Том 27, номер 07, статья № 13

Аннотация:

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.

Ключевые слова:

перистые облака, текстурные признаки, статистическая модель, классификация, спутниковые данные

Список литературы:

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).