Бесплатный автореферат и диссертация по наукам о земле на тему

Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации

ВАК РФ 25.00.34, Аэрокосмические исследования земли, фотограмметрия

Автореферат диссертации по теме "Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации"

На правах рукописи

Владимир Семенович Марчуков

ТЕОРИЯ И МЕТОДЫ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ МНОГОУРОВНЕВОЙ СЕГМЕНТАЦИИ

25.00.34 - АЭРОКОСМИЧЕСКИЕ ИССЛЕДОВАНИЯ ЗЕМЛИ ФОТОГРАММЕТРИЯ ’

Автореферат диссертации на соискание ученой степени доктора технических наук

Москва-2011

005009939

Работа выполнена на кафедре космического мониторинга

Московского Государственного Университета геодезии и картографии (МИИГАиК).

Научный консультант: Официальные оппоненты:

доктор технических наук, профессор Малинников В.А.

доктор технических наук, профессор Аржененко Н.И.

Ведущая организация:

доктор технических наук, профессор Галкин Ю.С. доктор технических наук, профессор Цветков З.Я.

ФГУПГосцентр "Природа"

Защита диссертации состоится «_29_» «_ марта » 2012 г. в « час. на заседании диссертационного совета 212.143.01 Московского Государственного Университета геодезии и картографии (МИИГАиК), по адресу: 105064, Москва, К-64, Гороховский переулок, 4 (зал заседаний Ученого Совета).

С диссертацией можно ознакомиться в библиотеке МИИГАиК.

Автореферат разослан «/И £ » 20

Ученый секретарь диссертационного совета

Краснопевцев Б.В.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

В диссертации систематизированы и обобщены результаты теоретических и экспериментальных исследований автора в области разработки и внедрения методов тематической обработки аэрокосмических изооражений, полученные соискателем в период с 1989 по 2011 годы.

В результате указанных работ решена научная проблема, имеющая важное значение для устойчивого экологического и социально-экономического развития территорий, - создана теория и методология тематической обработки аэрокосмических изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

Актуальность темы.

Одной из приоритетных задач решения проблемы контроля природной среды и антропогенных объектов является наличие достоверной и многоплановой информации о состоянии природных экосистем и их динамике. Подобные сведения могут быть положены в основу выбора дальнейшей стратегии поведения человека, как в региональном, так и в глобальном плане. Получение такой информации представляет собой сложную научно-техническую задачу. Для её решения необходимо создание информаинонпо-управляющих систем, важным компонентом которых являются аэрокосмические средства, а также развитие новых методов и технологий обработки изображений земной поверхности, поступающих'от систем дистанционного мониторинга.

При тематической оораоотке данных аэрокосмической съёмки информационные классы определяются, как наоор объектов, которые необходимо выделить согласно треоованиям решаемой тематической задачи и которые разделяются в имеющемся множестве данных.

Изображения, полученные в результате дистанционного зондирования, характеризуются следующими свойствами: они содержат разнообразные однородные области, причём внутриклассовые среднеквадратичные отклонения характеристик часто сравнимы с разбросом между классами. Гакие изображения называют сложными. При анализе сложного изображения все известные методы цифровой классификации не могут гарантировать получения требуемого результата.

Основной проблемой при тематической обработке сложных изображений земной поверхности является то, что применение алгоритмов классификации, использующих определённые условия однородности классов объектов и определённое пространство классификационных признаков, зачастую приводит к выделению на изображении сегментов, не соответствующих информационным классам решаемой тематической задачи. Для преодоления возникающих трудностей необходимо применять многоуровневые

алгоритмы классификации, использующие различные условия однородности классов объектов и различные подмножества классификациоииых признаков, учитывающие структурно-пространственные характеристики изображения. Все это обусловливает необходимость разработки теории и методов тематической обработки аэрокосмических изображений на основе многоуровневых алгоритмов сегментации.

Актуальность темы настоящей работы определяется следующими факторами:

- нерешенностью проблем информационного обеспечения задач контроля природных экосистем;

- недостаточным развитием и использованием аэрокосмических методов и технологий для контроля природной среды и антропогенных объектов;

- необходимостью разработки новых подходов к проведению комплексного мониторинга природной среды и антропогенных объектов на основе результатов обработки и анализа информации, получаемой от различных датчиков и систем наблюдения.

Актуальность данной работы подтверждается использованием её результатов в проектах, выполняемых в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России па 2007-2012 годы».

Целью настоящих исследований являлось решение актуальной научной проблемы тематической обработки аэрокосмических изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

• Пути решения этой проблемы были определены следующим образом:

- разработка теории и методологии многоуровневой тематической обработки аэрокосмических изображений земной поверхности;

- проведение экспериментальных исследований эффективности разработанных многоуровневых методов тематической обработки при решении различных тематических задач контроля природной среды и экологического мониторинга;

- исследование возможностей повышения эффективности тематической сегментации за счёт использования технологии параллельной обработки изображений.

Научная новизна работы. В результате выполнения работы впервые разработаны теория и практическая методология многоуровневой тематической обработки аэрокосмических изображений земной поверхности. Впервые разработаны теоретические схемы построения структурно - пространственной моделей исследуемых изображений и тематической классификации изображений с использованием структурно - пространственной модели. Созданы новые алгоритмы выделения структурпо-прострапствеппых элементов па изображении. Получены новые математические выражения для количест-

вешюй оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера при обработке изображений.

На защиту выносятся следующие новые научные результата: ,

- теория и методология тематической обработки на основе многоуровневой сегментации изображений, с использованием их структурно - пространственной модели;

- методология создания структурно-прострапственпон модели исследуемых изображений;

- алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста;

- метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга;

- методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по данным дистанционного мониторинга;

- метод многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения;

- метод количественной оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами.

Область применения: разработанные методы могут широко использоваться:

- в автоматизированных системах контроля и прогноза состояния и динамики

природной среды и антропогенных объектов ;

- в лесном и сельском хозяйстве;

- при мониторинге и оценке последствий чрезвычайных ситуаций;

- учебном процессе и других областях.

Значимость работы определяется возможностью исследования текущего состояния и динамики природных экосистем и антропогенных объектов с использованием новых методов и алгоритмов обработки информации в целях дальнейшего устойчивого развития экономики Российской Федерации,

Практическая ценность работы. Теория и методы, изложенные в данной работе, используются в ряде российских организаций, работающих в области дистанционного зондирования.

Разработки автора использованы в комплексном проекте по теме «Технологии оценки состояния и динамики растительных ресурсов наземных экосистем на основе

дистанционного мониторинга», выполняемом в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научнотехнического комплекса России на 2007-2012 годы».

Исследования автора вошли в курсы лектшй « Тематическое дешифрирование снимков», «Технология тематической обработки данных дистаппиопного зондирования», «Дешифрирование аэрокосмических снимков», «Космический мониторинг», «Автоматизированные системы сбора и обработки результатов дистанционного зондирования».

Разработки автора вотпли в «Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съёмки для решения задач мониторинга фактического использования земель», утвержденные Первым заместителем Мэра Москвы в Правительстве Москвы 28 сентября 2004г., введенные в действие - Приказом Департамента земельных ресурсов города Москвы 2 ноября 2004г. №82; Приказом Комитета по архитектуре и градостроительству города Москвы

1 ноября 2004г. №167,

Соответствие диссертации Паспорту научной специальности. Полученные результаты диссертационной работы соответствуют пункту 4 «Теория и технология дешифрирования изображений с целью исследования природных ресурсов и картографирования объектов исследования» и пункту 5 «Теория и технология получения количественных характеристик динамики природных и техногенных процессов с целыо их прогноза» паспорта специальности 25.00.34 «Аэрокосмические исследования Земли, фотограмметрия», в рамках которой предлагается к защите данная работа.

Апробация работы. Основные результаты диссертационной работы были доложены на 12 Международных и Всероссийских научно-технических конференциях и семинарах.

Публикации. По проблематике диссертации опубликованы 33 научные работы в том числе 19 работ в журналах рекомендованных ВАК, 2 учебных пособия, рекомендованных У МО высших учебных заведений Российской Федерации по образованию в области геодезии и фотограмметрии для студентов высших учебных заведений, обучающихся по направлению подготовки «Фотограмметрия и дистанционное зондирование».

Структура и объём диссертационной работы. Работа состоит из введения, шести глав, заключения и списка литературы. Диссертация изложена на 234 страницах, содержит 106 рисунков и 9 таблиц.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы цель и задачи исследования, приведены основные научные и практические результаты.

Глава 1. Дистанционное зондирование Земли и проблемы тематической интерпретации аэрокосмических изображений.

В первой главе рассмотрены основные подходы и проблемы автоматизированной тематической обработки аэрокосмических снимков (АКС) для решения задач контроля природной среды. Проведён анализ возможностей использования современных аэрокосмических систем дистанционного зондирования земной поверхности. Рассмотрены и проанализированы методы предварительной и тематической обработки ЛКС земной поверхности. Проанализированы функциональные возможности ряда программных пакетов обработки изображений.

Тематическая обработка цифровых многозональных аэрокосмических изображений математически может быть определена следующим образом. Исходные многозональные цифровые изображения представляются дискретной векторной функцией Р(х,у), определённой па двумерном дискретном пространстве (х,у).

Процесс тематической обработки определяется оператором следующего вида.

Р(х,у) => Ф.У). (1)

где

ф,у) - дискретная скалярная функция; .'

Ф.у)~"Р1, если (х,у) принадлежит классу /; р, - цифровые метки соответствующих классов;

./ 1,2,...,К,К+1;

К - количество выявляемых классов объектов, определяемое требованиями определённой тематической задачи.

Класс]^К+1 представляет собой смесь всех классов объектов, представленных па изображении, определение которых не является необходимым для решаемой тематической задачи, и трактуется как “фон”.

На основе проведённого анализа средств дистанционного зондирования земной поверхности аэрокосмического базирования можно утверждать, что данные многозональной съёмки позволяют решать широкий круг тематических задач контроля природной среды. При использовании в качестве алгоритмов получения классифицированного изображения пороговой обработки, гиперпараллелепипедпого метода и кластерного анализа в процессе классификации не учитываются структурно-пространственная информация, содержащаяся на изображении. Методы наращивания однородных областей и методы, основанные на выделении границ, учитывают структурно-пространственные связи между соседними пикселами. К их недостаткам следует отнести более низкий уровень автоматизации и необходимость организации отдельного этапа, обеспечиваю-

щего идентификацию выделенных однородных областей, как определённых объектов па местности. Существующие программные пакеты обработки и анализа изображений содержат большое количество процедур, позволяющих формировать разнообразные модифицированные признаки, и основные алгоритмы классификации путём разметки точек изображения.

Проблема тематической обработки сложных изображений земной поверхности заключается в том, что для эффективного выделения тематических объектов с различной пространственной конфигурацией необходимо использование разгтых предикатов однородности. С целью повышения эффективности целесообразно применение многоуровневых алгоритмов классификации с учётом структурпо-прострапствеппых характеристик изображения и различных предикатов однородности.

Глава II. Теория п методология построения многоуровневых алгоритмов автоматизированной обработки аэрокосмических изображений земной поверхности.

Во второй главе описана теория многоуровневой обработки с использованием структурно-пространственной модели. Дано описание методологии создания структурно-пространственной модели исследуемых изображений. Приведено обоснование набора алгоритмов для выделения элементов пространственной структуры. Разработана методология тематической обработки изображений с использованием структурно - пространственной модели.

Теоретическая схема многоуровневой обработки с использованием структурно-пространственной модели.

Предлагаемый теоретический подход основан па разделении процесса тематической обработки аэрокосмических изображений земной поверхности па два этапа. На первом этапе осуществляется построение структурно-пространственной модели исследуемых изображений. На втором этапе применяется многоуровневая классификация, использующая различные алгоритмы классификаторов, которые работают пе с неупорядоченным набором данных, а с данными определённой пространственной структуры. Полученная на первом этапе структурно-пространственная модель изображений используется на втором этапе для выбора различных алгоритмов модификации исходных изображений, выбора подмножества цифровых признаков для классификации определённого элемента пространственной структуры и управления работой классификатора.

На рис. 1 показана разработанная теоретическая схема многоуровневой классификации, с использованием структурно-пространственной информации об объектах, представленных на изображении.

Рис. 1. Теоретическая схема многоуровневой классификации изображений с использованием структурно - пространственной модели

Анализ пространственной структуры сложных аэрокосмических изображений показал, что па них целесообразно выделить четыре типа структурпо-прострапствегшых элементов, отличающихся по своим статистическим и пространственным характеристикам, и требующим соответственно различных подходов при выборе алгоритма классификатора и набора цифровых признаков для их классификации:

- граничные и линейные объекты, характеризуемые высоким значением градиента в каком-либо направлении и низким в ортогональном ему направлении, хотя бы в од-

пой зоне спектрального диапазона;

- точечные объекты, занимающие на изображении не более одного пикселя, со значением интенсивности, существенно отличающимся от значений интенсивности прилегающей окрестности, хотя бы в одной зоне спектрального диапазона;

- протяжённые (площадные) объекты - однородные сегменты на изображении, линейные размеры которых более 10 пикселей в любом направлении;

- малоразмерные объекты, представляющие собой пятна, не отвечающие условиям отнесения к точечным, граничным и линейным объектам, с линейными размерами менее 10 пикселей в любом направлении.

В предлагаемой теоретической схеме в результате первого этапа классификации создаётся структурно-пространственная модель исследуемых изображений, представляющая собой классифицированное четырехуровневое изображение, на котором выделены четыре класса, соответствующие выщеопределённым элементам пространственной структуры.

