Содержание к диссертации
Введение
1. Классификация изображений по данным ДЗЗ из космоса 13
1.1. Классификационные характеристики изображений 15
1.2. Классификация перистой облачности 17
1.3. Алгоритмы и методы классификации изображений 21
Основные выводы и результаты 29
2. Текстурный анализ изображений 30
2.1. Эталонные изображения текстур 30
2.2. Методы описания текстуры изображений 36
2.3. Методика формирования наборов информативных признаков 46
2.4. Модель текстурных признаков подтипов перистой облачности 53
Основные выводы и результаты 56
3. Искусственная нейронная сеть на основе модели нечеткого вывода 57
3.1. Функции принадлежности и их инициализация 59
3.2. Методика построения продукционной модели нечеткого вывода и конструирования нейросетевого классификатора 63
3.3. Топология нейро-нечеткой сети 71
3.4. Генетический алгоритм обучения сети 74
3.5. Интерпретация результатов классификации 80
Основные выводы и результаты 82
4. Программный комплекс для классификации текстур изображений 83
4.1. Выбор средств разработки 84
4.2. Проектирование, структура и описание программного комплекса 85
4.3. Апробация нечеткой нейронной сети и оценка эффективности 108
4.4. Внедрение и практическая значимость полученных результатов 115
Основные выводы и результаты 117
Заключение 119
Список литературы
- Классификация перистой облачности
- Алгоритмы и методы классификации изображений
- Модель текстурных признаков подтипов перистой облачности
- Интерпретация результатов классификации
Введение к работе
Актуальность исследования. Данные дистанционного зондирования Земли (ДЗЗ) из космоса являются основным источником информации о состоянии атмосферы и подстилающей поверхности (ПП) в глобальном масштабе и используются для решения широкого круга задач в метеорологии, климатологии, для обеспечения безопасности полета воздушных судов и в других областях. Одной из приоритетных задач по обработке данных ДЗЗ является задача автоматической классификации облачности и ПП, результаты решения которой необходимы в нефанализе при построении, анализе и синоптической интерпретации карт распределения облачности на обширных территориях, прогнозе погоды.
Начиная с 2000-х годов, основные усилия в области автоматической классификации изображений направлены на повышение ее эффективности и адаптацию существующих методов к данным современных спутниковых систем. При этом имеется ряд проблем, связанных с распознаванием слабоконтрастных объектов, к которым относятся подтипы перистой облачности. Перистая облачность, имеющая малую оптическую толщину, создает экран, который искажает изображения ПП и облаков нижних ярусов. Поэтому перистые облака выступают в качестве «шумового» барьера спектральной информации об объектах на снимке, влияние которого можно устранить или сгладить методами атмосферной коррекции, рассмотренными в работах В.В. Белова и С.В. Афонина при обнаружении температурных аномалий на ПП. Одним из подходов к решению проблемы неточного или неполного описания изображений слабоконтрастных объектов, возникающей при создании системы автоматической классификации, может являться применение методов нечеткого моделирования, рассмотренных в работах А.Н. Аверкина, Л.С. Берштейна, В.Б. Тарасова, 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 других.
Наиболее полные результаты классификации изображений облачности получены при использовании информации о текстуре с помощью технологии нейронных сетей в работах R.H. Wade, Y. Liu, D. Lafont, J.R. Dim, В.Г. Астафурова, Е.В. Волкова и др. При этом вопросы классификации перистой облачности по подтипам в известных нам работах не рассмотрены. Перистая облачность влияет на условия образования осадков через засев нижней облачности ледяными кристаллами. Скопление когтевидных перистых облаков (Ci unc) может быть признаком приближающейся фронтальной системы или возмущений в верхних слоях атмосферы, что сигнализирует об изменении погоды в ближайшее время. Отдельные разбросанные по небу поля плотных (Ci sp) и послегрозовых
(Ci ing) перистых облаков, являющиеся остатками наковален кучево-дождевой облачности, обычно предвещают образование нового грозового очага. Также перистая облачность оказывает существенное влияние на радиационный баланс и климат планеты, так как является фактором образования парникового эффекта. Из вышесказанного можно сделать вывод, что актуальной является задача автоматической классификации изображений слабоконтрастных объектов, в частности перистой облачности по подтипам. Также необходима разработка специализированного программного комплекса для ее решения.
