نگاهی به رویکرد بافت آماری اعمال شده در میدان های بارندگی رادار آب و هوا

 

روش های تجزیه و تحلیل بافت در کاربردهای مختلف، به عنوان مثال در سنجش از دور استفاده شده است. اگرچه به طور گسترده در مهندسی برق استفاده می شود، کاربرد آن در علوم جوی هنوز محدود است. این مقاله برخی از مفاهیم بافت دیجیتال و رویکرد بافت آماری را مرور می‌کند و آنها را در مجموعه‌ای از نقشه‌های خاص به کار می‌برد تا همبستگی بین اندازه‌گیری‌های بافت مورد استفاده در اکثر مقالات را تحلیل کند. همچنین بهبود روش با آزاد کردن پارامتر فاصله و استفاده از اندازه‌گیری بافت جدید بر اساس واگرایی Kullback-Leibler پیشنهاد شده است. از هشت اندازه گیری آماری استفاده شد: میانگین، کنتراست، انحراف معیار، سایه خوشه، برجستگی خوشه، لحظه دوم زاویه ای، همگنی موضعی و آنتروپی شانون. اندازه‌گیری‌های آماری فوق برای نقشه‌های ساده و مجموعه‌ای از میدان‌های بارندگی اندازه‌گیری شده با رادار هواشناسی اعمال شد. نتایج حاکی از همبستگی بالایی است،به عنوان مثال بین میانگین و کنتراست یا بین لحظه دوم زاویه ای، همگنی محلی و آنتروپی شانون، علاوه بر پتانسیل روش برای تمایز نقشه ها.

کلید واژه ها

طبقه‌بندی تصویر ، نقشه‌های هوای چگالی ، رویکرد بافت آماری

1. مقدمه

تجزیه و تحلیل بافت تصویر در سال های گذشته توجه زیادی را به خود جلب کرده است زیرا پایه مهمی از روش های تشخیص اشیا را تشکیل می دهد [ 1 ] [ 2 ] [ 3 ]. از تکنیک های محاسباتی برای مطالعه و طبقه بندی اشیایی استفاده می کند که معمولاً به خوبی تعریف نشده اند، یعنی برای آنها یک قانون ریاضی دقیق وجود ندارد که بتوان از آن پیروی کرد تا یک پاسخ یا طبقه بندی منحصر به فرد و درست به دست آورد (مثلاً: دایره را می توان تعریف کرد. به عنوان یک شکل هندسی که معادله را برآورده می کند ایکس2+y2=r2x2+y2=r2برای هر نقطه پ( x ، y)P(x,y)متعلق به دایره است، اما چگونه می توان از نظر ریاضی، با معادلات دقیق، چهره انسان را تعریف کرد؟).

چندین روش تجزیه و تحلیل بافت در طول سال ها پیشنهاد شده است [ 1 ] [ 4 ] و به خوبی تشخیص داده شده است که آنها ویژگی های بافت مختلف تصاویر را ثبت می کنند. این تنوع در تعریف بافت [ 5 ] نیز وجود دارد و به هدف کاربرد بستگی دارد.

به طور کلی، رویکردهای بافت به چهار گروه [ 6 ] تقسیم می شوند: آماری، ساختاری، مبتنی بر مدل و تبدیل. در رویکرد آماری، بافت به‌طور غیرمستقیم با ویژگی‌های غیر قطعی که بر توزیع‌ها و روابط بین سطوح خاکستری یک تصویر حاکم است، نشان داده می‌شود. در مقابل، رویکرد ساختاری بافت را به‌وسیله اولیه‌های کاملاً تعریف‌شده (ریزبافت) و سلسله‌مراتب آرایش‌های فضایی (بافت کلان) از آن ابتدایی‌ها نشان می‌دهد. آنها معمولاً به عنوان آهنگ متوسط ​​یا حداکثر سلول هایی که تصویر را تشکیل می دهند تعریف می شوند. بافت با تعداد و انواع اولیه آن و سازمان فضایی یا چیدمان آنها توصیف می شود [ 7 ]]. تجزیه و تحلیل مدل شامل تفسیر بافت تصویر توسط یک مدل تصویر مولد و مدل تصادفی است – پارامترهای مدل تخمین زده می‌شوند و سپس برای تجزیه و تحلیل تصویر استفاده می‌شوند. روش‌های تبدیل، که گاهی رویکرد طیفی نامیده می‌شود [ 8 ]، تصویر را در فضایی دیگر با استفاده از تغییر شکل روی پیکسل‌های اصلی تصویر نشان می‌دهد، جایی که سیستم مختصات تفسیر می‌شود یا با ویژگی‌های بافت مرتبط است (مانند فرکانس). یا اندازه).