Процесс построения многоуровневых алгоритмов классификации содержит следующие шаги:

1. Выделение элементов пространственной структуры площадных объектов, точечных объектов, малоразмерных объектов, граничных и линейных объектов. Этот шаг выполняется путём использования четырёхуровпевого классификатора.

2. Построение структурно-пространственной модели исследуемых изображений.

3. Предварительная обработка исходных изображений и выбор оптимального подмножества признаков для тематической классификации выделенных элементов пространственной структуры.'

4. Тематическая классификация элементов пространственной структуры.

5. Формирование итогового классифицированного изображения.

Методология создания структурпо-пространствснной модели исследуемых изображений.

Построение структурно-пространственной модели необходимо осуществлять применяя многоуровневый классификатор, так как выделение классов структурных элементов в силу различия их геометрических и контекстных свойств требуют, соответственно, различных подходов при их классификации.

Для решения задачи выделения на поле исходных изображений структурного элемента “точечные объекты” может использоваться “разностный алгоритм». Последовательное применение данного алгоритма ко всем совместно обрабатываемым изображениям и последующее сложение полученных бинарных изображений позволяет выде-

лить все точки, имеющие локальный контраст хотя бы в одной зоне спектрального диапазона. Недостатком данного алгоритма является необходимость эмпирического подбора пороговых значений при получении бинарных изображений в интерактивном режиме. Отмеченный недостаток устранен в разработанном автором алгоритме выделения точечных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений па основе оценки локального контраста обрабатываемой точки изображения (х,у). Алгоритм работает следующим образом.

Обрабатываемое изображение сканируется скользящим окном размером 3x3 элемента изображения, в котором определяются выборочные оценки среднего значения интенсивности ц и среднего квадратичного отклонения а (СКО) по следующим формулам

£/с*+'> у+./) -/(•*> у)]

о /=-1/=Ч

°2=\&h-Kx+i’y+jytf-[JXx,y)-v\2) (2)

° /=-ij=-1 1

Полученные оценки используются для определения локальных пороговых значений Т(х,у) при выделении точечных объектов по следующему правилу. Элемент изображения определяется, как точечный объект, если выполняется следующее условие

ab.(f(x,y)-lu)<T(x,y) (3)

где Т(х.у) = ка к - некоторая константа.

Для теоретического обоснования выбора значения константы к примем предположение о Гауссовом распределении значений интенсивности фона, на котором расположен точечный объект. Вероятность ложного обнаружения точечного объекта F будет определяться следующим выражением.

=V5r £-ехр(_/2 l2)dt (4)

откуда определяется значение к.

Использование данного алгоритма позволяет автоматически выделять точечные объекты с заданной вероятностью ложного обнаружения F.

Для выделения малоразмерных объектов также может быть использован «разностный алгоритм». Недостатком этого алгоритма является то, что он наряду с малоразмерными объектами выделяет контрастные линейные объекты определённой толщины. Для устранения этого недостатка был разработан модифицированный алгоритм выделения малоразмерных объектов, работающий следующим образом.

Исходное изображение сканируется окном размером З/хЗ/ элементов, где I равняется линейной толщине выделяемых малоразмерных объектов. В этом окне выбираются 9 окон размером 1x1 элементов, в которых вычисляются средние значения интенсивности ц и средние квадратичные отклонения о. Малоразмерный объект выделяется в том случае, если среднее значение в центральном окне д0 существенно отличается от средних значений в каждом из прилегающих восьми окоп

Полученные выборочные средние значения и СКО используем для построения обнаружителя малоразмерных объектов с заданными вероятностными характеристиками. Определим вероятность правильного обнаружения малоразмерного объекта Р„0, как вероятность принятия решения об обнаружении малоразмерного объекта в случае наличия малоразмерного объекта, и вероятность ложного обнаружения малоразмерного объекта Рпо, как вероятность принятия решения об обнаружении малоразмерного объекта в случае отсутствия малоразмерного объекта.

Рассмотрим случай, когда значения интенсивности малоразмерного объекта превышают значения интенсивности фона. В предположении о Гауссовом характере распределения значений интенсивности малоразмерных объектов вероятность правильного обнаружения будет определяться следующим выражением

0¿)=-^£exp(-/2/2)¿/ (5)

где к„0 - некоторая константа правильного обнаружения, определяемая из выражения

(5).

11риняв предположение о Гауссовом характере распределения значений интенсивности фона, получим следующую формулу, определяющую вероятность ложного обнаружения

W (6)

где к„0 - некоторая константа ложного обнаружения, определяемая из выражения (6).

Соответствующие вьппеопределённьгм константам значения интенсивностей f„0 и

f„„ определяются из следующих выражений

(Цо -f«„) (f,o - Цф)

kfín ~ к ,0 — (7)

Оф

где //„ - выборочное среднее интенсивности малоразмерного объекта <т0 - СКО интенсивности малоразмерного объекта;

[!ф - выборочное среднее интенсивности фона,

Оф - СКО интенсивности фона.

/пп ¡-¡Г, - к/ю-№ф*к;,о&ф 1

Решение об обнаружении малоразмерных объектов принимается при выполнении условия /,„ 2/,„ и, соответственно, решающее правило обнаружения малоразмерных объектов большей интенсивности, чем фон имеет следующий вид

>1

КРо+К&ь (8)

Повторив вышеприведённые выкладки для случая, когда интенсивность малоразмерных объектов меньше интенсивности фона получим следующее решающее правило

кш<Го+Кш°Ь {9)

Соответственно решающее правило обнаружения малоразмерных объектов в общем случае будет иметь следующий вид

(10)

Решение об обнаружении малоразмерного объекта принимается при выполнении условия (10) для всех сочетаний центрального окна (ц0 сг0) с восемью соседними окнами (№ 1= 1.8. Последовательное применение этого алгоритма ко всем обрабатывае-

мым зональным изображениям и последующее сложение изображений с выделенными малоразмерными объектами позволяет получить изображение малоразмерных объектов, которые удовлетворяют вышеопределёнпому критерию, хотя бы в одном спектральном диапазоне.

На основе экспериментальных исследований работы разностного и адаптивного порогового алгоритма сделаны следующие выводы. И разностный алгоритм, и предложенный адаптивный пороговый алгоритм обеспечивают уверенное выделение малоразмерных объектов со значением контраста выше 1. Уменьшение контраста при использовании обоих алгоритмов приводит к снижению вероятности правильного обнаружения, причём оба алгоритма перестают выделять малоразмерные объекты с уровнем контраста ниже 0,4. Использование разностного алгоритма приводит к ложному выделению малоразмерных объектов на контрастных границах однородных областей, а также в местах расположения линейных объектов. Адаптивный пороговый алгоритм, обеспечивая правильное обнаружение малоразмерных объектов, позволяет исключить ложное выделение линейных объектов и границ однородных областей, как малоразмерных объектов.

Выделение элементов пространственной структуры изображений, определённых как “протяжённые объекты” и “граничные и линейные объекты”, осуществляется путём

классификации изображений, па которых выделены “точечные”, и “малоразмерные” объекты, соответственно, обработке подвергаются точки изображения, не отнесённые к этим элементам. Выделение элемента структуры “граничные и линейные объекты” осуществляется путём пороговой обработки изображений с контрастированными границами. Для получения изображений с контрастированными границами обычно используются два вида алгоритмов:

- алгоритмы пространственного дифференцирования;

- алгоритмы высокочастотной Фурье-фильтрацш.

Для выбора пороговых значений можно использовать эталонные участки границ, осуществляя подбор пороговых значений в интерактивном режиме. Общая блок-схема построения структурпо-прострапствешюй модели, обрабатываемых изображений, показана на рис. 2.

Исходные изображения

Выделение точечных объектов.

Разностный алгоритм. Локальная пороговая обработка

Выделение малорамерных объектов.

Разностный алгоритм. Локальная пороговая обработка

Умножение

Выделение линейных и граничных объектов.

Алгоритмы пространственного дифференцирования. ВЧ Фурье фильтрация. Пороговая обработка

Умножение

Бинарное изображение точечных объектов.

Бинарное изображение малоразмерных объектов.

Бинарное изображение линейных и граничных объектов..

...

Умножение ■ . .

Бинарное изображение протяженных объектов

Л

Структурно-пространствепная модель исследуемых изображений

Код протяжённых объектов.

Сложение

*

Код линейных и граничных объектов.

Код малоразмерных объектов.

| Код точечных объектов.

Рис. 2. Блок-схема построения структурно-пространственной модели изображений,

В результате получаем классифицированное четырёхуровневое изображение, описывающее структурно-пространственные характеристики исследуемых изображений.

Методология тематической классификации изображений с использованием структурно - пространственной модели.

Полученная па первом этапе обработки структурпо-прострапственпая модель исследуемых изображений позволяет организовать процесс тематической сегментации па

основе многоуровневой классификации.

На первом уровне второго этапа классифицируются протяжённые объекты. Теоретическое обоснование их тематической классификации на первом уровне основывается на том, что они определяются максимальным числом признаков и, вследствие этого, возможностью их эффективной классификации на первом уровне без использования контекстной информации. В тоже время результаты их сегментации могут бить использованы на последующих уровнях для формирования модифицированных контекстных признаков. Для выделения классов протяжённых объектов в зависимости от их свойств, статистических и геометрических характеристик могут использоваться различные классификаторы, как па основе выделения границ однородных областей, так и па основе разметки точек изображения.

Для осуществления теоретически обоснованного выбора вида классификатора определим следующие типы протяжённых объектов:

1. протяжённые объекты с относительно постоянным значением интенсивности по полю спимка, хотя бы в одной зоне спектрального диапазона;

2. протяжённые объекты с градиентом интенсивности во всех зонах спектрального диапазона и с высоким значением градиента интенсивности на границах хотя бы в одной зоне спектрального диапазона;

3. протяжённые объекты с градиентом интенсивности и невысоким значением градиента на границах во всех зонах спектрального диапазона.

На основе проведённого анализа преимуществ и недостатков различных видов классификаторов можно сделать вывод о наибольшей целесообразности использования методов максимального правдоподобия и гиперпараллелепипеда для классификации протяжённых объектов 1-го типа. В случае классификации протяжённых объектов типа

2 используется классификатор па основе методов выделения границ однородных областей. Для сегментации объектов типа 3 наиболее эффективным является применение методов наращивания однородных областей.

В общем случае при тематической обработке изображений, содержащих протяжённые объекты всех трёх типов, необходимо использован, подуровни классификации с различными видами классификаторов - метода максимального правдоподобия или гиперпараллелепипеда для объектов типа 1, выделения границ однородных областей для типа 2 и метода наращивания однородных областей для типа 3.

На следующем уровне осуществляется тематическая классификация малоразмерных объектов. Для их выделения обоснованным является применение того же подхода и видов классификаторов, что и при сегментации протяжённых объектов 1-го типа. Ис-

пользование более высокого уровня повышает эффективность их выделения, так как в соответствующее подмножество классификационных признаков могут быть добавлены модифицированные контекстные признаки, полученные путйм обработки результатов тематической обработки протяжённых объектов на первом уровне.

На третьем уровне тематической классификации выделяются граничные и линейные объекты. Как отмечалось выше, они характеризуются большим разбросом спектральных интенсивностей, поэтому для их правильной идентификации необходимо использование контекстной информации, полученной в результате предыдущих уровней тематической сегментации. На четвёртом уровне классифицируются точечные объекты. Как было отмечено выше, большой разброс значений их спектральных интенсивностей и их геометрические размеры делают невозможным использование при их классификации спектральных и текстурных признаков, вследствие чего на первый план выходит использование контекстной информации. Вместе с тем алгоритмы классификации, использующие только контекстные признаки, позволяют разделить точечные объекты на весьма ограниченное число классов, определяемое числом фоновых (по отношению к точечным объектам) классов, выделенных на предыдущих уровнях, и обеспечивают невысокую достоверность классификации. С целью увеличения количества классов, на которые разделяются точечные объекты, и повышения достоверности предлагается использовать спектрально-контекстные признаки точечных объектов, определяемые следующим образом.

Каждый класс точечных объектов определяется значениями спектральных контрастов по отношению к спектральным интенсивностям класса, на фоне которого находится данный точечный объект. В каждой зоне спектрального диапазона спектральноконтекстный признак точечного объекта может принимать три значения:

- +1 - в случае положительного контраста в этой зоне;

- -1 - в случае отрицательного контраста;

- О - если контраст в данной зопе отсутствует.

Использование практических методик тематической обработки на основе структурно-пространственной модели открывает следующие возможности повышения вероятности правильного распознавания тематических объектов:

- выбор разных видов классификаторов, оптимальных для тематической классифи-

кации определённого структурного элемента;

- выбор оптимального подмножества классификационных признаков для каждого структурного элемента;

- использование более сложных и эффективных алгоритмов классификации.

Глава 3. Многоуровневая тематическая обработка многозональных аэрокосмических изображений.

В третьей главе представлены методики тематической обработки многозональных аэрокосмических изображений. Приведены результаты исследований выявления заболоченных территорий по данным многозональной съёмки КА Landsat-7 участка территории в Истринском районе Московской области. Описаны особенности отображения различных видов земных покрытий в разных спектральных диапазонах. Представлена методика тематической обработки данных многозональной съёмки КА Landsat-7 участка территории в районе г. Дубна Московской области и снимков в 9 спектральных диапазонах, полученных с датчика Aster КА Terra, участка территории Московской области в районе Приокско-террасного государственного биосферного заповедника. Проведён анализ полученных результатов. Приведены результаты экспериментального исследования нового алгоритма автоматизированного выделения малоразмерных объектов заданного размера, позволяющего достоверно выделять объекты с сохранением разрешающей способности исходных снимков. Описан метод создания почвенных карт на основе концепции ландшафтно-индикационного многоуровневого дешифрирования территорий.