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:
-
Обзор существующих методов и алгоритмов автоматической классификации изображений по спутниковым данным;
-
Построение классификационной модели подтипов перистой облачности на основе набора информативных текстурных признаков;
-
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 математической статистики, теории распознавания образов, теории нечетких множеств, а также численные методы 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 работы состоит в следующем:
-
Разработана 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;
-
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;
-
Создан программный комплекс для классификации текстур по спутниковым данным MODIS 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 MODIS 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 непосредственно использованы для решения задач автоматической классификации на основе количественных характеристик, описывающих распознаваемые классы.
На защиту выносятся следующие положения.
1. Классификационная модель изображений подтипов перистой
облачности на спутниковых снимках, построенная на основе методики
сравнительного анализа гистограмм одноименных текстурных признаков.
Разработка новых математических методов моделирования объектов и явлений (п. 1 паспорта специальности)
2. Численный метод инициализации функций принадлежности
текстурных признаков путем их кусочной аппроксимации набором
гауссовских функций позволяет повысить точность классификации
в среднем на 8%.
Разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий (п. 3 паспорта специальности)
3. Методика конструирования топологии нейронной сети, основанная
на сравнительном анализе гистограмм одноименных текстурных признаков
и Питтсбургском классификаторе, позволяет определять структуру
антецедентов нечеткой системы для решения задачи классификации
изображений перистой облачности.
(п. 1 паспорта специальности)
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.
Реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента (п. 4 паспорта специальности)
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 международной базе научного цитирования 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:
-
В лаборатории геоинформационных технологий Института мониторинга 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.
-
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, в том числе 81 рисунок и 12 таблиц.
Классификация перистой облачности
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: GLCM [37], GLDV [33] и SADH [38], – использование которых позволяет более качественно оценить структуру облачности [29, 31, 33, 39]. В [36, 40] отмечается, что методы GLCM и GLDV более эффективно описывают текстуру изображения, чем SADH, а в [39] показано преимущество GLCM над GLDV. Однако в [38] утверждается, что SADH в некоторых случаях превосходит GLCM. 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. В работе рассматривается возможность автоматической классификации перистой облачности по подтипам, поэтому в следующем разделе рассмотрим её классификацию.
Алгоритмы и методы классификации изображений
При попарном применений к значениям ТП распознаваемых классов предложенной методики сформирована классификационная модель четырех подтипов перистой облачности в виде наборов информативных ТП при L = 80 из рассмотренных примерно 8000 ТП, которая приведена в таблице 2.4 вместе с рассчитанными значениями мер информативности. Среди всех ТП из исходного набора были выбраны ТП с наибольшей оценкой т+. Анализируя значения величин т+ и Q]ki можно сделать вывод, что оценки прогноза разделимости почти в два раза больше, а кардинальные числа индикаторных функций имеют минимальные значения, для изображений текстуры когтевидных перистых облаков {Сі ипс), что свидетельствует о более уникальной текстуре, по сравнению с другими подтипами. Полученные наборы ТП использовались для конструирования нейро-нечеткого классификатора и дальнейшей классификации подтипов перистой облачности. 2.4. Модель текстурных признаков подтипов перистой облачности
Для проверки адекватности результатов последующей классификации исследовалось соответствие собранных обучающих и тестовых выборок каждого подтипа перистой облачности для каждого информативного ТП (Таблица 2.5) с помощью двухвыборочного критерия Колмогорова-Смирнова [82]. Суть данного метода заключается в вычислении статистики D и порогового значения D0, и, если выполняется условие D D0, то выборки принадлежат одному распределению, при этом D = maxTj.F1(7})-F2(7}) й"Л + Мл21П1 где F1(7}) и F2(7}), N и М - эмпирические функции распределения ТП и объемы обучающей и тестовой выборок, соответственно, а - уровень значимости.
