Содержание к диссертации
Введение
1. Анализ методов идентификации объектов поверхности Земли по данным гиперспектральной съемки 13
1.1. Принципы построения систем гиперспектральной съемки Земли 13
1.2. Анализ методов и алгоритмов идентификации объектов земной поверхности по данным от систем гиперспектральной съемки 20
1.3. Основные направления научных исследований идентификации с использованием алгоритмов интеллектуальной обработки данных 33
Основные результаты 40
2. Идентификация объектов поверхности Земли по данным гиперспектральной съемки на основе нечеткой линейной регрессии 43
2.1. Нечеткая линейная регрессия и её применение при определении значений нечетких мер подобия 43
2.2. Построение регрессионной модели спектральной характеристики объекта земной поверхности 49
2.3. Алгоритм идентификации объектов земной поверхности с использованием нечетких мер подобия 51
2.4. Исследование надежности алгоритма идентификации объектов земной поверхности с использованием нечетких мер подобия 52
Основные результаты 63
3. Комплексирование результатов различных решений по идентификации объектов гиперспектральных изображений Земли 65
3.1. Алгоритм комплексирования результатов различных решений по идентификации объектов гиперспектральных изображений 65
3.2. Алгоритмы анализа гиперспектральных изображений, участвующие в идентификации 67
3.3. Исследование надежности алгоритма комплексирования при идентификации объектов гиперспектральных изображений 71
Основные результаты 74
4. Реализация и экспериментальные исследования алгоритмов идентификации объектов по данным гиперспектральной съемкиЗемли 76
4.1. Структура базы данных, основанная на регрессионных моделях спектральных характеристик 76
4.2. Алгоритм и технология идентификации по данным гиперспектральной съемки объектов наблюдаемой сцены 79
4.3. Архитектура программного обеспечения, реализующего алогритмы идентификации объектов по данным гиперспектральной съемки Земли с использованием нечеткой линейной регрессии 91
4.4. Экспериментальная оценка надежности решения задачи идентификации объектов земной поверхности по данным гиперспектральной съемки при использовании алгоритмов на основе нечеткой линейной регрессии 107
Основные результаты 113
Заключение 115
Список литературы
- Основные направления научных исследований идентификации с использованием алгоритмов интеллектуальной обработки данных
- Построение регрессионной модели спектральной характеристики объекта земной поверхности
- Алгоритмы анализа гиперспектральных изображений, участвующие в идентификации
- Архитектура программного обеспечения, реализующего алогритмы идентификации объектов по данным гиперспектральной съемки Земли с использованием нечеткой линейной регрессии
Введение к работе
Актуальность работы. В настоящее время в народном хозяйстве и обороне страны возрастает роль космических исследований, связанных с дистанционным зондированием Земли. Приоритетным направлением в этой области сегодня являются технологии, основанные на гиперспектральной космической съемке. При таком способе наблюдения Земли для каждой точки земной поверхности формируется спектральная характеристика, которая описывает зависимость энергии излучения от длины волны. Спектральная характеристика отражает физико-химические свойства объектов наблюдаемой сцены, что позволяет на качественно новой основе решить трудно формализуемую задачу идентификации объектов земной поверхности. Под идентификацией понимается отнесение того или иного наблюдаемого объекта к типу (например, растительность, водная поверхность и др.) и классу внутри типа (например, деревья, травы, пресная вода и др.).
Применение данных гиперспектральной съемки позволяет решать хозяйственные и военно-прикладные задачи (экологический мониторинг окружающей среды; контроль за состоянием водных, лесных, сельскохозяйственных ресурсов; мониторинг животного и растительного мира; геологическая разведка полезных ископаемых и ряд других важных задач).
За рубежом работы в данном направлении начаты 10-12 лет назад и в настоящее время получают интенсивное развитие. В нашей стране в 2012 году впервые был выведен на орбиту космический аппарат МКА-ФКИ (головной разработчик – НПО им. С.А. Лавочкина), у которого в качестве дополнительной нагрузки была размещена аппаратура гиперспектральной съемки. А в 2013 году на орбиту был выведен космический аппарат «Ресурс-П» производства АО «РКЦ «Прогресс» с гиперспектральной аппаратурой на борту. Остро стоит задача создания технологий обработки гиперспектральной информации в интересах решения ряда важных задач для различных отраслей народного хозяйства.