Методика тематической обработки многозональных изображений КА Landsat-7.

Исследовалась территория в районе г. Дубна Московской области. На рис. 3-8 представлены зональные снимки этой территории, полученные с КА Landsat-7 в диапазонах 0,45-0,52 мкм, 0,52-0,60 мкм, 0,63-0,69 мкм, 0,76-0,90 мкм, 1,55-1,75 мкм, 2,082,35 мкм, соответственно.

Для проведения тематической обработки была построена методика, использующая структурно-пространственную модель исследуемых изображений и многоуровневую классификацию. Результат тематической обработки с использованием автоматизированных и визу альных методов показан на рис. 9. Блок-схема методики представлена па рис. 10.

Рис. 6

Рис. 8

аегщорогм

лзп

нежшикие жуа и олетьфй мойные лею«

хеминые лес«

»»ответь* те»

шоео-огерааные ^зстг.и________

! ЕЛРТД1Ы мпогатжмой мстройки

Рис. 9. Результат многоуровневой тематической обработки.

Для получения количественных оценок достоверности по результатам тематической обработки была рассчитана вероятность правильной классификации объектов. В качестве критерия использовалась вероятность правильной классификации класса К, определённая следующим образом.

По контрольному участку (участкам) класса К определяются его площадь в пикселях Бк и количество пикселей Кк, отнесённых по результатам классификации к классу К. По контрольном участкам всех остальных классов находится класс 0 с максимальным значением количества пикселей Мч, отнесённых по результатам классификации к классу К. Определяется площадь контрольного участка класса в пикселях в,, и количество пикселей 1Чч, по результатам классификации к классу К. Вероятность правильной классификации класса К - Рк рассчитывается по формуле

р-4[|+^] <">

Сравнительная экспериментальная оценка вероятности правильной классификации с использованием многоуровневой классификации и по методике одноуровневой контролируемой классификации приведена в таблице 1. Из данных таблицы 1 видно, что для отдельных классов объектов применение многоуровневой классификации обеспечивает повышение вероятности правильной классификации на 12 %.

Нис. 10. Блок-схема методики многоуоовиевой тематической обоаботки.

Табл. 1. Вероятности правильной классификации. Погрешности, рассчитанные по методу Корифельла__________________ _________________________________________________

Объекты Вероятность / Погрешность

Многоуровневая сегментация Одноуровневая сегментация

Глубоководные объекты 0,94 0,1 0,94 0,1

Мелководные объекты 0,91 0,1 0,89 0,1

Луга 0,87 0,3 0,75 0,4

Хвойные леса 0,92 0,1 0,91 0,1

Смешанные леса 0,89 0,1 0,88 0,1

Лиственные леса 0,87 0,1 0,86 0,1

Садово-огородные участки 0,88 0,2 0,79 0,3

Кварталы городского типа 0,9 0,3 0,77 0,3

Методика выявления заболоченных территорий по данным миигозшшльиои съёмки КА Landsat-7.

Па рис. 11-15 представлены зональные снимки КА Ьапс15а1 7 в диапазонах 0,45-0,52 мкм.,

0,52-0,60 мкм., 0,63-0,69 мкм, 0,76-0,90 мкм., 1,55-1,75 мкм. Па снимках отображен участок территории Московской области на границе Истринского и Рузского районов. Исследовалась возможность определения заболоченных участков территории путём автоматизированной многоуровневой классификации. Результат представлен на рис. 16. Анализ полученных результатов позволяет сделать вывод, что использование данных многозональной съёмки в 5 зонах спектрального диапазона (3 видимых, 1 ближний ИК и 1 средний ИК) обеспечивает возможность получения достоверной картины расположения заболоченных участков в лесной местности.

Условные обозначения

Экспериментальная проверка по тестовым участкам заболоченных территорий и лесной растительности показала, что вероятность правильной классификации заболоченных участков составляет 82%. При решении данной задачи по методике одноуровневой контролируемой классификации была получена вероятность правильной классификации заболоченных участков 79%.

Методика тематической обработки снимков с датчика Aster КА Terra.

Исходными данными для тематической обработки являлись зональные изображения участка территории Московской области. Исследуемая территория интересна тем, что па пей представлен набор различных компонентов ландшафта - антропогенных и природных, характерных, как для лесных, так и для степных территорий. Для решения задачи выделения природпо-хозяйствеппых объектов была применена методология многоуровневой сегментации. Автоматизированная сегментация не позволяет выделить липейпые объекты, ширина которых не превышает одного пиксела, такие как автомобильные дороги, ЛЭП, небольшие речки. Их определение проводилось визуально в интерактивном режиме. Общая блок-схема описанного процесса многоуровневой сегментации показана на рис. 17.

Г идрогрзфия

Заболоченные участки

Лесная растительность

Луга

Населенные пункты

Пустыри

Обраб атыв пемые тобр ажетш

0 0 0 0 0 0000

- г Бшуш-ное Бтуаа-мо«! 4 Фильтрация Х\£±ЛЛ,. Ь.*Г 1»*ея5«>т«

ШД*Я ни* м долей*« СКйП*ЗЛЩ>©Л фИ^ЬТр АЦ8М

нэп небольших СКО 7x7 3x3

реыг. 1 I

Bsny.iJtI.HOe

»ыд«п?и:е

тОМО&СИ>КШ

дорог

Пороге*«

1 ОЗНОСЧЪ

------у-----

оьздег.еяне

аяомдпк’трыпгй

пагп'бекс

тгойш

Результат темпппкекоп еегыегппцип

сцдгг.ени? патер-боле методом

п^тс^.пшкн.бодут,

редколесья.

С4Д05Ш

уч11т:с1-гпссчиагх

К(«ЦчОб од¥51.пгсг;о|

Э*гтро*ш2.и ■МЕГОмагистрш г

Т*рр-И7йр1С1

Г идрогр^фихлес^ «уг-и11иш1,пус;гс-гр!1, бслот^редкдте«.«, гздэг-к*

УЧ4СПЗШ«СЧ-«.Ю^ м«£ко I одь е^ес се

Рис. 17. Общая блок-схема процесса многоуровневой сегментации.

Сравнительная оценка вероятности правильной классификации природнохозяйственных объектов по формуле (11) для многоуровневой сегментации и одноуровневой методологии контролируемой сегментации приведена в табл. 2. Сравнительный анализ результатов, полученных с помощью использования методик многоуровневой сегментации многозональных изображений, основанный не только на примерах, приведенных в данной работе, по и на широком ряде изображений различных территорий, показал устойчивое повышение вероятности правильного распознавания до 15%!

Табл. 2. Вероятности правильной классификации. Погрешности по методу Корнфельда

Объекты Вероятность 11К / Дове рительный интервал

Многоу классш эовневая шкация Одноур классш овневая шкация

площадные объекты гидрографии 0.94 0,1 0.94 0,1

автомагистрали 0.91 0,1 0.89 0,2

застроенные территории 0.95 0,3 0.8 0,3

лесная растительность 0.96 0,2 0.91 0,2

заболоченные участки 0.87 0,2 0.81 0,2

луга 0.94 0,3 0.82 0,4

пашни 0.93 0,3 0,8 0,3

пустыри 0.91 0,2 0.81 0,3

молодая поросль леса 0.95 0,1 0.91 0,2

садово-огородные участки 0.94 0,2 0.85 0,2

песчаные поверхности 0.92 0,2 0.86 0,2

песчаное мелководье 0.88 0,1 0.87 0,1

Обработка многозональных космических снимков для целей почвенного картографирования.

Изучение и картографирование почвенного покрова - главная задача географии почв. Основным источником информации о состоянии почвенного покрова являются полевые исследования и наблюдения и их последующий лабораторный анализ. Наряду с широким использованием контактных методов исследований в почвоведении все большее значение приобретают дистанционные методы изучения почв. Наиболее эффективным является совместное использование контактных и дистанционных методов изучения почв. При изучении почв по данным дистанционного зондирования (ДДЗ) ключевую роль играют ландшафтные индикаторы, прежде всего растительный покров и рельеф.

Исследование эффективности многоуровневой тематической обработки многозональных изображений для создания почвенных карт было выполнено па примере участка территории в западной часта Минской области Республики Беларусь.

Исходными материалами для выполнения работы являлись данные дистанционного зондпроваиия (многозональные спимки спутпика ЬапсЬа! 7 ЕТМ+) и результаты полевых обследований. Разработанная методика осповапа па концепции ландшафтноиндикационного дешифрирования. В районе исследований почва не является «физио-номичным» объектом, поэтому, для ее распознавания требуется использовать ландшафтные индикаторы, главными из которых являются растительность и рельеф.

Многоуровневое дешифрирование изображения осуществлялось в пределах определённых пространственных масок, соответствующих неким ландшафтным единицам. В качестве масок, соответствующих ландшафтным единицам, выбраны следующие: водные объекты, пойма реки, заболоченные земли, земли сельскохозяйственного назначения (луга, пастбища, пахотные земли), леса, мелиорированные земли. Создание масок производилось в интерактивном и автоматическом режиме. В автоматическом режиме были выделены классы водных объектов и лесов, создание масок поймы реки, заболоченных земель и земель сельскохозяйственного назначения производилось в ручном режиме. Для дешифрирования почв использовались изображения в пределах масок поймы, заболоченных земель и сельскохозяйственных земель. Блок-схема описанного процесса многоуровневого дешифрирования почв показана па рис. 18. На рис.

19, приведен результат тематической обработки.

На основе анализа получеппых результатов можно утверждать, что при условии

детального полевого обследования эталонных участков типичных классов почв многоуровневое дешифрирование с использованием масок, относящихся к различным ландшафтным единицам, позволяет получать достаточно достоверные почвенные карты по данным многозональной съёмки.

Г А /Изображения а бшжнем А

---изображения 8 9-ти канатах идальнеМ ИКювапах у—]

Ф орм ироиан не- -маек и лой.мы » интерактивном режиме

( Бинарное I

I изображение поймы ^

' 1 1

Формирование тст •К»б©а<ие.н»тх •»мсйь и интерактивном реште

3_

БтфНОв изображение I заболоченных зешеяь '

Фор шфовтте шасп ШЬ № интерактивном режим«

, 1 , Бинарное изображение / С@Л1>Х03 земель I

Умножение

Формирование эшшшх участкоа абъекши-п^арогрз>$ии н яесек

Классификации классов почв цойхш

утаегков классов /ю*т тй\щ

| Классификация \ объектов

I гщрогрзФИпишв

К/ШсифШлця# классов л оч и

заболочеятшх

зем&зь

Формирование САЛОННЫХ учас тков классов кочв >абшюч-е». и ы х зе мол ь

Фор?»1ирогшп(с л>гад<?г(?и.г.\ УЧЭСХКОЙ К.18ССО« 110*48 ОС*Л1>ЖК5 .'Земель

Рис. 18. Ьяок-схема процесса многоуровневого дешифрирования почв.

Типы почв

у___] Дериово-нодюлиегые

С^] Дерново-подтолпсшс временно /поточно ув-ижиясм Ю ДерЖ11КМЭТее*!1ГЫе

ШШ Тор||1ино-болот1шц псрсмкшыс

Рис. 19. а) 1ШВ представление исходных данных; б) результат дешифрирования почв.

Глава 4. Автоматизированная технология оценки динамики растительного покрова и других типов наземных экосистем по временным сериям данных дистанционных наблюдений.

В четвёртой главе представлены разработанные основы технологии опенки динамики растительного покрова и других типов наземных экосистем описана архитектура и общие принципы функционирования.

Описаны разработанные методы автоматизированного формирования временных серий тематических карт растительных покровов и грунтов по данным дистанционного мониторинга, автоматического определения замещений объектов, автоматического определения изменений границ экосистем.

Приведены результаты экспериментального исследования работы разработанных методов на примерах участков территории Московской и Вологодской областей.

Базовые основы технологии оценки динамики растительного покрова и других типов наземных экосистем по данным дистанционного зондирования.

Технология оценки динамики по данным ДЗЗ состоит из следующих этапов;

- сбор и первичная обработка исходной информации;

- тематическая обработка данных ДЗЗ;

- формирование качественных и количественных характеристик обт.ектов;

- формирование качественных и количественных характеристик состояния и динамики объектов. Г енерализация тематических карт. Генерализация качественных и количественных характеристик объектов;

- хранение исходных данных, результатов их обработки и обеспечение регламентированного доступа к пим;

- обеспечения интерактивного доступа пользователей к спутниковым и картографическим базам данных непосредственно в окне шеЬ-браузера, с предоставлением возможностей пространственного анализа.

Общая блок-схема технологии оценки динамики показана па рис. 20.

Метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов но данным дистанционного мониторинга.

Широко распространенным и эффективным путём выявления тенденций динамики структуры растительного покрова и грунтов является сопоставление разновременных тематических карт одного и того же участка местности. В разработанном методе автоматизированного формирования временных серий тематических карт растительных покровов и грунтов по данным дистанционного мониторинга для повышения достоверности результатов автоматизированного дешифрирования применяется многоуровневая

тематическая классификация. Общая блок-схема дешифрирования элемента временного ряда с использованием многоуровневой классификации показана на рис. 21.

