимается некоторым образом организованный локальный участок изображения, обладающий однородными статистическими характеристиками. Подходы к анализу текстуры изображений характеризуются многообразием предложенных методов их описания: пространственно-частотная фильтрация (ПЧФ) фрагментов изображений и вейвлет-преобразования [29-32], вычисление статистических характеристик [33, 34] или описание основных структурных элементов изображения и их взаимного расположения [35].

Основу методик извлечения признаков изображений ПЧФ и вейвлет-преобразования составляет процедура, согласно которой к изображению первоначально применяется заранее определенный специалистом фильтр (например, высокочастотный). Откликами фильтра являются сигналы, к которым необходимо применять различные энергетические преобразования (например, быстрое преобразование Фурье), после которых формируются наборы признаков изображения для последующей классификации. Так для описания облачности по типам в [29, 30] использовались признаки, полученные с помощью настраиваемых фильтров Габора, которые характеризуют точки изображения с локальными особенностями пространственной частоты и ориентации [36]. Из-за сложности выбора параметров фильтрации данный подход в настоящее время для классификации облачности по типам практически не используется.

В [33, 35] показано, что признаки, связанные с пространственными частотами и структурными элементами, оценивают текстуру хуже, чем её статистические характеристики. Это объясняется тем, что вероятности, вычисленные по методу матриц смежности яркости, содержат больше информации о текстуре, чем признаки рассчитанные, например, по автокорреляционной функции (пространственно-частотный подход) или математической морфологии (структурный подход). В настоящее время известно три основных метода описания текстуры изображения на основе статистических характеристик: ОЬСМ [37], ОЬБУ [33] и 8ЛОН [38], - использование которых позволяет более качественно оценить структуру облачности [29, 31, 33, 39]. В [36, 40] отмечается, что методы ОЬСМ и ОЬБУ более эффективно описывают текстуру изображения, чем 8ЛОН, а в [39] показано преимущество ОЬСМ над ОЬБУ. Однако в [38] утверждается, что 8ЛОН в некоторых случаях превосходит ОЬСМ. В связи с этим в диссертационной работе используются все три метода, основанных на вычислении статистических характеристик.

Каждый метод оперирует своим множеством текстурных признаков (ТП), но не каждый признак является информативным с точки зрения распознавания конкретного объекта. Впервые проблема выбора информативных признаков в задаче классификации облачности по типам и ее решение была затронута в [41]. До этого набор признаков определялся на основе знаний и опыта специалиста. Другим подходом является использование максимально полной системы признаков, что основывается на том предположении, что каждый признак несет какую-либо дополнительную информацию об объекте классификации. Однако на практике избыточное количество признаков в системе не только понижает производительность процедуры классификации, но и зачастую снижает достоверность ее результатов [42]. Поэтому предпринимаются попытки задания функционала информативности, на основе которого можно формировать систему признаков для классификации. В [41] выбор информативных признаков осуществляется на основе определения расстояния Бхаттчария. Суть подхода заключается в последовательном переборе признаков и определении влияния

каждого конкретного признака на энтропию системы классификационных характеристик в целом. Другим подходом задания информативной системы признаков является минимизация среднего (эмпирического) риска [42].

Описанные выше подходы формирования набора информативных не учитывают корреляцию признаков между собой. Это приводит к тому, что набор признаков получается избыточный, так как коррелированные признаки «дублируют» друг друга. Предложенная в [43] методика на основе анализа коэффициентов взаимной корреляции и степени однородности характеристик на эталонных изображениях также не гарантирует формирования системы информативных признаков, при которой классификация облачности была бы наиболее эффективна. Поэтому в данной работе предлагается методика поиска ключевых характеристик с помощью сравнительного анализа гистограмм их выборочных значений, на основе которых формируются наборы информативных ТП для каждого класса в отдельности.

Список литературы диссертационного исследования кандидат наук Евсюткин Тимофей Викторович, 2016 год

СПИСОК ЛИТЕРАТУРЫ

1. Чернокульский, А.В. Анализ глобального поля облачности и связанных с его вариациями климатических эффектов: дис. ... канд. физ.-мат. наук: 25.00.29 / Чернокульский Александр Владимирович. - М., 2010. - 179 с.

2. Код для оперативной передачи данных приземных метеорологических наблюдений с сети станций РОСГИДРОМЕТа (КН-01 SYNOP) / отв. ред. Н.П. Фахрутдинова - М.: Федеральная служба по гидрометеорологии и мониторингу окружающей среды (РОСГИДРОМЕТ), 2013. - 79 с.

3. National Aeronautics and Space Administration [electronic resource] / MODIS Atmosphere. - URL: http: //modis. gsfc.nasa.gov (access data 02.12.2014)

4. Wade, R.H. Optimization of an instance-based GOES cloud classification algorithm / R.H. Wade, R.L. Bankert // J. Appl. Meteor. Climatol. - 2007. - Vol. 46. -P. 36-49.

5. Liu Y. An improved cloud classification algorithm for China's FY-2C multichannel images using artificial neural network / Y. Liu, J. Xia, C.-X. Shi, Y. Hong // Sensors. - 2009. - Vol. 9. - P. 5558-5579.

6. Lafont, D. Mesoscale cloud pattern classification over ocean with a neural network using a new index of cloud variability / D. Lafont, O. Jourdan, B. Guillement // International Journal of Remote Sensing. - 2006. - Vol. 27. - P. 3533-3552.

7. Dim, J.R. Alternative Approach for Satellite Cloud Classification: Edge Gradient Application / J.R. Dim, T. Takamura // Advances in Meteorology. - 2013. - Vol. 2013. -Article ID 584816, 8 pages. doi:10.1155/2013/584816

8. Астафуров, В.Г. Нейросетевой классификатор облачности по спутниковым данным / В.Г. Астафуров, А.В. Скороходов // Информационные технологии. -2012. - № 7. - С. 32-37.

9. Волкова Е.В. Оценки параметров облачного покрова по данным геостационарного МИСЗ METEOSAT-9 круглосуточно в автоматическом режиме / Е.В. Волкова, А.Б. Успенский // Современные проблемы дистанционного зондирования Земли из космоса. - 2010. - Т 7. - №.3. - С. 65-73.