Процесс обработки данных гиперспектральной съемки является весьма сложным и многоэтапным. Обычно вначале решаются вопросы предварительной обработки, в результате чего гиперспектральные данные приобретают свойства измерительной информации, по ней становится возможным оценивать с требуемой точностью спектральные характеристики объектов, привязанные к координатам земной поверхности. Далее решается задача кластеризации (сегментации) гиперспектральных изображений, т. е. их разделение на области с примерно одинаковыми свойствами. Наконец, осуществляется идентификация объектов наблюдаемой сцены. Это весьма сложный и трудно формализуемый процесс, относящийся к разряду «вечно» решаемых. Поэтому любые новые конструктивные решения заслуживают всяческого внимания.
В качестве математической основы для идентификации объектов на гиперспектральных изображениях автор использует аппарат нечеткой линейной регрессии. Такой выбор основан на том, что нечеткая линейная регрессия позволяет провести идентификацию в условиях неоднозначности. Теоретическую основу для решения этого вопроса составляют труды известных ученых,
таких как Л. Заде, Б. Коско, Э. Мамдани, С.Д. Штовба, H. Lee, H. Tanaka и другие. В Рязанском государственном радиотехническом университете глубокие исследования в этом направлении проводятся д-м техн. наук, профессором Демидовой Л.А.
В то же время автор не исключает возможность принятия более эффективных решений.
Степень разработанности темы. Признанными лидерами в решении задач обработки гиперспектральных изображений являются зарубежные фирмы ITT VIS и Intergraph Corporation (США). Ими создан ряд программных изделий, таких как ENVI, ERDAS IMAGINE, которые получают широкое коммерческое распространение в мире.
В нашей стране активные исследования в данной области ведут: Самарский ракетно-космический центр «Прогресс» и его филиал в Рязани ОКБ «Спектр», Научно-производственная корпорация «РЕКОД», Красногорский завод им. С.А. Зверева, Военно-космическая академия имени А.Ф. Можайского, Научный центр оперативного мониторинга Земли корпорации «Российские космические системы», Рязанский государственный радиотехнический университет, НПО им. С.А. Лавочкина, ЦНИИмаш, Центр Келдыша, НТЦ уникального приборостроения РАН, МГТУ им. Баумана, НИИ «АЭРОКОСМОС», Институт систем обработки изображений РАН (г. Самара), Самарский государственный аэрокосмический университет им. академика С.П. Королева и др.
Эти организации решают вопросы создания гиперспектральной аппаратуры, методик ее калибровки, алгоритмического и программного обеспечения первичной и целевой обработки. Однако центральная задача – идентификация объектов по гиперспектральным изображениям – далека от завершения.
Цель диссертации заключается в создании высокоэффективных алгоритмов идентификации объектов по данным гиперспектральной съемки Земли с использованием аппарата нечёткой линейной регрессии.
Для достижения поставленной цели решаются следующие основные задачи:
проводится анализ методов идентификации объектов поверхности Земли по данным гиперспектральной съемки;
разрабатывается алгоритм идентификации на основе нечеткой линейной регрессии;
создается алгоритм комплексирования различных решений по идентификации объектов наблюдаемой сцены;
разрабатываются структура базы данных хранения спектральных характеристик, алгоритм и технология идентификации объектов по данным гиперспектральной съемки;
проводится экспериментальная оценка надежности решения задачи
идентификации объектов земной поверхности по данным гиперспектральной
съемки при использовании алгоритмов на основе нечеткой линейной регрессии.
Научная новизна диссертации определяется тем, что в ней представлены новые эффективные алгоритмы идентификации объектов по данным гиперспектральной съемки Земли с целью повышения надежности идентификационного решения.
