ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2013. Т. 10. №4. С. 188-197

Статистическая модель текстуры изображений различных типов облачности по данным MODIS

В.Г. Астафуров 1, Т.В. Евсюткин 2, К.В. Курьянович 3, А.В. Скороходов 2
1 Институт оптики атмосферы им. В.Е. Зуева СО РАН; Томский государственный университет систем управления и радиоэлектроники, Томск, Россия; Томск, Россия
2 Институт оптики атмосферы им. В.Е. Зуева СО РАН, Томск, Россия
3 Томский государственный университет систем управления и радиоэлектроники, Томск, Россия
Предложена статистическая модель текстуры изображений 16 типов однослойной облачности и ее подтипов, построенная на основе 41-го распределения. Для описания текстур изображений применяются методы Gray-Level Co-occurrences Matrix, Gray-Level Difference Vector и Sum and Difference Histograms. С помощью критерия согласия Колмогорова-Смирнова подобраны законы распределений, которыми описываются флуктуации текстурных признаков различных типов облачности. Найдены оценки параметров этих распределений.
Ключевые слова: статистическая модель, типы облаков, текстура изображений, текстурные признаки, statistical model, cloud types, image texture, texture parameters
Полный текст

Список литературы:

  1. Астафуров В.Г., Скороходов А.В. Сегментация спутниковых снимков облачности по текстурным признакам на основе нейросетевых технологий // Исследование Земли из космоса. М.: Наука. 2011. No 6. С. 10–20
  2. Астафуров В.Г., Рассказчикова Т.М., Скороходов А.В.. Интерпретация данных дистанционного зондирования облаков из космоса в видимой области спектра // Известия вузов. Физика. 2012. Т. 55. No 3. С. 77−83
  3. Кобзарь А.И. Прикладная математическая статистика // Для инженеров и научных работников. М.: Физматлит, 2006. 816 с
  4. Прэтт У. Цифровая обработка изображения // Пер. с англ. М.: Мир, 1982. 480 с
  5. Государственный комитет СССР по гидрометеорологии и контролю природной среды. 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 // Ленинград: Гидрометеоиздат. 1989. 64 с
  6. Bankert R.L. Cloud classification of AVHRR imagery in maritime regions using a probabilistic neural network // American Meteorology Society. Journal of Applied Meteorology. August 1994. V. 33. No. 8. P. 909–918
  7. Haralick R.M., Shanmugam K., Dinstein I. Textural features for image classification // IEEE Transactions on Systems, Man and Cybernetics. November 1973. V. SMC – 3. No. 6. P. 610–621
  8. Unser M. Sum and difference histograms for texture classification // IEEE Transaction on Systems, Pattern Analysis and Machine Intelligence. January 1986. V. PAMI–8. No. 1. P. 118–125
  9. Welch R.M., Kuo K.S., Sengupta S.K., Chen D.W. Cloud field classification based upon high spatial resolution texture feature (I): gray-level cooccurence matrix approach // J. Geophys. Res. 1988. V. 93. P. 12663–12681
  10. 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. No. 4. P. 269–285
  11. MathWave Technologies EasyFit – Introduction to Easy Fit [Online] // EasyFit – Distribution Fitting Software. – MathWave Technologies – data analysis & simulation, 2010. – Accessed 2013. Available http://www.mathwave.com/help/easyfit/index.html