ВхОДНПЯ информация

ЛК11 земной поверхности (раст\])

Ц|иЬ|Х)ьыс кар1Ы (вскг., растр)

АКИ ЗеМИОН ПОПерМ10СТН11<1 тпердых носителях

Ёумат пленка)

¡рты. гшныютрерзькносютляч "екстокые материалы

Устройства ввода ДДЗ

¡('таиции приема сготипкооич данник Уттп1гпл скачтшшя ллтгых Устройства ^1плаш1ф|Х)вык данных с

; 11СреНУСШ<1\ ИОСШОЛСП

Сканеры

I Первичная обработка ДД$. [

(Фотометрическая коррекция. Геометрическая коррекция. Географическая привязка [

Утилиты управления хранением данных

Файловым архив

Бача расгровых игображений Бача векторных изображении База юкстоиоП информации

. ... Утилиты

- ИОИО.ЧНРНИН

архива

Пользователи

\\T2B интерфейс доступа к данным

Тематическая обработка аэрокосмических снимков

Предварительная обработка (получение модифицированных 'изображений, формирование множеств нршнаковдля процедур классификации) Классификация изображении (получение тематически сешстированныхтображенми. содержащих информацию о пространственном распределении кхУьектов)________,_______________

Формирование качественных Гг количественных хлрактерястпксостоянпяобъектов I Формирование качественных и количественных характеристик динамики объектов Создание карт изменении —

Генерализация тематических карт

Генерализация качественных н количественных характсристпксостояння объектов._

Рис. 20. Блок-схема технологии оценки динамики наземных экосистем по данным ДЗЗ.

Рис. 21. Общая блок-схема дешифрирования изображений временного ряда.

На первом этапе осуществляется выбор п формирование геометрически идентичных фрагментов разновременных аэрокосмических снимков. Исходные разновременные аэрокосмические снимки могут иметь разный масштаб и быть представлены в различных проекциях. Поэтому на первом этапе осуществляется геометрическая коррекция исходных аэрокосмических снимков временного ряда с целью их представления в определённой единой проекции, системе координат и масштабе.

На втором этапе осуществляется определение набора подлежащих дешифрированию классов объектов растительного покрова и груптов, присутствующих па изображении. После определения набора классов объектов на втором этапе производится формирование эталонных участков для каждого класса, относящихся к одному классу па всех исходных изображениях временной серии.

В рамках решаемой задачи необходимо выявлять объекты, которые относятся к типу протяжённых (площадных). Поэтому на третьем этапе дешифрирования осуществляется преобразование исходных изображений с целью устранения ошибок классификации, возникающих вследствие присутствия па изображении точечных, малоразмерных, граничных и линейных объектов. Блок-схема предварительной обработки исходных изображений на основе структурно-пространственной модели показана па рис. 22.

Итогом обработки третьего этапа является набор зональных изображений, в которых значения спектральных интенсивностей пикселей точечных, малоразмерных, линейных и граничных объектов замещены медианой значений спектральных интенсивностей протяжённых объектов в некоторой локальной окрестности.

На четвёртом этапе выделяются участки лесной растительности. Блок-схема алгоритма выделения лесной растительности показана па рис. 23.

На пятом этапе тематической сегментации производится выделение видов лесной растительности, присутствующих иа исследуемой территории. Блок-схема алгоритма выделения видов лесной растительности показана па рис. 24.

На шестом этапе тематической сегментации производится выделение растительных покровов и грунтов соответствующей территориально-географической зоны, не отнесённых к лесной растительности. Блок-схема алгоритма выделения объектов растительных покровов и груптов, не отнесённых к лесной растительности, показана па рис.

25.

На седьмом этапе формируется конечный продукт тематической обработки путём сложения бинарных и многоуровневых изображений, полученных в результате выполнения пятого и шестого этапов.

—( Мдсшимныд Фраї менш. скимло»

_____ЕСІІІІ

Медианная фильтрация

Модуль разности

Формирование тестовых участков малоразмерных объектов

Формирование. 1-й Главной компоненты

т

Формирование сигнатур малоразмерных, обьектоз

Юясеификсшия метолом пороговой обработки I

Формирование 1-й Главной компоненты

Формирование

тестовых участков линейных'« граничных. объектов

Умножение

Формирование сигнатур линейных и граничных, объектоа

Рис. 22. Блок-схема предварительной обработки исходных изображений на основе структурно - пространственной модели.

Предварительно обра5м;шш£ ма оснст.* етруктуртмфпс!раиепк'ико«'/ / Эталонны©участки модели И10ор.1^еи]и| [ I лесной растительности

Классификация лепной растительности гиперпзрол^шгие.шшм метдом

( Бинормы^ изображенияпзеной растительности 7

Рис. 23. Блок-схема алгоритма выделения лесной растительности.

( Бинарное изображу® лесной рвститвпьностЛ

\ ПрОСПр«ЖкГ»енНОЙ модели исходное ИЖЧф.Ч&'СКИЯ \ \ \

Ууиожзнио

"~Т~"

Классификация 1ш;юй лесной раститедькоега 1'$щер«аца;1ле.теи»и?йл«мм «елшч и MC-io.ii.»*» м.ьенмги.кнот я.р?ад<:»»;Олик>ня

/ Эталонный I I участки видов 1 лесной I \ растительности *

Многоуровневое изображение видов лесной растительности |

Рис. 24. Бяок-схема алгоритма выделения видов лесной растительности.

! Ир^лгифкте-шю ' оорлбогазшые ла

ОСНМЮ СТруК'Т)-р1;0-

нространет&етгой можлн нлабражеиия

/ Эталонные I участки I . оОызктое

Формирование пространственной маски, исключающей участки лесной растительности

Бинарное

изображение

лесной

растительности

К'лнссификация гнпфилрлл.-гслемшгс.'.ип,!.';! методом И методом МгкСНМУЛЫЮТО 1фЛВДО?К)Д<>бмЯ

/"Тематическое —изображение \ объектов-

Рис. 25. Блок-схема алгоритма выделения объектов растительных покровов и грунтов, не отнесённых к лесной растительности.

Методы автоматического определения пространственного распределения изменений растнтельпого покрова и грунтов по даппым дистанционного мониторинга.

В настоящее время активно развиваются приёмы отражения динамики явлений и процессов па одной карте. Карты динамики заменяют серии разновременных карт, показывают состояние явления в разные моменты времени. Широкие возможности получения качественных и количественных оценок открывает представление результатов сравнения разновременных аэрокосмических материалов на картах:

- отображающих пространственное распределение участков замещений объектов за определённый период;

- совмещающих контуры объектов на разные латы.

Для решения этих задач были разработаны методы интерпретации временных рядов аэрокосмических снимков, обеспечивающие выявление изменившихся и вновь появившихся объектов. Исходными данными являются взаимосогласованные результаты тематического дешифрирования аэрокосмических изображений одного и того же участка территории на две разные даты. Взаимосогласованность исходных тематических изображений предполагает их пространственную (геометрическую) совмещённость, идентичный набор представленных классов объектов, получеппых по единой методике дешифрирования и обозначенных одинаковыми цифровыми кодами.

Блок-схема алгоритма разработанного метода автоматического определения замещений объектов показана на рис. 26.

3. Фильтрация изображения скользящим окном е выбором наиболее часто нстрсчасмогочначеьия

Тематическое изображение чамегценнй объектов эа рассматриваемый период |

Рис. 26. Блок-схема алгоритма автоматического определения замещений объектов.

Блок-схема алгоритма автоматического выявления определения изменений границ растительного и почвенного покрова показана па рис. 27.

Результат тематической обработки на начало периода

1. Пороговая обработка

I 2. Медианная фильтрация

Наименование класса растительного покрова или грунта

Результат тематической обработки на конец периода

1. Пороговая обработка

2. Медианная фильтрация

3. Градиентная фильтрация. | Пороговая обработка )

4.Фильтрация максимальной порядковой статистикой

|з. Градиентная фильтрация. | Пороговая обработка

4. Фильтрация максимальной порядковой статистикой

16. Суммирование

5. Умножение на I константу 2 I

1__.

7. Фильтрация изображения скользящим окном с выбором наиболее часто встречаемого значения

‘Г

Тематическое изображение , изменений границ определении) / класса объектов за I

рассматриваемый период

Рис. 27. Блок-схема алгоритма автоматического определения изменений границ экосистем.

Глава 5. Тематическая обработка радиолокационных и тепловых изображении земной поверхности.

Пятая глава посвящена вопросам тематической обработки радиолокационных снимков и изображений земной поверхности, полученных в тепловом ИК диапазоне. Показано, что автоматизированная тематическая сегментация радиолокационных изображений сопряжепа со значительными трудностями, вследствие чего далеко не все объекты видимые на снимке могут быть выделены в автоматизированном режиме. Представлена методика тематической обработки радиолокационных изображений, сочетающая на разных этапах визуальные и автоматизированные методы.

Описана разработанная технология автоматизированного определения состояния теплотрасс по данным тепловизиошюй аэросъёмки.

Автоматизированная тематическая обработка радиолокационных снимков.

На рис. 28 представлен радиолокационный снимок, полученный радиолокатором с синтезированной апертурой, участка территории Раменского района Московской об-

ласти в районе деревни Фенино. Разрешающая способность па местности Зм. Значительная часть исследуемой территории занята лесом, лугами и сельскохозяйственными полями. На снимке также представлены следующие объекты: озеро, автомобильные дороги, агропромышленный объект, деревня и дачные участки. На рис. 29 представлены гистограммы распределений отмеченных классов объектов. Анализ гистограмм тестовых участков объектов, присутствующих па радиолокационном снимке, позволяет сделать следующие выводы. Значения яркости лесной растительности расположены практически во всем динамическом диапазоне и пересекаются со значениями яркости всех других классов объектов, представленных на снимке. Выделение лесной растительности по значениям яркости невозможно.

гас. 2Ь. Исходное радиолокациошюе изображение.

Гйстогрзьямы леснои растительности Гистограммы лугов

А 1 А А

Гистограммы водной поверхности. Гистограммы РЛ теней

...... I I 1 1

Гистограммы зданий сельског о типа Гистограммы о бъеюгов АПК

,Аь.. .А

Г истограммы распределения яркости автомобильных дорог.

Рис. 29. Гистограммы распределения яркостей объектов.

Значения яркости лугов незначительно пересекаются со значениями яркости вол-пых объектов и радиолокационных теней и практически не пересекаются со значениями яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков и эти объекты могут быть разделены по яркостным признакам. Яркости водной поверхности и радиолокационных теней практически не отличаются друг от друга и отображаются радиолокационном снимке чёрным тоном, который существенно отличается от всех других объектов, представленных на снимке. Таким образом, водные поверхности и радиолокационные тени могут быть •эффективно отделены от всех объектов, кроме лесной растительности, по яркостному признаку. Гистограммы яркости объектов агропромышленного комплекса, зданий сельского типа и построек дачных участков имеют одинаковый вид и характеризуются высокими значениями яркости, по которым они могут быть отделены от всех объектов, кроме лесной растительности. Гистограммы яркости автомобильных дорог полностью пересекаются с гистограммами лесов и лугов.

Разработанная многоуровневая методика содержит следующие этапы.

На первом этапе выделяются по яркостному признаку на исходном изображении объекты гидрографии и радиолокационные тени.

На втором этапе путём использования алгоритмов выделения объектов определенного размера определяются здания агропромышленного комплекса и здания сельского типа.

На третьем этапе визуально в интерактивном режиме осуществляется выделение автомобильных дорог.

На четвёртом этапе определяются луга и лесная растительность. Этот этап выполняется после первых трёх этапов, так как использует полученные результаты. Для выделения лесной растительности и лугов использовалось исходное изображение, из которого были удалены участки, запятые сооружениями агропромышленного комплекса, зданиями сельского типа, автомобильными дорогами, объектами гидрографии и радиолокационными тенями, полученные в результате сегментации на первых трёх этапах. Путём обработки исходного изображения получаются два модифицированных изображения - изображение, обработанное медианным фильтром 9x9 элементов и изображение, представляющее собой разность максимальных и минимальных значений в скользящем окне размером 11x11 элементов, которое характеризует текстурные особенности лесной растительности и лутов. Выделение лесной растительности и лугов производится путём контролируемой классификации трёх вышеперечисленных изображений по методу максимального правдоподобия. Результат обработки показан па рис. 30.

Рис. 30 Результат тематической сегментации

Результаты исследований показали возможность создания эффективных методик автоматизированной тематической обработки РЛ снимков на основе многоуровневой классификации.

Использование данных тепловизионпой аэросъёмки для мониторинга состояния теплотрасс.

Подтопление участков теплотрасс при авариях па городском водопроводе существенно изменяют картину теплового излучения. Визуальная тематическая обработка материалов тепловизионпой аэросъёмки занимает значительный период времени. 1Хо этой причине очевидна целесообразность применения автоматизированных методов интерпретации.

На рис. 31 представлено тепловое изображение участка территории города Москвы в районе Вешняковской улицы, полученное в марте 2003 года с помощью тепловизиоп-иого комплекса ''Икар-002" (разработка ГИ1Ш "Аэрогеофизика"). На изображении присутствуют следующие объекты: проезжие части Реутовской улицы, аллеи Жемчуговой и Вешняковской улицы, жилые здания, гаражи, древесная и кустарниковая растительность, автомооили, участки и камеры тепловых сетей. На изображении присутствуют тепловые сети. На снимке можно видеть участки теплотрасс с различными значениями

яркости, что немаловажно при анализе экспериментальных данных.

Визуальный анализ значений яркости па снимке показывает, что участки тепловых сетей выделяются более высокими значениями интенсивности, причём эти значения для аварийных участков превышают значения яркости для других участков теплотрасс. Вместе с тем такими же высокими значениями яркости на снимке отображаются некоторые здания и их части.

Рис. 31, Изображение в тепловом диапазоне, разрешающая способность 0,5м.

Разработанная технологическая схема локальной классификации аварийных участков теплотрасс по материалам гепловизиоппой съёмки в качестве исходных данных использует тепловизионное изображение исследуемого участка территории и эксплута-ционную схему теплотрасс на данную территорию. На первом этапе на основе данных эксплуатационной схемы формируется бинарное растровое изображение (схема) местоположения теплотрасс для исследуемого участка территории.