На защиту выносятся следующие новые научные результаты:
алгоритм идентификации объектов поверхности Земли по данным гиперспектральной съемки, основанный на использовании нечеткой линейной регрессии, который позволяет повысить надежность решения этой задачи на 6,2 %;
алгоритм комплексирования результатов различных решений по определению объектов на гиперспектральных изображениях, основанный на рейтинговых оценках и позволяющий повысить надежность идентификации на 7,2 %;
структура базы данных, основанная на регрессионных моделях спектральных характеристик и позволяющая повысить надежность идентификации объектов;
алгоритм и технология идентификации объектов по данным гиперспектральной съемки, основанные на их разделении на типы и классы, что позволило ускорить решение этой задачи.
Практическая ценность работы состоит в том, что на базе предложенных решений спроектирован программный комплекс обработки гиперспектральной информации космического комплекса «Ресурс-П», внедренный в Научном центре оперативного мониторинга Земли корпорации «Российские космические системы» и в Самарском ракетно-космическом центре «Прогресс».
Апробация работы. Основные положения диссертации докладывались и обсуждались на 5-и всероссийских и 3-х международных конференциях:
XV всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях и в образовании. НИТ-2010» (Рязань, 2010);
17-й международной научно-технической конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2012);
XVII всероссийской научно-технической конференции студентов, молодых ученых и специалистов «Новые информационные технологии в научных исследованиях. НИТ-2012» (Рязань, 2012) (2 доклада);
всероссийской научно-технической конференции «Теоретические и прикладные проблемы развития и совершенствования автоматизированных систем управления военного назначения» (ВКА имени А.Ф. Можайского, Санкт-Петербург, 2013);
6-й международной научно-технической конференции «Космонавтика. Радиоэлектроника. Геоинформатика» (Рязань, 2013);
ХХ международной открытой научной конференции «Современные проблемы информатизации» (Елм, США, 2015);
IV всероссийской научно-технической конференции «Актуальные проблемы ракетно-космической техники» («IV Козловские чтения», Самара, 2013);
II всероссийской научно-технической конференции «Теоретические и прикладные проблемы развития и совершенствования автоматизированных систем управления военного назначения» (ВКА имени А.Ф. Можайского, Санкт-Петербург, 2015).
Публикации. По результатам диссертационных исследований опубликованы 23 работы: 12 статей (3 статьи в изданиях по списку ВАК, 1 статья в издании по списку Scopus), 9 тезисов докладов на международных и всероссийских конференциях, 2 свидетельства о регистрации программ.
Внедрение результатов работы. Диссертация выполнена в Рязанском государственном радиотехническом университете. Её результаты в виде алгоритмов и программного обеспечения внедрены в Научном центре оперативного мониторинга Земли корпорации «Российские космические системы», определенном оператором отечественных систем дистанционного зондирования Земли России и в Самарском Ракетно-космическом центре «Прогресс».
Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложений. Основной текст работы включает 116 с., 30 рисунков и 17 таблиц. Список литературы из 149 наименований размещен на 15 с. В приложениях приведены результаты экспериментальных исследований, акты о внедрении результатов диссертации и свидетельства о регистрации программ.
Основные направления научных исследований идентификации с использованием алгоритмов интеллектуальной обработки данных
Космический гиперспектральный снимок содержит подробную информацию о состоянии объектов земной поверхности в момент съемки. Идентификация объектов земной поверхности по такому снимку проводится с использованием методов дешифрирования.
Дешифрирование определяют как процесс изучения снимков с целью идентификации объектов и оценки их значимости [84]. При реализации дешифрирования выполняются: - классификация объектов, в ходе которой оператор относит различные объекты на снимке к определенным классам или кластерам; - идентификация, в ходе которой каждый объект на снимке приписывается с некоторой степенью вероятности к одному из определенных классов.
Дешифрирование (идентификация) может проводиться как вручную – визуальными методами, так и автоматизированными методами с применением мощных компьютеров.
