Классификация земных покровов по радиолокационным изображениям на основе методов статистического текстурного анализа тема диссертации и автореферата по ВАК РФ 05.13.16, кандидат технических наук Лукьяненко, Дмитрий Николаевич

• Лукьяненко, Дмитрий Николаевич
• кандидат технических наук
• 2000

Оглавление диссертации кандидат технических наук Лукьяненко, Дмитрий Николаевич

Введение

Глава 1. Обзор современных методов и систем обработки радиолокационных изображений

1.1. Основные используемые модели

1.2. Подходы к классификации и анализу 15 данных дистанционного зондирования

1.3. Выводы.

Глава 2. Анализ одноканальных радиолокационных изображений

2.1. Общие принципы статистического 33 текстурного анализа.

2.2. Классические методы классификации 39 радиолокационных изображений

2.3. Выбор признаков анализа и. описание ^ алгоритма классификации

2.4. Влияние спекл-шума на текстурные ^ признаки

2.5. Выводы

Глава 3. Анализ многоканальных данных ^

Введение ^

3.1. Анализ лесных массивов.

3.2. Результаты анализа лесных массивов.

3.3.Анализ сельскохозяйственных угодий и областей эрозии почв.

3.4. Выводы ^

Глава 4. Использование нейронных сетей для задач 77 классификации радиолокационных изображений.

4.1. Обзор нейронных сетей.

4.2. Архитектура сети

4.3. Метод обратного распространения.

4.4.Преимущества и недостатки метода 83 обратного распространения

4.5. Применение метода обратного 84 распространения для классификации радиолокационных изображений

Выводы

Глава 5. Компьютерная система анализа 90 радиолокационных изображений

Введение

5.1. Описание системы

5.2. Практическое применение системы 95 Выводы

Введение диссертации (часть автореферата) на тему «Классификация земных покровов по радиолокационным изображениям на основе методов статистического текстурного анализа»

Актуальность темы.

В настоящее время огромное значение имеют радиолокационные системы с РСА, располагаемые на авиационных и космических носителях. Такой интерес связан с широкими возможностями по РЛИ, полученных с помощью РСА, во многих областях, среди которых: геология, экология, сельское хозяйство.

Начало использования этих систем было положено 1966 году, когда в NASA начала разрабатываться специальная программа в области дистанционного зондирования. С 1976 года в рамках этой программы стали применяться и космические РСА. В дальнейшем эта программа связана с использованием кораблей типа Space Shuttle. В настоящее время используются многочастотные и многополяризационные РСА с переменным углом наблюдения [29]. Они применяются:

-в геологии для контроля и разведки месторождений полезных ископаемых, в том числе нефтяных и газовых месторождений;

-в гидрологии для определения влажных почв, мониторинга снеговых покровов;

-в экологии для выявления загрязнения, обнаружения отходов;

- в сельском хозяйстве для правильного землепользования, прогнозирования урожаев;

- для тематического картографирования, а именно: таксации лесов, определение характера и состояния растительности, классификации земных покровов и населенных пунктов.

Актуальными являются задачи дистанционного зондирования земной поверхности и интерпретации полученных данных. Особую важность для народного хозяйства несет информация о видовом составе леса, типе почв, площадях лесных пожаров. Эти данные могут быть получены в результате интерпретации радиолокационных изображений. Одной из подзадач этой является автоматическая дешифрация снимков, которая относится к комплексной проблеме распознавания образов. Для этого необходимы алгоритмы классификации и распознавания объектов, которые основывались бы на наиболее полной информации о структуре исследуемых объектов. Такие работы ведутся, о чем говорит ряд публикаций [6, 21, 29, 37, 38, 61, 62]. Состояние исследований. В настоящее время многие проблемы фундаментальных наук, технические и прикладные задачи могут быть решены только с применением космических средств, т. к. их использование существенно сокращает материальные, финансовые и временные затраты по сравнению с традиционными методами.

Изучение состояния земного покрова по материалам, полученным с различных систем дистанционного зондирования, становится особенно актуальным в связи с усиливающимися антропогенными нагрузками на природную среду, что требует получения достоверной информации. В ряде регионов необходимую информацию, возможно, получить только в радио диапазоне.

Физические и технические особенности формирования РЛИ не позволяют полностью использовать для анализа методы дешифрирования, хорошо отработанные для оптических изображений. Радиолокационные изображения похожи на оптические, но имеют некоторые особенности:

1. Качество РЛИ не зависит от естественной освещенности объекта и слабо зависит от метеоусловий.

2. Характер РЛИ в сильной степени зависит от геометрических характеристик земной поверхности, особенно от наклона, степени шероховатости и наличия объемных неоднородностей в приповерхностном слое. Поэтому они применимы для классификации почв и грунтов, установления границ подстилающих поверхностей. Кроме того, нет единого оптимального угла наблюдения для различных объектов. Так, например, для горного и холмистого рельефа предпочтительнее малые углы падения излучения (от вертикали), а для равнин, наоборот, большие, что повышает чувствительность к неровностям поверхности.