کاربرد تحلیل بافت در علوم جوی ناشی از نیاز به تفسیر خودکار رادار یا تصویر ماهواره ای است [ 9 ]. در سال‌های گذشته، بسیاری از دانشمندان برای بهبود تکنیک‌های کالیبراسیون سکوهای رادار [ 10 ] [ 11 ] سخت کار کرده‌اند، نه تنها با مدل‌سازی فیزیکی داده‌ها، بلکه توسعه برنامه‌های اعتبارسنجی برای ارتباط اندازه‌گیری‌های زمینی با داده‌های سنجش از دور [ 12 ] و خودکار. الگوریتم هایی برای شناسایی ویژگی های مربوطه مشاهده شده در تصاویر رادار متأسفانه، ایجاد این الگوریتم ها همچنان یک کار چالش برانگیز است [ 13]، عمدتاً به دلیل تنوع و پیچیدگی سیستم های طبیعی است. بنابراین به نظر می رسد هر گونه بهبودی را می توان بسیار مهم دانست و باید مورد بررسی قرار گیرد.

فرآیند اتوماسیون را می توان به سه بخش [ 14 ] ساختار داد: جمع آوری داده ها یا پیش پردازش داده ها. استخراج ویژگی؛ الگوریتم طبقه بندی در این مقاله، با در نظر گرفتن رویکرد بافت آماری اعمال شده برای سنجش از دور توسط نقشه‌های چگالی، بر مرحله استخراج ویژگی تمرکز می‌کنیم. هدف اصلی درک بهتر روابط بین مجموعه ویژگی های رایج تر مورد استفاده در مقالات بافت آماری و همچنین ارائه روشی جدید از رویکرد بافت آماری است. برای چنین، یک پارامتر فاصله معمولاً به طور موقت به عنوان یک متغیر تعریف می شود و یک بافت آماری جدید بر اساس واگرایی Kullback-Leibler تعریف می شود.

اطلاعات بیشتر در مورد روش‌های بافت را می‌توان در [ 1 ] – [ 7 ] [ 15 ] یافت و ما علاوه بر این بخش مقدمه، مقاله را در سه بخش ساختار دادیم. در بخش 2، بافت آماری و پارامترهای آن ارائه شده است. به دنبال درک این اندازه‌گیری‌های بافت، در بخش 3 آنها از الگوهای مصنوعی ساده و همچنین برخی نقشه‌های چگالی به‌دست‌آمده از رادار آب‌وهوا محاسبه می‌شوند. نتایج نیز در بخش 3 مورد بحث قرار گرفته و نتیجه گیری در بخش 4 ارائه شده است.

2. استخراج ویژگی

بافت را می توان به عنوان جلوه بصری تعریف کرد که با توزیع فضایی سلول ها (کوچکترین ناحیه بدون ابهام تصویر) در مناطق نسبتاً کوچک ایجاد می شود. اگر سلول ها در ناحیه کوچکی از تصویر تنوع کمی داشته باشند، ویژگی غالب آن ناحیه یک تن است، اما اگر به طور گسترده تغییر کنند، ویژگی غالب یک بافت است. از این رو، می توان بافت را با توابع آماری سلول های آنها، کار با ویژگی های سلول ها و روابط متقابل فضایی بین آنها مشخص کرد.

اندازه‌گیری‌های بافت که فقط بر اساس هیستوگرام مقادیر سلول‌های ممکن است، حاوی اطلاعاتی در مورد روابط متقابل فضایی آنها نیست. بنابراین، برای غلبه بر این محدودیت، Haralick [ 7 ] وابستگی فضایی دوبعدی تون‌های خاکستری را در یک ماتریس همزمان برای هر فاصله ثابت و رابطه فضایی زاویه‌ای، که به عنوان ماتریس هم‌وقوع سطح خاکستری (GLCM) شناخته می‌شود، پیشنهاد کرد. در یک تصویر مقیاس خاکستری، GLCM یک ماتریس 256 × 256 است که عناصر آن فرکانسی است که یک سطح خاکستری نسبت به سطح خاکستری دیگر برای یک فاصله و زاویه ثابت رخ می دهد.