Статистика D двухвыборочного критерия Колмогорова-Смирнова для обучающей и тестовой выборок подтипов перистой облачности и величина порога D0 при а = 0. ТП L Do D
По результатам анализа таблицы 2.5 сделан вывод, что выборки согласуются между собой за исключением изображений принадлежащих подтипу Ci ing, для которого расхождение превышает критическое значение. Это связано с ограниченным объемом числа фрагментов данного подтипа вследствие его низкой повторяемости и схожести текстуры с другими подтипами. Расхождение выборок подтипа Ci ing приводит к снижению эффективности классификации других подтипов перистой облачности, что подтверждается рядом вычислительных экспериментов представленных в таблице 2.6.
В тесте №1 (Таблица 2.6) классифицировалось четыре подтипа перистой облачности, а в тесте №2 был исключен Ci ing. По сравнительному анализу результатов этих экспериментов видно, что снижается индивидуальная эффективность распознавания Ci floc и Ci int & Ci vert. Это объясняется ошибочным включением образцов этих двух подтипов в выборку Ci ing. Результаты тестов №3 – №8 подтверждают эффективность сконструированной топологии нейронной сети, которая использовалась при вычислительных экспериментах и подробно описана в следующей главе, за счет интеграции априорных знаний, извлекаемых из обучающих выборок, в классовые подсети.
По сформированным наборам информативных ТП подтипов перистой облачности (Таблица 2.4) построены их статистические модели (Таблица 2.7). Здесь приведены двухпараметрические распределения плотности вероятностей ТП и оценки их параметров, полученных по критерию Колмогорова-Смирнова. В этом исследовании рассматривалось более 20 различных распределений, среди которых были [83, 84]: Бета, Коши, экспоненциальное, Фреше, гамма, логистическое, Парето, Гамбела, Джонсона, Кумарасвами, Лапласа, Леви, лог-логистическое, логнормальное, нормальное, Пирсона, Перта, Рейлея, Райса, Вейбула, Стьюдента и другие.
По результатам анализа таблицы 2.7 можно сделать следующие выводы: сформированный набор ТП для Ci unc позволяет его отделить других типов облачности, также как и для Ci int & Ci vert; для Ci floc только от Ci unc, а с другими подтипами имеются некоторые пересечения; в тоже время Ci ing практически полностью сливается с Ci int & Ci vert. Таким образом, включение Ci ing в систему распознаваемых классов свидетельствует о снижении эффективности последующей классификации других подтипов перистой облачности. Признаки «Момент обратной разности» и «Среднее» выглядят вообще не информативными, но это свидетельствует только о том, что исследуемые классы имеют сложную кластерную структуру и имеют существенные пересечения в рамках рассматриваемых распределении, поэтому в работе применяются методы нечеткой логики для построения классификатора на основе нейронной сети. Основные выводы и результаты
1. Сформированы наборы характерных изображений для подтипов перистой облачности, полученных по данным 1-го спектрального канала MODIS с разрешением 250 м.
2. На основе методики сопоставления архивных данных со спутниковой съемкой MODIS сформированы обучающая и тестовая выборки для подтипов перистой облачности, которые включают в себя 1600 и 808 фрагментов снимков различных регионов планеты, соответственно.
3. Предложена методика поиска ключевых характеристик изображений сравнительным анализом гистограмм выборочных значений ТП, которая была применена на эталонных выборках подтипов перистой облачности.
4. Сформированы наборы информативных ТП для каждого подтипа перистой облачности в отдельности (Таблица 2.4).
5. Из результатов анализа соответствия обучающих и тестовых выборок эталонных изображений подтипов перистой облачности одному эмпирическому распределению по значениям информативных ТП, используя критерий согласия Колмогорова-Смирнова, установлено, что расхождение выборок Ci ing приводит к снижению оценки эффективности классификации (Таблица 2.4, Таблица 2.5).
Модель текстурных признаков подтипов перистой облачности
Разнообразие спутниковых систем, подходов описания изображений, методов формирования информативных классификационных характеристик и архитектур классификаторов согласно выбранной объектно-ориентированной парадигме подразумевает рассматривать каждый из них как отдельный объект. При этом общие функции, основная логика работы программного обеспечения и общая часть графического интерфейса реализуются в главном приложении, а специфичные в соответствующих программных модулях. Поэтому построение программного комплекса осуществлено по модульному принципу, архитектура которого в нотации UML [105] представлена на рисунке 4.2.