10. Астафуров, В.Г. Программная система для классификации облачности по спутниковым снимкам MODIS / В.Г. Астафуров, Д.Н. Лайком, А.В. Скороходов // Материалы XX Международного симпозиума «Оптика атмосферы и океана. Физика атмосферы» [Электронный ресурс - 1 СD-ROM]. - Новосибирск, 23-27 июня 2014. - Томск: Изд-во ИОА СО РАН, 2014. - С. D102-D105.

11. Astafurov, V.G. Software system for cloud classification according to MODIS satellite images / V.G. Astafurov, D.N. Laikom, A.V. Skorokhodov // Proc. SPIE 9292, 20th International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics, 92924L (November 25, 2014); doi: 10.1117/12.2070403;

12. Осовский, С. Нейронные сети для обработки информации / С. Осовский; пер. с польск. И.Д. Рудинского. - M.: Финансы и статистика, 2002. - 344 с.

13. Скороходов, А.В. Сравнительный анализ градиентных методов минимизации в задаче обучения многослойного персептрона / А.В. Скороходов, А.В. Тунгусова // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2012. - №2, Ч.3. - С. 98-102.

14. Программа ScanEx Image Processor - прием, хранение, обработка, интерпретация спутниковых снимков, данных дистанционного зондирования [Электронный ресурс]. - Режим доступа: http://www.scanex.ru/ru/software/default.asp?submenu=imageprocessor&id=index, свободный (дата обращения: 19.05.2015).

15. Программный комплекс ENVI: обработка космических снимков [Электронный ресурс]. - Режим доступа: http://sovzond.ru/products/software/envi/, свободный (дата обращения: 19.05.2015).

16. Борисенков, Е.П. Перистая облачность и ее влияние на атмосферные процессы / Е.П. Борисенков, Т. А. Базлова, Л.К. Ефимова. - Л.: Гидрометеоиздат, 1989. - 120 с.

17. Афонин С.В. Методика учета оптико-метеорологического состояния атмосферы для решения задач атмосферной коррекции спутниковых ИК-измерений / С.В. Афонин, Д.В. Соломатов // Оптика атмосферы и океана. - 2008. - Т. 21. - № 2. - С. 147-153.

18. Афонин С.В. Решение задач температурного мониторинга земной поверхности из космоса на основе RTM-метода / С.В. Афонин, В.В. Белов, Д.В. Соломатов // Оптика атмосферы и океана. - 2008. - Т. 21. - № 12. - C. 10561063.

19. Bankert, R.L. Comparison of GOES cloud classification algorithms employing explicit and implicit physics / R.L. Bankert, C. Mitrescu, S.W. Miller, R.H. Wade // J. Appl. Meteor. Climatol. - 2009. - Vol. 48. - P. 1411-1421.

20. Lee, Y. Cloud classification of satellite radiance data by multicategory support vector machines / Y. Lee, G. Wahba, S.A. Ackerman // J. Atmos. Oceanic Technol. -2004. - Vol. 21. - P. 159-169.

21. Li, J. High-spatial-resolution surface and cloud-type classification from MODIS multispectral band measurements / J. Li [et al.] // J. Appl. Meteor. Climatol. - 2003. -Vol. 42. - P. 204-226.

22. Li, J. AIRS subpixel cloud characterization using MODIS cloud products / J. Li [et al.] // J. Appl. Meteor. Climatol. - 2004. - Vol. 43. - P. 1083-1094.

23. Li, Z. Comparison between current and future environmental satellite imagers on cloud classification MODIS / Z. Li [et al.] // Remote Sensing of Environment. - 2007. -Vol. 108. - P. 311-326.

24.Miller, S.W. An automatic neural-network cloud classifier for use over land and ocean surface / S.W. Miller, W.J. Emery // J. Appl. Meteor. Climatol. - 1997. -Vol. 36. P. 1346-1362.

25. Волкова, Е.В. Оценки параметров облачного покрова в светлое время суток по данным геостационарного метеоспутника METEOSAT-8 / Е.В. Волкова, А.Б. Успенский // Современные проблемы дистанционного зондирования Земли из космоса. - 2008. - В. 5. - Т. 1. - С. 441-450.

26. Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р. Вудс. - М.: Техносфера, 2005. - 1072 с.

27. Дуда, Р. Распознавание образов и анализ сцен / Р. Дуда, П. Харт; пер. с англ. Г.Г. Вайнштейна, А.М. Васьковского; под ред. В. Л. Стефанюка. - М.: Мир, 1970. - 512 с.

28. Гайдышев, И. Анализ и обработка данных: специальный справочник / И. Гайдышев. - СПб: Питер, 2001. - 725 с.

29. Khazenie, N. Classification of cloud types based on spatial textures measures using NOAA-AVHRR data / N. Khazenie, K. Richardson // Proc. IGARSS'91 Symp. -1991. - Vol. 3. - P. 1701-1705.

30. Lamei, N. Cloud-type discrimination via multispectral textural analysis / N. Lamei, K.D. Hutchison, M.M. Crawford, N. Khazenie // Opt. Eng. - 1994. - Vol. 33. - P. 1303-1313.

31. Tian, B. A study of cloud classification with neural networks using spectral and texture features / B. Tian [et al.] // IEEE Trans. Neural Networks. - 1999. - Vol. 10. -P. 138-151.

32. Андреев, Г.А. Анализ и синтез случайных пространственных текстур / Г.А. Андреев // Зарубежная радиоэлектроника. - 1984. - №2. - С. 3-33.

33. Weszka, J. A comparative study of texture measures for terrain classification / J. Weszka, C. Dyer, A. Rosenfeld // IEEE Trans. Syst. Man. Cibern. - 1976. - Vol. 6. -No. 4. - P. 269-285.

34. Haralick, R.M. A texture-context feature extraction algorithm for remotely sensed imagery / R.M. Haralick // Proc. IEEE Decision and Control Conf. - 1971. -P. 650-657.

35. Харалик, Р.М. Статистический и структурный подходы к описанию текстур / Р.М. Харалик // ТИИЭР. - 1979. - Т. 67. - №5. - С. 98-120.