На втором этапе осуществляется геометрическая привязка тепловизиоппого изображения к растровому изображению теплосетей путём трансформирования первого в проекцию второго.

На третьем этапе с целью расширения участков теплотрасс производится фильтрация скользящими порядковыми статистиками бинарного растрового изображения местоположения теплотрасс. Этот шаг выполняется для того, чтобы устранить влияние неточности данных эксплуатационной схемы и погрешностей съёмки.

На следующем четвёртом этапе из исходного изображения, геометрически привязанного к схеме тепловых сетей, полученного в результате второго этапа, вычитается бинарное (чёрньгй тон 0, белый тон 255) изображение схемы ТС после фильтрации скользящими порядковыми статистиками, полученное в результате выполнения

третьего этапа.

На последнем пятом этапе проводится пороговая обработка разностного изображения. ■>

Анализ результата автоматизированной обработки по вышеприведённой технологической схеме показал, что она позволяет при наличии электронных схем расположения теплосетей на конкретный участок территории с высокой вероятностью правильного обнаружения (выше 90%) выделять участки тепловых сетей с высоким значением теплопотерь.

Глава 6. Обработка изображений на высокопроизводительных вычислительных системах параллельной архитектуры.

В шестой главе рассмотрены вопросы повьнпепня производительности обработки изображений за счёт использования параллельных вычислений. Приведен анализ существующих вариантов программного обеспечения и аппаратной реализации многопроцессорных систем. Изложена разработанная методология определения оптимальных параметров вычислительного кластера и оценки эффективности распараллеливания алгоритмов обработки изображений.

Одним из путей повышения эффективности цифровой обработки изображений является использование многопроцессорных вычислительных систем. Локальные сети, специально собранные для использования в качестве многопроцессорной системы, компактно размещенные в одном или нескольких шкафах, оснащенные программным обеспечением, ориентированным исключительно на управление установкой как единым целым, называются кластерами выделенных рабочих станций.

Существует три возможности распараллеливания вычислений: первая - распараллеливание по структурам данных; вторая - распараллеливание по алгоритмам преобразований; третья заключается в использовании различных комбинаций первых двух.

Алгоритмическое распараллеливание представляет собой задачу, решение которой полностью зависит от вида конкретного алгоритма. В тоже время отличительной особенностью задач обработки изображений является наличие "естественного" параллелизма по данным. Распараллеливание по данным предполагает разбиение входных данных па порции, например - разбиение изображения па несколько областей, обработка которых ведется независимо и одновременно, с применением одного и того же алгоритма. В общем случае разбиение входных данных предполагает сбор и интеграцию результатов обработки отдельных порций. Распараллеливание, связанное с декомпозицией данных, опирается на структуры данных, встречающиеся в обработке изображений. Ряд алгоритмов решения задач классификации изображений ие требуют одповре-

мешюго обращения ко всем элементам изображения и используют построчное (постолбцовое) сканирование, при этом в каждый момент времени обрабатывается один элемент изображения. К ним относятся такие широко используемые алгоритмы:

- классификация по минимуму расстояния;

- классификация гиперпараллелепинедным методом;

- классификация по принципу максимального правдоподобия.

При решении задач предварительной обработки наиболее широко используются различные виды пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая, сравнительно небольшая, окрестность обрабатываемого элемента изображения.

Рассмотрим разбиение изображения па (возможно, пересекающиеся) полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования. Этот способ удовлетворяет требованиям, обычно предъявляемым обработкой в реальном времени, снимает необходимость обмена промежуточными результатами между параллельными процессами выполнения локальных операций и легко реализуется как-программно, так и аппаратно. Процесс сборки результирующего изображения состоит из действий, в точности противоположных разбиению.

Для проведения оценки эффективности многопроцессорной классификации, использующей поэлементное сканирование изображений, введем следующие обозначения:

/шп - время обработки одной строки (столбца) данных;

1пер - время пересылки одной строки (столбца) данных (включает в себя время пересылки при разбиении данных, время пересылки при сборке данных и время задержки, связанной с возможной несинхронной работой процессоров);

I - число задействованных процессоров; п - число строк (столбцов) обрабатываемого изображения.

Определим параметр I как отношение времени пересылки ко времени выполнения Г-""’, и, (12)

С учётом введенных обозначений была получена следующая формула, определяющая зависимость выигрыша от числа процессоров К(/) для алгоритмов, использующих поэлементное сканирование изображений

К(1) =—-г— (13)

/¡+1

Максимальный выигрыш Ктах в этом случае определяется выражением Ктах =- (14)

*

Несколько более сложным является процесс распараллеливания по даппым задач предварительной обработки пространственной фильтрации скользящими окнами различного размера. В этом случае в обработку вовлекается некоторая окрестность обрабатываемого элемента изображения. Поэтому разбиение изображения необходимо осуществлять на пересекающиеся полосы в направлении, перпендикулярном направлению построчного (постолбцового) сканирования. Введем обозначение и-’ - размер окпа используемого пространственного фильтра.

Выражение для определения выигрыша К в этом случае примет следующий вид

Л выражение для определения максимального значения выигрыша К,„ах

Результаты исследований, описанных в главе 6, показывают, что эффективность использования распараллеливания по даппым обработки изображений алгоритмами, использующими поэлементное сканирование, и скользящими пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения ! в интервале значений 0,2 - 0, Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окпа, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера.

Заключение

Результаты исследований, представленные в данной работе, можно рассматривать как решение актуальной научной проблемы тематической обработки изображений земной поверхности иа основе многоуровневых алгоритмов сегментации.

В ходе выполнения научно-исследовательских работ достигнута цель диссертации - разработаны теория и практическая методология тематической обработки па основе многоуровневой сегментации, с использованием структурно-пространственной модели исследуемых изображений. Определены пути повышения эффективности методов тематической обработки аэрокосмических изображений земной поверхности. Проведены экспериментальные исследования использования многоуровневых методов тематической обработки при решении различных практических задач.

Основные результаты и выводы диссертационной работы заключаются в следующем:

• Разработана теория и практическая методология тематической обработки па

К

(16)

основе многоуровневой сегментации, с использованием структурно - пространственной модели исследуемых изображений. Предложенный подход позволяет повысить достоверность дешифрирования изображений, со сложной структурой представленных на них объектов. Повышение достоверности достигается за счет организации процесса классификации на основе многоуровневой сегментации, использующей различные виды классификаторов и возможности использования на каждом уровне подмножества классификационных признаков оптимального для данного структурного элемента.

Разработаны новые алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста. Использование этих алгоритмов позволяет автоматически выделять точечные и малоразмерные объекты с заданной вероятностью ложного обнаружения У7.

Результаты экспериментальных исследований показали, что использование методологии тематической обработки па основе многоуровневой сегментации позволяет существенно повысить достоверность дешифрирования значительного числа объектов.

Разработанный в данной работе метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга, обеспечивает формирование временных серий взаимосогласованных тематических карт, каждая из которых фиксирует размещение растительных ресурсов в определённый момент времени, а в совокупности такая серия характеризует динамику растительных ресурсов. Разработанные методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по временным сериям взаимосогласованных тематических карт обеспечивают создание карт динамики. Такие карты позволяют оцепить динамику за избранный отрезок времени и открывают возможности получения качественных и количественных оценок. Разработан метод мпогоуровпевой тематической обработки радиолокационных изображений сверхвысокого разрешения. Проведенные исследования показали, чтоавтоматизироваппая тематическая обработка радиолокационных изображений сопряжена со значительными трудностями, вследствие чего, далеко пе все объекты видимые па снимке могут быть выделены в автоматизированном режиме. Для организации автоматизированной тематической обработки необходимо использование различных модифицированных признаков и много-

уровпевой классификации.

• Разработана методика количественной оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера для решения задач обработки изображений. Установлено, что эффективность использования распараллеливаиия обработки изображений алгоритмами, использующими поэлементное сканирование, и скользящими пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения I в интервале значений 0,2 - 0. Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окна, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера.

Теоретические положения и практические методы многоуровневого дешифрирования, представленные в данной работе, явились основой для разработки эскизного и технического проектов па программное обеспечение технологии динамического дешифрирования при выполнении работ по комплексному проекту по теме «Технологии оценки состояния и динамики растительных ресурсов наземных экосистем на основе дистанционного мониторинга», выполняемому в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научнотехнического комплекса России на 2007 - 2012 годы».

Результаты дешифрирования участков территории Московской области используются в ОАО «ГЕОЦЕНТР-МОСКВА» при выполнении работ в рамках Федеральной Программы «Ведение государственного мониторинга состояния недр Московской области».

Разработанные теория и методы многоуровневого дешифрирования внедрены в учебный процесс в Московском государственном университете геодезии и картографии по курсам «Тематическое дешифрирование снимков», «Технология тематической обработки данпых дистанционного зондирования», «Дешифрирование аэрокосмических снимков», «Космический мониторинг», «Автоматизированные системы сбора и обработки результатов дистанционного зондирования».

Публикации. По теме диссертации опубликовано 49 научных работ:

Основные результаты изложены в следующих рекомендованных ВАК журналах:

1. Методика автоматизированного ландшафтного дешифрирования космических изображений.// Известия высших учебных заведений. Геодезия и аэрофотосъёмка. № 4 - М.: МИИГАиК, 1998, с.68-81. (Соавторы: Мелкий В.А., Игрицов М.А.).

2. Использование спектрально-контекстных признаков для автоматизированного дешифрирования аэрокосмических изображений земной поверхности. //Изв. Вузов. Геодезия и аэрофотосъёмка, 2001. № 4. с. 80-85.

3. Адаптивный пороговый алгоритм для автоматического выделения па изображении малоразмерных объектов. //Изв. Вузов. Геодезия и аэрофотосъёмка, 2002. № 1. С. 100-107.

4. Дешифрирование многозональных аэрокосмических изображении с использованием структурпо-прострапствепной информации. //Изв. Вузов. Геодезия п аэрофотосъёмка, 2003, № 6, с.54-66.

5. Автоматизированное выделение объектов заданного размера па аэрокосмических изображениях с использованием параллельной обработки. //Известия вузов. Геодезия н аэрофотосъёмка, 2004, № 3. с. 151-157. (Соавтор: Кочнова И.В.).

6. Технология автоматизированного дешифрирования данных тспловнзнон-ной аэросъёмки для мониторинга состоянии теплотрасс. //Известия вузов.

Геодезня и аэрофотосъёмка», 2004, № 4. с. 118-125.

7. Проблемы распараллеливания в задачах предварительной обработки изображений скользящими пространственными фильтрами // Известия высших учебных заведений. Г еодезня и аэрофотосъёмка. №6 - М.: МИИГ АнК, 2004, с.55-61. (Соавторы: Малинников В.А., Кочнова И.В.).

8. Технология обработки многозональных космических снимков для пелен почвенного картографировании // Известия вузов. Геодезия н аэрофотосъёмка, 2008, № 2. с. 149-155. (Соавтор: Мышляков С.Г.).

9. Автоматизированные методы оценки динамики пространственного распределения растительного покрова н грунтов по данным дистанционного мониторинга // Исследование Земли из космоса, 2010, JV« 2, с.63-74

10. Анализ спектральных характеристик тропической растительности Вьетнама и разработка методов дешифрирования на основе спектральных индексов // Изв. Вузов. «Геодезия и Аэрофотосъемка», 2011., № 3 , с. 74 - 77. (Соавтор: Чннь Ле Хунг).

11. Методы выявления динамики тропической растительности Вьетнама путем автоматизированного дешифрирования временных рядов многозональных снимков // Исследование Земли из космоса, 2011, № 3, с. 75 - 85. (Соавтор: Чннь Jle Хунг).

12. Оценка географических изменений элементов ландшафта северных территории по данным многозональной космической съемки на примере Земли Франца - Иосифа и Новой Земли// Изв. Вузов. «Геодезия и Аэрофотосъемка», 2011., № 3 , с. 86 - 90. (Соавтор: Кочнова И.В.).

Учебные пособии, рекомендованные У МО высших учебных заведений Российской

Федерации по образованию в области геодезии и фотограмметрии для студентов

высших учебных заведений, обучающихся по направлению подготовки «Фотограмметрия и дистанционное зондирование»:

13. Ресурсно-экологическая картография //М.: Изд-во МИИГЛиК, 2005, 196 с. (Соавтор: Сладкопевцев С.А).

14. Дешифрирование динамики растительного покрова и грунтов по материалам дистанционного зощшроваиия//Унебное пособие//М.: Изд-во МИИГЛиК, 2009, 128 с. (Соавтор: Миртова И.Л.),

По теме диссертации опубликованы также следующие работы:

15. Отношение сигиал-шум при корелляциоином анализе двумерных изображений. //Автоматизация процессов сбора и обработки информации. ВВИЛ им. Н.Е.Жуковского. Научно-методические материалы. Москва, 1989г. с. 71. (Соавторы: Д.К. Сигитов, В.Т. Федин).

16. Аппаратно-програмный комплекс автоматизированной диагностики оператора иридологическими методами //Материалы Международного научнотехнического семинара “Моделирование и контроль качества в задачах обеспечения надёжности радиоэлектронных устройств”. Шауляй, 1992 г. с. 53. (Соавторы: Н.В. Баскакова, В.Г. Беликов).

17. Алгоритм локальной пороговой обработки для выделения точечных объектов на изображении //Материалы научно-технического семинара “Прикладные интеллектуальные системы”. Общество “Знание” РСФСР Москва, 1992 г. с. 10. (Соавтор: В.Г. Беликов).