3. Большая чувствительность к диэлектрической проницаемости вещества и влажности. Чем влажность больше, тем проникновение будет меньше. Т.е. одним из основных параметров является проникающая способность, которая связана с диэлектрической проницаемостью вещества!

4. Есть возможность подповерхностного радиолокационного зондирования.

5. Особенности распространения в длинноволновой части радио диапазона позволяет получить изображение поверхностей скрытых растительными покровами.

6. Получаемое изображение зависит от выбора поляризации. Поляризация может быть как горизонтальная, так и вертикальная. В зависимости от настройки принимающей и передающей антенны получают следующие комбинации: горизонтальную при передаче и приеме(НН), горизонтальную при передаче и вертикальную при приеме(НУ), вертикальную при передаче и горизонтальную при приеме(УН), вертикальную при передаче и вертикальную при приеме(УУ).

7. Есть особенность изображений населенных пунктов и других антропогенных объектов. Это обусловлено наличием большого числа объектов с высокой диэлектрической проницаемостью.

8. РЛИ обладают сравнительно большим динамическим диапазоном (до 80 дБ).

9. Изображение вначале, часто записывается в виде голограмм, которые в свою очередь преобразуются к полноценному изображению производя трансформацию яркости. В результате создается специфическое изображение.

10. Наличие спекл-шума, обусловленного когерентностью процесса формирования изображения в РСА.

Для сравнения можно сказать, что классические методы классификации в большинстве случаев не позволяют получить связанные области, которые необходимы для составления лесных карт. Поэтому необходимы компьютерные системы и методы анализа изображений, адаптированные к особенностям радиолокационных изображений. Имеется необходимость и в специальном программном обеспечении для использования статистического текстурного анализа и других методов, которые находят применение для задач обработки РЛИ.

Мониторинг земных покровов по радиолокационным изображениям включает в себя ряд задач: фильтрация спекл-шума, классификация изображений, создание моделей изображений и сбор наземных данных.

Перед исследователями остро стоят проблемы интерпретации полученных данных. Особую важность для народного хозяйства имеет информация о видовом составе леса, типе почв, площадях лесных пожаров, которая может быть получена в результате анализа космических изображений. Одной из подзадач является автоматическая дешифрация снимков, которая относится к комплексной проблеме распознавания образов. Для ее успешного решения, необходимы адаптивные методики классификации, которые основывались бы на наиболее полной информации о структуре исследуемых объектов.

В исследованиях по дистанционному определению характеристик земных покровов заметное место занимают задачи классификации видового состава растительности и биомассы, определения типов почв выявления эродированных участков местности, идентификации районов засухи, подтопления и переувлажнения, изучения и оценки загрязнений снежного покрова вокруг промышленных центров. Также вопросы анализа космических снимков рассмотрены в работах Улаби, Харалика, Захарова. Искусственным нейронным сетям посвящены разработки А.Н. Горбаня.

Цель исследования - создание и исследование эффективности алгоритмов обработки радиолокационных изображений и программного комплекса для классификации земных покровов на основе статистического текстурного анализа, методов классификации, основанных на описании классов "ядрами", и искусственных нейронных сетей.

Задачи исследования:

1. Разработка алгоритмов классификации типов лесных покровов по одноканальным и многоканальным радиолокационным изображениям, полученных с помощью радиолокаторов с синтезированной апертурой 8Ш.-С/Х-8А11.

2. Определение эффективности предлагаемых алгоритмов обработки радиолокационных изображений земных покровов.

3. Анализ влияния спекл-шума на точность классификации земных покровов на основе предлагаемых алгоритмов.

Разработать программный комплекс для анализа радиолокационных изображений, реализующий предлагаемые алгоритмы.

Научная новизна.

1. Предложены схемы и созданы алгоритмы обработки радиолокационных изображений с целью классификации земных покровов. Проведено исследование эффективности и точности предлагаемых алгоритмов

2. Изучено влияние спекл-шума на точность классификации типов лесных покровов с использованием предлагаемых схем и созданных алгоритмов.

3. Реализован интегрированный программный комплекс обработки радиолокационных изображений на основе открытой архитектуры, позволяющий проводить классификацию земных покровов с высокой точностью.

Практическая значимость исследования.

Практическая значимость результатов научных исследований, представленных в диссертации, заключается в их направленности на решение конкретных задач дистанционного зондирования, связанных с анализом радиолокационных изображений. Результаты работы используются в практической работе для автоматического составления карт местности, решения задач мониторинга окружающей среды, оценки площадей сельскохозяйственных угодий и площадей лесных пожаров. Предложенные методики находят свое применение для оценки видового состава леса.

Разработанное программное обеспечение позволяет работать с изображениями, которые были получены с различных систем сбора информации.

На защиту выносятся следующие результаты:

1. Адаптивный алгоритм обработки одноканальных и многоканальных радиолокационных изображений с применением методов статистического текстурного анализа и методов классификации, основанных на описании классов "ядрами", позволяет повысить точность классификации типов лесной растительности по сравнению с классическими подходами.