36. Tsymbal, D.A. An algorithm of the multichannel texture segmentation (Gabor filters) / D.A. Tsymbal, G.M. Emelyanov, D.V. Chebotarev, A.N. Sergeev // Pattern Recognition and Image Analysis. - 2001. - Vol. 11. - No. 1. - P. 256-257.

37. Haralick, R.M. Textural features for image classification / R.M. Haralick, K. Shanmugam, I. Dinstein // IEEE Trans. Syst. Man. And Cybern. - November 1973. -Vol. 3. - No. 6. - P. 610-621.

38. Unser, M. Sum and difference histograms for texture classification / M. Unser // IEEE Trans. Syst. Pattern Analysis and Machine Intelligence. - January 1986. - Vol. 8. - No. 1. - P. 118-125.

39. Welch, R.M. Cloud field classification based upon high spatial resolution texture feature (I): gray-level co-occurence matrix approach / R.M. Welch, K.S. Kuo, S.K. Sengupta, D.W. Chen // J. Geophys. Res. - 1988. - Vol. 93. - P. 12663-12681.

40. Lee, J. A neural-network approach to cloud classification / J. Lee, R.C. Weger, S.K. Sengupta, R.M. Welch // IEEE Trans. Geosci. Remote Sensing. - 1990.- Vol. 28.

- No. 5. - P. 846-855.

41. A probabilistic neural network approach to cloud classification: tech. note / Naval Oceanographic and Atmospheric Research Laboratory (Stennis Space Center); sup. R.L. Bankert.; sci. P. Rabindra, S.K. Sengupta. - Mississippi, 1992. - 35 p. -AD-A247 916.

42. Мицель, А. А. Непараметрический алгоритм текстурного анализа / А. А. Мицель, Н.В. Колодникова, К.Т. Протасов // Известия Томского политехнического университета. - 2005. - Т. 308. - №1. - С. 65-70.

43. Астафуров, В.Г. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий / В.Г. Астафуров, А.В. Скороходов // Исследование Земли из космоса. - 2011. - №6. - С. 10-20.

44. Облака и облачная атмосфера. Справочник / Под ред. И.П. Мазина, А.Х. Хргиана. - Л.: Гидрометеоиздат, 1989. - 647 с.

45. Фейгельсон, Е.М. Лучистый теплообмен и облака. / Е.М. Фейгельсон -Л.: Гидрометеоиздат, 1970. - 230 с.

46. Зуев, В.Е. Оптика атмосферы и климат / В.Е. Зуев, Г.А. Титов. - Томск: Спектр, 1996. - 272 с.

47. LAADS WEB Level 1 and Atmosphere Archive and Distribution System [electronic resource] / Goddard Space Flight Center. - Goddard. - 1999-2014. - URL: http://ladsweb.nascom.nasa.gov/index.html (access data 28.04.2014).

48. Lachenbruch, P.A. Discriminant Analysis / P.A. Lachenbrunch. - NY: Hafner, 1975.

49. Archer, N.P. Fuzzy set representation of neural network classification boundaries / N.P. Archer, S. Wang // IEEE Trans. Syst. Man. Cybern. - 1991. - Vol. 21.

- P. 735-742.

50. Uddstrom, M.J. Satellite cloud classification and rain-rate estimation using multispectral radiances and measures of spatial texture / МЛ. Uddstrom, W.R. Gray // J. Appl. Meteor. Climatol. - 1996. - Vol. 35. - P. 839-858.

51. Parikh, J.A. A comparative study of cloud classification techniques / J.A. Parikh // Remote Sensing Environment. - 1977. - Vol. 6. - P. 67-81.

52. Форсайт, Д.А. Компьютерное зрение. Современный подход / Д.А. Форсайт, Ж. Понс; пер с англ. - М.: Издательский дом «Вильямс», 2004. - 928 с.

53. Vapnik, V.N. Statistical learning theory / V.N. Vapnik. - NY: John Wiley, 1998.

54. Duda, R. Pattern Classification and Scene Analysis / R. Duda, P. Hart. - NY: John Wiley and Sons, 1973.

55. Ester, M. A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise / M. Ester, H.-P. Kriegel, J. Sander, X. Xu // Proc. the Second International Conf. KDD-96: AAAI Press. - 1996. - P. 226-231.

56. Лепский, А.Е. Математические методы распознавания образов: Курс лекций / А.Е. Лепский, А.Г. Броневич. - Т.: ТТИ ЮФУ, 2009. - 156 с.

57. Хайкин, С. Нейронные сети: Полный курс / С. Хайкин; пер. с англ. Н.Н. Куссуль, А.Ю. Шелестовой. - М.: Издательский дом Вильямс, 2008. - 1103 с.

58. Портал искусственного интеллекта [Электронный ресурс] / Проект www.AIportal.ru. - 2009-2014. - Режим доступа: http://www.aiportal.ru/ (дата обращения 15.10.2013).

59. Калан, Р. Основные концепции нейронных сетей / Р. Каллан; пер. с англ. -М.: Издательский дом Вильямс, 2001. - 287 с.

60. Rumelhart, D.E. Parallel Distributed Processing / D.E. Rumelhart, J.L. McCleland. - Cambridge, MA: MIT Press, 1986.

61. Carpenter, G.A. Pattern Recognition by Self-organizing Neural Networks / G.A. Carpenter, S. Grossberg. - Cambridge, MA: MIT Press, 1991.

62. Lee, S. A Gaussian potential function network with hierarchically self-organizing learning / S. Lee, R.M. Kil // Neural Networks. - 1991. - Vol. 4. - No. 2. - P. 207-224.

63. Specht, D.F. Probabilistic neural networks / D.F. Specht // Neural networks. -1990. - Vol. 3. - P. 109-118.

64. Круглов, В.В. Нечеткая логика и искусственные нейронные сети / В.В. Круглов, М.И. Дли, Р.Ю. Голунов. - М.: Физматлит, 2000. - 224 с

65. Zadeh, L.A. Fuzzy Sets / L.A. Zadeh // Inform. and Control. - 1965. - Vol. 8. -P. 338-353.

66. Turksen, I.B. Measurement of membership functions and their acquisition / I.B. Turksen // Fuzzy Sets and Systems. - 1991. - Vol. 40. - No. 1. - P. 5-38.

