Рассматривается задача оценки качества изображений дистанционного зондирования Земли с применением двухслойной искусственной нейронной сети прямого распространения. Актуальность работы обусловлена необходимостью отбора лучших снимков, доставляемых средствами технического зрения с различными оптико-физическими свойствами, в условиях отсутствия эталонов. Для настройки нейронной сети на фрагментах оригинальных и зашумленных изображений применены искусственно созданные эталонные вектора на основе функций принадлежности нечетких множеств, обеспечивающие меньшую ошибку, чем бинарные эталонные вектора. Для проведения экспериментов все изображения, полученные с борта Международной космической станции, были уменьшены в четыре раза, а затем интерполированы с разным качеством методом ближайшего соседа и бикубическим методом. Разработанный подход требует относительно длительного предварительного обучения на подготовленных образцах, но позволяет проводить дообучение нейронной на новых выборках без изменения программного обеспечения. Нейронная сеть позволяет получать результаты, близкие к оценке качества изображений по критерию среднеквадратичного отклонения. Представлен разработанный модуль формирования «тепловых карт», предназначенный для визуализации результатов работы нейронной сети, каждая точка карты сопоставляется с областью анализируемого изображения и имеет соответствующую оценку качества: плохое, среднее, хорошее и отличное.

The problem of quality assessing of Earth remote sensing images using a two-layer artificial neural network of direct distribution is considered. The relevance of the work is due to the need to select the best pictures delivered by means of technical vision with various optical and physical properties, in the absence of standards. To set up a neural network on fragments of original and noisy images, artificially created reference vectors are used based on membership functions of fuzzy sets, which provide a smaller error than binary reference vectors. For the experiments, all images obtained from the International Space Station were reduced by four times, and then interpolated with different quality by the nearest neighbor method and the bicubic method. The developed approach requires a relatively long preliminary training on prepared samples, but allows neural training in new samples without changing the software. A neural network allows you to get results close to assessing the quality of images according to the standard deviation criterion. The developed module for generating «heat maps» is presented, designed to visualize the results of the neural network, each point of the map is compared with the region of the analyzed image and has an appropriate quality rating: poor, average, good and excellent.