Бесплатный автореферат и диссертация по наукам о земле на тему

Обработка разновременных разномасштабных аэрокосмических снимков для выделения изменений при мониторинге территорий

ВАК РФ 25.00.34, Аэрокосмические исследования земли, фотограмметрия

Автореферат диссертации по теме "Обработка разновременных разномасштабных аэрокосмических снимков для выделения изменений при мониторинге территорий"

УДК 528.71

На правах рукописи

8О4606224

Иехиа Хассан Мики Хассан

Л/

ОБРАБОТКА РАЗНОВРЕМЕННЫХ РАЗНОМАСШТАБНЫХ АЭРОКОСМИЧЕСКИХ СНИМКОВ ДЛЯ ВЫДЕЛЕНИЯ ИЗМЕНЕНИЙ ПРИ МОНИТОРИНГЕ ТЕРРИТОРИЙ

25.00.34 - «Аэрокосмические исследования Земли, фотограмметрия»

Автореферат диссертации на соискание ученой степени кандидата технических наук

Новосибирск - 2010

2 I, ИЮН

004606224

Работа выполнена в ГОУ ВПО «Сибирская государственная геодезическая академия».

Научный руководитель - доктор технических наук, профессор

Гук Александр Петрович.

Официальные оппоненты: доктор технических наук, профессор

Чибуничев Александр Георгиевич;

кандидат технических наук, доцент Хлебникова Татьяна Александровна.

Ведущая организация - ФГУП центр «Сибгеоинформ» (г. Новосибирск).

Защита диссертации состоится 28 июня 2010 г. в 15.00 час. на заседании диссертационного совета Д 212.251.02 при Сибирской государственной геодезической академии по адресу: 630108, Новосибирск, 108, ул. Плахотного, 10, СГГА, ауд. 403.

С диссертацией можно ознакомиться в библиотеке СГГА.

Автореферат разослан 27 мая 2010 г. Автореферат размещен на сайте www.ssga.ru Ученый секретарь

диссертационного совета гг/ Середович В.А.

Изд. лиц. Ха ЛР 020461 от 04.03.1997. Подписано в печать 26.05.2010. Формат 60 х 84 1/16. Усл. печ. л. 1,22. Уч.-изд. л. 0,99. Тираж 100. Печать цифровая. Заказ &<{.

Редакционно-издательский отдел СГГА 630108, Новосибирск, 108, Плахотного, 10.

Отпечатано в картопечатной лаборатории СГГА 630108, Новосибирск, 108, Плахотного, 8

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследований. В последнее время существенно расширились возможности получения информации о поверхности Земли средствами дистанционного зондирования. Возросло количество космических аппаратов, предназначенных для съемки поверхности Земли в различных зонах электромагнитного спектра, с различным разрешением на местности, полосой обзора, периодом съемки заданных участков. Это открывает принципиально новые возможности для изучения состояния поверхности Земли, различных искусственных и природных объектов, выполнения мониторинга заданного класса объектов.

Одним из важных факторов, обеспечивающих широкое использование космических снимков для практических задач, является их относительная доступность как в экономическом, так и в организационно-техническом плане.

Системы мониторинга основываются на количественном подходе в дистанционном зондировании, который активно развивается с начала 80-х гг. XX в. Развитию этого метода посвящены работы Гука А.П., Арманда H.A., Асмуса В.В., Журкина И.Г., Копылова В.Н., Лупяна Е.А., Пяткина В.П., Сойфера В.А., Чо-чии П.А., Ярославского Л.П. и др.

В настоящее время активно ведутся работы по созданию систем мониторинга на основе космических съемок и других данных дистанционного зондирования, однако внедрение таких систем сдерживается рядом технических и методологических проблем.

Характерные точки играют важную роль при фотограмметрической обработке снимков. Идентификация таких точек на стереопарах может выполняться для взаимного или геодезического ориентирования снимков, для построения ЦМР, для выделения изменений на снимках и т. д.

Выбор характерных точек на аэрокосмических снимках и их идентификация на аэрокосмических снимках другого масштаба или полученных в другое время является весьма сложной задачей. Это объясняется влиянием разнообразных факторов на процесс формирования изображений и соответственно на яркость элементов изображения, на основе которых формируются признаки для выделения точек на снимках.

Для распознавания таких точек на снимках нужно найти признаки, которые были бы инвариантны влиянию таких факторов, как освещенность объекта, время съемки, положение носителя, влияние атмосферы и т.д., а также масштабным и проективным преобразованиям.

Цель работы заключается в разработке методов привязки разновременных, разномасштабных снимков, полученных различными космическими и аэросъемочными системами, и обработки информации, полученной по этим снимкам для мониторинга природных и техногенных объектов, основанной на использовании дешифровочных признаков инвариантных относительно изменения спектральных яркостей объектов.

Основные задачи исследования. Для достижения поставленной цели необходимо решить следующие задачи:

- рассмотреть аэрокосмические системы, используемые при мониторинге;

- проанализировать .методы фотограмметрической обработки для привязки разновременных аэрокосмических снимков;

- рассмотреть методы автоматизированного дешифрирования цифровых аэрокосмических снимков;

- разработать алгоритм и методику привязки разновременных разномасштабных снимков, полученных камерами различных типов;

- исследовать точность привязки снимков различного типа;

- разработать технологическую схему обработки разновременных разномасштабных снимков для мониторинга территорий.

Объект и предмет исследований. Объектом исследования является мониторинг природных и техногенных объектов, предметом - технологии привязки разновременных разномасштабных снимков, полученных различными аэрокосмическими съемочными системами.

Методы и средства исследований. При выполнении исследований использовались методы цифровой обработки изображений, линейной алгебры, численного и физического моделирования, цифровой фотограмметрии.

Отработка методик и технологических схем мониторинга проводилась по аэрофотоснимкам, а также по космическим снимкам, полученным спутниковыми системами Alos, Spot-2, Ikonos, QuickBird, Landsat-5, Landsat-7. В качестве программного обеспечения использовались программирование на языках MATLAB-7, 1DL, пакеты программ цифровой обработки информации: ENVI 4.4, PHOTOMOD.

Научная новизна проведенных исследований заключается в том, что:

- предложено использование метода масштабно-инвариантного преобразования SIFT, что позволяет с большой степенью достоверности идентифицировать точки на различных разномасштабных разновременных снимках;

- разработаны методики автоматизированной привязки разновременных разномасштабных снимков, полученных камерами различных типов с помощью SIFT-преобразования. Достоверность автоматической идентификации не зависит от квалификации оператора;

- разработаны методики многопараметрического обнаружения изменений MAD, что повышает эффективность дешифрирования широкого класса объектов в системах аэрокосмического мониторинга.

Теоретическая значимость работы заключается в разработке:

- методики автоматического выбора и идентификации характерных точек на разновременных разномасштабных космических снимках различных типов;

- методики отождествления соответственных пар точек на аэрокосмических снимках, устойчивых к изменениям яркости на разновременных разномасштабных космических снимках различных типов;

- методики многопараметрического обнаружения изменений;

- технологической схемы автоматического выделения изменений на разновременных снимках.

Практическая значимость работы заключается в том что предложенные методики могут быть использованы в системах аэрокосмического .мониторинга для привязки снимков различного типа, изучения динамики любых объектов, в том числе сезонных быстротекущих процессов, при мониторинге территорий, изучении гидрологических процессов, для лесоустроительных и природоохранных мероприятий.

Реализация результатов работы. Основные результаты диссертации внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин студентами специальностей «Исследование природных ресурсов аэрокосмическими средствами» и «Аэрофотогеодезия», а также при выполнении хоздоговорных и госбюджетных работ по темам:

- «Разработка методики и технологии использования ENVI для автоматизирования тематического дешифрирования», № 19/07П/1476-07;

- «Разработка методологии аэрокосмического мониторинга природных и антропогенных объектов на региональном уровне». Номер государственной регистрации НИР: 01 2007.03297.

Апробация работы. Основные положения и результаты исследований были представлены в докладах на IV Международном научном конгрессе «ГЕО-Сибирь-2008», Новосибирск, 22-24 апреля, 2008 г.; на V Международном научном конгрессе «ГЕО-Сибирь-2009», Новосибирск, 20-24 апреля, 2009 г.; на VI Международном научном конгрессе «ГЕО-Сибирь-2010», Новосибирск, 2729 апреля, 2010 г.