67. Sugeno, M. A fuzzy-logic-based approach to qualitative modeling / M. Sugeno, T. Yasukawa // IEEE Trans. Fuzzy Systems. - 1993. - Vol. 1. - P. 7-31.

68. Kosko, B. Neural Networks and Fuzzy Systems / B. Kosko. - Englewood Cliffs, NJ: Prentice-Hall, 1991.

69. Pal, S.K. Neuro-Fuzzy Pattern Recognition: Methods in Soft Computing / S.K. Pal, S. Mitra. - NY: Wiley, 1999.

70. Леоненков, А.В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А.В. Леоненков. - СПб: БХВ Петербург, 2005. - 736 с.

71. Вятченин, Д.А. Нечеткие методы автоматической классификации: Монография / Д.А. Вятченин. - Мн.: УП «Технопринт», 2004 - 219 с.

72. Потапов А.А. Фракталы в радиофизике и радиолокации: Топология выборки / А.А. Потапов. - М.: Университетская книга, 2005. - 848 с.

73. Baum, B.A. Automated cloud classification of global AVHRR data using a fuzzy logic approach / B.A. Baum, V. Tovinkere, J. Titlow, R.M. Welch // J. Appl. Meteor. Climatol. - 1997. - Vol. 36. - P. 1519-1540.

74. Евсюткин, Т.В. Исследование текстурных признаков перистой облачности по данным MODIS [Электронный ресурс] / Т.В. Евсюткин, К.В. Курьянович // Сборник докладов V Всероссийской конференции молодых ученых «Материаловедение, технологии и экология в 3-м тысячелетии» - Томск: изд-во ИОА СО РАН, 2012. - С. 5-42-5-45. - 1 электрон. опт. диск (CD_ROM).

75. Астафуров, В.Г. Статистическая модель текстуры изображений различных типов облачности по данным MODIS / В.Г. Астафуров, Т.В. Евсюткин, К.В. Курьянович, А.В. Скороходов // Современные проблемы дистанционного зондирования Земли из космоса. - 2013. - Т. 10. - №4. - С. 188-197.

76. Астафуров, В.Г. Статистическая модель текстурных признаков перистой облачности по спутниковым снимкам MODIS / В.Г. Астафуров, Т.В. Евсюткин, К.В. Курьянович, А.В. Скороходов // Оптика атмосферы и океана. - 2014. - Т. 27. - № 07. - С. 640-646.

77. Астафуров, В.Г. Классификация перистой облачности по данным MODIS с помощью нечеткой нейронной сети / В.Г. Астафуров, С.В. Аксенов, Т.В. Евсюткин // Современные проблемы дистанционного зондирования Земли из космоса. - 2014. - Т. 11. - № 4. - С. 265-275.

78. Space Science and Engineering Center [electronic resource] / SSEC - Space Science and Engineering Center. - University of Wisconsin-Madison. - URL: http://ssec.wisc.edu (access data 28.05.2014)

79. Прэтт, У. Цифровая обработка изображений / У. Прэтт; пер. с англ. - М.: Мир, 1982. - 480 с.

80. Астафуров, В.Г. Сравнительный анализ методов автоматической классификации облачности по данным MODIS / В.Г. Астафуров, Т.В. Евсюткин,

A.В. Скороходов // Тезисы докладов Двенадцатой Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»: методы и алгоритмы обработки спутниковых данных - Москва, 10-14 ноября 2014. - М.: Изд-во ИКИ РАН. - 2014. - С. 14.

81. Астафуров, В.Г. Классификация перистой облачности по данным MODIS /

B.Г. Астафуров, Т.В. Евсюткин, А.В. Скороходов // Тезисы докладов Двенадцатой Всероссийской открытой конференции «Современные проблемы дистанционного зондирования Земли из космоса»: методы и алгоритмы обработки спутниковых данных - Москва, 10-14 ноября 2014. - М.: Изд-во ИКИ РАН. -2014. - С. 25.

82. Бендат, Дж. Прикладной анализ случайных данных / Дж. Бендат, А. Пирсол; пер. с англ. - М.: Мир, 1989. - 540 с.

83. Кобзарь, А.И. Прикладная математическая статистика. Для инженеров и научных работников. / А.И. Кобзарь. - М.: ФИЗМАТЛИТ, 2006. - 816 с.

84. MathWave [Электронный ресурс] / EasyFit - Easily Fit Distributions to Your Data! Electronic data. - Днепропетровск: 2004-2014. - URL: http://www.mathwave.com/help/easyfit/index.html (дата обращения 12.02.2014).

85. Zadeh, L. The Role of Fuzzy Logic in Modeling, Identification and Control / L. Zadeh // Modeling, Identification and Control. - 1994. - Vol. 15. - P. 191-203.

86. Астафуров, В.Г. Нейросетевой классификатор подтипов перистой облачности по спутниковым данным / В.Г. Астафуров, Т.В. Евсюткин // Оптика атмосферы и океана. Физика атмосферы: Тезисы докладов XXI Международного симпозиума. Томск: Изд-во ИОА СО РАН. 2015. С.130.

87. Астафуров, В.Г. Нейросетевой классификатор подтипов перистой облачности по спутниковым данным / В.Г. Астафуров, Т.В. Евсюткин // Материалы XXI Международного симпозиума «Оптика атмосферы и океана. Физика атмосферы» [Электронный ресурс - 1 СD-ROM]. - Томск, 22-26 июня 2015. - Томск: Изд-во ИОА СО РАН, 2015. - С. D253-D256.

88. Smith, S.F. A learning system based on genetic adaptive algorithms: Doctoral Dissertation / S.F. Smith. - University of Pittsburgh, PA. - 1980.

89. Сергиенко, Р.Б. Нечеткий генетический классификатор в задаче распознавания спутниковых изображений / Р.Б. Сергиенко // Информационные технологии и математическое моделирование. Материалы VIII Всероссийской научно-практической конференции в 2-х частях. - Томск: Изд-во томского государственного университета. - 2009. - Ч. 2. - С. 272-276.