اگرچه نتایج به‌دست‌آمده با GLCM رضایت‌بخش است، اما به مقدار زیادی حافظه و زمان محاسباتی نیاز دارد. یک جایگزین ارزان‌تر با عملکرد مشابه، بردار اختلاف سطح خاکستری (GLDV) [ 16 ] است. GLDV بر اساس تفاوت مطلق سطح خاکستری بین جفت سلول هایی است که در فاصله d از هم در زاویه θ با جهت ثابت یافت می شوند – شکل 1 را ببینید . اکنون به جای ماتریس، بردار 256 مختصات داریم که تابع توزیع احتمال را نشان می دهد. پد، θ( متر )Pd,θ(m)از فرکانس های نسبی از m = | m ( i ) − m ( j ) |m=|m(i)−m(j)|، جایی که m ( k )m(k)سطح خاکستری سلول k است.

یک بار پد، θ( متر )Pd,θ(m)ساخته شده است، چندین تابع آماری را می توان برای تمایز بافت استفاده کرد، به عنوان مثال لحظات پد، θ( متر )Pd,θ(m). در این مقاله مجموعه ای از توابع در نظر گرفته شده است که معمولاً در برخی از مقالات علوم جوی استفاده می شود [ 17 ] [ 18 ]:

منظور داشتن μد، θμd,θ، تضاد سیoد، θCod,θ، انحراف معیار، سایه خوشه ای سیسد، θCsd,θ، برجستگی خوشه ای سیپد، θCpd,θ، لحظه دوم زاویه ای یک سمترد، θAsmd,θ، همگنی محلی Lساعتد، θLhd,θ، آنتروپی شانون اسهد، θSed,θ– جدول 1 را برای عبارات ریاضی آنها ببینید. این توابع بر اساس یک بردار فاصله خاص d هستند و دارای میانگین معمولی هستند که باید بر حسب تنوع آهنگ ترجمه شوند. میانگین به ما ایده ای از تفاوت غالب لحن در تصویر می دهد. اگر پایین باشد، آنگاه تن سلول‌ها تغییرات زیادی در d و θ یا یک گرادیان تقریباً ثابت ندارد. از آنجایی که m نمی تواند منفی باشد، کنتراست همبستگی بالایی با میانگین خواهد داشت. انحراف معیار به ما نشان می دهد که سلول ها چقدر با مقدار میانگین تفاوت دارند، یعنی چقدر باریک هستندپد، θ( متر )Pd,θ(m). سایه خوشه چولگی را اندازه گیری می کند پد، θ( متر )Pd,θ(m)و برجستگی خوشه ای صافی نسبی. سه مورد آخر، یک سمترد، θAsmd,θ، Lساعتد، θLhd,θ، و اسهد، θSed,θبه ترتیب اندازه گیری یکنواختی، همگنی و بی نظمی شناخته می شوند. اما همانطور که می توان پرسید، چه تفاوت هایی بین آنها وجود دارد؟

تنها دانش عمومی در مورد این اندازه‌گیری‌های آماری وقتی برای داده‌های جوی اعمال می‌شود، شهود خوبی ارائه نمی‌دهد. سپس برای کسب اطلاعات بیشتر در مورد کاربرد و تفسیر آنها، آنها را بر روی مجموعه ای از نقشه های چگالی انتخاب شده اعمال می کنند که نتایج آن در بخش بعدی مورد بحث قرار می گیرد.

3. کسب اطلاعات

اولین گام، به دست آوردن معیارهای بافت از یک نمونه نقشه دوره ای، شکل 2 (الف) است. مناطق خالی روی سفید تنظیم شده اند، بنابراین مقیاس خاکستری معکوس شده و به گونه ای کوچک می شود که 0 روی سفید و 100 به سیاه تنظیم می شود. از آنجایی که علاقه به نقشه های چگالی است، فقط سلول های با m ( l ) ≠ 0m(l)≠0برای محاسبه استفاده می شود، در غیر این صورت توزیع ها به جابجا می شوند m ( l ) = 0m(l)=0برای سیستم هایی با مساحت کوچک نسبت به مساحت کل تصویر. تمامی تصاویر استفاده شده در این مقاله تصاویری در ابعاد 240 × 240 می باشد.