Публикации. Основные результаты, полученные в диссертации, опубликованы в б научных работах (5 - в соавторстве), из них 2 статьи - в журналах «Геодезия и картография» и «Известия вузов. Геодезия и аэрофотосъемка» -изданиях, входящих в Перечень рекомендуемых ВАК Минобрнауки РФ.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения, списка использованной литературы, содержащего 118 наименований, 5 приложений. Общий объем составляет 140 страниц, включает 31 рисунок и 13 таблиц.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, определена цель, сформулированы задачи исследований, дана общая характеристика работы.

В первом разделе рассмотрены аэрокосмические системы, используемые при мониторинге территорий, а также методы автоматизированного дешифрирования цифровых аэрокосмических снимков. Выполнен анализ методов фотограмметрической обработки для привязки разновременных аэрокосмических снимков. Анализ показал следующее:

1. При мониторинге территорий используются разновременные разнотипные снимки различных масштабов. В зависимости от «глубины» мониторинга, используются архивные аэрофотоснимки и космические снимки, которые подвергаются изменениям (геометрические искажения) в результате старения.

2. Для мониторинга используют космические многоспектр&тьные сканер-ные снимки различных масштабов, полученные космическими съемочными системами различного типа, имеющие различное разрешение и т. д., аэрофотоснимки, снимки, полученные цифровыми камерами.

3. Учитывая, что принципы формирования каждого из типов изображения различны, для ортотрансформирования снимков и стереофотограмметрической обработки используют различные типы алгоритмов.

4. Для совмещения разновременных и разномасштабных снимков требуется выполнить их трансформирование или ортотрансформирование, а для этого требуется идентифицировать соответственные точки на снимках, полученных на разные даты.

5. Для автоматической идентификации точек на перекрывающихся снимках используют в основном корреляционные методы, однако они практически неприменимы при обработке разномасштабных снимков и снимков, полученных в разных условиях, что характерно для разновременных снимков. Еще более сложной является идентификация точек на снимках, полученных различными съемочными системами.

Таким образом, из анализа, проведенного в первом разделе диссертационной работы, следует; что необходимо выполнить исследования, связанные с идентификацией точек на снимках; выбрать алгоритм идентификации точек, который можно было бы использовать для обработки разновременных разномасштабных снимков, полученных различными съемочными системами.

Необходимо исследовать возможность идентификации точек на разномасштабных снимках как при визуальном, так и при автоматизированном дешифрировании.

Кроме того, нужно разработать методику совмещения снимков различного типа и оценить возможность использования этих материалов для выделения изменений.

Во втором разделе описаны разработанные методики привязки разновременных разномасштабных снимков, полученных камерами различных типов, и оценка возможности использования этих материалов для выделения изменений.

Для распознавания объектов (характерных точек) на снимках реальных участков местности необходимо выбрать характерные точки на снимке и признаки, описывающие эти точки, которые не зависят от случайных факторов, влияющих на формирование изображения. Выбранные признаки, описывающие характерные точки, должны быть инвариантны, по крайней мере, к таким факторам, как изменение освещенности, проективным преобразованиям и несущественным изменениям в самом объекте. Сложность заключается в том, что практически очень трудно выбрать такие признаки.

В данной работе предлагается выбрать характерные точки и описать эти точки инвариантными признаками на основе метода, названного масштабно-инвариантным преобразованием SIFT.

Описание точки с помощью SIFT-преобразования включает в себя несколько этапов:

1. Подчеркивание контуров и выделение границ путем определения разностного изображения для соседних уровней Гауссова пространства изображений.

2. Выделение характерных точек на разностном изображении путем последовательного просмотра разностных уровней и выявления локальных экстремумов (максимумов или минимумов) для разностных изображений 01 (х, у,о).

3. Описание локальной области, выделенной вокруг точки путем задания масштаба, и ориентации локальной системы координат, связанных с этой локальной областью.

4. Детальное описание точки с помощью градиентов по направлениям, заданным относительно ориентации локальной области.

Рассмотрим подробнее каждый из этапов формирования БШТ-описания точки.

На первом этапе строят Гауссово пространство изображений Ь(х,у,а j ), которое получается путем свертки исходного изображения Р^х.у) и Гауссовой функции С(х,у,с):

Ь)(х,у,<5])= Р!(х,у)*С(х,у,а] ), (1)

где

= (2) 2 па j

а] - параметр, определяющий вид функции Гаусса для _/'-го уровня изображения Гауссова пространства;

.г, у - координаты точки на изображении (определены в пикселях); * - операция свертки; ] = к-1,

где к - количество уровней Гауссовой пирамиды, которая задается в зависимости от исходного изображения и возможно разу,мной степени сглаживания исходного изображения.

Затем вычисляются разностные изображения Dj(x,y,Gj) путем поэлементного вычитания значений яркости элементов соседних уровней:

П]{х,у,с)-= Цх,у,ка])~ Цх,у,с>]) (3)

или

О ] (х, у, а ; ; = Г Суч 1 (х, у, soj ) - в(х, у, Р(х, у), (4)

где 5 -- параметр, формирующий определяемое Гауссово пространство.

На рисунке 1 показаны Гауссово пространство и разностные изображения /Л/л-, у,а , >.

После построения Гауссова пространства по исходному изображению строится Гауссово пространство для следующего уровня Гауссовой пирамиды (рисунок 1). При этом исходное изображение Гауссова пространства прореживается с фактором 2.

Рисунок 1 - Гауссово пространство и разностные изображения

Разность Гауссовых изображений

Гауссова пирамида

Следующий уровень пространства рассматривается по изображению с фактором 2. Таким образом, задается несколько уровней Гауссова пространства, соответствующих к уровням Гауссовой пирамиды изображений.

Выделение точки выполняется на основе анализа Гауссовых областей для каждого уровня к Гауссова пространства.

Выделение характерной точки определяется путем последовательного «просмотра» разностных изображений 0](х,у,<5]) с помощью маски 3x3 элемента, вычисляется разность между значениями яркости центральной точки и 8 соседними элементами уровня ¡, а также соответствующими 9 элементами изображения Б }+\(х,у,ъ \) уровня у +1 и элементами соседнего уровня у, О]-\) уровня у — 1 (рисунок 2).

Такая процедура повторяется для всех уровней разности изображений Гауссова пространства для каждого уровня Гауссовой пирамиды ку. Точка считается характерной, если для всех уровней Гауссова пространства и Гауссовой пирамиды изображение точки является локальным минимумом или максимумом соответствующей области изображения 3x3 элемента.

Щ :

¿СИ

С.МЛ-,

Рисунок 2 - Выделение характерной точки

Затем выполняется ориентация локальной области изображения 1(х, у,а ) с центров в выбранной характерной точке т. Локальная область задается «масштабом», радиусом /• окружности с центром в точке т и начальным направлением, заданным как направление максимального градиента.

Величина градиента g>\x,y) и угол, определяющий ориентацию локального изображения, вычисляются в соответствии с формулами:

Ег(х,у) = + 1, V) - Цх - 1, у))2 + (Ь(х,у + 1) - Ь(х,у- I))2, (5)

0 (х,у) = tan'

1 [ (L(x,y + 1) - L(x,y - 1)

(6)

Таким образом, локальная область задает локальную систему координат, которые описываются с помощью четырех параметров: х, у - координаты характерной точки в системе координат исходного изображения; 9 - угол между осью х и начальным направлением, определенным как максимум градиента в окрестности точки; масштаб - ра-

диус окружности г (рисунок 3).

После того как определена локальная область, задается описание точки в локальной системе координат. Описание точки предоставлено в виде матрицы размером / х / элементов, которая задается по исходной области 4/ х 4/ элементов. В данной работе, как показано на рисунке 4, использовалось описание размером 4x4 элемента по исходной области ¡6x16 элементов по

изоорп

Масштаб

(

ч>

Угол

Рисунок 3 - Локальная система координат

8 направлениям в каждой подобласти. Таким образом, в данной работе для описания характерных точек использовалось 4 х 4 х 8 = 128 признаков. Вектор, описывающий точку, будет иметь размерность 128. Затем вектор нормализуется.

iiLJ Kj/| j— -bif | i '•' j $ ..is... 1 I '1' 1 шшмма

щ 1 . i I '' * \ 1

r™ri r*77} Щ

а) изображение градиента: б) описание точки

Рисунок 4 - Описание точки в виде матрицы 4x4 элемента, вычисленной по исходному изображению области 16x16 элементов

Учитывая, что изменения яркости соответствуют умножению на константу с, описание точки будет инвариантно относительно изменению освещенности, так как градиент является признаком, не зависящим от константы с.