90. Brownlee, J. Clever Algorithms: Nature-Inspired Programming Recipes / J. Brownlee // Clever Algorithms: Nature-Inspired Programming Recipes. - Lulu. -2011. - P. 29-86.

91. Goldberg, D.E. Genetic Algorithms in search, optimization and machine learning / D.E. Goldberg. - Addison-Wesley Publishing Company Inc., 1989, - 412 p.

92. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы / Д. Рутковская, Д. Пилиньский, Л. Рутковский; пер с польск. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 с.

93. Кохонен, Т. Самоорганизующиеся карты (Адаптивные и интеллектуальные системы) / пер. 3-го англ. изд. В.Н. Агеева. М.: БИНОМ. Лаборатория знаний, 2008. - 655 с.

94. Астафуров, В.Г. Применение самоорганизующихся карт для распознавания перистой облачности по спутниковым снимкам MODIS [Электронный ресурс] /

B.Г. Астафуров, С.В. Аксенов, Т.В. Евсюткин // Материалы XX Международного симпозиума «Оптика атмосферы и океана. Физика атмосферы». - Новосибирск, 23-27 июня 2014. - Томск: Изд-во ИОА СО РАН, 2014. - С. D106-D109. - 1 электрон. опт. диск (CD_ROM).

95. Астафуров, В.Г. Применение самоорганизующихся карт для распознавания перистой облачности по спутниковым снимкам MODIS / В.Г. Астафуров,

C.В. Аксёнов, Т.В. Евсюткин // Оптика атмосферы и океана. Физика атмосферы: Тезисы докладов XX Международного симпозиума. Томск: Изд-во ИОА СО РАН. - 2014. - С.114.

96. Astafurov, V.G. Application of the self-organizing maps for cirrus clouds recognition on satellite imagery of MODIS / V.G. Astafurov, S.V. Axyonov, T.V. Evsyutkin // Proc. SPIE 9292, 20th International Symposium on Atmospheric and Ocean Optics: Atmospheric Physics, 92924L (November 25, 2014); doi:10.1117/12.2074715;

97. Свидетельство о государственной регистрации программы для ЭВМ №2015612375. Программа для автоматической классификации перистой облачности по подтипам на основе информации об их текстуре и нейросетевых технологий / Т.В. Евсюткин, В.Г. Астафуров. - Заявка №2014662659. Дата поступления 09 декабря 2014 г. Зарегистрировано в Реестре программ для ЭВМ 18 февраля 2015 г.

98. Астафуров, В.Г. Программный комплекс для обработки данных ДЗЗ на основе текстурного анализа и технологий нейронных сетей / В.Г. Астафуров, Т.В. Евсюткин // Аэрозоли Сибири. XXII рабочая группа: Тезисы докладов. -Томск, 24-27 ноября 2015. - Томск: Изд-во ИОА СО РАН. 2015. - С. 66.

99. Евсюткин, Т.В. Исследование текстурных признаков перистой облачности по данным дистанционного зондирования Земли из космоса / Т.В. Евсюткин, К.В. Курьянович // Материалы VIII Всероссийского симпозиума «Контроль окружающей среды и климата «КОСК-2012»». - Томск, 1-3 октября 2012. -Томск: Аграф-Пресс. - 2012. - С. 144-146.

100. Астафуров, В.Г. Программная система для автоматической классификации текстур подтипов перистой облачности на основе нейро-нечеткой сети / В.Г. Астафуров, Т.В. Евсюткин // Доклады Томского государственного университета систем управления и радиоэлектроники. - 2015. - №2 (36) - С. 125-129.

101. Шилдт, Г. C# 4.0: полное руководство - C# 4.0 The Complete Reference. / Г. Шилдт. - М.: Издательский дом «Вильямс», 2010. - С. 1056.

102. MSDN - сеть разработчиков Microsoft [Электронный ресурс] / Подразделение компании Microsoft, ответственное за взаимодействие фирмы с разработчиками. - Редмонд: 2008. - 2014. - URL: http://msdn.microsoft.com/ru-ru (дата обращения 14.05.2014).

103. Евсюткин, Т.В. Применение вероятностной нейронной сети для классификации облачности по спутниковым данным / Т.В. Евсюткин, А.В. Тунгусова // Сборник трудов XIX Международной научно-практической конференции студентов, аспирантов и молодых ученых «Современные техника и технологии»: информатика и управление в технических системах - Томск, 15-19 апреля 2013. - Томск: Изд-во Томского политехнического университета. - 2013. -Т. 2. - С. 371-372.

104. Евсюткин, Т.В. Автоматическая классификация типов облачности на основе спутниковых данных и вероятностной нейронной сети / Т.В. Евсюткин, А.В. Тунгусова // Материалы докладов Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых «Научная сессия ТУСУР-2014»: моделирование в естественных и технических науках - Томск, 14-16 мая 2014. - Томск: B-Спектр. - 2014. - Ч. 4. - С. 151-154.

105. Модели UML - Visio [Электронный ресурс] / Официальный сайт Microsoft Office. - URL: http://office.microsoft.com/ru-ru/visio-help/HP001208814.aspx (дата обращения 20.08.2014)

106. MachineLearning.ru [Электронный ресурс] / Профессиональный информационно-аналитический ресурс, посвященный машинному обучению, распознаванию образов и интеллектуальному анализу данных. - 2007-2013. -URL: www.machinelearning.ru/wiki/index.php?title=Кросс-валидация (дата обращения 05.01.2013).

107. Воронцов, К.В. Комбинаторный подход к оценке качества обучаемых алгоритмов / К.В. Воронцов // Математические вопросы кибернетики. - 2004. -Т. 13. - С. 5-36.