Компонент «Графический интерфейс пользователя» является распределенным, формы и шаблоны общих окон и общие обработчики событий реализуются в главном приложении, а окна настройки параметров обработки для конкретных алгоритмов и методов реализуются в соответствующих программных модулях.
Компонент «Блок управления» содержит необходимые константы и базовые функции для «логирования», вывода результатов, управления процессами, списком задач и контроля хода выполнения задачи, благодаря которым остальные компоненты могут запустить процесс обработки данных. Рисунок 4.2 – UML-диаграмма компонентов программного комплекса
Компонент «Обработка данных MODIS»: 1. модуль поиска соответствующих дате и времени продуктов выбранного файла формата HDF; 2. модуль извлечения наборов научных данных (Scientific Data Set – SDS); 3. модуль преобразования и конвертирования SDS. Для реализации взаимодействия с HDF файлами использовались C++ DLL (Dynamic Link Library) библиотеки для версии HDF4 от The HDF Group: http://www.hdfgroup.org/. Компонент «Средства обработки данных ДЗЗ»: 1. модуль генерации изображения спутникового снимка; 2. модуль «маскирования» изображения; 3. модуль навигации по координатной сетке; 4. модуль «резака» изображения (формирование выборок фрагментов спутникового снимка). Компонент «Текстурный анализ»: 1. модуль расчета текстурных признаков по методу GLDV; 2. модуль расчета текстурных признаков по методу GLCM; 3. модуль расчета текстурных признаков по методу SADH; 4. модуль расчета признаков по методу SFR. Компонент «Минимизация систем описания объектов»: 1. модуль, реализующий схему выполнения процедуры «ADD»; 2. модуль, реализующий методику, описанную в работе [43]; 3. модуль, реализующий методику формирования наборов информативных текстурных признаков описанную в параграфе 2.3. Компонент «Нейронные сети»: 1. модуль, реализующий архитектуру Персептрона [8]; 2. модуль, реализующий архитектуру вероятностной нейронной сети [63]; 3. модуль, реализующий архитектуру самоорганизующихся сетей [93]; 4. модуль, реализующий архитектуру нечетких нейронных сетей [12, 77]; 5. модуль, реализующий алгоритм обратного распространения ошибки для обучения нейронных сетей; 6. модуль, реализующий генетический алгоритм, описанный в параграфе 3.4, для обучения нейронных сетей. Компонент «Tools»: 1. модуль построения и анализа графиков рассчитанных значений текстурных признаков; 2. модуль «склеивания» изображения из фрагментов и «нарезки» изображения на фрагменты одного размера; 3. модуль, реализующий схему выполнения процедуры фильтрации изображения, в частности нормализации, описанной в параграфе 2.1.
Программный комплекс благодаря своей архитектуре является более универсальным и расширяемым, позволяя добавлять новые программные модули для обработки данных существующих и будущих спутниковых систем, методов анализа и описания изображений, алгоритмов фильтрации, а также классификаторов без изменения главного приложения.
Основной сценарий: пользователь выбирает необходимый модуль для работы: извлечение данных или имитатор нейронных сетей.
Реализация: Class_GN_Program содержит в себе главную точку входа в приложение и вызывает Dialog_GN_ChoosingBetweenTwoButtons, принимающий на вход конструктора формы наименования кнопок и заголовка, для запуска главных классов-форм GSET_TextureAnalysis_Form модуля извлечения данных и GSET_NeuralNetwork_Form модуля имитатора нейронных сетей. На рисунке Б.1 показан эскиз интерфейса данного прецедента.