Обнаружение и классификация существенных изменений в изображении временных рядов, полученных со спутников наблюдения за Землей, является одним из наиболее важных приложений дистанционного зондирования. При анализе изменений на панхроматических изображениях, полученных через определенные промежутки времени, сравнение возможно лишь после выполнения процедуры нормализации. Идея заключается в том, что районы, где нет или присутствует мало изменений за указанный промежуток времени, имеют нулевую или низкую абсолютную ценность, в то время как районы с большими изменениями имеют большую абсолютную ценность отличных друг от друга изображений. Если данные изображения имеют более трех каналов, трудно представить изменения во всех каналах одновременно. Для решения этой проблемы и концентрации информации о произошедших изменениях можно применить линейные преобразования данных изображений, оптимизирующие некоторые критерии.

В последнее время для обнаружения изменений на многоспектральных, битемпоральных спутниковых изображениях используется метод многопараметрического обнаружения изменений (MAD). В основе метода лежит линейное преобразование пикселей изображения. Целью MAD является преобразование двух многоспектральных или гиперспектральных наборов данных таким образом, чтобы максимальное изменение (отклонение), интегрированное из всех источников, можно было представить на одном изображении. Приведем описание работы MAD преобразования.

Пусть спутниковое изображение Р получено на момент времени tj и представляет собой вектор размером N спектральных каналов. Отдельное изображение L' может быть получено из вектора а посредством линейного преобразования, имеющее следующую интенсивность пикселей:

U = ат ■ Р = aifl +a2Pi +■ ■■ + ayPjv- (7)

То же самое можно сказать и о векторном изображении Е на момент времени t2 как линейном преобразовании V:

[/ = бт-£ = б1£!+62£2 + "- + 6n^A'. ' (8)

Изменения, произошедшие на изображениях за время At - 12 - t\, получаются как разность между изображениями U - V. Выбор коэффициентов векторов преобразования ат и б1 оказывает значительное влияние на окончательный результат обнаружения изменений. Выбирать коэффициенты необходимо таким образом, чтобы положительная корреляция между U и V сводилась к минимуму. Иными словами, изменение изображения U - V должно иметь максимальное отклонение при условии, что var(U) = var(F) = 1, собственные значения U, и V, соответственно.

Минимизация корреляции между двумя линейными комбинациями достигается с помощью стандартного канонического корреляционного анализа (ССА), благодаря которому генерируется последовательность преобразованных изображений, фиксирующих различия. Результатом такого анализа являются так называемые MAD переменные

var( U, -Vj)= var( Ut) + xar( Vt) - 2 cov(Ui ,Vj), var(Ui -yj = ojfl =2p-p,J,

Pi = corr (II\, J) ) =

_cov(UhVi)

jwr(U,)var(VT) '

(9) (10)

(11)

где р, - коэффициент корреляции И-п Vопределяется как квадратный корень уаг = о2,

о - средняя квадратическая ошибка, вычисленная по всем элементам разностного изображения.

Запишем каждое изображение Р^^ и Е^'-* в виде вектор-строки Хк и Уд.-, элементами которого являются Ру - х и Еу - у, расположенные последовательно по строкам матрицы р^) и Е^К

Тогда многоспектральные изображения можно записать в виде:

(12)

/ — Л'1 / — \ У\

'р= ; Е=

•Vv, У*,

Р~Е =

f — ~ \ X, -У,

[XV -Ум,

13)

и вычислить ковариационные матрицы Gpp, Gee, Gpe, Gep-

Преобразованные многоспектральные изображения V = a7 P ,V = бТЕ вычисляются путем последовательного преобразования векторов измерений Xi,..., XN и }'[,..., Yn в некоррелированные векторы.

Векторы а и б вычислены с помощью определения собственных значений и собственных векторов

— 1 2 GpeGeeGep а = р Gpp а,

— 1 2

GEPGPPGPE§ = р Gee б,

(14)

где векторы, .....а \ - собственные векторы матрицы

] —I т т

Gрр~ GpeGFj-G£{>; векторы б i, ...,6\\ - собственные векторы матрицы

Gee GepGppGpt: с общими собственными числами, pj" >.... > рд,. Затем нужно выполнить разложение:

_ J j

Gpp GpeGeeGep = аЛа -, Gee lGEpGppGpE =6Л6Г,

-i

(16)

(17)

Л =

% о . О \

О Я.2 . О _ 2

. . о р

1^0 О О

(18)

Тогда MAD переменные можно вычислить

М,~ U, - Vt,i= 1, ..., N.

(19)

Переменные МАО характеризуются устойчивыми статистическими свойствами, благодаря чему они весьма эффективны для визуализации и анализа измененной информации и:

Если на сравниваемых изображениях отсутствуют существенные изменения, МАО переменные, даже будучи некоррелируемыми, подчиняются закону нормального распределения и, как результат, подчиняются многопараметрическому нормальному распределению на диагональной ковариационной матрице. Присутствие на сравниваемых изображениях заметных различий приведет к тому, что МАО переменные будут в большей или меньшей степени отклоняться от нормального распределения. При наличии на изображениях значительных изменений чувствительность МАО будет только повышаться. В этом случае внимание при обработке акцентируется на неизменяемом фоне для обнаружения произошедших изменений. Это может быть сделано с помощью итераций, где наблюдения взвешены с учетом вероятности того, что изменений не произойдет, как это было определено в предыдущей итерации, когда производился приблизительный расчет простых значений и ковариационной матрицы, определяющих МАО переменные для следующей итерации. Приблизительные значения веса могут быть получены путем непосредственного анализа МАО переменных. Переменная Z представляет собой сумму квадратов нормализованных МАР переменных:

C0V(M, Mj) = 0,1 ф].

(20)

В случае отсутствия изменений, наблюдения подчиняются нормальному распределению и являются несовместимыми, их реализация должна в той или иной степени соответствовать х-квадраг распределению со степенью свободы N. Значительные изменения на сравниваемых изображениях будут иметь аномально большое значение X. В каждой итерации наблюдениям могут быть заданы значения весов, определяемые по закону х-квадрат распределения, небольшие значения 7, подразумевают большую вероятность того, что изменений не произошло.

Предложенные методики были объединены в технологическую схему проведения автоматического выделения изменений на разновременных снимках (рисунок 5).

Рисунок 5 - Технологическая схема автоматического выделения изменений на разновременных снимках

В третьем разделе описаны экспериментальные работы по реализации предложенных методик.

Исследования выполнены по аэрофотоснимкам, а также по космическим снимкам, полученным спутниковыми системами Alos, Spot-2, Ikonos, QuickBird, Landsat-5, Landsat-7.

Для исследования эффективности автоматического выбора и идентификации характерных точек на разновременных и разномасштабных снимках на основе метода масштабно-инвариантного преобразования SIFT на первом этапе строят Гауссово пространство изображений, которое.получается путем свертки исходного изображения и Гауссовой функции.

Гауссова пирамида на каждом снимке состоит из трёх уровней, параметр определения вида функции Гаусса - о, для каждого уровня изображения Гауссова пространства равен (1, л/2, 2, 2л/2, 4. 4V2).

На рисунке 6 изображен первый уровень Гауссовой пирамиды.

сг= 1.00

(7 = 2.00

а = 242 <7 = 4.00 о- = 4л/2

Рисунок 6 - Первый уровень Гауссовой пирамиды

Затем вычисляются разностные изображения путем поэлементного вычитания значений яркости элементов соседних уровней.

После построения Гауссова пространства по исходному изображению строится Гауссово пространство для следующего уровня Гауссовой пирамиды. При этом исходное изображение Гауссова пространства прореживается с фактором 2.

Выделение характерной точки определяется путем последовательного просмотра разностных изображений с помощью маски 3x3 элемента, вычисляется разность между значениями яркости центральной точки и соседними элементами исходного уровня, а также соответствующими элементами изображения соседних уровней.

Затем выполняется ориентация локальной области изображения с центров в выбранной характерной точке. Локальная область задается «масштабом»,

радиусом окружности с центром в точке и начальным направлением, заданным как направление максимального градиента. На рисунке 7 показано описание точки, выделенное на первом аэроснимке, в зоне перекрытия со вторым.

Рисунок 7 - Описание точки на аэроснимке

Затем была выполнена идентификация точек по вектору признаков (рисунок 8).

Рисунок 8 - Идентификация точек на аэроснимке

Результат идентификации точек по вектору признаков разных изображений показан в таблице 1.