ПРИЛОЖЕНИЕ А. и!^-ДИАГРАММА КЛАССОВ ПРОГРАММНОГО

КОМПЛЕКСА

Рисунок А.1 - Статическая структура ЦМЬ программного комплекса

Рисунок А.2 - Статическая структура ЦМЪ программного комплекса - точка входа в программу

Key 1 rttDo ublePai г

+Key : int +Value : double

+KeyJntDoublePair(): KeylntDoublePair

i включает в сеоя

—включает в себн

Key String Pair

+Ксу : string +Value : string

+KcyStringPair() : KeyStringPair

+ВХ0ДИТн

Ж

Class CiSFT Ciinilanls

-FAIL ; long = -1 DFACX' HEAD : int = [ -MAX_NC_NAME :inl = 2Sf> -MAX VAR DIMS : int =32 MAX_NUMBER_FRAGMENT : inc ] (1(1(1 -MAX_NUMBER_FRAOMEHT_IN_EXCEL ; in = 200 -MAX BOOK J A : int = J -MAX"FOI.DFRS:ilrt=5D

-MAX NUMBER Oh PIXEL DISTANCE : int = 10 MAx"nUMEER_OF_TEXTiJrE_FEATURES : intLI j K, Ifi, 15, 3« I -WM_St ROLL : int = 0x115 -SB BOTTOM : int = 7 -MAX_J.FNGTH_J.OG : in = 1000

-[JcfaultErvironmcrl; string = Environ mcnl.CtirrcntDiimoiy

vft4Deitinatinfi : string System.Wifidows.Faims.Applicatiiifi.StartupPath ■ @"\x64\" ^Destination ; string = Systeni.Wiiidws,Forms.Application StartupPafli --UefauItFragmentlmageDestination : string = System. Windows.Forms.AppIication.StHrtiipl'iatti - (a "\Fragmentimaf;eLMaBase\" -De rati I tNt HiitfNcttVOrk Qp tiansDesti rtttfiOTi ; string S y i-t CrtuWirltlo Ws77 00II P. AppKt" lUlOU - SWrtUpP it^i - {t ^" ItfAlNctWVtlt Op ti OftSY1

-DcfaultSignaturcsDcsti nation" string - System.Windows.Forms Application. StaitupPath — ignmtires'."

Default tTetnpDetf ¡nation: hiring Sy&iern.Wifh^ws.Fnrrm.AjpjplLcalion.Simttipl^ft @"\Daia\Taiiip'." -DcfaultExcelDesfiiiBtkm ; string = System Windows Forms. Application.StartupPatb - @"\DataVE\cclY" -DefaultBMPDestiiiation : string = System. Windews. Koi'ins. A p|)Ik«j«ii .Stutupl^tK - •tt""-.Data\BMJA" -DefaultRCBUltePitttl : strirs; = System. Wil)dOTO9.FQiniU .A ppl ic^ciun. Sl/irnipP:]lli - ^"'^ResUllsV" -Books ; 3trrag[] = ! "GI DV". ''G[ CMVSADH". "Y(RGB)" ;

-CjetNameMettiodOfTextmeAnalisysO : string

1

гЖХОДИ! Ь

+входит J

I Compared Key I п ЮоиЫс

KIDComp

i CorapareO : int

+включает и себя

!Comparcr<KcyStrmgPair>

KSPCump

-FCompareQ : int

KcvDnuhlcIntl'air

-Key ; double +Value : int

+KeylioublelntPair(J ; Key Double Int Pair

D cfa u 11P a ra metc rsi A

+myD?; : int = 0 +myDy : int = 0 +ChooseCasc : int = 0 +ChooseQL : irt - 0 +ChooaeSMW : int = 0 +ShortNarae : String = "" +LongName : string = "" +ChooseNorm : buu] = false

■ DefaultParametersTAl) : DefaultParametersTA

iCompareiSKeyl^oublf :lntPair> i

KSDIComp

■ Compared): int

I

ч-включае! в ul-Gs

(-включает в себя

Scale Var

Рисунок А.3 - Статическая структура UML программного комплекса - глобальные константы

Class GSET Constants

ьвключаег в еебн

ClassGSOT Constants

I -иходит a

+включает ы

Тел In re А л a lysis

+ВКЛМ

+ВЛОДИТв

+вхщдит в

чает и себя

MitKndi

■ Size Mo vingW irdow : atrinsi "Размер Апертуры " -HMumberOfKragments : string = "Количества Фрагментов " +NumberOfKact Features : string - "Рассчитано Признаков " +NumberOfKeatures : string = "Колючее 1110 Признаков "

■+Distance : string = "Расс 10лиие " ■+Angle : string = "Угол " -t-Featnres : string = "11риитаки "

+quantization_]evel : string = "Уровень Квантования " GLDV : string = "Вектор разницы яркостей " GL.CM : string = "Матрица смежности яркостей " t-SADH : string = "Сумма и разность i и сто грамм " +YRGB : string = "Спектральные мери " +Angle Ninety : string = " М" " +AngleZero : string = 11 0s 11 +AngleFortyFive : string = " 45" 11 +AngleOnellmidredThiityFive : string = " 135" " +AtY : string = " no Y(RGB) " +AtR : string = " 110 R " +AtG : string = 11 no G 11 +AtB : string = " по В "

+Hystt)grannmSijm : string = " Гистограмма Суммы " +HystogramimDifiereiice : string = " Гистот рам на Раигости " +Values : string = "Значения "

■ \1 iniinal : string 1 Maximal : string 1 Sum : string "Сумма "

■ = ".Vlniimiaiiutue " "Максимальные "

Features

+Meen ; siring = "Среднее "

+SlaadartDevialion; string = "CiitHjepiJioe oik юнение " +AngularSecondMotnenl г string = "Второй упюной момент " +iinlropv ; strir;: = "Энтропия11

+LocaiHomogeneity: string = "Локальная однородность " +Conlrast: siring = "Контраст" +ClusterShade : string = "K LacjepHoe затенение" +ClusterProminence : string = "Кластерная рельефность " +AuioCorreLatiaio Feature: siring = "Аыокорреляционная функции " +Giain$ize ; siring = "Размер зерна" ^Variance : string = "Дисперсна " +Correlalion : siring = "Корреляция " 4-SnmAverage : siring = "Суммарное t-реинее " umEntropy : Siring = "Суммарная ЗтрОПИЯ " +S urn Variance : siring = "Суммарная днсиерсн»"

■ Difference Lnl ropy ; siring = "Энтропия разности "

■ Difference Variance ; strings "Дисперсия разносгн"

