Том 38, номер 05, статья № 9

Аннотация:

Рассматривается проблема классификации изображений облачности, представляющих собой сложные текстурные структуры с неоднородными характеристиками. Традиционные методы анализа изображений не всегда справляются с классификацией таких изображений, а современные технологии глубокого обучения требуют больших объемов данных и вычислительных ресурсов. Исследование фокусируется на оценке возможности разработки гибридного метода, сочетающего традиционные статистические подходы к описанию текстур и современные технологии глубокого обучения. Предполагалось, что высокоуровневые признаки, которые нейронная сеть выделяет при обучении, могут быть недостаточно чувствительны к тонким локальным различиям облачных образований. Был реализован и проанализирован гибридный подход: перед анализом нейросетью из изображений извлекались низкоуровневые текстурные характеристики. Однако результаты тестирования показали, что такая методика не только не улучшила качество классификации, но и оказалась менее эффективной по точности в сравнении с использованием необработанных изображений. Результаты работы могут быть интересны специалистам в области анализа данных дистанционного зондирования Земли, метеорологии и при разработке новых методов анализа текстурных изображений.

Ключевые слова:

классификация изображений, текстурные характеристики, обработка изображений, нейронные сети

Иллюстрации:

Список литературы:

1. Hassaballah M., Abdelmgeid A.A., Alshazly H.A. Image features detection, description, and matching // Image Feature Detectors and Descriptors: Foundations and Applications. Cham: Springer, 2016. P. 11–45. DOI: 10.1007/978-3-319-28854-3_2.
2. Lei B.J., Hendriks E.A., Reinders M.J.T. On feature extraction from images. URL: https://www.academia.edu/656131/On_Feature_Extraction_from_Images (last access: 04.04.2025).
3. Блощинский В.Д., Крамарева Л.С., Шамилова Ю.А. Детектирование облачного покрова с использованием нейронной сети по данным прибора МСУ-ГС космического аппарата «Арктика-М» № 1 // Оптика атмосф. и океана. 2024. Т. 37, № 2. С. 99–104. DOI: 10.15372/AOO20240202; Bloshchinskiy V.D., Kramareva L.S., Shamilova Yu.A. Cloud cover detection using a neural network based on MSU-GS instrument data of Arktika-M No. 1 Satellite // Atmos. Ocean. Opt. 2024. V. 37, N 3. P. 394–399.
4. Астафуров В.Г., Скороходов А.В., Курьянович К.В., Митрофаненко Я.К. Характеристики различных типов облачности над природными зонами Западной Сибири по спутниковым данным MODIS // Оптика атмосф. и океана. 2020. Т. 33, № 4. С. 266–271. DOI: 10.15372/AOO20200404; Astafurov V.G., Skorokhodov A.V., Kur’yanovich K.V., Mitrofanenko Ya.K. Parameters of different cloud types over the natural zones of Western Siberia according to MODIS satellite data // Atmos. Ocean. Opt. 2020. V. 33, N 5. P. 512–518.
5. Тассов К.Л., Бекасов Д.Е. Обработка перекрытий в задачах отслеживания объектов в видеопотоке // Инженерный журнал: наука и инновации. 2013. № 6. С. 1–27. DOI: 10.18698/2308-6033-2013-6-1099.
6. Ravi R., Yadhukrishna S.V., Prithviraj R. A face expression recognition using CNN & LBP // 2020 Fourth International Conference on Computing Methodologies and Communication (ICCMC). New York: IEEE, 2020. P. 684–689. DOI: 10.1109/ICCMC48092. 2020. ICCMC-000127.
7. Hamdi M. Ebrahim M.S., Jadhav M.E., Olayah F., Awaji B., Alalayah K.M. Hybrid models based on fusion features of a CNN and handcrafted features for accurate histopathological image analysis for DiagNsing malignant lymphomas // DiagNstics. 2023. V. 13, N 13. P. 2258. DOI: 10.3390/diagNstics13132258.
8. Gurunathan A., Krishnan B.A. Hybrid CNN-GLCM classifier for detection and grade classification of brain tumor // Brain Imaging Behav. 2022. V. 16, N 3. P. 1410–1427. DOI: 10.1007/s11682-021-00598-2.
9. Haralick R.M., Shanmugam K., Dinstein I.H. Textural features for image classification // IEEE Trans. Syst. Man Cybern. 1973. V. SMC-3, N 6. P. 610–621. DOI: 10.1109/TSMC.1973.4309314.
10. Nurtanio I., Zainuddin Z., Setiadi B.H. Cloud classification based on images texture features // IOP Conf. Ser.: Mater. Sci. Eng. 2019. V. 676, N 1. P. 012015. DOI: 10.1088/1757-899X/676/1/012015.