Таблица 1 - Результат идентификации точек по вектору признаков разных изображений

Исходные снимки Количество точек Количество идентифицированных соответственных точек

Космические снимки I 2 397 30

II 2 378

Цифровые аэроснимки I 6 567 324

II 7 631

Аэрофотоснимки I 23 040 2 793

11 20 476

Аэрокосмические снимки I 47 318 1 482

II 47 022

Исследование точности построения геометрических моделей по стереопарам аэрофотоснимков с помощью SIFT преобразования выполнялось в программе PHOTOMOD. Использовались стереопары аэрофотоснимков масштаба 1 :12 ООО, модели строились по трем стереопарам. Оценка точности идентификации выполнялась по результатам взаимного ориентирования.

Взаимное ориентирование снимков выполнялось по измерениям с использованием следующих режимов:

Режим 1. При измерении координат соответственных точек выполнялась их идентификация путем визуального наблюдения на левом и правом снимках. Число точек по стереопарам составило: 1-18, II-18, III-18, они располагались на контурах поверхности Земли. Остаточный поперечный параллакс составил: (I) max - 0,0066 мм, среднеквадратический - 0,0035 мм, (II) шах - 0,0051 мм, среднеквадратический - 0,0023 мм, (Ш) max - 0,0067 мм, среднеквадратический-0,0031 мм.

Режим 2. Использовался автоматический режим идентификации точек с помощью SIFT преобразования. Точки, попавшие на здания и деревья, были отбракованы. Число точек после отбраковки по стереопарам составило: 1-17, 11-20, III-18. Положение точек по высоте уточнялось в стереорежиме. Остаточный поперечный параллакс составил: (!) max - 0,0065 мм, среднеквадратический - 0,0035 мм, (И) шах - 0,0101 мм, среднеквадратический - 0,0048 мм, (III) max-0,0125 мм, среднеквадратический - 0,0075 мм.

Оценка качества построения модели выполнялась путем внещнего ориентирования по опорным точкам. Результаты приведены в таблицах 2, 3.

Таблица 2 - Результаты внешнего ориентирования модели

Точки СКО

X, м У,м Z, м

Опорные 0,20 0,19 0,08

Контрольные 0,22 0,44 0,21

Таблица 3 - Результаты внешнего ориентирования модели, построенной при помощи алгоритма SIFT

Точки С КО

X, м Y, м Z, м

Опорные 0,20 0,15 0,09

Контрольные 0,19 0,39 0,41

Проведенные исследования показали возможность применения автоматического режима идентификации соответствующих точек с помощью SIFT преобразования, с последующим уточнением высоты этих точек в стереорежиме. При таком режиме работы (автоматическая идентификация и последующее уточнение высоты) увеличивается скорость взаимного ориентирования снимков, особенно на городской и закрытой местности.

Для проверки эффективности работы данного алгоритма для привязки космических снимков была осуществлена привязка снимков различного масштаба, а также было проведено сравнение с точностью ручного режима. Исследования выполнялись в программном комплексе ENVI в инструменте image to image по космическим снимкам на территории Новосибирской области:

- SPOT2 (разрешение в панхроматическом канале 10 м, пригоден для создания и обновления топографических и специальных карт, вплоть до .масштаба 1 : 100 ООО);

- ALOS (разрешение в панхроматическом канале 2,5 м, пригоден для создания и обновления топографических и специальных карт, вплоть до масштаба 1 :25 ООО);

- Landsat (разрешение в панхроматическом канале 15 м, пригоден для создания и обновления топографических и специальных карт, вплоть до масштаба 1 :200 000).

В ходе исследования было осуществлено трансформирование снимка SPOT при помощи снимка ALOS, снимка Landsat при помощи снимка SPOT и снимка Landsat при помощи снимка ALOS.

Для сравнения эффективности трансформирования в автоматическом режиме было произведено трансформирование снимков в ручном режиме, при этом использовались точки в окрестностях точек обнаруженных SIFT.

Сравнение результатов приведено в таблице 4.

Таблица 4 - Средние квадратические ошибки на контрольных точках

! СКО в пикселях

Режим ; ALOS- SPOT2 SPOT2- LANDSAT ALOS- LANDSAT

! '»у т, % mf >Пу

Ручной ■ 5,797 3,924 1,414 1,813 6,841 6,957

Автоматический (SIFT) I 2,181 2,969 1,323 1,855 2,946 1,973

Ошибки при использовании ручного режима при поиске соответственных точек в данном случае получились больше, чем при использовании автомата. Размер ошибок при использовании ручного режима всецело зависит от уровня подготовки оператора, автоматический же режим исключает человеческий фактор. При использовании автомата была выявлена проблема, которая заключается в неравномерности распределения опознанных точек на снимке, в таких случаях рекомендуется добавить точки в местах их отсутствия или же использовать для трансформирования аффинное преобразование.

Как показали исследования, алгоритм SIFT может использоваться для поиска соответственных точек в процессе трансформирования космических снимков. Достоверность автоматической идентификации не зависит от квалификации оператора. Благодаря большому количеству найденных точек, можно проводить отбраковку точек с большими значениями ошибок.

Возможность выявления изменения по разновременным и многоспектральным космическим снимкам при мониторинге территорий была исследована с использованием следующих материалов:

- многозональные космические снимки, полученные космической съемочной системой Landsat-5 (ТМ) и Landsat-7 (ЕТМ+), небольшой части центра г. Новосибирска. Данные представляют собой шесть спектральных диапазонов с разрешением на местности 28,5 м (размер 400 х 400 пикселей), сбор данных проводился 5 августа 1989 г. и 18 сентября 1999 г.;

- стереопара космических снимков в панхроматическом диапазоне и многозональные, полученные космической съемочной системой Ikonos, на территорию г. Екатеринбурга, разрешение для панхроматических снимков -1м, для многозональных снимков - 4 м, представлен фрагмент, содержащий изменения.

Минимизация корреляции между двумя изображениями достигалась с помощью стандартного канонического корреляционного анализа и коэффициентов векторов. Преобразования получены с помощью определения собственных значений и собственных векторов.

После 62 итераций были получены канонические корреляции для изображения Landsat и после 15 итераций - канонические корреляции для изображения Ikonos.

Как видно на рисунке 9, корреляция между соседними каналами в необработанном снимке имеет большие значения и находится примерно в одном диапазоне независимо от номера пары соседних каналов. Корреляция между MAD компонентами на первой паре компонент отсутствует и постепенно увеличивается к паре последних компонент, но остается все равно минимальной, как видно на рисунке 10.

На рисунке 11 представлен конечный результат работы алгоритма MAD, показаны изменения, произошедшие на городской территории за 10 лет (данные получены по снимкам Landsat), а также искусственно произведенные изменения на одном из пары снимков Ikonos.

а) корреляция каналов ! и 2 для изображения Ьапс^а! ЕТМ +;

б) корреляция каналов 5 и 6 для изображения Ьапёва! ЕТМ +

Рисунок 9 - Корреляция между каналами Ьапёза1 ЕТМ +

J--

2 1

rt.00 i |

i

{

-------i-

C*>.£(C

a) i

а) корреляция MAD каналов 1 и 2 для изображения Landsat;

б) корреляция MAD каналов 5 и 6 для изображения Landsat

Рисунок 10 - Корреляция между компонентами МАД

а) данные получены по снимкам Ьа^ва!; б) данные получены по снимкам Шопоэ Рисунок 11 - Результат работы алгоритма МАО

Представленная методика определения изменения природных объектов позволяет не только с большей достоверностью определять сам факт наличия изменений, но и проводить детальный анализ качественных изменений, произошедших за исследуемый промежуток времени. Такая возможность появляется благодаря использованию MAD изображений, которые в численной форме показывают изменение яркостей изображения различных объектов.

Данный метод обработки разновременных многозональных космических снимков позволяет повысить информативность как визуального, так и автоматизированного дешифрирования, может использоваться для изучения динамики любых объектов, в том числе сезонных быстротекущих процессов, при мониторинге территорий, изучении гидрологических процессов, для лесоустроительных и природоохранных мероприятий.

Основные результаты исследований, проведенных в данной работе, следующие:

1. Выполнен анализ существующих средств получения аэрокосмической информации, методов и алгоритмов цифровой обработки данных дистанционного зондирования, используемых при аэрокосмических исследованиях для мониторинга техногенных и природных объектов.