18. Методические указания по выполнению лабораторных работ по курсу: «Компьютерное тематическое дешифрирование аэрокосмических изображений». Для студентов специальности «Исследование прнродиых ресурсов аэрокосмическими методами»,- М., Изд. МИИГАиК, 1997. 21 с, (Соавторы: Мелкий В.Д., Черниговский Ю.М., Сметашок И.В.).

19. Прогнозирование взрывных вулканических извержении по данным дистанционного зондирования //Изв. Вузов. Геодезия н аэрофотосъёмка, 1998. Л»3. с.123-129. (Соавторы: Мелкий В.А., Долгополов Д.В., Черниговский Ю.М.).

20. Мониторинг сейсмической опасности Алтайско-Саянской складчатой зоны по данным дистанционного зондирования //Изв. Вузов. Геодезия н аэрофотосъёмка, 1999. № 3. с. 107-118. (Соавторы: Мелкий В.А., Шишкова М.В.).

21. Возможности практического применения технологии автоматизированного дешифрирования аэрокосмических снимков в целях мониторинга земель //Изв. Вузов. Геодезия и аэрофотосъёмка, 1999. № 3. с. 99-112. (Соавторы: Мелкий В.А., Шитикова М.В., Игрнцов М.А. Долгополов Д.В.).

22. Компьютерные технологии в картографировании экологических систем //Известия вузов. Геодезия и аэрофотосъёмка, 2003, № 5. с. 60-71. (Соавтор: Сладкопевцев С.А).

23. Использование комплексных алгоритмов классификации для автоматизированного дешифрирования радиолокационных изображений земной поверхности сверхвысокого разрешения //Международная паучио-техпическая конференция, посвященная 225-летию МИИГАиК, Москва, 2004, с. 54-61. (Соавторы: Малинников В.А., Кочпова И.В.).

24. Методические указания по выполнению лабораторной работы «Технология создания цифровых карт по материалам аэрокосмосъёмки сверхвысокого разрешения» по курсу: «Дистанционные методы изучения природных ресурсов». Для студентов специальности «Исследование природных ресурсов»,- М., Изд. МИИГАиК, 2004. 10 с. (Соавторы: Кагценкова К.А.., Черниговский Ю.М.).

25. Предварительная обработка космических снимков размером более 20 МГБ медианным фильтром с большим размером окна па кластере рабочих станций с использованием параллельных вычислений //Методические указания. М.: МГУ-ГиК, 2004. - 7 с. (Соавторы: Малинников В.А., Кочпова И.В.).

26. Методические указания по выполнению лабораторной работы «Автоматизированное тематическое дешифрирование аэрокосмических снимков методом выделения границ однородных областей» по курсу: «Технология тематической обработки данных дистанционного зондирования». Для студентов специальности «Исследование природных ресурсов». М., Изд. МИИГАиК, 2004. 8 с.

27. Возможности применения космических методов в целях осуществления мониторинга земель крупнейших городов (на примере г. Москвы) // Известия высших учебных заведении. Геодезия и аэрофотосъёмка. №2 - М.: МИИГАиК, 2005 , с. 89-108 (Соавторы: А.М. Кругляк, В.А. Леонтьев и др.).

28. Методические указания по ведению топографического мониторинга территории

города Москвы по материалам космической съёмки для решения задач мониторинга фактического использования земель //Московский государственный университет геодезии и картографии. - М., 2004. - 48 с. - Ьиблиогр.: 7 назв. - Рус. -Деп. в ВИНИТИ 23.11.2004 № 1838-В2004. (Соавторы: Антипов A.B., Зверев А.'Г. и др.).

29. Проблемы и технология космического мониторинга городских земель. Экологические изыскания для проектирования, строительства и эксплуатации. Сборник докладов // Материалы V Научно-практической конференции «Экогеа1-2005». М.: НИиПИ экологии города, Смоленск: Маджепта, 2006. с. 61-64.

30. Разработка методов оценки динамики растительного покрова по материалам дистанционного мониторинга. 4-я Международная научно-практическая конференция «Геопрострапствеппые технологии и сферы их применения». Материалы конференции. - М.: Информационное агентство «ГРОМ», 2008,- с.32

31. Визуальное дешифрирование панхроматических снимков сверхвысокого разрешения с целью определения топографических объектов урбанизированных территорий // Известия вузов. Геодезня н аэрофотосъёмка, 2008, JY«

3. с. 98-111. (Соавторы: Малинников В.А., Сладкопевцев С.А).

32. Автоматизированное дешифрирование природных экосистем побережья Красного моря по данным многозональной съемки КА Landsat 7/ сборник статей по итогам научно-технической конференции, посвященной 230-летию основания МИИГАиК,- вни.2.-част 11-2009, с. 215-217. (Соавторы: Зверев А.Т., , Мутанна Маеи.).

33. Архитектура и принципы функционирования системы топографического мониторинга северных территории России на основе данных спутниковых систем // Известия вузов. Геодезия н аэрофотосъёмка, 2011, № 1. с. 87-95. (Соавторы: Малинников В.А., Зубков С.А., Миловапова М.С.).

Жирным шрифтом представлены публикации в рекомендованных ВАК журналах.

Подписано в печать 25.01.2012. Гарнитура Таймс Формат 60790/16. Бумага офсетная. Печать офсетная. Объем 3,0 уел. печ. л.

Тираж 80 экз. Заказ №5 Цена договорная Издательство МИИГАиК 105064, Москва, Гороховский пер., 4

Содержание диссертации, доктора технических наук, Марчуков, Владимир Семенович

ВВЕДЕНИЕ.

ГЛАВА 1. Дистанционное зондирование Земли и проблемы тематической интерпретации аэрокосмических изображений.

1.1. Аэрокосмическая съёмка земной поверхности и изучение окружающей среды.

1.2. Цифровые методы обработки изображений.

1.3. Программное обеспечение автоматизированной обработки изображений.

1.4. Содержание проблемы тематической обработки аэрокосмических изображений земной поверхности, формальная постановка и подходы к ее решению.

ГЛАВА 2. Теория и методология построения многоуровневых алгоритмов тематической обработки аэрокосмических изображений земной поверхности.

2.1. Теоретическая схема многоуровневой классификации изображений с использованием структурно - пространственной модели.

2.2. Методология создания структурно - пространственной модели исследуемых изображений.

2.3. Методология тематической классификации изображений с использованием структурно - пространственной модели

2.4. Перспективы применения и преимущества многоуровневой тематической обработки на основе структурно-пространственной модели.

ГЛАВА 3. Многоуровневая тематическая обработка многозональных аэрокосмических изображений.

3.1. Тематическая обработка многозональных изображений КА

Landsat-7.

3.2. Определение заболоченных территорий по данным многозональной съёмки КА Landsat - 7.

3.3. Тематическая обработка снимков датчика Aster KA Terra

3.4. Метод автоматизированного выделения объектов заданного размера на аэрокосмических изображениях.

3.5. Обработка многозональных космических снимков для целей почвенного картографирования.

ГЛАВА 4. Автоматизированная технология оценки динамики растительного покрова и других типов наземных экосистем по временным сериям данных дистанционных наблюдений.

4.1. Общие положения.

4.2. Базовые основы технологии оценки динамики растительного покрова и других типов наземных экосистем по данным дистанционного зондирования.

4.3. Метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга.

4.4. Методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по данным дистанционного мониторинга.

ГЛАВА 5. Тематическая обработка радиолокационных и тепловых изображений земной поверхности.

5.1. Тематическая интерпретация радиолокационных снимков

5.2. Автоматизированная тематическая обработка радиолокационных снимков.

5.3. Принципы формирования теплового поля объектов.

5.4. Использование данных тепловизионной аэросъёмки для мониторинга состояния теплотрасс.

5.4.1. Постановка задачи и анализ исходных материалов

5.4.2. Методика автоматизированной тематической обработки данных тепловизионной аэросъёмки для мониторинга состояния теплотрасс, с использованием локальных классификаторов

ГЛАВА 6. Обработка изображений на высокопроизводительных вычислительных системах параллельной архитектуры.

6.1. Многопроцессорные вычислительные системы.

6.2. Методы распараллеливания вычислений в задачах автоматизированной обработки изображений.

6.3. Определение оптимальных параметров вычислительного кластера и оценка эффективности распараллеливания алгоритмов обработки изображений.

Введение Диссертация по наукам о земле, на тему "Теория и методы тематической обработки аэрокосмических изображений на основе многоуровневой сегментации"

Данные дистанционного зондирования земной поверхности, полученные с помощью датчиков в различных спектральных диапазонах, установленных на аэрокосмических носителях, отличаются высокой информативностью, достоверностью и оперативной доступностью, вследствие чего они эффективно используются для решения широкого круга задач контроля природной среды и антропогенных объектов. Важнейшими направлениями использования этих данных являются:

- изучение природных ресурсов;

- изучение недр;

- инженерная оценка местности;

- экологический мониторинг;

- мониторинг природных и техногенных катастроф.

Накопленный за полвека фонд аэро и космических снимков один из наиболее информативных источников сведений о динамических географических явлениях и процессах. Развитие исследований динамики явлений с помощью аэрокосмических методов, разработка методологических подходов, теории, практических приёмов и организации работ позволили выделить динамическое аэрокосмическое зондирование в качестве особого направления, как самостоятельный метод изучения динамики явлений и, как средство совершенствования карт динамики [Книжников Ю.Ф., ., 1985].

Наибольший технико-экономический эффект от использования данных аэрокосмического зондирования Земли может быть получен при комплексном изучении и картографировании природных и агропромышленных объектов и инженерных сооружений. Аэрокосмические изображения, полученные путём дистанционного зондирования земной поверхности, являясь многоцелевыми, выступают в виде единой основы для проведения комплексных, взаимоувязанных исследований природной среды. Результаты тематической обработки аэрокосмических изображений могут быть представлены в виде серий взаимосогласованных тематических карт, отражающих пространственное размещение, качественные и количественные характеристики природных и хозяйственных объектов соответствующей территории.

Аэрокосмические снимки содержат весьма ценную информацию о взаимосвязанности компонентов природно-территориальных комплексов, поскольку на них отражаются одновременно все эти компоненты. Ландшафты являются индикаторами для определения свойств различных составляющих природной среды. Очень часто при комплексных или отраслевых тематических исследованиях используется ландшафтный индикационный метод интерпретации данных. Наибольшее распространение он получил при геологических, сельскохозяйственных, гидрогеологических исследованиях. Ландшафтная индикация заключается в определении трудно наблюдаемых компонентов по физиономическим (легко наблюдаемым) компонентам.

Аэрокосмические снимки дают прекрасные возможности для изучения тенденций динамики природных и агропромышленных объектов, в том числе и под влиянием антропогенного воздействия. Выявление многолетних тенденций развития природных и агропромышленных объектов отдельных регионов производится сопоставлением разновременных снимков, либо их сравнением со старыми обзорно-топографическими картами. Теория необходимых для решения этой задачи геометрических преобразований изображений, выполняемых с целью коррекции геометрических искажений, вносимых системой сбора данных, и с целью геометрического совмещения изображений друг с другом или с картой местности, развита в работах Бугаевского Л.М., Малинникова В.А., Савиных В.П., Цветкова В.Я. [Преобразование ска-нерного, 1998; Преобразование космического, 1998; Основы геометрии сканерного, 1998; Теория одиночных, 1984; Картографические проекции. 1992; Перспективные конические, 1998; Бугаевский, 2000].

Тематическая обработка снимков есть выявление, распознавание и определение характеристик объектов, отобразившихся на снимке. Процедура тематической обработки делится на последовательные этапы, основными из которых являются сегментация и интерпретация.

Изображения, полученные в результате дистанционного зондирования, характеризуются следующими свойствами: они содержат разнообразные однородные области, причём внутриклассовые среднеквадратичные отклонения характеристик часто сравнимы с разбросом между классами. Такие изображения называют сложными. Однородная область в сложном изображении в ряде случаев имеет низкие значения глобального контраста с некоторыми из других однородных областей. При анализе сложного изображения использование одного из всех известных методов классификации в ряде случаев не может обеспечить получение требуемого результата.

При тематической обработке данных аэрокосмической съёмки информационные классы определяются, как набор объектов, которые необходимо выделить согласно требованиям решаемой тематической задачи и которые разделяются в имеющемся множестве данных. Основной проблемой при тематической сегментации сложных изображений земной поверхности является то, что применение алгоритмов классификации, использующих определённые условия однородности и определённое пространство классификационных признаков, зачастую приводит к выделению на изображении сегментов, не соответствующих информационным классам решаемой тематической задачи. Для преодоления возникающих трудностей при разработке методов обработки данных дистанционного зондирования для решения задач контроля природной среды и антропогенных объектов необходимо применять многоуровневые алгоритмы сегментации, использующие различные условия однородности и различные подмножества классификационных признаков, учитывающие структурно - пространственные характеристики изображения.

Актуальность темы настоящей работы обусловлена следующими факторами: нерешенностью проблем информационного обеспечения задач контроля природных наземных экосистем; недостаточным развитием и использованием аэрокосмических методов и технологий для контроля природной среды и антропогенных объектов; необходимостью разработки новых подходов к проведению комплексного мониторинга окружающей среды на основе результатов обработки и анализа информации, получаемой от различных датчиков и систем наблюдений.

Актуальность данной работы подтверждается использованием её результатов в проектах, выполняемых в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России на 2007-2012 годы» и Федеральной программы «Ведение государственного мониторинга состояния недр Московской области».

Целью настоящих исследований являлось решение актуальной научной проблемы тематической обработки аэрокосмических изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

Пути решения этой проблемы были определены следующим образом: разработка теории и методологии многоуровневой тематической обработки аэрокосмических изображений земной поверхности; проведение экспериментальных исследований эффективности разработанных многоуровневых методов обработки при решении различных тематических задач; исследование возможностей повышения эффективности тематической сегментации за счёт использования технологии параллельной обработки изображений.

