Алгоритмы и программное обеспечение тематического анализа многоспектральных аэрокосмических снимков земных покровов

• Автор: Колодникова, Наталья Владимировна
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2005
• Место защиты: Томск
• Количество страниц: 200 с. : ил.

Оглавление
ВВЕДЕНИЕ.
ГЛАВА 1. КЛАСТЕРНЫЙ АНАЛИЗ СПУТНИКОВЫХ СНИМКОВ ЗЕМНОЙ ПОВЕРХНОСТИ НЕКОНТРОЛИРУЕМАЯ КЛАССИФИКАЦИЯ

1.1 Теоретические основы кластерного анализа

1.1.1 Описание предметной области.

1.1.2 Классическое решение поставленной задачи

1.2 Общая структура алгоритмов кластерного анализа

1.2.1 Объединение объектов

1.2.2 Объединение кластеров.

1.2.3 Классификация образов.

1.3 Определение качества кластеризации

1.4 Обзор существующих методов кластерного анализа
1.5 Основные результаты и выводы по главе.
ГЛАВА 2 НОВЫЕ АЛГОРИТМЫ КЛАСТЕРНОГО
АНАЛИЗА.
2.1 Алгоритм кластеризации признакового пространства гиперсферами
2.2 Алгоритм декомпозиции гистограмм
2.3 Экспериментальное сравнение эффективности работы алгоритмов кластерного анализа
2.4 Основные результаты и выводы по главе.
ГЛАВА 3 АЛГОРИТМЫ ТЕКСТУРНОГО АНАЛИЗА КОСМИЧЕСКИХ СНИМКОВ КОНТРОЛИРУЕМАЯ КЛАССИФИКАЦИЯ
3.1 Общие определения и понятия.
3.2 Этапы проведения текстурного анализа
3.2.1 Определение цели текстурного анализа
3.2.2 Выбор информативных спектральнотекстурных признаков.
3.2.2.1 Проблема выбора размера скользящего окна
3.2.2.2 Принцип формирования признаков на основе матрицы смежности.
3.2.2.3 Система текстурных признаков
3.2.2.4 Анализ информативности признаков по критерию минимума эмпирического риска
3.2.3 Применение метода контролируемой классификации
3.3 Параметрический алгоритм текстурного анализа,
основанный на аппроксимациях сплайнами.
3.4 Непараметрический алгоритм текстурного анализа.
3.5 Основные результаты и выводы по главе
ГЛАВА 4 ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ ДЕШИФРИРОВАНИЯ СПУТНИКОВЫХ СНИМКОВ ЗЕМНОЙ ПОВЕРХ1ЮСТИ
4.1 Обзор программных продуктов для контролируемой и неконтролируемой классификации.
4.1.1 VI.
4.1.2 Ii
4.1.3 Iii.
4.1.4
4.2 Обоснование необходимости создания нового
программного продукта
4.3 Описание разработанного программного
продукта.
4.3.1 Подпрограмма кластерного анализа.
4.3.2 Подпрограмма текстурного анализа.
4.3.3 Режимы вывода результатов на экран.
4.4 Стандартизация программы по ГОСТ.
4.5 Основные результаты и выводы по главе.
ГЛАВА 5 ПРИМЕРЫ РЕШЕНИЯ ПРАКТИЧЕСКИХ ЗАДАЧ СПУТНИКОВОГО МОНИТОРИНГА ЗЕМНОЙ ПОВЕРХНОСТИ И ОБЛАКОВ
5.1 Структурирование видеоданных Большого
Васюганского Болота.
5.2 Распознавание типов облачных полей
5.3 Мониторинг схода снежного покрова.
5.4 Мониторинг паводковой обстановки на территории Томской области
5.5 Основные результаты и выводы по главе.
ЗАКЛЮЧЕНИЕ.
СПИСОК ЛИТЕРАТУРЫ


Используя подпрограмму текстурного анализа программы Analyser, была проведена предварительная дифференциация Большого Васюганского болота в междуречье рек Кенги, Парбига, Тартаса, Ичи на естественные географические единицы - ландшафты и их составные элементы. Большого Васюганского болота. В рамках проведенной работы дана краткая характеристика Большого Васюганского болота. Показана необходимость использования спутниковой информации для структурирования территории Большого Васюганского болота. Приведен пример отделения облаков от подстилающей поверхности Земли с оценкой площади подстилающей поверхности, занимаемой облаками с выделением классов «облака», «разорванная облачность», «снег» и др. Показана возможность применения программы Analyser в метеорологии. Рассмотрен пример использования программы для решения проблемы обнаружения грозовых полей на сплошной облачности. Приведен результат мониторинга схода снежного покрова на территории Томской области, который был проведен весной г. Томской области (весна г. Проведенный мониторинг позволил своевременно выдать предупреждение о разливе рек штабу ГО и ЧС. Автор выражает глубокую и искреннюю благодарность своим научным руководителям д. Мицелю Артуру Александровичу и с. Протасову Константину Тихоновичу за помощь, оказанную при работе над диссертацией. Автор благодарит сотрудников кафедры АСУ ТУСУР и лаборатории распространения оптических сигналов ИОА СО РАН за ценные замечания и советы. Одним из подходов к распознаванию образов является кластеризация или кластерный анализ, который еще называют распознаванием образов без учителя. Под кластеризацией в данном случае понимается разбиение наблюдаемой совокупности объектов на однородные (в некотором смысле) группы [5]. Эти группы называются кластерами. В большинстве приложений кластеризации, необходимо обработать некоторые данные, полученные из эксперимента. Как правильно заметили Дж. Ту и Гонсалес [6], переходя к реализации кластеризации на ЭВМ, мы теряем многие из тонких способностей человека и должны довольствоваться только приближением к кластеризации, осуществляемой человеком. Однако даже в этом случае есть выигрыш в механизации процесса благодаря объективности, воспроизводимости и однозначности. Кроме того, вычислительная программа дает явное описание процесса. Главное достоинство автоматической классификации состоит в том, что она позволяет обсуждать процесс человеческого восприятия в явной форме и на основе этого улучшать процесс решения задачи. К тому же кластерный анализ можно применять и в тех случаях, когда исследователь затрудняется указать обучающую выборку. А теперь перейдем к рассмотрению теоретических основ кластерного анализа. Теория синтеза алгоритмов кластерного анализа основана на декомпозиции смешивающего распределения, которая достаточно сложна, особенно в случае, когда количество кластеров не определено. Это выливается в сложную вычислительную проблему оптимизации квадратичного критерия невязки с множеством неизвестных, что оправдывает появление многочисленных эвристических алгоритмов решения этой задачи. Эффективность таких алгоритмов трудно исследовать теоретически, но можно оценить, анализируя результаты решения конкретной задачи. В данной работе состояние любого объекта описывается с помощью многомерного количественного признака (или многомерной случайной величины) х, = (*¦,**,. Ог, i = 9. Ny где хе/? N - объем данных, л- размерность пространства наблюдений, Т- знак транспонирования. Под xi понимается результат измерения признаков подстилающей поверхности Земли, попавшей в I -ый шаг сканера, т. Очевидно, любое такое многомерное наблюдение может быть геометрически интерпретировано в виде точки в многомерном ( п -мерном) пространстве. Таким образом, целью любого метода или алгоритма кластерного анализа является разбиение совокупности исследуемых объектов, каждый из которых задан многомерным наблюдением, на однородные в некотором смысле группы. В данной главе рассматривается ситуация, когда мы не располагаем обучающими элементами, про которые уже известно, к какому классу они принадлежат.