+inlbrmationMeasuresUfCotrelation 1 : string = "Информационная мерл корреляции - I ' +ItilonoatiotiMeaiSurebOrcorrelatton ; siring = "Информационная мера корреляции - ?' Чп^енеШТегепсеМптеш : siring = "Момент обратной разности " -^-Maximum Probability ; siring = "Максимальная вероятность "

■ BandDi (Terence : string = "Разница нана юв "

■ BandRatio : string = "Oi ношение кананон" +Mode ; string = "Йода"

+Overiay 1 string = "Иереналожеине"

■•-ANDI : siring = "Нормализованный разностный индекс "

+SpatialCoherence : string = "I IpocTpauciвенная к<.>: ерен thoci ь "

+LOW : siring = "11и jKoe Значение "

+1 ligh : siring = "Высокое течение"

+Median : siring = "Медиана "

■•-VarianceMain ; siring = "Вариация "

Рисунок А.4 - Статическая структура ЦМЬ программного комплекса - строковые константы

текстурного анализа

Рисунок А.5 - Статическая структура ЦМЪ программного комплекса - масштабирующие

коэффициенты для облачности

Рисунок А.6 - Статическая структура ЦМЪ программного комплекса - главная форма подсистемы извлечения данных и текстурного анализа, а также некоторые диалоги

GSET Texture Analvsis Kortti

+вш1шчавт в себя

CIPS3_K [)_Saving I m agery

<-Mssk35 : string "■' <-Mssk06 : string "■' i R : in* 0 i 0 ■ ifit 0 i a : lilt 0

I JiS : inr 0 i OS : itit 0 i US : inr 0 4-DataFlag nit 0 i Resolution : int 0 +Ia1i : double =

; double = 0.0 +minla : double = 0.0 +minlo : double = 0.0 4-MiriuetidR : booi = false innti d-Cj : bowl = false 4-Miriuetidli : booi = false +Differeoceimage : booi = false +FragtnetiI Image : boo I = Hi 1st + lniai;d,'rai!rrieol; Bitmap = null +lmagefrull: Hiirnap = mill i Reelaogle; Retlangle = Rectaiigle.limply

+включаеч и ееоя

Class AD BoolHDF

-md02 available : booi = false

-md06 available: booi = false

-aid3 5 available: booi = false

-md03 available: booi = false

-gcO retrieve ; booi = false

-mod 02 acccpt booi = false

-mod 06 acccpt booi = false

-mod 35 acccpt booi = false

-mod 03 acccpt booi = false

-mod02ll aeijept : booi = false

-mod02Q aeeept : booi = false

-myd02 aeeept booi = false

-myd06 aeeept booi = false

-mvd35 aeeept booi = false

-myd03 aeeept booi = false

-myd02ll aeeepl : booi = false

-myd02Q aeeepl : booi = false

-mod aeeept : booi = false

-mlbin : booi = falsi

-m kk ill : booi = falsi

-тикill : booi = falsi

-m005 : booi = false

-mOOC> : booi = false

-Class RD BoolHDJ'O ; Class RD BoolllDF

Рисунок А.7 - Статическая структура ЦМЬ программного комплекса - структуры содержащие информацию для сохранения растровых изображений и доступных или открытых ИОБ файлов

GSKT Texture Analysis Form

HDFC loudPropur fy

-Cirrus Rtfleetantt Flag : sbytcf] = null -QACLoudPmpurtyAtRjesolutioii [km : ibyttf -CloudtffbctiveRadiu!; ; shortfin = null -CloudOprijCalThijCkncBS : thortflfl = null -CloudWaterPath : shonflfl = null -EflitCtivcRiidinsDifEinnct : tbortflfl = n li 11 -CloudPhaseOpticalPiOperty : sliortfl = null -CloudMultiLayerFlag : short[1 = null -CirrusRjeflettiintt : shurtfl = null ^PeixcntOiData: doublef] =null

+ВКЛЮЧИСТ IS ееин

+B\OJHT в

HIJ FC loud Mask

-ShortArray : sbyte["|[l = null -BoolArray : boolflfl = null -PercentOfData : doubled = null

| включает в себя 1 1

+BXO.JHT в

-включает в себя

-О

Cl&s> Kli SDSDataFromHDF

-MAX BANDS VAI.Uli ; nil У) -MAX VAR DIMS ; inl = 12 -MAX FLACS VALUi:; in! = 48 -110 ; HDFGeolocation = null -Hand : llDFBand = null ■ Atlrs : HDI'SDSAjtlre =null -CMD ; HDJX'loudMesk =null CFD г 11D1;C1 оudProperly = null

' 1

UDFGMlocailoti

-Floal Array ; floeiLJLJ = null +иклшчает в себя

+ P.M.UUI ь

-BJiOJIir E -включает в eeoii

Siii lL'Vl:iskli:il:i

+CPFQAllon : Atlrs = tin 11 +CimisRefkctatieeFlag: Altrs = null +CloudMask : Atlrs = null

+ВХОДЛ I в

+оклгачае r is сеоя

HDFBand

■ ShorlArray : ushorUJLJ = null

■ NumberGroup : inl[] = null

MUHBardO ; I IliFBauri

i BJ ani i R

аключае! н еейя

IIRFSTOAtirs

t-GPtrD ; UeoData[J = null i HI'irD ; Band Data LJ = null

i SBMFlrD г SByleMaakDalu = null t-CPFlrD ; С loud Property Data = null

ЛИг*

4-Г illValue : short = 0 +Scalef actors : double = 0.0 4-AddOffeet: double = 0.0

Valid li ange : shorty = null 4-DimSize : ini LJ = null

+BXOJHT в

•-включает в eeGsi

Attrs

+FillValue: sbyte = 0 +ScaleFaclors : double = 0.0 +AddOffeet: double = 0.0 +ValidRange : sbylelj = null ■ DimSiice ; inilJ = null

1,.*

-EiiOUIIIE i

+ BHJ1I

BJiO.HH. 1

>4aei в себ;