Для решения поставленных задач использовались методы математической статистики, цифровой обработки изображений. При исследовании эффективности разработанных алгоритмов и сравнении их с ранее известными использовались методы цифрового моделирования, компьютерной графики и ГИС-технологий. Экспериментальные исследования включали полевые обследования территории, проведённые автором в период 1999 - 2007 гг.

Научная новизна работы. В результате выполнения работы впервые разработаны теория и практическая методология многоуровневой тематической обработки аэрокосмических изображений земной поверхности. Впервые разработаны теоретические схемы построения структурно - пространственной моделей исследуемых изображений и тематической классификации изображений с использованием структурно - пространственной модели. Созданы новые алгоритмы выделения структурно-пространственных элементов на изображении. Получены новые математические выражения для количественной оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера при обработке изображений.

На защиту выносятся следующие новые научные результаты: теория и методология тематической обработки на основе многоуровневой сегментации изображений, с использованием их структурно-пространственной модели; методология создания структурно - пространственной модели исследуемых изображений; алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста; метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга; методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по данным дистанционного мониторинга; метод многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения; метод количественной оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера при обработке изображений алгоритмами, использующими поэлементное сканирование изображений, и скользящими пространственными фильтрами.

Область применения: разработанные методы могут широко использоваться: в автоматизированных системах контроля и прогноза состояния окружающей природной среды; в лесном и сельском хозяйстве; гидрометеорологии; при мониторинге и оценке последствий чрезвычайных ситуаций; динамическом картографировании; учебном процессе и других областях.

Значимость работы определяется возможностью использования её результатов для исследования текущего состояния и динамики наземных природных экосистем и антропогенных объектов с использованием новых методов и алгоритмов обработки информации в целях дальнейшего устойчивого развития экономики Российской Федерации.

Практическая ценность работы. Теория и методы, изложенные в данной работе, используют в ряде российских организаций, работающих в области дистанционного зондирования.

Разработки автора использованы в комплексном проекте по теме «Технологии оценки состояния и динамики растительных ресурсов наземных экосистем на основе дистанционного мониторинга», выполняемом в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России на 2007-2012 годы».

Исследования автора вошли в курсы лекций «Тематическое дешифрирование снимков», «Технология тематической обработки данных дистанционного зондирования», «Дешифрирование аэрокосмических снимков», «Космический мониторинг», «Автоматизированные системы сбора и обработки результатов дистанционного зондирования».

Разработанные методы используются в лабораторных занятиях по следующим курсам для студентов факультета прикладной космонавтики МИИГАиК:

Дешифрирование аэрокосмических снимков; Технология тематической обработки данных дистанционного зондирования.

Разработки автора вошли в «Методические указания по ведению топографического мониторинга территории города Москвы по материалам космической съёмки для решения задач мониторинга фактического использования земель», утвержденные Первым заместителем Мэра Москвы в Правительстве Москвы 28 сентября 2004г., введенные в действие - Приказом Департамента земельных ресурсов города Москвы 2 ноября 2004г. №82; Приказом Комитета по архитектуре и градостроительству города Москвы 1 ноября 2004г. №167.

Апробация работы. Основные результаты диссертационной работы были доложены на 12 Международных и Всероссийских научно-технических конференциях и семинарах.

Публикации. По проблематике диссертации опубликовано 33 научные работы, из них 19 в рекомендованных ВАК журналах.

Заключение Диссертация по теме "Аэрокосмические исследования земли, фотограмметрия", Марчуков, Владимир Семенович

Основные результаты и выводы диссертационной работы заключаются в следующем:

• Разработана теория и практическая методология тематической обработки на основе многоуровневой сегментации, с использованием структурно - пространственной модели исследуемых изображений. Предложенный подход позволяет повысить достоверность дешифрирования изображений, со сложной структурой представленных на них объектов. Повышение достоверности достигается за счет организации процесса классификации на основе многоуровневой сегментации, использующей различные виды классификаторов и возможности использования на каждом уровне подмножества классификационных признаков оптимального для данного структурного элемента.

• Разработаны новые алгоритмы выделения точечных и малоразмерных объектов посредством локальной пороговой обработки с адаптивным выбором пороговых значений на основе оценки локального контраста. Использование этих алгоритмов позволяет автоматически выделять точечные и малоразмерные объекты с заданной вероятностью ложного обнаружения К

Результаты экспериментальных исследований показали, что использование методологии тематической обработки на основе многоуровневой сегментации позволяет существенно повысить достоверность дешифрирования значительного числа объектов. Разработанный в данной работе метод автоматизированного формирования временных серий тематических карт растительного покрова и грунтов по данным дистанционного мониторинга, обеспечивает формирование временных серий взаимосогласованных тематических карт, каждая из которых фиксирует размещение растительных ресурсов в определённый момент времени, а в совокупности такая серия характеризует динамику растительных ресурсов.

Разработанные методы автоматического определения пространственного распределения изменений растительного покрова и грунтов по временным сериям взаимосогласованных тематических карт обеспечивают создание карт динамики. Такие карты позволяют оценить динамику за избранный отрезок времени и открывают возможности получения качественных и количественных оценок.

Разработан метод многоуровневой тематической обработки радиолокационных изображений сверхвысокого разрешения. Проведенные исследования показали, чтоавтоматизированная тематическая обработка радиолокационных изображений сопряжена со значительными трудностями, вследствие чего, далеко не все объекты видимые на снимке могут быть выделены в автоматизированном режиме. Для организации автоматизированной тематической обработки необходимо использование различных модифицированных признаков и многоуровневой классификации.

• Разработана методика количественной оценки эффективности распараллеливания и расчёта оптимальной конфигурации вычислительного кластера для решения задач обработки изображений. Установлено, что эффективность использования распараллеливания обработки изображений алгоритмами, использующими поэлементное сканирование, и скользящими пространственными фильтрами резко возрастает с уменьшением отношения времени пересылки к времени выполнения I в интервале значений 0,2 - 0. Для алгоритмов фильтрации скользящими окнами время выполнения возрастает пропорционально квадрату линейного размера окна, поэтому распараллеливание наиболее эффективно при использовании фильтров с окнами большого размера.

Теоретические положения и практические методы многоуровневого дешифрирования, представленные в данной работе, явились основой для разработки эскизного и технического проектов на программное обеспечение технологии динамического дешифрирования при выполнении работ по комплексному проекту по теме «Технологии оценки состояния и динамики растительных ресурсов наземных экосистем на основе дистанционного мониторинга», выполняемому в рамках Федеральной Целевой Программы «Исследования и разработки по приоритетным направлениям развития научно-технического комплекса России на 2007 -2012 годы».

Результаты дешифрирования участков территории Московской области используются в ОАО «ГЕОЦЕНТР-МОСКВА» при выполнении работ в рамках Федеральной Программы «Ведение государственного мониторинга состояния недр Московской области».

Разработанные теория и методы многоуровневого дешифрирования внедрены в учебный процесс в Московском государственном университете геодезии и картографии по курсам «Тематическое дешифрирование снимков», «Технология тематической обработки данных дистанционного зондирования», «Дешифрирование аэрокосмических снимков», «Космический мониторинг», «Автоматизированные системы сбора и обработки результатов дистанционного зондирования».

ЗАКЛЮЧЕНИЕ

Результаты исследований, представленные в данной работе, можно рассматривать как решение актуальной научной проблемы тематической обработки изображений земной поверхности на основе многоуровневых алгоритмов сегментации.

В ходе выполнения научно-исследовательских работ достигнута цель диссертации - разработаны теория и практическая методология тематической обработки на основе многоуровневой сегментации, с использованием структурно-пространственной модели исследуемых изображений. Определены пути повышения эффективности методов тематической обработки аэрокосмических изображений земной поверхности. Проведены экспериментальные исследования использования многоуровневых методов тематической обработки при решении различных практических задач.

Библиография Диссертация по наукам о земле, доктора технических наук, Марчуков, Владимир Семенович, Москва

1. Автоматизированное дешифрирование Электронный ресурс.. - Режим доступа: http://www.gisa.ru/12956.html, свободный доступ.

2. Аковецкий В.И. Дешифрирование снимков. Учебник для вузов. М., Недра, 1983,374с.

3. Автоматизированное дешифрирование Электронный ресурс. Режим доступа: http://www.gisa.ru/12956.html, свободный доступ.

4. Андреев В.П. Сегментация изображений как метод формирования знаний об окружающей среде в системах технического зрения / Тез. 9 Всесоюз. Симп. По кибернетике. Москва: «ВИНИТИ», 1981. Т. 1. стр. 82 85.

5. Андрианов А.Н., Бугеря А.Б., Ефимкин К.Н. и др. Норма. Описание языка. Рабочий стандарт. Препринт ИПМ им. М.В. Келдыша РАН, 1995, № 120, 50с.

6. Антонов A.C. Введение в параллельные вычисления: методическое пособие. Изд-во Физического факультета МГУ, 2002, 70с.

7. Антонов A.C. Параллельное программирование с использованием технологии MPI: учебное пособие. М.: Изд. МГУ, 2004. 71с.

8. Антыпко А.И. Основы дистанционного теплового мониторинга геологической среды городских агломераций. М.: Недра, 1992, 152с.

9. Барталев С.А., Ершов Д.В., Исаев A.C. Оценка дефолиации лесов по многоспектральным спутниковым изображениям методом декомпозиции спектральных смесей // Исследование Земли из космоса, N3, 1998, 95 107.

10. Берлянт A.M. Геоинформационное картографирование. М.: 1997, 64с.

11. Берлянт A.M. КАРТА. Краткий толковый словарь. М.: Научный мир, 2003, 168с.

12. Брайс K.P., Феннема K.JI. Анализ сцены при помощи выделения областей/Интегральные работы. Москва: «Мир», 1975, стр.136 -159.

13. Бондур В.Г. Принципы построения космической системы мониторинга Земли в экологических и природно-ресурсных целях // Изв. вузов. Сер. Геодезия и аэрофотосъёмка. 1995. № 1-2. с. 14 38.

14. Бондур В.Г. Основы аэрокосмического мониторинга окружающей среды. Курс лекций // М.: Московский государственный университет геодезии и картографии, 2006, 369с.

15. Бугаевский JI.M., Малинников В.А., Савиных В.П. Преобразование сканерного снимка в заданную картографическую проекцию. Труды Международного форума по проблемам науки, техники и образования. Москва, 1998, с. 51 57.

16. Бугаевский Л.М., Малинников В.А., Савиных В.П. Преобразование космического кадрового снимка в заданную картографическую проекцию. Труды Международного форума по проблемам науки, техники и образования. Москва, 1998, с. 57-61.

17. Бугаевский Л.М., Портнов А.М.М Теория одиночных космических снимков. М., Недра, 1984, 280с.

18. Бугаевский Л.М., Вахрамеева Л.А. Картографические проекции. М.; Недра, 1992, 290с.

19. Бугаевский Л., М. , Цветков В.Я. Геоинформационные системы. М.: "Златоуст", 2000 - 224с.

20. Букатов A.A., Дацюк В.Н., Жегуло А.И. Программирование многопроцессорных вычислительных систем. Ростов-на-Дону: Изд-во ООО «ЦВВР», 2003, 208с.

21. Верещака Т.В., Зверев А.Т., Сладкопевцев С.А., Судакова С.С. / Визуальные методы дешифрирования. М., Недра, 1990, 341с.

22. Виноградов Б.В. Аэрокосмический мониторинг экосистем. М.: Наука, 1984.

23. Востокова Е.А., Сущеня В.А., Шевченко Л.А. Экологическое картографирование на основе космической информации. М.: Недра,1988.

24. Гарбук C.B., Гершензон В.Е., Космические системы дистанционного зондирования Земли, М. Изд. А и Б , 1997г.

25. Гимельфарб Г. Л. Расчленение цифровых изображений на участки, однородные по локальным изменениям сигнала / Тез. Докл. Всесоюз. Конф. АСОИЗ-81. Москва: «Наука», 1981, стр. 51.

26. Голоудин Р.И., Дистанционные методы эколого-гидрографического изучения и картирования акваторий. Исследование Земли из космоса. № 3,1995.

27. Гонсалес Р, Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2006.

28. Григорьев A.A. Антропогенное воздействие на природную среду по наблюдениям из космоса. Jl-д, Изд. Наука, 1985.

29. Григорьев A.A. Города и окружающая среда. Космические исследования, М: Мысль, 1982.

30. Григорьев А.А, Кондратьев К.Я. Космическое землеведение. М: Наука, 1985.

31. Дельнов В.И. и др. "Вопросы методологии исследования природных ресурсов Земли из космоса", Сб. статей, Москва, ЦНИИГА-иК, 1998, с. 66 81.

32. Дешифрирование многозональных аэрокосмических снимков. Сканирующая система фрагмент. Методика и результаты. Академи-Ферлаг Берлин Изд. Наука, Москва, 1988, 124с.

33. Дистанционное зондирование. Количественный подход / Под ред. Ф. Свейна и Ш. Дейвис. М.: Недра, 1983. 415с.

34. Дуда Р., Харт П. Распознавание образов и анализ сцен: Пер. с англ./Под ред. В.Л.Стефанюка., М., Мир, 1976.

35. Дюран Б. Оден П. Кластерный анализ. М., Статистика, 1977,127с.

36. Еремеев В.А., Мордвинцев И.Н. и др. Современные гиперспектральные сенсоры и методы обработки гиперспектральных данных // Исследование Земли из космоса, №6, 2003, с. 80 90.