В своей работе А.М. Чандра и С.К. Гош [84] приводят примеры следующих характеристик изображений, используемых при идентификации вручную: – размер объекта, который зависит от масштаба; – форма объекта (или его контуров); – тон объекта, который характеризует его относительную яркость или цвет; – структура изображения, которая определяется взаимным расположением объектов на снимке; – текстура (частота изменений тона в определенной области снимка); – тень, которая дает представление об относительной высоте и профиле объекта; – взаимосвязи, которые определяют закономерности расположения близлежащих объектов; – тип местности, который характеризует территорию с учетом ее топографии, почвенного или растительного покрова и т.д. А.М. Чандра и С.К. Гош [84] выделяют следующие виды дешифрирования визуальными методами.
1. Полевые исследования (если снимок оказывается слишком сложным для анализа и специалист по дешифрированию, несмотря на свои знания и опыт, не в состоянии установить взаимосвязь между объектами на земной поверхности, то для точной идентификации объектов необходимо провести полевые исследования).
2. Дешифрирование по прямым признакам (применяются знания, опыт и аналитические способности специалиста к распознаванию различных структур на снимке и определению их принадлежности к тому или иному классу объектов).
3. Дешифрирование по косвенным признакам (выполняется на основе информации о наличии или отсутствии связанных с объектом косвенных признаков, например границы почв напрямую связаны с рельефом и растительностью).
4. Дешифрирование, основанное на вероятностях [свойства многих объектов и явлений тесно связаны с определенными характеристиками природной среды (например, с сезонностью вызревания зерновых культур), такую информацию часто можно сформулировать в виде вероятностного утверждения и использовать его для дешифрирования].
5. Дешифрирование с помощью измерений [наиболее строгий и точный метод, основанный на использовании количественных взаимосвязей между самим снимком и объектами на нем (например, фотограмметрический анализ стереопар по известным геометрическим параметрам съемки и видимым на стереопаре смещениям объекта позволяет восстановить топографическую модель рельефа)].
6. Выделение на снимке зональностей – участков однородного тона и текстуры изображения (при использовании этого метода оператор обращает внимание на общую структуру изображения, не стараясь распознать отдельные ландшафтные единицы).
Дешифрирование визуальными методами осуществлялось, в основном, до появления мощных компьютеров. При этом применялось относительно простое дешевое оборудование: светостол, специальные измерительные шкалы и мирры, стереоскопы, увеличители и т.д.
Бурное развитие компьютерной техники и микроэлектроники привело к появлению автоматизированных методов анализа данных дистанционного зондирования Земли (ДЗЗ), которые стали представляться в цифровом виде. Компьютер заменил большую часть оборудования, применявшегося ранее при решении задач идентификации объектов земной поверхности по космическим снимкам.
В основе автоматизированного анализа данных ДЗЗ лежат математические методы обработки данных, базирующиеся на исследовании яркостных и спектральных характеристик объектов. При этом исследуются данные из десятков спектральных диапазонов.
Спектральная характеристика в графическом виде представляет собой отображение связи между длиной волны и значениями коэффициентов отражения анализируемого объекта. По оси Х указываются значения длин волн, в которых проводились измерения коэффициентов отражения (обычно в нм или мкм). По оси Y указываются значения коэффициентов отражения в рассматриваемых зонах спектра (в долях единицы либо в процентах). На рис. 1.2 приведен пример спектральной кривой, характерной для фотосинтезирующей растительности.
Построение регрессионной модели спектральной характеристики объекта земной поверхности
Целесообразность использования нечетких мер подобия [42, 50, 51, 84, 89, 143] может быть обоснована тем, что некоторая анализируемая ГСХ объекта может одновременно принадлежать к разным классам (категориям) объектов и алгоритмы «жесткой» идентификации [88] (на основе классических мер подобия, например меры подобия евклидова расстояния, угловой меры подобия) однозначно отнесут анализируемую ГСХ объекта к тем или иным определенным классам, что может быть не всегда верно. Применение алгоритмов «мягкой» идентификации, основанных на применении нечетких мер подобия, позволит более гибко решать задачу идентификации объекта по его ГСХ.