11. Ameur Z., Ameur S., Adane A., Sauvageot H., Bara K. Cloud classification using the textural features of Meteosat images // Int. J. Remote Sens. 2004. V. 25, N 21. P. 4491–4503. DOI: 10.1080/01431160410001735120.
12. Ojala T., Pietikainen M., Harwood D. Performance evaluation of texture measures with classification based on Kullback discrimination of distributions // Proc. 12th International Conference on Pattern Recognition.V. 1. 1994. P. 582–585. DOI: 10.1109/ICPR.1994.576366.
13. Петрук В., Самородов А.В., Спиридонов И.Н. Применение локальных бинарных шаблонов к решению задачи распознавания лиц // Вестн. Моск. гос. техн. ун-та им. Н.Э. Баумана. Сер. Приборостроение. 2011. № S. С. 58–63.
14. Wang Y., Cunzhao S., Wang C., Xiao B. Ground-based cloud classification by learning stable local binary patterns // Atmos. Res. 2018. V. 207. P. 74–89. DOI: 10.1016/j.atmosres.2018.02.023.
15. OikoNmou S., Kazantzidis A., EcoNmou G., Fotopoulos S. A local binary pattern classification approach for cloud types derived from all-sky imagers // Int. J. Remote Sens. 2019. V. 40, N 7. P. 2667–2682. DOI: 10.1080/01431161.2018.1530807.
16. Laws K.I. Rapid texture identification // Proc. SPIE. 1980. V. 238. P. 376–380. DOI: 10.1117/12.959169.
17. Mallat S.G. A theory for multiresolution signal decomposition: The wavelet representation // IEEE Trans. Pattern Anal. Mach. Intell. 1989. V. 11, N 7. P. 674–693. DOI: 10.1109/34.192463.
18. Histograms of oriented gradients. URL: https://courses.cs.duke.edu/fall17/compsci527/Ntes/ hog.pdf (last access: 05.12.2024).
19. Харалик Р.М. Статистический и структурный подходы к описанию текстур // ТИИЭР. 1979. Т. 67, № 5. С. 98–120.
20. Gonzalez R.C., Wood R.E. Digital Image Processing, 4th ed. London: Pearson, 2017. 1192 p.
21. Unser M. Texture classification and segmentation using wavelet frames // IEEE Trans. Image Process. 1995. V. 4, N 11. P. 1549–1560. DOI: 10.1109/83.469936.
22. Turner M.R. Texture discrimination by Gabor functions // Biol. Cyber. 1986. V. 55, N 2. P. 71–82. DOI: 10.1007/BF00341922.
23. Recio J.A.R., Fernandez L.A.R., Fernández-Sarriá A. Use of Gabor filters for texture classification of digital images // Física de la Tierra. 2005. V. 17. P. 47.
24. Шлеймович М.П., Ляшева С.А., Кирпичников А.П. Вычисление признаков изображений на основе вейвлет-преобразования // Вестн. технол. ун-та. 2015. Т. 18, № 18. С. 223–228.
25. Фраленко В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014. Т. 5, № 4. С. 19–39.
26. ResNet (34, 50, 101): «остаточные» CNN для классификации изображений. URL: https://neurohive.io/ru/vidy-nejrosetej/resnet-34-50-101 (дата обращения: 15.03.2023).
27. VGG16 – нейросеть для выделения признаков изображений. URL: https://neurohive.io/ru/vidy-nejrosetej/vgg16-model/ (дата обращения: 15.03.2023).
28. Liang J. Image classification based on RESNET // J. Phys. Conf. Ser. 2020. V. 1634, N 1. P. 012110. DOI: 10.1088/1742-6596/1634/1/012110.
29. Very Deep Convolutional Networks for Large-Scale Image Recognition. URL: https://doi.org/10.48550/arXiv.1409.1556 (last access: 15.03.2023).
30. Improved U-net remote sensing classification algorithm based on multi-feature fusion perception // Remote Sens. 2022. V. 14, N 5. P. 1118. DOI: 10.3990/ rs14051118.
31. Хромов С.П., Петросян М.А. Метеорология и климатология: учеб. пособие. М.: МГУ, 2012. 584 с.
32. TJNU ground-based remote sensing cloud database (TJNU-GRSCD). URL: https://github.com/shuangliutjnu / TJNU - Ground - based - Remote - Sensing - Cloud - Database (last access: 21.03.2025).
33. Cirrus Cumulus Stratus Nimbus (CCSN) Database. URL: https: // data-verse.harard.edu / dataset.xhtml?persistentId=doi:10.7910/DVN/CADDPD (last access: 21.03.2025).
34. Галилейский В.П., Елизаров А.И., Кокарев Д.В., Морозов А.М. База данных изображений облачного поля над городом Томск // Свидетельство о государственной регистрации базы данных № 2018620430 от 14.03.2018. Правообладатель: Федеральное государственное бюджетное учреждение науки Институт оптики атмосферы им. В.Е. Зуева Сибирского отделения Российской академии наук (ИОА СО РАН) (RU).