نقشه چگالی شکل 1 (الف) تغییر تن در محور عمودی ندارد، بنابراین هر اندازه گیری مقدار صفر را در θ = π/ 2θ=π/2. همانطور که انتظار می رود، دوره از

منحنی های شکل 2 (د) مشابه نقشه چگالی است ( شکل 2 (الف)) و سیسد، θCsd,θحداکثر زمانی است که μد، θμd,θحداکثر است و سیپد، θCpd,θزمانی که حداقل است. اما مشاهده جالب، همبستگی بین برخی از اندازه‌گیری‌ها است. شکل 2 (د) به وضوح نشان می دهد که اطلاعات در Lساعتد، θLhd,θبا اطلاعات موجود در یک سمترد، θAsmd,θو اسهد، θSed,θ، اگرچه از نظر نوع اطلاعات ارائه شده مشابه هستند (به ترتیب همگنی، یکنواختی و بی نظمی). همچنین می توان همبستگی مثبت بین اسهد، θSed,θو σد، θσd,θ، و منفی بین یک سمترد، θAsmd,θو σد، θσd,θو همچنین همبستگی منفی بین Lساعتد، θLhd,θو سیoد، θCod,θ. می توان این سؤال را مطرح کرد که آیا اینها ویژگی های کلی این مجموعه اندازه گیری هستند یا خیر. در واقع، این خیلی آشکار نیست.

منحنی های نشان داده شده در شکل 2 (ه) و شکل 2 (f) از نقشه های شکل 2 (ب) و شکل 2 (ج) محاسبه شدند. اکنون، Lساعتد، θLhd,θشبیه است به یک سمترد، θAsmd,θو با رفتار معکوس از اسهد، θSed,θ، یعنی همبستگی مثبت با یک سمترد، θAsmd,θو منفی با اسهد، θSed,θ. همچنین کاهش همبستگی بین اسهد، θSed,θو σد، θσd,θدر شکل 2 (f) و از دست دادن حتی بیشتر از همبستگی بین آنها در شکل 2 (ه).

از آنجایی که تناوب یک ویژگی واضح در شکل 2 (الف) است و در شکل 2 (ج) نیز وجود دارد (اگرچه تفاوت بین آنها وجود دارد)، اما در شکل 2 (ب) وجود ندارد، این مشاهدات نشان دهنده همبستگی بین جفت ها است. اسهد، θSed,θ، σد، θσd,θ} یا { یک سمترد، θAsmd,θ، σد، θσd,θ} به عنوان یک مناسبت احتمالی نقشه های چگالی دوره ای، در حالی که همبستگی بین { یک سمترد، θAsmd,θ، اسهد، θSed,θ} به نظر کلی تر است.

شکل 2 (ج) مشاهدات جالب دیگری را ارائه می دهد. اگر منحنی های بافت برای آن نقشه در π/2 محاسبه شوند، مشابه منحنی های به دست آمده از شکل 2 (ب) خواهند بود. بنابراین، تنظیم θ می تواند برای تشخیص یا گروه بندی نقشه های چگالی بسیار مهم باشد. اما، چگونه می توان آن را تنظیم کرد؟ به هدف بستگی خواهد داشت. برای مثال، اگر هدف گروه بندی نقشه های تناوبی جدا از غیر تناوبی باشد، می توان از تبدیل فوریه بر روی μد، θμd,θمنحنی برای انتخاب پارامتر θ که طیف را با اسپایک فرکانس باریک نشان می دهد. در واقع، به نظر می رسد این زمینه کاربرد خوبی برای واگرایی کولبک-لایبلر (همچنین به عنوان آنتروپی نسبی نیز شناخته می شود) باشد [ 19 ].

واگرایی Kullback-Leibler (KLD) به صورت تعریف شده است

KLD [ P, Q ] =∑مترپ( m ) ln [ ص( m ) / Q ( m ) ]KLD[P,Q]=∑mP(m)ln[P(m)/Q(m)]،(1)

و میزان توزیع احتمال را اندازه گیری می کند پ( متر )P(m)با توزیع احتمال متفاوت است س ( متر )Q(m).

ایده این است که معیار جدید را تعریف کنیم

2λد، θ= KLD [پد، θ،پد، θ + π/ 2] +KLD [پد، θ + π/ 2،پد، θ]2λd,θ=KLD[Pd,θ,Pd,θ+π/2]+KLD[Pd,θ+π/2,Pd,θ](2)

که معیاری از تقارن بین جهات θ و θ + π/2 را ارائه می دهد

شکل 3 نشان می دهد λد، 0λd,0( θ = 0θ=0) از نقشه چگالی مانند شکل 2 (ب) (خط کامل) و شکل 2 (ج) (خط خط تیر) محاسبه می شود. برای نقشه شکل 2 (ج)، در θ = π/ 2θ=π/2توزیع پد، π/ 2( متر )Pd,π/2(m)برای فواصل بزرگتر از 45 سلول به صفر می رسد، بنابراین λد، 0λd,0تعریف نشده و روی صفر تنظیم شده است. در همان شکل 3 ، منحنی خط کامل از نقشه چگالی گاوسی محاسبه شد و بر خلاف نقشه آخر، دارای عرض بیشتر و واپاشی پیوسته (بدون ناگهانی) KLD بیش از d است. این مشاهدات حداقل دو نامزد پارامتر جدید را برای تمایز نقشه‌های چگالی پیشنهاد می‌کنند: زاویه حداکثر واگرایی و عرض KLD بیش از d . علاوه بر مقادیر حداکثر واگرایی یا d برای آن.