+b!4jjh;i в

-(-включает is ееСн

I

+ВКОДИТ 13

1. *

С loud I'ropcrtyData

+CIoudКfTectiveRadiия : Attrsf] = null +C]nudQptica [Thickness : Attrsf] = null +C1 nud WaterPath : Лпгя[] = null +HffectiveRadiusDiffereiice : Attrs = null -l-ClnudPhaseOptica [Property : Лнтр = null +C]oudMultiLayerFlag i Attn; = null +Ci mis Reflectance : Attrs = null

+включаег и ееон

+ включает oceSs

GiOData

+l'il lvalue ; float =0.0 +ValidRange ; floaty = null +DimSlze : im LJ = null

lt:ni(jr):ila

+Fill Value : ushori = 0 +ValidRange : ushorty = null +RadianeeSeales: float[] = null -Redianc-eOffsets: floallJ = null +RefleclanceSeales: floallJ = null +RefleclanceOffcels: float[| = null +CorreetedL*oun is Scales : floallJ = null +CorreetedL'ountsOffsels: floal[J = null ■ DimSlze : inill = null

Рисунок А.8 - Статическая структура иМЬ программного комплекса - структуры, хранящие в

себе наборы научных данных из ИОБ файлов

GSETTcxtunr AnaLyiis_Fofiti

IВХОДИI R

«call*

Dialog Rn Open Flics

FCboosingFormatsO : void

+иключаег

в teia

A

Dialog. RJJnl A_ OpenFoldersWor k WithFolders

+РклЮ1ае г в себя

+tisojM г в

Class RD Open H D F Document

-Statusi IDF : long = 0 +File 111 г int = 0 -SDSIndcj;: int = 0 + PtrSDS : int = 0 +DataSutHDF : int = 0 +AttrsIJDF : int = 0 + Rank : int = 0 +DataTypes : int = 0 +AttiCourtt: int = 0 +SDSAttrs : int = 0 +Attrlndcjc: int = 0 +aStart: iiitfl = null +attlgc!s : int[l = null ■FpDimSizcs : int[l = null ; charfl = null +TypeOfFilc : string = "" +ttror : String = "" +HDFF[LE : string = ""

+DefaultValues(j: void

+GelAddAllrNameO: double

+Gel All rindea By N ameQ ; inl

+Gelliits(): llinumerable<bool>

+CelBoolArray]iromSB>'leAirAn(): bool[]

+Gell?loalArrO ; flomlJ

+|]DFCloseO ; void

+|]DFItitliLaze(}; void

+IID]"Opeo(); void

+LoadDlX>; void

+OpenHDI Docl ileO : tool

+Parses B vie ArrData(): void RelrieveBatidAll rs DataO : BandDala

■ RelrieyeC MD AltrsData (}; Altrs

■ RelrieveCkireMetadalai romilDFO : void

■ RetrieveCPDAttrsDetajQ : Attn

■ Relriev eDataFrom 1IDFQ; void

■ RetrieveGeoAltrsDataO : GeoDala

■ RelrieveQAByleO: sbyte[J

■ RetriveCloudMaakf): sbyte[]

■ RetriveFl oat DataO: floaUJ

■ Retrivelnfof): void

■ RfitnveShonDatflO ; short [J Retri veUShon Daial): ushortlJ

■ SwapFileO : void +ToDefauliSpace(): ^ oid +TrimBoolAffO ; --tie yj£a3ano>

iisendi>

[>la log_G N_l*rogre5S Proccss

■HJpdateQ : void

Met hod s by 11DFG roup

Class RD ccfflDF

-SDstarlO : 1пШ

-SDfileinliH) : Iul64

-SDendO ; lnt64

-SDnametoindexO г lnul2

-SDsekelO ; Inl 32

-SDgelinfoO ; Inl64

-SDreaddatai j: lnt64

-SDendaceesH) : hn64

-SDfiadattrO ; 1Ш32

-SDreadainO : Inl64

-SDaurinl'tH) ; Iul64

| включает r сеон 1

+ вхОц;и г в

Рисунок А.9 - Статическая структура ЦМЬ программного комплекса - специализированные классы для извлечения наборов научных данных из ИОБ файлов

Рисунок А.10 - Статическая структура ЦМЬ программной системы - диалоги вывода метаданных продуктов МОБ06_Ь2(МУБ06_Ь2) и МОБ35_Ь2(МУБ35_Ь2)

Рисунок А.11 - Статическая структура UML программного комплекса - класс записи данных в

Excel

Рисунок А.12 - Статическая структура ЦМЬ программного комплекса - диалоговые окна настроек программы, классы нормализации и цветосинтезирования изображений, класс

функционала «клей и ножницы»

Рисунок А.13 - Статическая структура ЦМЬ программного комплекса - диалоговые окна

настроек методов текстурного анализа

Dialog ТА С [loosing ..Methods

I ии.1 lo'inei r ceôa

-ВХОДИТ К

4вк:[кгт(гг is себя

+j9juij04aei' в себя

-max i : int 12 i* <т

Class I A YHCH

CalcHighO : double CalcLowQ : double CalcMeanQ : double CalcipatialCohenenceO - double СnlcMedian! I : double

CalcModeO - double

CalcVariationQ : double CalcVarianceO - double GetHystO : int[] GetRTromlmageO : inr[]

CretWiudowt I : i:it["

GetYPromlmageO : int["

Normalization! ) : SortedLisKstring, double.-'

Quantization YO : int[]

SortbyHystQ : int[]

Run( t : SortedLisKstring, double"-*

YQ : nit

Norm Va lue () : double

Class l'A SAIJH

■тая i i int Si 6

С J an s TA GLDV

■тал i : int = 256

CaicAniiularSeeondMometrtO: double

CalcClusl erProminence(): double

CalcC lusl erS had e(}; double

CalcCootraatO: double

CalcLntropyO ; double

CalcLocalHomogeneityiO: double

CalcMeanO: double

CalcProbabilhyQ : doubled

■CaliSlamlaflDeviaiioiiO: double

CheckContamedO : bool

DiflsfeiiceYbyDitectionO ; iniLJLJ

GetHyslO : int|JLJ

GetWindowO; iniLJLJ

GetYFromlmageO; intUU

Normali2ationy : SortedLisi<string, double>

QuanlizationYQ : inl| J LJ

Run(): SortedList<slring, double>

YQ: inl

■NormValueO: double