Для расчета значений нечетких мер подобия, используемых для идентификации ГСХ объекта, предлагается использовать нечеткую линейную регрессию как основу нахождения дополнительных признаков уникальности спектральной характеристики [28, 68, 72].
Идентификация ГСХ объекта может быть выполнена на основе уравнения классической линейной регрессии (КЛР) посредством решения задач подбора параметров к и Ъ уравнения (например, в соответствии с методом наименьших квадратов [43]) для анализируемой и эталонных ГСХ: У = к-х + Ь, (21) с последующим вычислением среднеквадратичных отклонений (СКО) невязок анализируемой и эталонных ГСХ, которые могут использоваться как характеристики уникальности при идентификации ГСХ. Если для идентификации ГСХ объекта использовать только одну характеристику уникальности - такую, как СКО, то в ряде случаев ГСХ объектов, имеющие приблизительно равные значения СКО, могут быть отнесены к одному классу, несмотря на то, что форма кривых ГСХ объектов будет различна [24, 25, 49]. В связи с этим для идентификации ГСХ объекта предлагается использовать дополнительные характеристики уникальности, которые могут быть получены на основе уравнения нечеткой линейной регрессии (НЛР) и использованы для расчета нечетких мер подобия [28, 68, 72].
В [108, 109, 134] показано, что наиболее целесообразно использовать уравнение НЛР с асимметричными нечеткими параметрами, так как оно (в отличие от уравнения нечеткой линейной регрессии с симметричными нечеткими параметрами) обеспечивает вычисление значения характеристики уникальности - СКО, которое равно или близко значению, получаемому с помощью уравнения КЛР: Y(x) = А} х + У40, /2 2) где Aj =(a1,c1,d1j и А0 = {a0,c0,d0J - треугольные нечеткие числа (ТНЧ), соответствующие параметрам к и Ъ уравнения КЛР (2.1), представляемые с помощью треугольных функций принадлежности (подробно рассмотренных в [25]) и являющиеся асимметричными нечеткими параметрами уравнения НЛР (2.2).
Под треугольным нечетким числом А принято понимать тройку действительных чисел (a,c,dj5 [c a d\ через которые его функция принадлежности fiA (х) определяется как: (х-с)/(а-с) , еслихє[с,а\, A(x) = Ux- d)/(a- d) , если x є [a, d] , (2.3) 0 в противном случае. Для нахождения параметров a0,c0,d0,a1,c1,d1 уравнения НЛР анализируемой ГСХ решается задача квадратичного программирования для (2.2) из условия [25, 108]: X&/ ao ai jf + j(co +C1 j + i j) + c0 0; d0 0; q 0; dx 0 (y = 1,J), где Яу - значение длины волны для j -го канала гиперспектрометра, g} коэффициента спектрального отражения для Х}.
Для нахождения минимума в (2.4) может быть использован метод неопределенных множителей Лагранжа [36, 43, 44]. Ввиду того, что решение задачи квадратичного программирования методом множителей Лагранжа является весьма трудоемким, целесообразно использование существующих математических методов, позволяющих решать задачи минимизации с ограничениями с применением ЭВМ [1, 4, 11, 12, 21, 81, 83, 100]. В частности, задача квадратичного программирования может быть решена в системе инженерных и научных расчетов MATLAB с применением встроенной функции «quadprog» [3, 73].
Алгоритмы анализа гиперспектральных изображений, участвующие в идентификации
При проведении экспериментальных исследований по проверке надежности алгоритма идентификации объектов земной поверхности с использованием нечетких мер подобия было выявлено, что ни один из алгоритмов (на основе нечетких мер подобия, меры подобия евклидова расстояния, угловой меры подобия) не обладает явным преимуществом перед другими в большинстве случаев. Причем результаты верной идентификации спектральных характеристик в одном случае могут определяться алгоритмом на основе нечеткой меры подобия, а в другом – алгоритмом на основе классической меры подобия.