علیرغم مناسب بودن این ویژگی‌ها برای تفکیک سیستم‌ها، آنها برای نقشه‌های چگالی کاملاً تعریف شده، یعنی دوره‌ای، متقارن، مشاهده شدند. با این وجود، اطلاعات آنها از اهمیت بالایی برخوردار است زیرا محدودیت هایی را در مورد آنچه می توان انتظار داشت و نحوه استفاده از آنها را مشخص می کند.

برای دریافت اطلاعات کمی بیشتر، سه نقشه چگالی سیستم‌های بارندگی در شرق ایالت سائوپائولو اندازه‌گیری شده توسط رادار هواشناسی سائوپائولو (SPWR) انتخاب شدند. این نقشه ها نرخ بارندگی رادار در ارتفاع 3 کیلومتری در شعاع 240 کیلومتری را نشان می دهد و نسیم دریا، جبهه سرد و نوارهای پراکنده را نشان می دهد – شکل 4(a)-(c).

منحنی های بافت رسم شده در شکل 4 (د)، برخی از ویژگی های جالب سیستم های بارش مربوطه را نشان می دهد. شباهت بین نقشه جبهه سرد (CF) و باندهای پراکنده (DB) شکل 4 (ب) و شکل 4 (ج) در منحنی‌های بافت بازتولید شده است – که توسط برخی نویز رادار تشدید شد که باعث ایجاد نوار دایره‌ای از بارش شد. بر میزان بارش در پایین شکل 4 (ب) تأثیر می گذارد. این شباهت به دلیل وجود یک هسته بزرگ در هر دو نقشه در تقابل با نقشه نسیم دریا (SB) بود که خوشه های زیادی را ارائه می دهد. وجود این خوشه ها در SB باعث ایجاد نوسان در منحنی های بافت آن می شود ( مثلاًμد، θμd,θدر شکل 4 (d)) که با d افزایش می یابد ، در حالی که منحنی های بافت از CF و DB صاف تر هستند. اگر هسته‌های CF و DB همگن یا متقارن‌تر بودند، منحنی‌های بافت آنها بیشتر شبیه منحنی‌های به‌دست‌آمده از نقشه چگالی گاوسی بود ( شکل 2 (e)) و اگر θ با خط تشکیل SB تنظیم شده بود و اگر منظم‌تر بود، منحنی‌های بافت آن مشابه منحنی‌های به‌دست‌آمده از نقشه چگالی جزایر، شکل 2 (f) است.

با وجود این بی نظمی های طبیعی در نقشه های تراکم آب و هوا، این اقدامات آماری برای تمایز یا گروه بندی SB، CF و DB کافی بود. به عنوان مثال یک سمترد، θAsmd,θمی توان برای گروه بندی CF با DB و جدا کردن آنها از SB استفاده کرد سیسد، θCsd,θمی توان برای تشخیص CF از DB استفاده کرد.

این احتمالات جدید از استفاده از d به عنوان متغیری به دست می آیند که نه تنها اطلاعات جدیدی را در مورد معیارهای آماری قدیمی به ارمغان می آورد، بلکه می تواند برای تعریف موارد جدید نیز استفاده شود – به عنوان مثال، اندازه گیری λد، θλd,θدر معادله (2) تعریف شده است.

شکل 4 (ه) نشان می دهد λد، 0λd,0برای نقشه های چگالی شکل های 4(a)-(c). اگرچه SB در موقعیت خوبی قرار دارد، جزایر کوچکی از بارش وجود دارند که توزیع احتمالات غیر صفر باقیمانده را برای d بزرگ ایجاد می کنند ، اما در عین حال، تقریباً جزایر ساختار مشابه یا مشابهی دارند. λد، 0λd,0کوچک و تقریبا ثابت در مقایسه با CF و DB. علاوه بر این، عدم تقارن در CF و DB نه تنها در بزرگی بلکه در رابطه با مقیاس (فاصله d ) به وضوح متمایز است.

