Пространственный домен:
Это больше похоже на проблему обработки изображений для меня. Методы кластеризации могут помочь, но какой показатель (расстояние, дисперсия, разрыв ...) и какой алгоритм (k-означает, среднее смещение, EM ...) лучше всего подходит в вашем случае, определяется топологией вашего изображения и особенностями, которыми вы являетесь собираюсь использовать. Вы можете реализовать объединение изображений для средних и мелких растров. Затем попробуйте разные методы кластеризации, чтобы увидеть, какая из них дает вам наилучшую точность сегментации по сравнению с вашими исходными средними / мелкими растрами. Могут помочь некоторые стратегии предварительной обработки для определения иерархии пространства масштаба. В главе 3 этого отчета показан один алгоритм сегментации иерархии, в котором вы
(1) построить масштабное пространство;
(2) Найти экстремумы и седла на каждом уровне шкалы;
(3) Свяжите каждую критическую точку на определенном уровне шкалы с соответствующим местоположением на следующем уровне шкалы и найдите критические пути;
(4) Определение иерархии пространства шкалы на основе поиска поверхности изоинтенсивности.
Для методов кластеризации, требующих случайной инициализации, таких как k-means, вы можете использовать найденную иерархию в качестве начальных кластеров и центроид для дальнейшей кластеризации. Кроме того, в зависимости от символов вашего изображения, вы также можете добавить больше функций (таких как изменение текстуры, другая информация о пространстве, кроме пространства RGB и т. Д.) В алгоритмах кластеризации.
Временный домен
Теперь у вас есть изображения с другим масштабом времени, но с тем же разрешением (надеюсь). Если ваша задача прогнозирования заключается в оценке движения некоторых континентов, штормов или осадков, вы можете попробовать оценить движение с помощью фильтра Калмана . Движение для каждого пикселя может быть взвешено внутри соответствующей области (кластера) на основе его метрики по сравнению с центроидом области. Вы можете использовать нейронную сеть для краткосрочного прогнозирования временной последовательности ( глава 3в этом тезисе). А поскольку фильтр Калмана является просто методом реализации правила Байеса, максимальная вероятность может быть применена для оценки состояния. Процедуры оценки состояния могут быть реализованы рекурсивно. Апостериор от предыдущего временного шага проходит через динамическую модель и становится новым предшествующим для текущего временного шага. Затем этот априор может быть преобразован в новый апостериор с использованием текущего наблюдения. В результате итерационные процедуры переоценки параметров, такие как EM, могут использоваться для изучения параметров в фильтре Калмана. Глава 6 того же тезиса и исследование сглаживания Калмана содержат более подробную информацию о параметрах обучения с помощью EM.