Для повышения надежности идентификации объектов предлагается одновременно использовать четыре алгоритма идентификации, основанные на мере подобия евклидова расстояния, угловой мере подобия и двух нечетких мерах подобия (2.15) и (2.16). Результаты идентификации от каждого алгоритма будут комплексироваться.
Как уже было отмечено, для повышения качества идентификации анализируемой ГСХ объекта целесообразно выполнение комплексирования частных результатов идентификации (тем или иным образом) [29].
При применении четырех алгоритмов идентификации ГСХ к анализируемой ГСХ и некоторой эталонной ГСХ вычисляются четыре значения: значение меры сходства евклидова расстояния E ; значение угловой меры подобия ; два значения нечетких мер подобия F1 и F2 , вычисленных соответственно с применением формул (2.15), (2.16) и (2.21).
При работе с базой данных, содержащей информацию о K эталонных ГСХ, для анализируемой ГСХ объекта будут получены четыре идентифицирующих набора, каждый из которых является результатом применения одного из четырех алгоритмов идентификации ГСХ и содержит К значений (в соответствии с количеством эталонных ГСХ в БД).
Каждый такой идентифицирующий набор может быть упорядочен по убыванию (возрастанию) значений используемой меры подобия, в результате чего эталонным ГСХ из БД будут присвоены некоторые рейтинговые оценки (порядковые номера в рейтинге).
Пусть RkE - рейтинговая оценка к -й эталонной ГСХ при использовании алгоритма идентификации ГСХ на основе меры подобия евклидова расстояния Е; Rka - рейтинговая оценка к -й эталонной ГСХ при использовании алгоритма идентификации ГСХ на основе угловой меры подобия a; RkF - рейтинговая оценка к й эталонной ГСХ при использовании алгоритма идентификации ГСХ на основе нечеткой меры подобия Fl; RkF2 - рейтинговая оценка к -й эталонной ГСХ при использовании алгоритма идентификации ГСХ на основе нечеткой меры подобия F2 (к = 1,К). Алгоритм комплексирования частных результатов идентификации ГСХ объекта предполагает: - комплексирование частных результатов идентификации, полученных с применением меры сходства евклидова расстояния Е, угловой меры подобия а, а также двух нечетких мер подобия Fl и F2 посредством применения формулы: —к fc +Rk+Rk+Rk) R = ±А h 2- (3.1) - упорядочение эталонных ГСХ из БД по возрастанию усредненных зна чений рейтинговых оценок Rk {к = 1,К). Пусть комплексирующие рейтинговые оценки Rkп ор определены как номера в рейтинге для усредненных оценок Rk (k = l,K). Очевидно, что для дальнейшего анализа целесообразно использовать незначительную часть лучших эталонных ГСХ из БД (от 5 до 10 эталонных ГСХ), имеющих наименьшие значения (порядковые номера) комплексирующих рейтинговых оценок Rпkор. .
После визуального сравнительного анализа результатов идентификации анализируемой ГСХ объекта с помощью некоторого количества лучших эталонных ГСХ из БД, полученных вышеуказанным образом, можно принять окончательное решение о соответствии анализируемой ГСХ объекта некоторой эталонной ГСХ из БД.
Как уже было отмечено, составными частями алгоритма комплексирования являются алгоритмы идентификации на основе меры подобия евклидова расстояния, угловой меры подобия и нечетких мер подобия. Алгоритм идентификации гиперспектральной характеристики на основе меры подобия евклидова расстояния Алгоритм идентификации ГСХ на основе меры подобия евклидова расстояния реализует идентификацию ГСХ с использованием известной евклидовой метрики для вычисления расстояния между двумя точками в J -мерном пространстве [88], определяемой формулой: E-,HVJ УІ) (3.2) где yA - значение коэффициента спектрального отражения (КСО) анализируемой (Analyzed) ГСХ для j -го канала гиперспектрометра; у - значение КСО эталонной (Standard) ГСХ для j -го канала гиперспектрометра; j = l,J .