37. Жуков Б.С. Физические основы дистанционного зондирования. В сб.: Исследование Земли из космоса, том 1 (Итоги науки и техники, ВИНИТИ АНСССР), М, 1987, с. 6 - 78.

38. Жуков В.В., Егоров С.Б. В сб.: Многозональные аэрокосмические съёмки Земли, М., 1981, с. 203 210.

39. Заблоцкая Л.В. Приокско-Террасный заповедник. // Заповедники СССР. Заповедники Европейской части РСФСР. II. М., Мысль, 1989. с. 30-51

40. Зиман Я.Л., Чесноков В.А. Многозональные аэрокосмические съёмки Земли. -М.: Наука, 1981, с. 277 292.

41. Кашкин В. Б. Сухинин А. И. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. М.: Логос, 2001,264с.

42. Кендалл М., Стьюарт А. Статистические выводы и связи. // М.: Наука. 1975, 521с.

43. Киенко Ю. П. Введение в космическое природоведение. Москва, "Картгеоцентр" — "Геодезидат", 1994 г.

44. Классификация и кластер / Под ред. Дж. Вэн Райзина. Москва: «Мир», 1980.

45. Книжников Ю.Ф., Кравцова В.И. Многозональная космическая съёмка и ее применение при изучении окружающей среды. Обнинск, 1978, 47с.

46. Книжников Ю.Ф. Динамическое аэрокосмическое зондирование (содержание, проблемы, область применения) // Вестн. МГУ. Сер. геогр. 1985. №4. с. 7 14.

47. Кондратенков Г.С., Фролов А.Ю. Радиовидение. Радиолокационные системы дистанционного зондирования Земли. // М.: Радиотехника, 2005, 368с.

48. Кондратьев К.Я. и др. Сб. "Биосфера. Методы и результаты дистанционного зондирования", Москва, Наука, 1990.

49. Коновалов H.A., Крюков В.А. и др. C-DVM язык разработки мобильных параллельных программ // программирование. - 1999 -№1 - с. 20 - 28.

50. Корнеев В.Д. Параллельное программирование в MPI. Изд-во СО РАН, Новосибирск, 2000, 213с.

51. Космические методы исследования почв: Учебное пособие для студентов вузов / В.И. Кравцова. М.: Аспект Пресс, 2005, 190с.

52. Космическая съёмка и тематическое картографирование. Под ред. Салищева К. А., Книжникова Ю. Ф. Изд во МГУ, 1980, 272с.

53. Космическое землеведение. Под ред. Садовничего В. А. -МГУ, 1992, 269с.

54. Красиков В. А., Хашунцева М. В., Штарьков Ю. И. Методы кластерного анализа в задачах тематической обработки многозональной видеоинформации / Аэрокосмические исследования Земли. Обработка видеоинформации на ЭВМ. Москва: «Наука», 1978. стр. 112 126.

55. Кронберг П. , Дистанционное изучение Земли, М., Мир,1988.

56. Кук, Розенфельд. Схема обнаружения объектов заданныхразмеров. ТИИЭР, письма,1970, т.58, № 12, с. 109, 110.

57. Кухлинг X. Справочник по физике. М.: Мир, 1982, 519с.

58. Лацис А.О. Как построить и использовать суперкомпьютер. М.: Бестселлер, 2003, 240с.

59. Левитин И.Б. Применение инфракрасной техники в народном хозяйстве. Л.: Энергоиздат, 1981.

60. Марчуков B.C., Беликов В.Г., Алгоритм локальной пороговой обработки для выделения точечных объектов на изображении. Материалы научно-технического семинара "Прикладные интеллектуальные системы". Общество "Знание" РСФСР Москва, 1992г. с. 10.

61. Марчуков B.C., Использование спектрально-контекстных признаков для автоматизированного дешифрирования аэрокосмических изображений земной поверхности. Изв. Вузов. Геодез. и аэрофот., 2001. №4. с. 80 - 85.

62. Марчуков B.C., Адаптивный пороговый алгоритм для автоматического выделения на изображении малоразмерных объектов. -Изв. Вузов. Геодез. и аэрофот., 2002. № 1. с. 100 107.

63. Марчуков B.C., Дешифрирование многозональных аэрокосмических изображений с использованием структурно пространственной информации., «Известия вузов. Геодезия и аэрофотосъёмка», 2003,

64. Марчуков B.C., Сладкопевцев С. А , Компьютерные технологии в картографировании экологических систем // Известия вузов. Геодезия и аэрофотосъёмка, 2003, № 5. с. 60-71.

65. Марчуков B.C., Кочнова И.В., Автоматизированное выделение объектов заданного размера на аэрокосмических изображениях с использованием параллельной обработки. «Известия вузов. Геодезия и аэрофотосъёмка», 2004, №3. с. 151 157.

66. Марчуков B.C., Технология автоматизированного дешифрирования данных тепловизионной аэросъёмки для мониторинга состояния теплотрасс., «Известия вузов. Геодезия и аэрофотосъёмка», 2004, № 4. с. 118 125.

67. Марчуков B.C., Сладкопевцев С.А., Ресурсно-экологическая картография., М.: Изд-во МИИГАиК, 2005, 196с.

68. Марчуков B.C., Мышляков С.Г., Технология обработки многозональных космических снимков для целей почвенного картографирования // Известия вузов. Геодезия и аэрофотосъёмка, 2008, № 2. с. 149 -155.

69. Марчуков B.C. , Миртова И.А., Дешифрирование динамики растительного покрова и грунтов по материалам дистанционного зонди-рования//Учебное пособие//М.: Изд-во МИИГАиК, 2009, 128 с.

70. Марчуков B.C. ,Автоматизированные методы оценки динамики пространственного распределения растительного покрова и грунтов по данным дистанционного мониторинга // Исследование Земли из космоса, 2010, № 2, с.63-74

71. Марчуков B.C., Чинь Jle Хунг, Методы выявления динамики тропической растительности Вьетнама путем автоматизированного дешифрирования временных рядов многозональных снимков // Исследование Земли из космоса, 2011а, № 3, с. 75 85.

72. Марчуков B.C., Чинь Jle Хунг , Анализ спектральных характеристик тропической растительности Вьетнама и разработка методов дешифрирования на основе спектральных индексов // Изв. Вузов. «Геодезия и Аэрофотосъемка», 20116., № 3 , с. 74-77.

73. Меро Д., Вази 3. Упрощённая и быстрая модификация оператора Хюккеля для поиска оптимальных границ на изображении / Тр. 4 Междунар. Объединённой конф. По искусственному интелекту. Москва: «ВИНИТИ», 1975. Т. 8. стр. 650 655.

74. Немнюгин С., Стесик О. Параллельное программирование для многопроцессорных вычислительных систем. Санкт-Петербург,2002г.

75. Павлидис Т., Алгоритмы машинной графики и обработки изображений, М. ,Радио и связь, 1986.

76. Распространение ультракоротких радиоволн. Пер. с англ. (Под ред. Б.А. Шиллерова), М., Сов. Радио, 1954.

77. Ревзон А.Л. Космическая фотосъёмка в транспортном строительстве. М., Транспорт, 1993., 272с.

78. Савиных В.П., Визульно-иструментальные исследования Земли с пилотируемого космического комплекса, М., "Недра", 1991, 110с.

79. Савиных В.П., Соломатин В.А. Оптико-электронные системы дистанционного зондирования. Москва, Недра, 1995.

80. Савиных В.П., Цветков В.Я., Геоинформационный анализ данных дистанционного зондирования, М, Картгеоцентр Геодезиздат, 2001,228 с.

81. Сафронов Ю.П., Андрианов Ю.Г. Инфракрасная техника и космос. М.: Советское радио, 1978, 248с.

82. Саху П.К., Солтани С., Вонг А.К., Чень И.С. Обзор по пороговым методам. Кибернетический сборник. Новая серия. Вып. 27. Сб. статей: Пер. с англ. -М.: Мир, 1990, 200с.

83. Скловский С. А., Голубков В.В., Пиру ев а Т.Г. Методические рекомендации при производстве тепловой инфракрасной съёмки (ТИКАС) с целью контроля объектов коммунального хозяйства, Москва, ГН1111 «Аэрогеофизика», 2001г., 46с.

84. Сладкопевцев С.А. Изучение и картографирование рельефа с использованием аэрокосмической информации. М.: Недра, 1982.

85. Сладкопевцев С.А. Экологические карты, вопросы классификации и дистанционного обеспечения. Изв.ВУЗов, геодезия и аэрофотосъёмка, 1990, №6.

86. Сладкопевцев С.А. Геоэкологическая картография. Изд-во МНЭПУ, 1996.

87. Собрание законодательства РФ, 1996, № 15, ст. 1572

88. Справочник по радиолокации / Под ред. М. Сколника, В 4 томах, М., Советское радио, 1976.

89. Структурный анализ снимков в аэрокосмических исследованиях Земли. Под ред. Книжникова Ю.М., М., 1985, 147с.

90. Толчельников Ю.С. Оптические свойства ландшафта. Л.: Наука, 1974, 252с.

91. Ту Дж., Гонсалес Р. Принципы распознавания образов. // М.: Мир. 1978, 413с.

92. Шилин Б.В. Тепловая аэросъёмка при изучении природных ресурсов.Л., Гидрометеоиздат, 1980.

93. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. // М.: Радио и связь. 1986, 185с.

94. Юстуссон Б.И. В: Быстрые алгоритмы в цифровой обработке изображений. Под ред. Т.С. Хуанга - М., Радио и связь, 1984, с. 156-191.

95. Amdahl G. Validity of the single-processor approach to achieving large-scale computing capabilities. // Proc. 1967 AFIPS Conf., AFIPS Press, V. 30, 1967, p. 483.

96. Bartalev S.A., Zhirin V.M., Yershov D.V. Comparison of Different Satellite Systems, Mapping Sciences and Remote Sensing. Northern Forest Studies:Volume 32, 1995, No. 1, pp. 103 120.

97. EUR 17685 EN, pp. 293 308.

98. Bendat J.S., Piersol A.G. Random Data. Analysis and Measurements Procedures. // N.Y.: John Wiley & Sons. 1985, 323p.

99. Building IDL Application // RSI inc. 2003, 892p.

100. Chang C.I., Smith S.C. Linear spectral random mixture analysis for hyperspectral imagery // IEEE Transactions on Geoscience and Remote Sensing, V. 40, №> 2, 2002, pp. 375 392.

101. Duda E.O., Hart P.E. Pattern classification and scene analysis. // New York: John Wiley & Sons, Inc., 1970, 380p.

102. Ecosystems and Human Weil-Being. Synnthesis // Island. Press. Washington, D.C, 2005, 137p.

103. ER MAPPER and ER Storage software and documentation is propriety to Earth Resource Mapping Pty Ltd.Vol. 1 5. // ER Mapping, 1995, 1237p.

104. ERDAS imagine. ERDAS field guide, 3rd edition. ERDAS. Inc. Atlanta. GA, 1995, 630p.

105. Fu K.C. Digital pattern recognition. // New York: Springer Verlag edit. 1980, 171p.

106. Fukunaga K. Introduction to statistical pattern recognition. // New York: Academic Press. 1972, 253p.

107. Fu K.C., Mui J.K.-Pattern Recognition, 1981, v. 13, 4, pp. 316.

108. Haertel V., Langrebe D.A. On the classification of classes with nearly equal spectral response in remote sensing hyperspectral image data // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 5, 1999, pp. 2374 2386.

109. Heuckel M., A Local Visual Operator Which Recognizes Edges and Lines, JACM, 20, 4, 634 647, (October 1973).

110. Hu Y.H., Lee H.B., Scarpace F.L. Optimal linear spectral unmixing // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 1,1999, pp. 639 -644.

111. Geomatica 10 Brochure, PCI Geomatics, 2006.

112. Jia X., Richards J.A. Efficient maximum likelihood classification for imaging spectrometer data sets // IEEE Transactions on Geoscience and Remote Sensing, V. 32, № 2, 1994, pp. 274 281.

113. Ifarraguerri A., Chang C.I. Multispectral and hyperspectral image analysis with convex cones. // IEEE Transactions on Geoscience and Remote Sensing, V. 37, № 2,1999, pp. 756 770.

114. Invariant subpixel material detection in hyperspectral imagery // IEEE Transactions on Geoscience and Remote Sensing, V. 40, № 3, 2002, pp. 599 608.

115. Keshava N. Distance Metrics and Band Selection in Hyperspectral Processing With Applications to Material Identification and Spectral Libraries // IEEE Transactions on Geoscience and Remote Sensing, V. 42, № 7, 2004, pp. 1552 1565.

116. Kirsche R.A., Cahn L., e.a. In: Proc. of Eastern Joint Comput. Conf., 1957, pp. 221 -229.

117. Pickett R.M., Visual Analysis of Texture in the Detection and Recognition of Objects, in: Picture Processing and Psychopictrics, Lipkin B.C., Rosenfeld A., Academic Press, New York, 1970, pp. 289 308.

118. Prewitt J.M.S. In: Picture Processing and Psychopictorics Ed. By A. Rosenfeld, B. Lipkin. -N.Y.: Academic Press, 1970, pp. 75 - 149.

119. Roberts L.G. In: Optical and Electrooptical Information Processing Ed. By J. Tippet, D. Berkowitz. - MIT Press, 1965, pp. 159 - 197.

120. ScanEx Image Processor, RDS Scanex, 2002.

121. Tennenbaum J.M., Sobel I., e.a. In: Proc. Of Intern Joint Conf. on Artificial Intellegence, 1969, pp. 521 - 526.

122. Zucker S.W., Rosenfeld A., Davis L.S., Picture Segmentation by Texture Discrimination, IEEE Trans. Computers, C-24, 12, pp. 1228 1233 (December 1975).