doi: 10.17586/2226-1494-2022-22-5-962-969


УДК 004.852

Обработка данных ледовой разведки при условии низкого качества исходных изображений

Тимофеев А.В., Грознов Д.И.


Читать статью полностью 
Язык статьи - английский

Ссылка для цитирования:
Тимофеев А.В., Грознов Д.И. Обработка данных ледовой разведки при условии низкого качества исходных изображений // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22, № 5. С. 962–969 (на англ. яз.). doi: 10.17586/2226-1494-2022-22-5-962-969


Аннотация
Предмет исследования. Предложено практически эффективное решение задачи автоматизированной обработки данных ледовой разведки в высоких широтах. Промежуточный результат ледовой разведки — большой массив данных аэрофотосъемки, состоящий из изображений низкого качества. Такой результат является следствием сложных условий аэрофотосъемки в высоких широтах. Цель работы — создание высокоэффективного метода, который при минимальных требованиях к вычислительным ресурсам способен или эффективно обработать предварительно собранный массив данных, или выполнить обработку подобных изображений в реальном масштабе времени. Метод должен обеспечить высокую надежность решения задачи по распознаванию класса распределения льдин на водной поверхности. Решена задача автоматической классификации типа распределения льдин по размерам для трехклассовой модели на основе данных аэрофотосъемки. Рассмотрен практически важный случай низкокачественных снимков, что является обычной ситуацией для метеорологических условий Крайнего Севера. Метод. Предложенный подход основан на использования методов машинного обучения, в частности на мультиклассовой машине опорных векторов, который является крайне нетребовательным к вычислительным ресурсам и поэтому может быть реализован даже бортовым вычислителем беспилотного летательного аппарата ледовой разведки. По входным изображениям низкого качества вычисляются многомерные числовые характеристики входного изображения, которые его информативно характеризуют. Характеристики (признаки) данного типа инвариантны к масштабу, повороту и освещению, а также имеют значительно меньшую размерность, чем исходное изображение. Основная идея, лежащая в основе предлагаемого метода, заключается в формировании оригинальной совокупности признаков. Признаки реализуются в оригинальном пространстве признаков, эффективно характеризуют крупные фрагменты анализируемого изображения и являются «устойчивыми», в отличие от признаков, характеризующих мелкие детали. Основные результатыПредложен новый метод классификации типа распределения льдин на водной поверхности на основе обработки данных аэрофотосъемки с использованием методов машинного обучения, который эффективен для обработки низкокачественных изображений бортовым вычислителем беспилотного летательного аппарата ледовой разведки. Предложено оригинальное пространство признаков классификации, которое обеспечивает высокую практическую эффективность данного метода. Метод показал высокую эффективность при тестировании на наборе данных, составленном из реальных изображений низкого качества (высокая размытость, нечеткость, наличие метеорологических помех). Практическая значимость. Разработанный алгоритм может быть использован для экспресс-анализа данных ледовой разведки, в том числе и как компонент программного обеспечения бортовых вычислителей беспилотных летательных аппаратов ледовой разведки.

Ключевые слова: распределение размеров льдин, ледовая разведка, классификация изображений, мультиклассовая SVM, гистограмма изображения, размытые изображения, классификация типов морского льда