Архитектура программного обеспечения, реализующего алогритмы идентификации объектов по данным гиперспектральной съемки Земли с использованием нечеткой линейной регрессии
Модуль резервирования запускается службой планирования раз в сутки (моменты времени t1 и t4). Параллельно с интервалом раз в 5 минут служба планирования запускает модуль архивирования, который контролирует количество последних хранимых резервных копий БД на локальной и удаленной ЭВМ (например, моменты времени t3, t4), а также проверяет наличие свежей резервной копии (в моменты времени t2 и t6 такие копии обнаружены). Модуль архивирования начинает архивировать новую созданную «горячую» резервную копию БД при ее наличии (моменты времени t2 и t6), затем копирует полученный архивный файл в папки хранения на локальной и удаленной ЭВМ, стирая устаревшие архивные файлы резервных копий БД. Запуск модуля архивирования не производится, если выясняется, что в это время идет процесс резервирования БД (момент времени t5) или архивируется «свежая» резервная копия БД (момент времени t7).
В аварийном режиме работы, в случае обнаружения сбоев в работе БД, модуль резервирования и восстановления БД выполняет несколько попыток создания резервной копии БД и назначает новую работу по созданию резервной копии БД на следующий день. Все этапы работы по резервированию БД протоколируются в специальном файле отчетов. Восстановление БД проводится путем запуска модуля восстановления при наличии в папке создания резервной копии БД её разархивированной версии либо с помощью выдачи команды восстановления из графической интерфейсной оболочки.
Таким образом, просто и эффективно обеспечивается решение задачи резервного копирования и восстановления БД.
При необходимости для повышения скорости восстановления БД из резервной копии до норматива в один час в автоматизированном режиме необходимо применять аппаратно-программное решение на основе организации кластерной системы. Подробное описание подобной кластерной системы приведено в работе [65].
На основе предложенных в главе 2 и главе 3 алгоритмов идентификации объектов земной поверхности была разработана программа обработки данных гиперспектральной съемки [78]. На рис.4.12 представлено главное окно программы. Алгоритм работы программы представлен на рис. 4.13.
Работа программы проходит следующим образом.
1. После загрузки программы, выполненной в виде динамической библиотеки, осуществляется соединение с БД.
2. В рабочее пространство программы загружаются значения исследуемой ГСХ из текстового файла исходных данных. Пример фрагмента файла исходных данных приведен на рис. 4.14. Как видно из примера, входной файл исследуемой с помощью программы гиперспектральной характеристики состоит из двух столбцов цифровых значений, разделенных запятой. Первый столбец содержит значение длины волны (нм) в виде целых чисел. Второй столбец содержит соответствующие значениям длин волн значения спектральной отражательной способности, представленные в абсолютных величинах (от 0 до 1). Значения отражательной способности выражены в виде вещественных чисел с 6-ю разрядами дробной части, отделенными от целой части точкой. При этом значения входных данных упорядочены по возрастанию значений длины волны. Входной файл примера исследуемой гиперспектральной характеристики содержит 101 строку с цифровыми значениями, что соответствует упорядоченному по значениям длины волны набору значений ГСХ в волновом диапазоне работы гиперспектральной аппаратуры КА «Ресурс-П» (от 0,4 мкм до 0,96 мкм).
3. При необходимости проводится дополнительное нормирование входных значений отражательной способности и длины волны под значения диапазона шкалы длин волн (ШДВ).
4. Посредством применения линейной интерполяции по формуле (4.1) определяются значения спектральной отражательной способности исследуемой ГСХ для значений длины волны ШДВ КА «Ресурс-П» с помощью хранимой в БД процедуры.
5. Для исследуемой ГСХ находится уравнение КЛР (2.1), из которого затем определяются значения коэффициентов k , b и значения СКО для исследуемой характеристики [данные величины в дальнейшем, при необходимости, применяются для верификации результатов решения ЗКП (2.4) – (2.5), применяемых при реализации алгоритма идентификации ГСХ на основе нечетких мер подобия].
Как указано в работах [24, 108], значение коэффициента k уравнения КЛР (2.1) равно значению a1 ТНЧ уравнения НЛР (2.2), а значение коэффициента b равно значению a0 ТНЧ при равных значениях СКО.