2. Разработана методика использования метода масштабно-инвариантного преобразования SIFT для определенных типов космических снимков (ALOS, Ikonos, Landsat5,7), что позволяет с большой степенью достоверности идентифицировать точки на различных разномасштабных и разновременных снимках. Описание точек с помощью SlFT-вектора инвариантно по отношению к сдвигу, развороту, масштабу и изменению яркости. Признаки также устойчивы к шумам и теням.

3. Разработана методика автоматизированной идентификации соответствующих точек с помощью SIFT преобразования, с последующим уточнением высоты этих точек в стереорежиме для аэрофотоснимков. При таком режиме работы (автоматическая идентификация и последующее уточнение высоты) увеличивается скорость взаимного ориентирования снимков, особенно на городской и закрытой местности.

4. Как показали исследования, алгоритм SIFT может использоваться для поиска соответственных точек в процессе трансформирования разномасштабных космических снимков. Достоверность автоматической идентификации не зависит от квалификации оператора. Благодаря большому количеству найденных точек, можно проводить эффективную отбраковку точек с большими значениями ошибок в автоматическом режиме.

5. В работе представлена реализация автоматического подхода к выявлению изменений временного ряда данных мультиспектрального изображения. В описываемом методе используется многопараметрический алгоритм MAD, позволяющий фиксировать значительные изменения сигнала и представлять результаты обработки изображения земной поверхности.

6. Метод MAD обработки разновременных многозональных космических снимков позволяет повысить информативность как визуального, так и автоматизированного дешифрирования, может использоваться для изучения динамики

любых объектов, в том числе сезонных бь стротекущих процессов, при мониторинге территорий, изучении гидрологических процессов, для лесоустроительных и природоохранных мероприятий.

СПИСОК ОПУБЛИКОВАННЫХ РАБОТ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Йехиа Хассан Мики Хассан. Выявление изменений по разновременным многоспектральным космическим снимкам при мониторинге территорий [Текст] / Йехиа Хассан Мики Хассан // Геодезия и картография. - 2010. - № 2.-С. 15-19.

2. Гук, А.П. Автоматический выбор и идентификация характерных точек на разновременных разномасштабных аэрокосмических снимках [Текст] / А.П. Гук, Йехиа Хассан Мики Хассан // Изв. вузов. Геодезия и аэрофотосъемка. -2010.-№2.-С. 63-68.

3. Гук, А.П. Исследование точности автоматического измерения координат точек снимков с помощью масштабно-инвариантного преобразования SIFT [Текст] / А.П. Гук, Йехиа Хассан Мики Хассан, С.А. Арбузов // ГЕО-Сибирь-2010. Т. 3. Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология. Ч. 1: сб. материалов VI Междунар. научн. конгресса «ГЕО-Сибирь-2010», 27-29 апреля 2010 г., Новосибирск. -Новосибирск: СГГА, 2010. - С. 35-38.

4. Guk, А.Р., Yehia Hassan Miky Hassan Comparative study of methods of remote sensing image change detection // 5th international exhibition and scientific congress «GEO-SIBERIA-2009», 20-24 April 2009, Novosibirsk. - Novosibirsk, 2009. - Vol. 4. Part I. - pp. 76-81.

5. Guk, A.P., Yehia Hassan Miky Hassan. Multi-scale wavelet transformation of images for change detection purposes // 5ih international exhibition and scientific congress «GEO-SIBERIA-2009», 20-24 April 2009, Novosibirsk. - Novosibirsk, 2009. - Vol. 4. Part 1. - pp. 82-86.

6. Guk, A.P., Yehia Hassan Miky Hassan Peculiarities of aerial surveys for monitoring large engineering structures // 4'1' international exhibition and scientific congress «GEO-S1BER1A-2008», 22-24 April 2008, Novosibirsk. - Novosibirsk, 2008. - Vol. 3. Part 1. - pp. 76-80.

Содержание диссертации, кандидата технических наук, Йехиа Хассан Мики Хассан

Введение.

1 АНАЛИЗ МЕТОДОВ И ДАННЫХ, ИСПОЛЬЗУЕМЫХ ПРИ

МОНИТОРИНГЕ ТЕРРИТОРИЙ.

1.1 Анализ аэрокосмических систем, используемых при мониторинге территорий.

1.2 Анализ методов дешифрирования космических снимков и выделения изменений.

1.3 Выводы по разделу 1.

2 РАЗРАБОТКА АЛГОРИТМА И МЕТОДИКИ ПРИВЯЗКИ РАЗНОВРЕМЕННЫХ РАЗНОМАСШТАБНЫХ СНИМКОВ.

2.1 Разработка технологии автоматического выбора и идентификация характерных точек на разновременных разномасштабных снимках.

2.2 Разработка методики отождествления соответственных пар точек на аэрокосмических снимках.

2.2.1 Классификация алгоритмов автоматизации фотограмметрических измерений.

2.2.2 Площадные алгоритмы отождествления.

2.2.3 Метод взаимной корреляции.

2.2.4 Метод наименьших квадратов.

2.3 Построение модели местности по стереопаре аэрофотоснимков.

2.3.1 Идея и сущность построения геометрической модели местности.

2.3.2 Элементы взаимного ориентирования снимков.

2.3.3 Внешнее ориентирование модели.

2.4 Разработка методики выявления многопараметрических изменений (MAD).

2.5 Технологическая схема автоматического выделения изменений на разновременных снимках.

3 ЭКСПЕРИМЕНТАЛЬНЫЕ РАБОТЫ.

3.1 Исследование эффективности автоматического выбора и идентификация характерных точек на разновременных и разномасштабных снимках.

3.2 Исследование точности автоматического измерения координат точек снимков с помощью масштабно-инвариантного преобразования SIFT.

3.3 Исследование возможности оперативной привязки космических снимков по космическим снимкам более высокого разрешения с использованием алгоритма SIFT.

3.4 Выявление изменений по разновременным многоспектральным космическим снимкам при мониторинге территорий.

Введение Диссертация по наукам о земле, на тему "Обработка разновременных разномасштабных аэрокосмических снимков для выделения изменений при мониторинге территорий"

В последнее время существенно расширились возможности получения информации о поверхности Земли средствами дистанционного зондирования. Возросло количество космических аппаратов, предназначенных для съемки поверхности Земли в различных зонах электромагнитного спектра, с различным разрешением на местности, полосой обзора, периодом съемки заданных участков. Это открывает принципиально новые возможности для изучения состояния поверхности Земли, различных искусственных и природных объектов, выполнения мониторинга заданного класса объектов.

Одним из важных факторов, обеспечивающих широкое использование космических снимков для практических задач, является их относительная доступность, как в экономическом, так и в организационно-техническом плане.

Системы мониторинга основываются на количественном подходе в дистанционном зондировании, который активно развивается с начала 80-х годов XX века. Развитию этого метода посвящены работы Гука А.П., Арманда ILA., Асмуса В.В, Журкина И.Г., Копылова В.Н., Лупяна Е.А, Пяткина В.П., Сойфера В.А., Чочии П.А., Ярославского Л.П. и др.

В настоящее время активно ведутся работы по созданию систем мониторинга на основе космических съемок и других данных дистанционного зондирования, однако внедрение таких систем сдерживается рядом технических и методологических проблем.

Характерные точки играют важную роль при фотограмметрической обработке снимков. Идентификация таких точек на стереопарах может выполняться для взаимного или геодезического ориентирования снимков, для построения ЦМР, для выделения изменений на снимках и т.д.

Выбор характерных точек на аэрокосмических снимках и их идентификация на аэрокосмических снимках другого масштаба или полученных в другое время является весьма сложной задачей. Это объясняется влиянием разнообразных факторов на процесс формирования изображений и соответственно на яркость элементов изображения, на основе которых формируются признаки для выделения точек на снимках.

Для распознавания таких точек на снимках нужно найти признаки, которые были бы инвариантны влиянию таких факторов, как освещенность объекта, время съемки, положение носителя, влияние атмосферы и т.д., а также масштабным и проективным преобразованиям.

Цель работы.

Цель работы заключается в разработке методов привязки разновременных, разномасштабных снимков, полученных различными космическими и аэросъемочными системами, и обработки информации, полученной по этим снимкам для мониторинга природных и техногенных объектов, основанной на использовании дешифровочных признаков инвариантных относительно изменения спектральных яркостей объектов.

Основные задачи исследования.

Для достижения поставленной цели необходимо решить следующие задачи:

- рассмотреть аэрокосмические системы, используемые при мониторинге;

- проанализировать методы фотограмметрической обработки для привязки разновременных аэрокосмических снимков;

- рассмотреть методы автоматизированного дешифрирования цифровых аэрокосмических снимков;

- разработать алгоритм и методику привязки разновременных разномасштабных снимков, полученных камерами различных типов;

- исследовать точность привязки снимков различного типа;

- разработать технологическую схему обработки разновременных разномасштабных снимков для мониторинга территорий.