همانطور که در مقدمه ذکر شد، علاقه به دریافت اطلاعات بیشتر در مورد اندازه‌گیری‌های بافت آماری است ( جدول 1 ). بنابراین، ضرایب همبستگی ( ρ ) منحنی های بافت از مجموعه ای از 5535 نقشه بارش محاسبه شد. همبستگی بین منحنی‌های بافت از همان نقشه محاسبه شد و همانطور که انتظار می‌رفت، بالاترین ضرایب متوسط​​(بقیه رها حدود 0.5 یا کمتر هستند) محاسبه شد.ρ ( μ ، Co ) =0.036±0.953ρ(μ,Co)=0.953±0.036، ρ ( μ ، σ) = 0.037 ± 0.964ρ(μ,σ)=0.964±0.037 ، ρ ( Co , σ) = 0.048 ± 0.943ρ(Co,σ)=0.943±0.048، ρ ( σ، اسe ) =0.074±0.929ρ(σ,Se)=0.929±0.074و ρ ( A s m , L h ) = 0.884 ± 0.143ρ(Asm,Lh)=0.884±0.143. این نشان دهنده نوعی افزونگی بین این آمار است و می توان از آن برای کاهش مجموعه اندازه گیری بافت استفاده کرد. البته اهمیت آن در روش هایی که از منحنی های بافت به جای نقاط (با d ثابت) استفاده می کنند، اهمیت بیشتری دارد. سپس، ما همچنین d را ثابت کردیم و ρ را برای همان مجموعه نقشه‌های بارش محاسبه کردیم. در حال حاضر همبستگی ها بین آمار محاسبه شده از نقشه های مختلف و با د= 1d=1، مانند تقریباً در مقالات. در تقابل با حساب آخر، ضرایب بیشتری دارای مقادیر بالایی هستند: ρ ( μ ، Co ) =0.981ρ(μ,Co)=0.981، ρ ( μ ، σ) = 0.945ρ(μ,σ)=0.945، ρ ( μ ، Cs ) =0.937ρ(μ,Cs)=0.937، ρ ( μ ، L h ) = – 0.801ρ(μ,Lh)=−0.801، ρ ( μ ، Se ) =0.873ρ(μ,Se)=0.873، ρ ( Co , σ) = 0.922ρ(Co,σ)=0.922، ρ ( Co ، Cs ) =0.926ρ(Co,Cs)=0.926، ρ ( σ، سیs ) =0.794ρ(σ,Cs)=0.794، ρ ( σ، اسe ) =0.895ρ(σ,Se)=0.895، ρ ( A s m ، L h ) = 0.966ρ(Asm,Lh)=0.966، ρ ( A s m , Se ) =0.951_ρ(Asm,Se)=−0.951و ρ ( L h , Se ) =0.939-_ρ(Lh,Se)=−0.939. بزرگ | ρ ( x ، y) ||ρ(x,y)|به این معنی است که x و y نزدیک به همبستگی خطی هستند و بنابراین ارتباط نزدیکی دارند. اگرچه نمی توان گفت که x و y به هم مرتبط نیستند اگر | ρ ( x ، y) ||ρ(x,y)|کوچک است، وابستگی بین آنها برای بزرگ است | ρ ( x ، y) ||ρ(x,y)|واضح است. بنابراین، می توان انتظار داشت ظرفیت بالایی برای تمایز الگوها با استفاده از منحنی های بافت نسبت به نقاط بافت ( d ثابت) داشته باشد. پیچیدگی محاسباتی که ظاهراً در استفاده از منحنی‌های بافت افزایش می‌یابد، می‌تواند با کاهش اندازه‌گیری‌های آماری مورد استفاده و با ساده‌سازی احتمالی الگوریتم‌های متمایز جبران شود، یعنی امکان غیرخطی بودن بهتر در مجموعه منحنی‌های بافت نشان داده شود. سنتی، به دلیل وابستگی خطی کوچکتر بین اندازه گیری ها.

برخی از نویسندگان از این بافت های آماری به عنوان ورودی برای الگوریتم های متمایز ( مانند شبکه های عصبی مصنوعی) بدون درک عمده از معنای آنها استفاده کرده اند. در نتیجه، معمولاً d روی 1 و θ روی 0 [ 17 ] [ 18 ] یا مقدار کمی بیشتر [ 20 ] تنظیم می‌شود و غیرخطی بودن بالای نقشه‌ها را به الگوریتم تفکیک منتقل می‌کند. اگرچه این می تواند برای برخی از سیستم ها کافی باشد، اما سیستم های جوی دینامیک پیچیده ای را ارائه می دهند که می تواند عملکرد الگوریتم طبقه بندی را به میزان قابل توجهی کاهش دهد. با تنظیم d به عنوان متغیر مستقل اندازه گیری بافت و در نظر گرفتن اندازه گیری λد، θλd,θهمانطور که در شکل 3 نشان داده شده است، نقشه های بارش را می توان آسانتر تشخیص داد . علاوه بر این، می توان اطلاعاتی در مورد عرض جزایر در داخل نقشه چگالی و همچنین توزیع فضایی آنها به دست آورد – مانند نقشه های شکل 2 (ج) و شکل 4 (الف). اگر θ نیز به عنوان متغیر مستقل دیگری تعریف شود، می توان اطلاعاتی در مورد جهت گیری جزایر به دست آورد.

