ВКА им. А. Ф. Можайского (Кафедра «Математическое и программное обеспечение», Профессор)
Россия
Россия
Россия
Аннотация. Затрагивается проблема обработки полуструктурированных и неструктурированных данных дистанционного зондирования Земли, полученных различными способами, включая спутники и беспилотные летательные аппараты. Целью статьи является исследование и реализация алгоритмов для эффективной очистки и предобработки полуструктурированных и неструктурированных данных дистанционного зондирования Земли. Подчеркивается важность очистки этих данных от шума, артефактов и ошибок для повышения их точности и значимости в прикладных научных исследованиях и практическом применении. Рассматриваются ключевые методики предобработки данных, включая удаление шума, коррекцию искажений, классификацию, сегментацию и стандартизацию данных, теоретические положения подкрепляются практическими примерами на Python с использованием таких библиотек, как GDAL, OpenCV и scikit-image. Приводятся примеры обнаружения воздушно-космических и транспортных объектов при помощи машинного обучения и глубокого обучения, подчеркивается значимость метрик точности, полноты и F1-Score при оценке качества очистки данных. Практическая значимость исследования заключается в оценке эффективности методов очистки данных, используемых для восстановления изображений при дистанционном зондировании Земли.
дистанционное зондирование Земли, предобработка данных, очистка данных, машинное обучение, глубокое обучение, фильтрация шума, коррекция искажений, классификация данных, сегментация изображений, воздушно-космические объекты, GDAL, OpenCV, scikit-image
1. Beyond a Gaussian denoiser: residual learning of deep CNN for image denoising / K. Zhang [et al.] // IEEE Transactions on Image Processing. 2017. P. 3142–3155.
2. Компьютерное зрение. Современные методы и перспективы развития / ред. Р. Дэвис, М. Терк; пер. с англ. В. С. Яценкова. М.: ДМК Пресс, 2022. 690 с.
3. Никитин Г. Ю. Повышение качества изображения на базе алгоритмов нейронных сетей // Компьютерные системы и сети: материалы 54-й научной конференции аспирантов, магистрантов и студентов (Минск, Беларусь, 23–27 апреля 2018 г.). Минск: Белорусский гос. ун-т информатики и радиоэлектроники, 2018. С. 242–244.
4. Булыга Ф. С., Курейчик В. М. Метод понижения шума на цифровых изображениях // Мировые научные исследования и разработки в эпоху цифровизации: материалы XV Международной научно-практической конференции (Ростов-на-Дону, Россия, 25 ноября 2021 г.): в 2 ч. Ч. 1. Ростов н/Д.: Изд-во Южного университета (ИУБиП), 2021. С. 143–147.
5. Кислянский Г. Н., Нестругина Е. С. Восстановление расфокусированных и смазанных изображений // Вестник Донецкого национального университета. Серия Г: Технические науки. 2020. № 4. С. 41–53.
6. Learning to Estimate and Remove Non-uniform Image Blur / F. Couzinié-Devy [et al.] // Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2013) (Portland, OR, USA, 23–28 June 2013). Institute of Electrical and Electronics Engineers, 2013. P. 1075–1082. DOI:https://doi.org/10.1109/CVPR.2013.143
7. Вершовский Е. А. Роевой алгоритм оптимизации в задаче кластеризации мультиспектрального снимка // Известия Южного федерального университета. Технические науки. 2010. № 5(106). С. 102–107.
8. Вершовский Е. А. Метод контроля качества кластеризации мультиспектрального изображения // Известия Южного федерального университета. Серия «Технические науки». 2010. № 7(108). С. 191–198.
9. Кузнецов А. А., Опарин А. Н., Шишкин В. А. Поиск и распознавание объектов на базисе нейросетевых алгоритмов и нейропроцессорных технологий // Прикладная физика. 2006. № 5. С. 97–100.
10. Сорокин С. В. Возможности и преимущества взвешенных медианных фильтров для удаления импульсного шума на изображении // Труды XIX Международного симпозиума «Надежность и качество» (Пенза, Россия, 26 мая — 01 июня 2014 г.). Т. 2. Пенза: Пензенский гос. ун-т, 2014. С. 203–204.
