ВВЕДЕНИЕ 6
1 МЕТОДЫ КЛАСТЕРИЗАЦИИ ОБЛАЧНЫХ ОБРАЗОВАНИЙ 8
1.1 Алгоритм ^-средних 8
1.2 Алгоритм F OREL 9
1.3 Алгоритм ISODATA 11
1.4 Алгоритм BIRCH 11
1.5 Алгоритм CLARANS 12
1.6 Алгоритм CURE 13
1.7 Алгоритм DBSCAN 14
1.8 А-дерево 15
2 ПРИЗНАКИ, ПРИМЕНИМЫЕ ДЛЯ КЛАСТЕРИЗАЦИИ ОБЛАЧНОСТИ 19
2.1 Обоснование набора текстурных признаков 19
2.2 Фрактальная размерность. Методы вычисления фрактальной размерности
облачности 25
2.3 Состав вектора признаков кластеризации облачности 28
3 РЕАЛИЗАЦИЯ АЛГОРИТМА И ПРОГРАММЫ КЛАСТЕРИЗАЦИИ ОБЛАЧНОСТИ..30
3.1 Обоснование среды реализации программной системы 30
К достоинствам такой программной среды относят: . Ошибка! Закладка не определена.
3.2 Разработка структуры программы, ее описание 33
3.3 Разработка диаграммы взаимодействия 34
3.4 Диаграмма классов 35
3.5 Результаты тестирования 37
ЗАКЛЮЧЕНИЕ 39
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 40
Одной из основных задач исследования атмосферы Земли является задача переноса радиационного излучения в атмосфере. Существенную роль в этом переносе играют облачные покровы экранирующие излучение. При этом каждый тип облачности играет разную роль в переносе излучения.
Изображения облачного покрова Земли обычно содержат наложенные и частично перекрывающие друг друга различные типы облачности. Однако при исследовании прохождения оптического изучения через атмосферу необходимо учитывать влияние каждого типа.
В связи с этим разбиение (кластеризация) изображений облачности по типам становится актуальной задачей.
В настоящее время существует большое количество методов и алгоритмов кластеризации облачности. В качестве методов, на основе которых осуществляется кластеризация, используются энергетические текстурные признаки изображения облачности.
Однако такие признаки чувствительны к перепадам яркости, которая в свою очередь зависит от условий освещенности (интенсивности и угла подсветки) и, следовательно, кластеризация по ним обладает погрешностью.
Для увеличения достоверности целесообразно добавить признаки, не зависящие от подсветки. К таким относится фрактальная размерность.
Таким образом, объектом исследования в работе являются:
Методы и средства кластеризации облачных образований.
Предмет исследования представляет собой:
Методы и алгоритмы кластеризации изображения облачных покровов по текстурным и геометрическим (фрактальным) параметрам.
Проблемная ситуация, связанная с_предметной областью определяется:
1. Высокой вычислительной сложностью алгоритмов кластеризации.
2. Зависимостью классификационных признаков, используемых при кластеризации текстурных параметров от условий освещенности облачных образований.
На основании вышесказанного, целью исследования является:
Разработать алгоритм и программу кластеризации изображений облачности на кластеры произвольной формы по текстурным и геометрическим (фрактальным) параметрам, вычислительной сложности не более n log2 n.
В разделе 1 описывалось обоснование алгоритма DBSCAN. Этот алгоритм кластеризации на основе плотности может быть использован для поиска переполненных областей, не принимая во внимание выбросы или не нуждаясь в предопределенном количестве кластеров. Максимальное расстояние между точками в области высокой плотности определяется пользователем.
Наиболее трудоемкой частью алгоритма DBSCAN является пространственный поиск точек в окрестности. Для повышения быстродействия этого алгоритма кластеризации реализуется индексная структура - R*-дерево. Структура R*-дерева хороша для индексации объектов пространственных данных, имеющих ненулевой размер.
В разделе 2 описываются методы, используемые при кластеризации: текстурные и фрактальные признаки. Недостатком текстурных признаков является зависимость от условий освещенности, вследствие чего кластеризация по ним обладает погрешностью. В этой связи есть необходимость добавить геометрический признак. Наиболее эффективным является фрактальная размерность. Такой признак не зависит от интенсивности и угла подсветки и может принимать нецелые значения.
Для расчета текстурных признаков пользуемся матрицей смежности. Для расчета фрактального признака будет использоваться программа, которая была написана ранее.
Раздел 3 содержит в себе структурную схему программы и диаграммы классов и их взаимодействий. Классы позволяют работать с изображением и их вычислениями. А диаграммы взаимодействия отвечают за последовательность, в которой работают эти классы. В завершении был показан результат работы программы.