ضرورت اطلاعات هندسی از تمایل سیستم‌های بارشی به داشتن توزیع و جهت‌گیری مکانی خاص ناشی می‌شود [ 21 ]. در [ 22 ]، علاوه بر ویژگی‌های بافت، نویسندگان از اندازه، طول محور اصلی، خروج از مرکز و فشردگی نقشه‌های چگالی به عنوان ورودی شبکه‌های عصبی مصنوعی برای تشخیص سیستم‌های فرونتال از همرفتی استفاده کردند. آنها از یک الگوریتم تقسیم بندی برای محاسبه چنین ورودی های هندسی استفاده کردند. بنابراین، تنظیم d و/یا θ به عنوان متغیر و با مقدمه اندازه گیری λد، θλd,θانتظار می رود استفاده از توصیف کننده های شکل در کنار اندازه گیری بافت دیگر ضروری نباشد.

4. نتیجه گیری

در این مقاله، افزونگی اطلاعات در مجموعه رایج‌تر ویژگی‌های بافت آماری و مناسب بودن بالقوه آن برای تمایز الگوها، حتی الگوهای پیچیده مشتق شده از رادار، نشان داده شد. در روش GLDV، سیoد، θCod,θاطلاعات قابل توجهی را که در آن وجود ندارد ارائه نمی دهد μد، θμd,θیا σد، θσd,θ. به همین ترتیب، زیر مجموعه اندازه گیری ها { A sمترد، θ، الساعتد، θ، اسهد، θ}{Asmd,θ,Lhd,θ,Sed,θ}را می توان با توجه به هدف اصلی به زیر مجموعه هایی از دو یا یک عنصر تقلیل داد یک سمترد، θAsmd,θرا می توان ترجیح داد اسهد، θSed,θ، اگر متغییرهای نرمال شده می خواهند. علاوه بر این، استفاده از اندازه گیری جدید پیشنهاد شده، λد، θλd,θ، بهبودهای بالقوه را در هزینه محاسباتی و عملکرد الگوریتم های طبقه بندی نشان داد.

از آنجایی که سیستم‌های رسوب‌دهنده نسبتاً سریع در یک چارچوب مکانی-زمانی تکامل می‌یابند و با توجه به نیاز به تحلیل و پیش‌بینی بهتر بارندگی بر اساس اندازه‌گیری‌های رادار آب‌وهوا بر روی هر سیستم هشدار زمان واقعی، روش ارائه‌شده در اینجا می‌تواند به عنوان یک ابزار پشتیبانی در تجزیه و تحلیل بارش استفاده شود. روش های پیش بینی.

منابع

 