Список литературы
  1. Першин Н.В. Рациональное построение маршрутов плавания с учетом гидрометеорологических условий // Ученые записки Российского государственного гидрометеорологического университета. 2018. Т. 52. С. 61–66.
  2. Мироненко А.А. Градиентная модель программного движения судна // Навигация и гидрография. 2012. Т. 34. С. 35–42.
  3. Калинина Н.В. Влияние навигационных характеристик льда на ходкость ледокола // Транспортные системы. 2017. № 3(6). С. 37–44. https://doi.org/10.46960/62045_2017_3_37
  4. Horvat C., Tziperman E. The evolution of scaling laws in the sea ice floe size distribution // Journal of Geophysical Research: Oceans. 2017. V. 122. N 9. P. 7630–7650. https://doi.org/10.1002/2016JC012573
  5. Rothrock D., Thorndike A. Measuring the sea ice floe size distribution // Journal of Geophysical Research. 1984. V. 89. N C4. P. 6477–6486. https://doi.org/10.1029/JC089iC04p06477
  6. Alberello A., Onorato M., Bennetts L., Vichi M., Eayrs C., MacHutchon K., Toffoli A. Brief communication: Pancake ice floe size distribution during the winter expansion of the Antarctic marginal ice zone // Cryosphere. 2019. V. 13. N 1. P. 41–48. https://doi.org/10.5194/tc-13-41-2019
  7. Zhang J., Schweiger A., Steele M., Stern H. Sea ice floe size distribution in the marginal ice zone: Theory and numerical experiments // Journal of Geophysical Research: Oceans. 2015. V. 120. N 5. P. 3484–3498. https://doi.org/10.1002/2015jc010770
  8. Lu P., Li Z.J., Zhang Z.H., Dong X.L. Aerial observations of floe size distribution in the marginal ice zone of summer Prydz Bay // Journal of Geophysical Research: Oceans. 2008. V. 113. N 2. P. C02011. https://doi.org/10.1029/2006jc003965
  9. Toyota T., Takatsuji S., Nakayama M. Characteristics of sea ice floe size distribution in the seasonal ice zone // Geophysical Research Letters. 2006. V. 33. N 2. P. L02616. https://doi.org/10.1029/2005gl024556
  10. Toyota T., Haas C., Tamura T. Size distribution and shape properties of relatively small sea-ice floes in the Antarctic marginal ice zone in late winter // Deep-Sea Research Part II: Topical Studies in Oceanography. 2011. V. 58. N 9-10. P. 1182–1193. https://doi.org/10.1016/j.dsr2.2010.10.034
  11. Stern H.L., Schweiger A.J., Zhang J., Steele M. On reconciling disparate studies of the sea-ice floe size distribution // Elementa. 2018. V. 6. P. 49. https://doi.org/doi.org/10.1525/elementa.304
  12. Морской энциклопедический справочник. Т. 2 / под ред. Н.Н. Исанина. Ленинград: Судостроение, 1987. 520 с.
  13. Leshkevich G.A. Machine classification of freshwater ice types from Landsat - I digital data using ice albedos as training sets // Remote Sensing of Environment. 1985. V. 17. N 3. P. 251–263. https://doi.org/10.1016/0034-4257(85)90098-7
  14. Leshkevich G.A., Nghiem S.V. Satellite SAR remote sensing of Great Lakes ice cover, part 2. Ice classification and mapping // Journal of Great Lakes Research. 2007. V. 33. N 4. P. 736–750. https://doi.org/10.3394/0380-1330(2007)33[736:SSRSOG]2.0.CO;2
  15. Nghiem S.V., Leshkevich G.A. Satellite SAR remote sensing of Great Lakes ice cover, part 1. Ice backscatter signatures at C band // Journal of Great Lakes Research. 2007. V. 33. N 4. P. 722–735. https://doi.org/10.3394/0380-1330(2007)33[722:SSRSOG]2.0.CO;2
  16. Nghiem S.V., Leshkevich G.A. Advancing a satellite synthetic aperture radar (SAR) ice classification algorithm // 54th Annual Conference on Great Lakes Research. International Association for Great Lakes Research: Abstract Book. 2011. P. 181.
  17. Schertler R.J., Mueller R.A., Jirberg R.J., Cooper D.W., Heighway J.E., Holmes A.D., Gedney R.T., Mark H. Great Lakes All-weather Ice Information System: NASA Technical Memorandum NASA TM X-71815.1975.
  18. Leshkevich G., Nghiem S.V. Great Lakes ice classification using satellite C-band SAR multi-polarization data // Journal of Great Lakes Research. 2013. V. 39. P. 55–64. https://doi.org/10.1016/j.jglr.2013.05.003
  19. Kamangir H., Rahnemoonfar M., Dobbs D., John Paden D., Fox G. Detecting ice layers in radar images with deep learning. 2018.
  20. Birnbaum G., Lüpkes C. A new parameterization of surface drag in the marginal sea ice zone // Tellus, Series A: Dynamic Meteorology and Oceanography. 2002. V. 54. N 1. P. 107–123. https://doi.org/10.3402/tellusa.v54i1.12121
  21. Zhang Q., Skjetne R. Image processing for identification of sea-ice floes and the floe size distributions // IEEE Transactions on Geoscience and Remote Sensing. 2015. V. 53. N 5. P. 2913–2924. https://doi.org/10.1109/tgrs.2014.2366640
  22. Smith D., Barrett E., Scott J. Sea-ice type classification from ERS-1 SAR data based on grey level and texture information // Polar Record. 1995. V. 31. N 177. P. 135–146. https://doi.org/10.1017/S0032247400013632
  23. Shen X., Zhang J., Meng J., Zhang J., Ke C. Sea ice type classification based on random forest machine learning with Cryosat-2 altimeter data // Proc. of the International Workshop on Remote Sensing with Intelligent Processing (RSIP). 2017. P. 7958792. https://doi.org/10.1109/rsip.2017.7958792
  24. Aksenov Y., Bateson A.W., Feltham D.L., Schröder D., Hosekova L., Ridley J.K., Impact of sea ice floe size distribution on seasonal fragmentation and melt of Arctic sea ice // Cryosphere. 2020. V. 14. N 2. P. 403–428. https://doi.org/10.5194/tc-14-403-2020
  25. Johannessen O.M., Bobylev L.P., Shalina E.V., Sandven S. Sea Ice in the Arctic: Past, Present and Future. Springer Polar Sciences, 2020. X, 575 p. https://doi.org/10.1007/978-3-030-21301-5
  26. Тимофеев А.В. Инвариантный к линейным конформным преобразованиям алгоритм обнаружения размытого изображения целевого объекта малого размера // Научно-технический вестник информационных технологий, механики и оптики. 2021. Т. 2.№ 2. С. 206–224. https://doi.org/10.17586/2226-1494-2021-21-2-206-224
  27. Cristianini N., Shawe-Taylor J. An Introduction to Support Vector Machines and Other Kernel-based Learning Methods. Cambridge University Press, 2000. https://doi.org/10.1017/CBO9780511801389
  28. He K., Zhang X., Ren S., Sun J. Deep residual learning for image recognition // Proc. of the 29th IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2016. P. 770–778. https://doi.org/10.1109/cvpr.2016.90
  29. Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer, 2009. XXII, 745 p. https://doi.org/10.1007/978-0-387-84858-7


Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Информация 2001-2022 ©
Научно-технический вестник информационных технологий, механики и оптики.
Все права защищены.

Яндекс.Метрика