Объект и предмет исследований.

Объектом исследования является мониторинг природных и техногенных объектов, предметом - технологии привязки разновременных разномасштабных снимков, полученных различными аэрокосмическими съемочными системами.

Методы и средства исследований.

При выполнении исследований использовались методы цифровой обработки изображений, линейной алгебры, численного и физического моделирования, цифровой фотограмметрии.

Отработка методик и технологических схем мониторинга проводилась по аэрофотоснимкам, а также по космическим снимкам, полученным спутниковыми системами Alos, Spot- 2, Ikonos, QuickBird, Landsat- 5, Landsat-7. В качестве программного обеспечения использовались программирование на языках MATLAB-7, IDL, пакеты программ цифровой обработки информации: ENVI 4.4, PHOTOMOD.

Научная новизна проведенных исследований заключается в том, что:

- предложено использование метода масштабно-инвариантного преобразования SIFT, что позволяет с большой степенью достоверности идентифицировать точки на различных разномасштабных разновременных снимках;

- разработаны методики автоматизированной привязки разновременных разномасштабных снимков, полученных камерами различных типов с помощью SIFT-преобразования. Достоверность автоматической идентификации не зависит от квалификации оператора;

- разработаны методики многопараметрического обнаружения изменений MAD, что повышает эффективность дешифрирования широкого класса объектов в системах аэрокосмического мониторинга.

Теоретическая значимость работ заключается в разработке:

- методики автоматического выбора и идентификация характерных точек на разновременных разномасштабных космических снимках различных типов;

- методики отождествления соответственных пар точек на аэрокосмических снимках, устойчивых к изменениям яркости на разновременных разномасштабных космических снимках различных типов;

- методики многопараметрического обнаружения изменений;

- технологической схемы автоматического выделения изменений на разновременных снимках.

Практическая значимость работы заключается в том, что предложенные методики могут быть использованы в системах аэрокосмического мониторинга для привязки снимков различного типа, изучения динамики любых объектов, в том числе сезонных быстротекущих процессов, при мониторинге территорий, изучении гидрологических процессов, для лесоустроительных и природоохранных мероприятий.

Реализация результатов работы.

Основные результаты диссертации внедрены в учебный процесс СГГА и используются при изучении специальных дисциплин для студентов специальностей «Исследование природных ресурсов аэрокосмическими средствами» и «Аэрофотогеодезия», а также при выполнении хоздоговорных и госбюджетных работ по темам:

- «Разработка методики и технологии использования ENVI для автоматизирования тематического дешифрирования», № 19/07П/1476-07;

- «Разработка методологии аэрокосмического мониторинга природных и антропогенных объектов на региональном уровне». Номер государственной регистрации НИР: 01 2007.03297.

Апробация работы.

Основные положения и результаты исследований были представлены в докладах на IV международном научном конгрессе «ГЕО-Сибирь-2008», Новосибирск, 22 - 24 апреля, 2008 г.; на V международном научном конгрессе «ГЕО-Сибирь-2009», Новосибирск, 20 - 24 апреля, 2009 г.; на VI международном научном конгрессе «ГЕО-Сибирь-2010», Новосибирск, 27 -29 апреля, 2010 г.

Публикации.

Основные результаты, полученные в диссертации, опубликованы в 6 научных работах (5 - в соавторстве), из них 2 статьи опубликованы в журналах «Геодезия и картография» и «Известия вузов. Геодезия и аэрофотосъемка» - изданий, входящих в Перечень изданий, определенных ВАК Минобрнауки РФ.

Структура и объем работы.

Диссертация состоит из введения, трех глав, заключения, списка использованной литературы, содержащего 118 наименований, и 5 приложений. Общий объем составляет 140 страниц машинописного текста, включает 31 рисунок и 13 таблиц.

Заключение Диссертация по теме "Аэрокосмические исследования земли, фотограмметрия", Йехиа Хассан Мики Хассан

ЗАКЛЮЧЕНИЕ

В результате выполненных исследований получены следующие основные результаты:

1. Выполнен анализ существующих средств получения аэрокосмической информации, методов и алгоритмов цифровой обработки данных дистанционного зондирования, используемых при аэрокосмических исследованиях для мониторинга техногенных и природных объектов.

2. Разработана методика использования метода масштабно-инвариантного преобразования SIFT для определенных типов космических снимков (ALOS, SPOT2, Landsat5,7), что позволяет с большой степенью достоверности идентифицировать точки на различных разномасштабных и разновременных снимках. Описание точек с помощью SIFT-вектора инвариантно по отношению к сдвигу, развороту, масштабу и изменению яркости. Признаки также устойчивы к шумам и теням.

3. Разработаны методики автоматизированной идентификации соответствующих точек с помощью SIFT преобразования, с последующим уточнением высоты этих точек в стереорежиме. При таком режиме работы (автоматическая идентификация и последующее уточнение высоты) увеличивается скорость взаимного ориентирования снимков, особенно на городской и закрытой местности.

4. Как показали исследования, алгоритм SIFT может использоваться для поиска соответственных точек в процессе трансформирования разномасштабных космических снимков. Достоверность автоматической идентификации не зависит от квалификации оператора. Благодаря большому количеству найденных точек, можно проводить эффективную отбраковку точек с большими значениями ошибок в автоматическом режиме.

5. В работе представлена реализация автоматического подхода к выявлению изменений временного ряда данных мультиспектрального изображения. В описываемом методе используется многопараметрический

100 алгоритм MAD, позволяющий фиксировать значительные изменения сигнала и представлять результаты обработки изображения земной поверхности.

6. Метод MAD обработки разновременных многозональных космических снимков позволяет повысить информативность как визуального, так и автоматизированного дешифрирования, может использоваться для изучения динамики любых объектов, в том числе сезонных быстротекущих процессов, при мониторинге территорий, изучении гидрологических процессов, для лесоустроительных и природоохранных мероприятий.

Библиография Диссертация по наукам о земле, кандидата технических наук, Йехиа Хассан Мики Хассан, Новосибирск

1. Аванесов, Г.А. Цифровые аэросъемочные комплексы Текст. / Г.А. Аванесов, Ю.П. Киенко // Геопрофи. 2004. - №1. - с. 5 - 12.

2. Андреев, И.Н. Идентификация суспензионных выносов по многоспектральным космическим снимкам. Косм, методы исследований природ, среды Текст. / И.Н. Андреев Д., 1987. - 339 с.

3. Антипов, И.Т. Накопление ошибок в фотограмметрической сети, уравнения по условиям коллинеарности Текст. / И.Т. Антипов. // Геодезия и картография. 2003. - №3. - с. 25 - 31.

4. Антипов, И.Т. Пространственная фототриангуляция с использованием координат центров проектирования / И.Т. Антипов // Геодезия и картография. 2004. - № 8. - с. 21 -29.

5. Белов, М.А. IKONOS — первый коммерческий спутник ДДЗ высокого разрешения Текст. / М.А Белов // Геопрофи. 2004. - №6. - с. 15-18.

6. Ведровский, К.В. Фотографическая структурометрия Текст. / К.В. Ведровский, А.И. Венцман. М.: Искусство, 1982.

7. Владимиров, A.M. Охрана окружающей среды Текст. / A.M. Владимиров," Ю.И. Ляхин, Л.Т. Матвеев, В.Г. Орлов. Л.: Гидрометеоиздат, 1991.-424 с.

8. Гершензон, О.Н. Оперативный спутниковый мониторинг на базе универсальной приемной станции УНИСКАН Текст. / О.Н. Гершензон, A.A. Маслов // Сб. материалов науч. конгр. "ГЕО-СИБИРЬ 2005." Т.5.

9. Мониторинг окружающей среды, геоэкология, дистанционные методы зондирования Земли. Новосибирск: СГГА. - 2005. - с. 46 - 50.

10. Гиенко, А.Я. Воды Аэрокосмический снимок - Карта Текст. / А .Я. Гиенко. - Изд-во Красноярского университета, 1992. - 224 с.

11. Гонин, Г.В. Космическая съемка Земли Текст. / Г.В. Гонин. Л.: Недра, 1989.-255 е.: ил.

12. Гонсалес, Р., Вудс, Р. Цифровая обработка изображений Текст. / Р. Гонсалес, Р. Вудс. М.-.Техносфера, 2005. - 1072 с.