[ 1 ]	Humeau-Heurtier, A. (2019) روش‌های استخراج ویژگی بافت: یک بررسی. دسترسی IEEE، 7، 8975-9000. https://doi.org/10.1109/ACCESS.2018.2890743
[ 2 ]	Varghese، BA، Cen، SY، Hwang، DH و Duddalwar، VA (2019) تجزیه و تحلیل بافت تصویربرداری: آنچه رادیولوژیست ها باید بدانند. مجله آمریکایی Roentgenology، 212، 520-528. https://doi.org/10.2214/AJR.18.20624
[ 3 ]	Gandhimathi، AU و Vasuki، S. (2022) اهمیت ویژگی‌های بافت در بخش‌بندی تصاویر سنجش از راه دور. اپتیک، 249، شناسه مقاله: 168241. https://doi.org/10.1016/j.ijleo.2021.168241
[ 4 ]	بیانکونی، F.، فرناندز، A.، Smeraldi، F. and Pascoletti، G. (2021) توصیفگرهای رنگ و بافت برای تشخیص بصری: مروری تاریخی. مجله تصویرسازی، 7، 245. https://doi.org/10.3390/jimaging7110245
[ 5 ]	Coggins، JM (1982) چارچوبی برای تجزیه و تحلیل بافت بر اساس فیلتر فضایی. دکتری پایان نامه، دانشگاه ایالتی میشیگان، لنسینگ شرقی.
[ 6 ]	Materka, A. and Strzelecki, M. (1988) روشهای تحلیل بافت: مروری. گزارش COST B11، دانشگاه فنی لودز، اتاوا.
[ 7 ]	Haralick, RM (1979) رویکردهای آماری و ساختاری به بافت. مجموعه مقالات IEEE، 67، 786-804. https://doi.org/10.1109/PROC.1979.11328
[ 8 ]	Gonzales, RC and Woods, RE (2018) پردازش تصویربرداری دیجیتال. نسخه چهارم، Pearson Education Limited، Essex.
[ 9 ]	Shanmugan, KS, Narayanan, V., Frost, VS, Stiles, JA and Holtzman, JC (1981) ویژگیهای بافتی برای تجزیه و تحلیل تصاویر رادار. Transactions on Geoscience & Remote Sensing, 19, 153-156. https://doi.org/10.1109/TGRS.1981.350344
[ 10 ]	Sharif, RB, Emad, HH and El Saadani, M. (2020) ارزیابی محصولات رادار-بارندگی بیش از ساحل لوزیانا. سنجش از دور، 12، 1477. https://doi.org/10.3390/rs12091477
[ 11 ]	هراچویتز، ام.، و همکاران. (2013) یک دهه پیش بینی در حوضه های اندازه گیری نشده (PUB) – مروری. مجله علوم هیدرولوژیکی، 58، 1198-1255. https://doi.org/10.1080/02626667.2013.803183
[ 12 ]	Pereira Filho، AJ و Nakayama، PT (2001) مقایسه متقابل برآوردهای بارش رادار و اندازه‌گیری‌های باران سنج در سائوپائولو، برزیل. پنجمین سمپوزیوم بین المللی کاربردهای هیدرولوژیکی رادار آب و هوا، کیوتو، ژاپن.
[ 13 ]	راوال، ام.، و همکاران. (2021) ابزار تجزیه و تحلیل پیش بینی خودکار برای پیش بینی بارندگی. گزارش های علمی 11 مقاله شماره 17704 https://doi.org/10.1038/s41598-021-95735-8
[ 14 ]	Duda, RO, Hart, PE and Stork, DG (2000) طبقه بندی الگو. ویرایش دوم، وایلی-اینترساینس، نیویورک.
[ 15 ]	Haralick, RM, Shanmugan, K. and Dinstein, I. (1973) Textural Features for Image Classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3, 610-621. https://doi.org/10.1109/TSMC.1973.4309314
[ 16 ]	Weska, JS, Dyer, CR and Rosenfeld, AA (1976) مطالعه مقایسه ای معیارهای بافت برای طبقه بندی زمین. IEEE Transactions on Systems, Man, and Cybernetics, SMC-6, 2269-2285. https://doi.org/10.1109/TSMC.1976.5408777
[ 17 ]	Chen, QW, Sengupta, SK and Welch, RM (1989) طبقه‌بندی میدان ابری بر اساس ویژگی‌های بافتی با وضوح فضایی بالا II-رویکردهای برداری ساده شده. مجله تحقیقات ژئوفیزیک، 94، 14749-14765. https://doi.org/10.1029/JD094iD12p14749
[ 18 ]	Ameur, Z., Ameur, S., Adane, A., Sauvageot, H. and Bara, K. (2004) طبقه بندی ابرها با استفاده از ویژگی های بافتی تصاویر Meteosat. مجله بین المللی سنجش از دور، 25، 4491-4503. https://doi.org/10.1080/01431160410001735120
[ 19 ]	کاور، TM و توماس، JA (2006) عناصر نظریه اطلاعات. نسخه دوم، جان وایلی و پسران شرکت، هوبوکن.
[ 20 ]	Nurtanio, I., Zainuddin, Z. and Setiadi, BH (2019) طبقه‌بندی ابر بر اساس ویژگی‌های بافت تصاویر. سری کنفرانس های IOP: علم و مهندسی مواد، 676، شناسه مقاله: 012015. https://doi.org/10.1088/1757-899X/676/1/012015
[ 21 ]	Pereira Filho، AJ و Silva، FDS (2005) مورفولوژی سیستم‌های بارش گرمسیری و اهمیت هیدرولوژیکی آنها. سی و دومین کنفرانس هواشناسی رادار، بوستون.
[ 22 ]	والتر، A. و بنارتز، R. (2006) تجزیه و تحلیل نوع بارش مبتنی بر رادار در منطقه بالتیک. Tellus A, 58, 331-343. https://doi.org/10.1111/j.1600-0870.2006.00183.x