Исследование Байесовского классификатора и метода k-средних при распознавании облачных объектов на панхроматических изображениях земной поверхности

Одним из первых этапов наземной обработки аэрокосмических изображений высокого разрешения является выделение и каталогизация облачных объектов. Исходя из отношения площади облачности к площади всего снимка принимается решение о дальнейшей его обработке или об организации повторной съёмки. При выдаче потребителям конечной продукции каждый снимок сопровождается маской качества, в которой отмечены пиксели, принадлежащие к облачным объектам.
Выделение облачных объектов на панхроматических изображениях земной поверхности имеет свои особенности. Во-первых, панхроматические изображения обычно формируются съёмочной аппаратурой высокого пространственного разрешения, и, следовательно, являются массивами данных сверхбольшого размера, что накладывает жёсткие ограничения на быстродействие используемых алгоритмов. Ограничение по быстродействию, в свою очередь, делает невозможным использование вычислительно сложных, но эффективных алгоритмов выделения облачности, основанных, например, на использовании нейронных сетей[1]. Во-вторых может присутствовать только панхроматическое изображение, а спектрозональные – отсутствовать. Их отсутствие существенно затрудняет выделение облачности, делая невозможным применение высокоэффективных алгоритмов, анализирующих данные множества спектральных каналов, таких как колометрический алгоритм[2] или ATMOD[3]. Таким образом, пригодными для применения остаются автоматизированные и автоматические алгоритмы, анализирующие данные одного спектрального канала.
В докладе рассматривается выделение облачных объектов на панхроматических изображениях при помощи алгоритма k-средних[4], относящегося к классу необучаемых алгоритмов кластеризации, и Байесовского классификатора[5], относящегося к обучаемым классификаторам. В качестве признаков для кластеризации и классификации используются средние яркости пикселей, рассчитываемые в окне 3x3 и значения энтропии, рассчитываемые в окне 21x21. Приводятся численное сравнение качества выделения облачности двумя данными алгоритмами и оценки быстродействия на снимках, полученных датчиком ПСС космического аппарата "Канопус-В". Показано, что для большинства сюжетов Байесовский классификатор обеспечивает лучшие результаты выделения облачности при приблизительно равном с алгоритмом k-средних быстродействии. Также в докладе рассматривается разработанная автором модификация алгоритма k-средних, позволяющая использовать обучающие выборки для улучшения качества кластеризации.
В заключение доклада приводится описание технологии, использующей Байесовский классификатор в качестве одного из этапов выделения облачности на изображениях высокого пространственного разрешения.

Список литературы:
1. Астафуров В.Г., Скороходов А.В. Классификация облаков по спутниковым снимкам на основе технологии нейронных сетей // Современные проблемы дистанционного зондирования Земли из космоса. 2011. Т. 8. № 1. С. 65-73.
2. Кочергин А.М. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования Земли – Дис. канд. техн. наук. Рязань, 2008. 116 с.
3. Steve Ackerman, Kathleen Strabala, Paul Menzel e.t.c. Discriminating clear-sky from cloud with MODIS // Algorithm theoretical basis document (Mod35)/NASA/LaRC, Hampton, VA, http://modistmos.gsfc.nasa.gov/_docs/atbd_mod06.pdf, 2002.
4. Steinhaus H. Sur la division des corps materiels en parties. Bull. Acad. Polon. Sci., C1. III vol IV: 801—804., 1956.
5. Maron, M. E. Automatic Indexing: An Experimental Inquiry. Journal of the ACM (JACM) 8(3):404-417., 1961.