13. Горелов, В.А. Состояние и тенденции развития космических средств дистанционного зондирования высокого разрешения Электронный ресурс. / В.А. Горелов, Е.Л. Лукашевич, В.А. Стрельцов. 2002. - Режим доступа: http://www.gisa.ru/10523.html.

14. Гук А.П. Развитие фотограмметрических технологий на основе имманентных свойств цифровых снимков // Геодезия и картография. 2007. -№11.-с. 26-29.

15. Гук, А.П. Фотограмметрическая обработка сканерных снимков Текст.: учеб. пособие/ А.П. Гук Новосибирск: НИИГАиК, 1985. - 82 с.

16. Гук, А.П. Автоматический выбор и идентификация характерныхточек на разновременных разномасштабных аэрокосмических снимках103

17. Текст. / А.П. Гук, Йехиа Хассан Мики Хассан // Изв. вузов. Геодезия и аэрофотосъемка. 2010. - № 2. - с. 63-68.

18. Гук, А.П. Цифровая обработка снимков: учебное пособие / А.П. Гук. Новосибирск, 1986. - с.82.

19. Гук, А.П. Цифровой фотограмметрический комплекс для создания и обновления карт / А.П. Гук, B.C. Коркин, М.А. Белошапкин, H.A. Горшков, В.А. Самушкин, A.B. Кирзо // Геодезия и картография. 1996. - № 12. - с. 29-31.

20. Гук, А.П. Цифровые фотограмметрические технологии: проблемы и перспективы: сб. науч. тр. ВЦ СО АН СССР. Математические и техн. проблемы обработки изображений / А.П. Гук. Новосибирск, 1988.

21. Дейвис, Ш.М. Дистанционное зондирование: количественный подход Текст. / Ш.М. Дейвис, Д.А. Ландгребе, Т.Л. Филипс и др. М.: Недра, 1983.-415 с.

22. Ипатова, Л.П. Автоматическая идентификация одноименных областей и точек стереопары фотоснимков / Л.П. Ипатова, P.M. Хрущ // Геодезия и картография. 2001. - № 6. - С. 22-24.

23. Исаев, A.C. Аэрокосмический мониторинг лесов Текст. / A.C.

24. Исаев, В.И. Сухих, E.H. Калашников и др. М.: Недра, 1991. - 240 с.104

25. Йехиа Хассан Мики Хассаи. Выявление изменений по разновременным многоспектральным космическим снимкам при мониторинге территорий Текст. / Йехиа Хассан Мики Хассан // Геодезия и картография. 2010. -№ 2. - с. 15 -19.

26. Кадничанский, С.А. О точности построения сети фототриангуляции по координатам центров фотографирования, полученным с помощью GPS-методов / С.А. Кадничанский, С.И. Хмелевской // Геодезия и картография. -1997.-№8.-С. 30-33.

27. Камышев, А.П. Методы и технологии мониторинга природно-технических систем Северо-Западной Сибири Текст. / А. П. Камышев. М.: ВНИГ1ИГАЗ ДОБЫЧА, 1999. - 230 с.

28. Кашкин, В.Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений Текст.: учеб. пособие / В.Б. Кашкин, А.И. Сухинин. М.: Логос, 2001. - 264 с.

29. Кашпор, H.H. Аэрофотосъемка и современное лесоустройство Текст. / H.H. Кашпор // Материалы Всероссийского совещания-семинара с международным участием. Красноярск: Ин-т леса им. В.Н. Сукачева СО РАН, 2005.-с. 6.

30. Киенко, Ю.П. Космические съемки со спутника «Ресурс-Ф1М» Текст. / Ю. П. Киенко // Геодезия и картография. 2000. - №2. - с. 36 - 39.

31. Киенко, Ю.П. Новый космический аппарат для дистанционного зондирования Земли Текст. / Ю.П. Киенко // Геодезия и картография. 1999. -№2. - с. 33 - 37.

32. Киенко, Ю.П. Новая эра в развитии российских космических систем зондирования Земли / Ю.П. Киенко // Геодезия и картография. 2004. - № 2. - с. 42 - 49.

33. Книжников, Ю.Ф. Особенности стереоскопических наблюдений дискретных аэрокосмических снимков Текст. / Ю.Ф. Книжников, H.H. Зинчук // Геодезия и картография. 2000. - №5. - с. 26 - 32.

34. Космическая система «Метеор-ЗМ» № 1 Электронный ресурс. -Режим доступа: http://www.ntsomz.ru/imgcatalog/InfoFiles/m3ref/m3m.htm.

35. Космический аппарат «Монитор-Э» Электронный ресурс. 2009. -Режим доступа: http://www.ntsomz.ru/satellites/russatellites/monitore/print.

36. Космический аппарат «Монитор-Э» Электронный ресурс. Режим доступа: http://www.ntsomz.ru/satellites/russatellites/monitore/print.

37. Кравцова, В.И. Снимки сверхвысокого разрешения новый компонент фонда цифровых космических снимков / В.И. Кравцова // Геодезия и картография. - 2004. - № 7. - с. 17.

38. Кринов, E.J1. Спектральная отражательная способность природных образований Текст. / Е.Л. Кринов. М: изд. АН СССР, 1947. - 271 с.

39. Кучко, A.C. Аэрофотография и специальные фотографические исследования Текст. / A.C. Кучко. М.: Недра, 1988. - 236 с.

40. Лаврова, Н.П. Космическая фотосъемка Текст.: учеб. пособ. для вузов/ Н.П. Лаврова М.: Недра, 1983 - 288 с.

41. Лобанов, А.Н. Аналитическая фотограмметрия / А.Н. Лобанов. М.: Недра, 1972. - 224 с.

42. Лобанов, А.Н. Фотограмметрия Текст. / А.Н. Лобанов: Учебник для вузов. 2-е изд., перераб. и доп.- М.: Недра, 1984. 552 с.

43. Лоусон, У. Численное решение задач метода наименьших квадратов Текст. / У. Лоусон, Р. Хейсон.- М.: Наука, 1986. 232 с.

44. Новаковский, Б.А. Фотограмметрия и дистанционные методы изучения Земли Текст.: учеб. и справ, пособ. / Б.А. Новаковский. М.: Изд-во МГУ, 1997.-208 е.: ил.

45. Савиных, В.П. Геоинформационный анализ данных дистанционного зондирования Текст. / В.П. Савиных, В.Я. Цветков. М: "Картгеоцентр" -"Геодезиздат", 2001. - 228 с.

46. Савиных, В.П. Аэрокосмическая фотосъемка: Учебник / В.П. Савиных, A.C. Кучко, А.Ф. Стеценко. М:Картгеоцентр, 1992. - 378 с.

47. Савиных, В.П. Визуально-инструментальные исследования Земли с пилотируемого космического комплекса Текст. / В.П. Савиных. М.: Недра, 1991. — 109 с.

48. Тикунов, B.C. Устойчивое развитие территорий картографо-геоинформационного обеспечения Текст. / B.C. Тикунов, Д.А. Цапон -Москва Смоленск: Изд-во СГУ, 1999. - 176 с.

49. Тюфлин, Ю.С. Космическая фотограмметрия при изучении планет и спутников Текст. / Ю.С. Тюфлин. М.: Недра, 1986. - 240 с.

50. Тюфлин, Ю.С. Новые методы аэрокосмических съемок и задача фотограмметрии Текст. / Ю.С. Тюфлин // Геодезия и картография. 1994. -№6. -с. 31-36.

51. Характеристики аппаратуры ИСЗ IRS Электронный ресурс. -Режим доступа: http://www.scanex.ru/rus/data/irs/irs.htm.

52. Характеристики аппаратуры ИСЗ IRS Электронный ресурс. -Режим доступа: http://www.scanex.ru/rus/data/irs/irs.htm.

53. Характеристики камеры КАТЭ-200 Электронный ресурс. Режим доступа: http://www.sovinformsputnik.ru/kate200r.html.

54. Характеристики камеры КФА-1000 Электронный ресурс. Режим доступа: http://www.sovinformsputnik.ru/kfar.html.

55. Характеристики камеры КФА-3000 Электронный ресурс. Режим доступа: http://www.sovinformsputnik.ru/kfa3000r.html.

56. Характеристики камеры МК-4 Электронный ресурс. Режим доступа: http://www.sovinformsputnik.ru/mkr.html.

