ВВЕДЕНИЕ 4
1 АНАЛИЗ МЕТОДОВ КЛАСТЕРИЗАЦИИ И ВЫДЕЛЕНИЯ СУЩЕСТВЕННЫХ ПЕРЕМЕННЫХ 6
1.1 Текстурные признаки 6
1.1.1 Методы, основанные на измерении пространственной частоты 7
1.1.2 Методы, основанные на вычислении количества перепадов на единицу площади изображения 8
1.1.3 Методы, использующие матрицу смежности значений яркости 8
1.1.4 Методы, описывающие текстуры длинами серий 10
1.1.5 Авторегрессионные методы 11
1.1.6 Методы, отыскивающие регулярность в форме структурных элементов 12
1.1.7 Методы, основанные на микроструктуры текстурного поля 12
1.1.8 Метод бинарного стека 12
1.2 Методы кластеризации 13
1.2.1 Основные типы алгоритмов кластеризации 14
1.2.2 Иерархические алгоритмы 14
1.2.3 Методы разбиений 16
1.2.4 Плотностные методы 18
1.2.5 Сеточные методы 20
1.2.6 Нейронные сети 21
1.3 Технология выделения существенных переменных 22
2 РАЗРАБОТКА АЛГОРИТМА И ПРОГРАММНАЯ 23
РЕАЛИЗАЦИЯ СИСТЕМЫ ВЫДЕЛЕНИЯ СУЩЕСТВЕННЫХ ПЕРЕМЕННЫХ
2.1 Требования к системе 23
2.2 Разработка структуры системы 23
3 ТЕСТИРОВАНИЕ СИСТЕМЫ И РАСЧЕТЫ 27
ЗАКЛЮЧЕНИЕ 35
СПИСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ 37
На климотообразование Земли большое влияние оказывает радиационный баланс Земли. А облака в свою очередь оказывают существенную роль в изменении радиационного баланса земли. Облачность экранирует радиационное излучение от солнца, а так же экранирует собственное излучение земли.
Поэтому для прогнозирования и мониторинга облачности необходимо создавать новые и совершенствовать имеющиеся методы контроля облачности.
Современным и оперативным методом мониторинга облачности является спутниковое зондирование Земли. Однако в задаче автоматизации анализа спутниковых изображений облачности необходимо выделить на изображении области, где находятся различные облака, и определить какой тип облака попал на изображение.
Наиболее распространенный подход к кластеризации спутниковых изображений основан на использовании алгоритмов кластеризации данных.
Существует множество различных алгоритмов кластеризации. Однако алгоритм для кластеризации именно облачности должен обладать следующими преимуществами:
- работа с большим объёмом обрабатываемых данных (порядка 1017 пикселей);
- работа при отсутствии априорной информации о количестве и вероятностных характеристиках классов;
Исходя из этого, можно выделить основные требования к алгоритму кластеризации:
- небольшая вычислительная сложность;
- работа одновременно с большим количеством характеристик.
Характеристики кластеров, это некоторые признаки, по которым алгоритм кластеризации группирует кластер. Из изображения можно выделить информацию об около 20 признаках.
Из методов кластеризации в задаче кластеризации облачности, наиболее эффективным по этим параметрам является метод DBSCAN. Кроме того, его преимуществом по сравнению с другими методами - способность образовывать таксоны произвольной формы.
DBSCAN отлично подходит для работы в многомерном пространстве характеристик, но возникает необходимость снижения его вычислительной сложности. Для этого необходимо определить существенные характеристики для всех типов облачности, пригодные для кластеризации, что позволит значительно уменьшить вычислительная сложность алгоритма DBSCAN.
Для снижения вычислительной сложности алгоритма кластеризации необходимо было выделить существенные текстурные признаки.
Были рассчитаны девять текстурных признаков:
1) энергия;
2) гомогенность;
3) энтропия;
4) ковариация;
5) корреляция;
6) центр тяжести по Х;
7) центр тяжести по У;
8) дисперсия по Х;
9) дисперсия по У,
для девяти типов облачности:
1) кучевые;
2) кучево-дождевые;
3) высококучевые;
4) перистые;
5) перисто-кучевые;
6) перисто-слоистые;
7) высокослоистые;
8) слоисто-дождевые;
9) слоисто-кучевые.
Анализ полученных результатов показал, что текстурные признаки энергия и гомогенность не должны использоваться алгоритмом кластеризации, так как они несут лишь дополнительную вычислительную сложность и не несут ни какой информации о различии изображений разных типов облачности. Все остальные рассмотренные текстурные признаки необходимы для выделения различных типов облачности на изображении.
Таким образом, для выделения разных типов облачности на спутником снимке, полученном при зондировании атмосферы из космоса, необходимо будет провести кластеризацию только по следующим текстурным признакам:
1) энтропия;
2) ковариация;
3) центр тяжести по Х;
4) центр тяжести по У;
5) дисперсия по Х;
6) дисперсия по У.
В результате работы были определены существенные текстурные признаки, что в свою очередь ускорит автоматизированный процесс анализа спутниковых изображений. Это увеличит скорость прогнозирования и мониторинга облачности.