Прецедент «Открыть растровый файл». Цель – визуализация растрового файла в области просмотра. Начальное состояние – использован прецедент «Выбор модуля», открыта форма GSET_TextureAnalysis_Form. Основной сценарий: пользователь отдает команду «Открыть» и выбирает «Файл изображения». Система открывает диалоговое окно открытия файла. Пользователь выбирает растровый файл. Система отображает изображение. Реализация: методом ChooseFormat_b1_click запускается Dialog_GN_ChoosingBetweenThreeButtons, принимающий на вход заголовок и наименования кнопок, при выборе «Файл изображения» происходит вызов метода OpenImageFile. Прецедент «Открыть HDF Document». Цель – извлечение данных из файлов формата HDF. Начальное состояние – использован прецедент «Выбор модуля», открыта форма GSET_TextureAnalysis_Form. Основной сценарий: пользователь отдает команду «Открыть» и выбирает
Интерпретация результатов классификации
Впервые решена задача автоматической классификации перистой облачности по четырем подтипам на основе текстурной информации спутниковых снимков и технологии нечетких нейронных сетей. Идентификация и классификация перистой облачности необходима при решении различных задач, например: — нефанализ – построение карт распределения облачности, их анализ и синоптическая интерпретация для прогноза погоды; — определение направления ветра и зон турбулентности для обеспечения безопасности полета воздушных судов; — классификация полупрозрачных полей перистой облачности при атмосферной коррекции ИК изображений для повышения эффективности восстановления температуры подстилающей поверхности, тем самым обнаружения тепловых аномалий и очагов горения [17, 18].
Практическая значимость результатов работы определяется возможностью использования разработанного программного обеспечения для обработки данных спектрорадиометра MODIS, которое позволяет классифицировать четыре подтипа перистой облачности, и характеризуется полученным свидетельством о государственной регистрации программы для ЭВМ (номер: №2015612375) и внедрением: — 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; — в лаборатории физики климата и окружающей среды Уральского федерального университета им. первого президента РФ Б. И. Ельцина для независимого анализа аэрозольной оптической толщи атмосферы при зондировании парниковых газов на ИК Фурье-спектрометре на Уральской атмосферной станции в Коуровке.
Результаты работы также использовались 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». Предпочтительность разработанного программного комплекса по сравнению с аналогами можно охарактеризовать по следующим направлениям.
Выделение фрагментов изображений по заданным географическим координатам, а также – любого размера в пикселях по ширине и высоте. Валидация эталонов, учитывая дополнительные данные, например, при формировании выборок подтипов перистой облачности используется пересечение масок «облачная» (классификация по яркостным признакам) [3] из тематического продукта MOD35_L2 (MYD35_L2) и «перистая» (пороговый алгоритм, основанный на поглощении водяного пара в определенной длине волны) [3] из MOD06_L2 (MYD06_L2). — Классификационные характеристики: Широкий спектр параметризации расчета текстурных признаков и реализация оригинальной методики построения классификационной модели распознаваемых объектов на основе сравнительного анализа гистограмм выборочных значений текстурных признаков. — Решающие правила (классификаторы): Разработанная нейро-нечеткая сеть для классификации текстур слабоконтрастных объектов на основе Питтсбургского классификатора и численного метода инициализации функции принадлежности путем их кусочной аппроксимации превосходит по точности нечеткого вывода сети ANFIS и Такаги-Сугено-Канга, которые реализованы в SEIP, ENVI и Matlab. Кроме того, используемые в перечисленных программных продуктах, градиентные методы не позволяют адаптировать нечеткую систему к идентификации объектов сложных классов, таких как подтипы перистой облачности, реализованный генетический алгоритм решает данную задачу. Предложенные методика конструирования нечеткой системы на основе нейронной сети, алгоритмы аппроксимации функций принадлежности и поиска ключевых признаков могут быть непосредственно использованы для решения задач автоматической классификации на основе количественных характеристик, описывающих распознаваемые классы.
Классификация перистой облачности по подтипам предложенной нейро-нечеткой сетью на полноразмерных спутниковых снимках предполагает использование информации о наличии полей перистой облачности, которую можно извлечь из тематических продуктов MOD06_L2 (MYD06_L2). При этом спутниковые снимки должны быть сделаны в светлое время суток и сезоны, когда отсутствует снежный покров (например, для территории Западной Сибири – с конца апреля по конец октября). Учитывая, что радиометр MODIS установлен на борту двух спутников (Terra и Aqua), то количество снимков, сделанных в дневное время за сутки варьируется от 4 до 6 для одного и того же региона планеты. Следует отметить, что большинство метеостанции фиксируют информацию о типе наблюдаемой облачности 2 раза в дневное время суток. Поэтому результаты классификации облачности на основе снимков MODIS позволяют не только дополнить данные метеостанций, но и получить их для тех регионов, в которых они отсутствуют.