Сформирована система информативных текстурных признаков для изображений различных типов перистой облачности на спутниковых снимках MODIS с разрешением 250 м. Для описания текстуры применяются методы: Gray-Level Co-occurrences Matrix, Gray-Level Difference Vector и Sum and Difference Histograms. Определены законы распределения, описывающие флуктуации текстурных признаков, и найдены оценки их параметров. Приводятся и обсуждаются результаты классификации подтипов перистой облачности с использованием нейросетевых технологий.
перистые облака, текстурные признаки, статистическая модель, классификация, спутниковые данные
1. Bankert R.L., Mitrescu C., Miller S.W., Wade R.H. Comparison of GOES cloud classification algorithms employing explicit and implicit physics // J. Appl. Meteorol. Climatol. 2009. V. 48. P. 1411–1421.
2. Lafont D., Jourdan O., Guillement B. Mesoscale cloud pattern classification over ocean with a neural network using a new index of cloud variability // Int. J. Remote Sens. 2006. V. 27. P. 3533–3552.
3. Астафуров В.Г., Скороходов А.В. Нейросетевой классификатор облачности по спутниковым данным // Информ. технол. 2012. № 7. С. 32–37.
4. Волкова Е.В., Успенский А.Б. Оценки параметров облачного покрова по данным геостационарного МИСЗ METEOSAT-9 круглосуточно в автоматическом режиме // Современные проблемы дистанционного зондирования Земли из космоса. 2010. Т. 7, № 3. С. 65–73.
5. Код для оперативной передачи данных приземных гидрометеорологических наблюдений с сети станций Госкомгидромета СССР, расположенных на суше (включая береговые станции) КН-01, национальный вариант международного кода FM-12-IX SYNOP. Л.: Гидрометеоиздат, 1989. 64 с.
6. Baran A. A review of the light scattering properties of cirrus // J. Quant. Spectrosc. Radiat. Transfer. 2009. V. 110. P. 1239–1260.
7. Соломатов Д.В., Афонин С.В., Белов В.В. Построение облачной маски и удаление полупрозрачной облачности на спутниковых снимках ETM+/Landsat-7 // Оптика атмосф. и океана. 2013. Т. 26, № 12. С. 798–803.
8. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.: Техносфера, 2005. 1072 с.
9. Weszka J.S., Dyer C.R., Rosenfeld A. A comparative study of texture measures for terrain classification // IEEE Transaction on Systems, Man and Cybernetics. April 1976. V. SMC-6, N 4. P. 269–285.
10. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. November 1973. V. SMC-3, N 6. P. 610–621.
11. Unser M. Sum and difference histograms for texture classification // IEEE Transaction on Systems, Pattern Analysis and Machine Intelligence. January 1986. V. PAMI-8, N 1. P. 118–125.
12. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 c.
13. Осовский С. Нейронные сети для обработки информации / Пер. с польск. И.Д. Рудинского. M.: Финансы и статистика, 2002. 344 с.
14. Астафуров В.Г., Скороходов А.В. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий // Исслед. Земли из космоса. 2011. № 6. С. 10–20.
15. Кобзарь А.И. Прикладная математическая статистика. Для инженеров и научных работников. М.: Физматлит, 2006. 816 с.
16. MathWave [Electronic resource]: EasyFit – Easily Fit Distributions to Your Data! Electronic data. – Dnepropetrovsk, 2004–2014. – URL: http://www.mathwave.com/help/easyfit/index.html (Accessеd 12.02.2014).