ОБРОБКА СУПУТНИКОВИХ ЗНІМКІВ З ВИКОРИСТАННЯМ АПАРАТУ ТЕОРІЇ НЕЧІТКИХ МНОЖИН
Анотація
Теорія нечітких множин – це розділ прикладної математики, присвячений методам аналізу та обробки невизначених та неточних даних. Основним поняттям даної теорії є функція приналежності. Функція приналежності визначає ступінь приналежності деякого елемента чи об’єкта до нечіткої множини. Теорія нечітких множин може точно описувати математичні моделі складних природних об’єктів і процесів та широко застосовується у різних сферах, таких як: інформатика, штучний інтелект, розпізнавання образів та інші. Ця теорія використовується для моделювання, аналізу, вивчення різних складних систем із невизначеними даними. Теорія нечітких множин є важливим математичним інструментом у дистанційному зондуванні Землі. Поняття «нечіткої множини» застосовуються у таких задачах класифікування, де звичайні методи класифікування дають неточні результати. Дана теорія описує класи земного покриву зі ступенями приналежності об’єкта кожному із цих класів. Цей математичний підхід застосовується при роботі із неточними та невизначеними границями між класами. Застосування нечітких множин надає можливість будувати більш реалістичні моделі для вирішення задач дистанційного зондування. Зазначено, що запропонована теорія відіграє важливу роль у задачах обробки супутникових знімків при вирішення задач дистанційного зондування Землі, оскільки дана методика дає змогу точно охопити структуру супутникового зображення. Описано деякі логічні операції з нечіткими числами із застосуванням методу альфа-зрізів. Розглянуто на числових прикладах логічні операції з нечіткими числами. Детально проаналізовано нечітку кластеризацію методом C-середніх. Зазначено, що даний підхід широко застосовується для проведення неконтрольованого класифікування супутникових зображень. Він дозволяє пікселям належати до декількох класів із різним ступенем приналежності, на відміну від інших відомих методів кластеризації. Нечітка кластеризація методом C-середніх використовується для обробки, аналізу та класифікування змішаних пікселів. Апарат теорії нечітких множин може бути застосований для вирішення таких актуальних та важливих задач дистанційного зондування Землі, як: сільськогосподарські задачі, моніторинг водних ресурсів, класифікування рослинності, розв’язок екологічних та геологічних задач.
Посилання
2. Binaghi E., Madella P., Montesano M. G., Rampini A. Fuzzy contextual classification of multiresource remote sensed images. IEEE Transactions on Geoscience and Remote Sensing. 1997. Vol. 35(2). P. 326–340.
3. Blonda P. N., Pasquariello G., Losito S., Mori A., Posa F., Ragno, D. An experiment for the interpretation of multitemporal remotely sensed images based on a fuzzy logic approach. Int. J. Remote Sensing. 1991. Vol. 12(3). P. 463–476.
4. Cannon R., Dave J., Bezdek J. C., Trivedi M. Segmentation of a thematic mapper image using the fuzzy c-means clustering algorithm. IEEE Trans. Geo. and Remote Sensing. 1986. Vol. 24(3). P. 400–408.
5. Canters F. Evaluating the uncertainty of area estimates derived from fuzzy land-cover classification. Photogrammetric Engineering and Remote Sensing. 1997. Vol. 63(4). P. 403–414.
6. Chang C. I. Hyperspectral data processing. Algorithm design and analysis. Hoboken, N J: John Willey and Sons. 2013. 1164 p.
7. Dubois D., Prade Н. Fundamentals of Fuzzy sets. Boston: Kluwer Academic Publishers. 2000. P. 125–193.
8. Dutta P., Boruah H., Ali Т. Fuzzy arithmetic with and without using a-cut method: a comparative study. International Journal of Latest trends in Computing. 2011. Vol. 2 (1). P. 99–108.
9. Fisher P. F., Pathirana S. The evaluation of fuzzy membership of land cover classes in the suburban zone. Remote Sensing of the Environment. 1990. Vol. 34. P. 121–132.
10. Gopal S., Woodcock C. Theory and methods for accuracy estimation of thematic maps using fuzzy sets. Photogrammetric Engineering and Remote Sensing. 1994. Vol. 60. P. 181–188.
11. Kaufman A., Gupta M. M. Introduction to Fuzzy Arithmetic, Theory and applications. Van Nostrand Reinhold Co. Inc., Workingham, Berkshire. 2003. 361 p.
12. Kent J. T., Mardia K. V. Spatial Classification Using Fuzzy Membership Models. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1988. Vol. 10(5). P.659–671.
13. Lu D., Weng Q. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing. 2007. Vol. 28(5). P. 823–870.
14. Wang E. Improving Remote Sensing Image Analysis through Fuzzy Information Representation. Photogrammetric Engineering and Remote Sensing. 1990. Vol. 56(8). P.1163–1169.

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
ISSN 