57. Четвёртый ERS-«Envisat»-CHMno3nyM. Краткий обзор Текст. // Исследование земли из космоса. 2001. - № 4. - С.81 - 90.

58. Banner, A., and Lynham, Т., 1981, Multitemporal analysis of Landsat data for forest cutover mapping — a trial of two procedures. Proceedings of the 7th Canadian Symposium on Remote Sensing, Winnipeg, Canada, pp. 233 240.

59. Burns, G.S., and Joyce, А.Т., 1981, Evaluation of land cover change detection techniques using Landsat MSS data. Proceedings of the 7th PECORA Symposium, Sioux Falls, SD, USA (Bethesda, MD: ASPRS), pp. 252 260.

60. Canty, M.J., Nielsen, A.A., and Schmidt, M. Automatic radiometric normalization of multitemporal satellite imagery. Remote Sensing of En vironment, 91(3 -4):441 -451, June 2004.

61. Canty, M.J. (2007). Image analysis, classification, and change detection in remote sensing, with algorithms for ENVI/IDL. Taylor and Francis.

62. Colwell, J.E., Davis, G., and Thomson, F., 1980, Detection and measurement of changes in the production and quality of renewable resources. USDA Forest Service Final Report 145300-4-F, ERIM, Ann Arbor, MI, USA.108

63. Crist, E.P., and Cicone, R.C., 1984, Application of the tasseled cap concept to simulated Thematic Mapper data. Photogrammetric Engineering and Remote Sensing, 50, 343 352.

64. Crowley, James L., and Alice C. Parker, 1984 "A representation for shape based on peaks and ridges in the difference of lowpass transform," IEEE Trans, on Pattern Analysis and Machine Intelligence, 6, 2, pp. 156 170.

65. Daryaei, J. Digital Change Detection Using Multi-Scale Wavelet and Neural Network, Master thesis Geoinformatics dep. Enscade, the netherlands, 2003

66. Dragotti, P.L. and Vetterli, M. Wavelet transform footprints: Catching singularities for compression and denoising. In ICIP, 2000.

67. Dwivedi, T., Sreenivas, K. and Ramana, K. V., Comparison of classifiers of remote sensing data for land use/land-cover mapping. Curr. Sci., 2004, 86, 328 -335.

68. Filiz SUNAR, Kerem ESEMEN, Co§kun OZKAN Post-Fire Evaluation Using SPOT 4 Satellite Images // "Imagine,g. Europe" 29th EARSeL Symposium in Chania, Greece I. Manakos and C. Kalaitzidis (Eds.) IOS Press. 2010. - pp. 404-411.

69. Fung, T., and Ledrew, E., 1987, Application of principal components analysis to change detection. Photogrammetric Engineering and Remote Sensing, 53, 1649-1658.

70. Ghadyani, Z., Afshar Naseri ,S., Adham Khiabani, S. Statistical study of space remote sensors // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008. -pp. 567 572.

71. Hall, F.G., Botkin, D.B., Strebel, D.E., Woods, K.D., and Goetz, S.J., 1991b, Large-scale patterns of forest succession as determined by remote sensing. Ecology, 72, 628 640.

72. Hall, R.J., Crown, P.H., and Titus, S.J., 1984, Change detection methodology for aspen defoliation with Landsat MSS digital data. Canadian Journal of Remote Sensing, 10, 135 -142.

73. Hame, T.H., 1986, Satellite image aided change detection. In Remote sensing-aided forest inventory, Research Notes No. 19, Department of Forest Mensuration and Management, University of Helsinki, Helsinki, Finland, pp. 4760.

74. Hanaizumi, H. and Fujimura, S. (1992): Change detection from remotely sensed multi-temporal images using multiple regression. In Proceedings from the 1992 International Geoscience and Remote Sensing Symposium, IGARSS, Houston, Texas, USA, pp. 564 566.

75. IRS-P6 (Resoursat-1) Электронный ресурс. 2009. - Режим доступа: http://www.sovzond.ru/satellites/451/453.html.

76. Jacobsen, К. Satellite image orientation // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008. pp. 703 - 709.

77. Jensen, J.R., 1983, Urban change detection mapping using Landsat digital data. The American Cartographer, 81, 127 147.

78. Kocaman, S., Gruen, A. Geometric modeling and validation of ALOS/PRISM imagery and products // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008.-pp. 731 -737.

79. Koenderink, J.J. 1984. The structure of images. Biological Cybernetics, 50:363-396.

80. Lindeberg, Tony, 1993 "Detecting salient blob-like image structures and their scales with a scale-space primal sketch: a method for focus-of-attention", International Journal of Computer Vision, 11,3, pp. 283 318.1.l

81. Lindeberg, Tony, 1994 "Scale-space theory: A basic tool for analysing structures at different scales", Journal of Applied Statistics, 21,2, pp. 224 270.

82. Lowe, D.G. 1999. Object recognition from local scale-invariant features. In International Conference on Computer Vision, Corfu, Greece, pp. 1150 1157.

83. Lu, D., Mausel, P., Brondixio, E. and Moran, E., 2004. Change detection techniques. International Journal of Remote Sensing, 25(12), pp. 2365 2407.

84. Lyon, J., Yuan, D., Lunetta, R., and Elvidge, C., 1998, A change detection experiment using vegetation indices. Photogrammetric Engineering and Remote Sensing, 64, 143-150.

85. Nelson, R.F., 1983, Detecting forest canopy change due to insect activity using Landsat MSS. Photogrammetric Engineering and Remote Sensing, 49, 1303 -1314.

86. Nielsen, A. "An iterative extension to the MAD transformation for change detection in multi- and hyperspectral remote sensing data," presented at the 4th EARSeL Workshop on Imaging Spectroscopy, Warsaw, Poland, Apr. 27 29, 2005

87. Nielsen, A. The regularized iteratively reweighted MAD method for change detection in multi- and hyperspectral data. 2006. Accepted for IEEE Transactions on Image Processing

88. Nielsen, A., Conradsen, K., and Simpson, J., 1998, Multivariate alteration detection (MAD) and MAF post processing in multi-spectral bi-temporal image data: new approaches to change detection studies. Remote Sensing of Environment, 64, 1 19.

89. Passini, R., Jacobsen, K. Accuracy analysis of large size digital aerial cameras // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008. pp. 507 -513.

90. Richards, J.A., 1984, Thematic mapping from multitemporal image data using the principal components transformation. Remote Sensing of Environment, 16,35-46.

91. Schmid, and Mohr, R. 1997. Local gray value invariants for image retrieval. IEEE Trans, on Pattern Analysis and Machine Intelligence, 19(5): 530 -534.

92. Schneider, S., Gruber, M. Radiometric quality of Ultracam-X images // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008. pp. 539 - 543.

93. Schowengerdt, R.A., 1983, Techniques for Image Processing and Classification in Remote Sensing (New York: Academic Press).

94. Serneels, S., Said, M., and Lambin, E. F., 2001, Land-cover changes around a major East African wildlife reserve: the Mara ecosystem. International Journal of Remote Sensing, 22, 3397 3420.

95. Titarov, P.S. Evaluation of Cartosat 1 geometric potential // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008. pp. 841 - 846.

96. Turk, M. and Penland, A. "Face recognition using eigenfaces," in Proceedings of International Conference on Pattern Recognition, pp. 586 591, 1991

97. Wang Fangju., A Knowledge-Based Vision System For Detecting Land Changes at Urban Fringers J.IEEE Trans Geoscience and Remote Sensing, 31(1): 136-145.

98. Witkin, A.P. 1983. Scale-space filtering. In International Joint Conference on Artificial Intelligence, Karlsruhe, Germany, pp. 1019 1022.

99. Xu, H., and Young, J.A., 1990, Monitoring changes in land use through integration of remote sensing and GIS. Proceedings of the IGARSS'90 Symposium, University of Maryland, College Park, MD, USA (Picataway, NJ: IEEE), pp. 957 960.

100. Yue, T.X., Chen, S.P., Xu, B., Liu, Q.S., Li, H.G., Liu, G. H., and Ye, Q.H., 2002, A curve-theorem based approach for change detection and its application to Yellow River Delta. International Journal of Remote Sensing, 23, 2283 2292.

101. Zhang Shaoqing , Xu lu , the comparative study of three methods of remote sensing image change detection, the international archives of the photogrammetry, remote sensing and spatial information sciences, 2008, vol. xxxvii. part b7 1595 1598

102. Zhcngxiao Li, James Bethel DEM registration, alignment and evaluation for SAR interferometry // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part Bl. Beijing 2008.-pp. Ill-115.