2. При использовании разработанных адаптивных алгоритмов применение предварительной фильтрации спекл-шума приводит к уменьшению точности классификации.

3. Алгоритм обработки одноканальных радиолокационных изображений с применением методов текстурного анализа и искусственной нейронной сети.

4. Комплекс инструментальных программных средств для анализа радиолокационных изображений.

Апробация работы.

Результаты диссертации изложены и обсуждены на следующих конференциях: "Мониторинг окружающей среды и проблемы солнечно-земной физики" (Томск, 1996 г), на международной конференции "GIS FOR NATURE MANEGEMENT OPTIMIZATION FOR SUSAINABLE DEVELOPMENT OF TERRITORIES" (Барнаул, 1998) и на "XI Всероссийской школе-конференции по дифракции и распространению волн" (Москва, 1998).

Внедрение результатов исследования.

Результаты исследования применяются: в выполнении научных проектов по дистанционному зондированию Земли в лаборатории обработки изображений Алтайского государственного университета, а также для обучения студентов, магистров и аспирантов на физико-техническом факультете Алтайского государственного университета. Созданные алгоритмы переданы в Центр обработки и хранения космической информации в Институте радиотехники и электроники РАН и включены в отчеты программы "Наука-НАСА".

Объем и структура диссертации.

Диссертация состоит из введения, обзора литературы, главы с описанием материалов и методов исследования, трех глав с описанием собственных исследований, заключения, выводов, практических рекомендаций и списка литературы. Работа изложена на 112 страницах машинописного текста,

Заключение диссертации по теме «Применение вычислительной техники, математического моделирования и математических методов в научных исследованиях (по отраслям наук)», Лукьяненко, Дмитрий Николаевич

Основные результаты диссертационной работы состоят в следующем:

1) Проанализированы основные проблемы анализа и компьютерной обработки радиолокационных изображений, получаемых с помощью радиолокаторов с синтезированной апертурой. Рассмотрены вопросы классификации радиолокационных изображений на основе статистического текстурного анализа.

2) Разработаны алгоритмы классификации одноканальных и многоканальных изображений с учетом поляризационных и текстурных особенностей объектов классификации. Изложенные подходы дают более высокую точность классификации природных и антропогенных объектов. Для многоканальных РСА 81Ы-С точность классификации составляет 87 % ± 5 %. Наилучшие результаты классификации типов лесной растительности наблюдаются при использовании нескольких каналов для 81К-С/Х-8АК, совместно с текстурными признаками.

3) Проведенный анализ зависимости параметров классификации от применяемых фильтров спекл-шума позволяет дать рекомендации по их выбору при использовании текстурных признаков. Фильтрация при использовании текстурных признаков не требуется.

4) Разработанная схема совместного использования искусственных нейронных сетей и методов статистического текстурного анализа для классификации лесных массивов по радиолокационным изображениям позволяет адаптировать систему под особенности каждого изображения. Точность классификации по одному каналу составляет 83,6 % ± 5 %.

5) Созданное программное обеспечение дает возможность вести интерактивную обработку радиолокационных изображений на основе

101 статистического текстурного анализа и добиться результатов классификации с максимальной точностью 87 % ± 5 %.

Заключение.

Разработка новых методов анализа радиолокационных изображений является актуальной в связи с появлением новых космических носителей и огромным банком информации, накопленной за последние годы в радио диапазоне. Эти данные в большинстве своем остаются не обработанными. Кроме того, классические методы, успешно используемые для анализа изображений в оптическом диапазоне не всегда дают положительные результаты при работе с данными, полученными с радиолокаторов с синтезированной апертурой.

Целью исследования являлось повышение эффективности анализа радиолокационных изображения для задач дистанционного зондирования. Ставилась задачи исследования применения статистического текстурного анализа и нейронных задач для выделения видового состава леса, определение сельскохозяйственных угодий, распознавания областей эрозии почв.

Сравнение предлагаемых методов, основанных комбинации на статистического текстурного анализа, нейронных сетей и метода главных компонент с классическими методами классификации, основанных на интенсивности отраженного сигнала и байсевском классификаторе, показало эффективность приведенного подхода. Изложенные методы дают более высокую точность классификации природных и антропогенных объектов. Приведенные методы дают возможность анализировать, как одноканальные, так и многоканальные радиолокационные данные. Показано преимущество использования нескольких каналов для классификации лесных массивов по ЗЖ-С/Х-ЗАЯ. Показана возможность определения типов леса, которая не уступает оптическим изображениям с тем же разрешением. Различные по видовому составу участки леса (поросли сосны и березы, поросли пихты и осины) надежного распознаются.

Дорожная сеть хорошо распознается по SIR-C/X-SAR, независимо от длины волны. Лучше всего она выделяется на горизонтальной поляризации. Линии электропередач отражаются только на снимках, полученных в L-диапазоне на HV-поляризации, в виде ярких прямолинейных полос с точечными изображениями ферм. Сельскохозяйственные поля возделываемых земель наиболее дифференцированно отображаются в L-диапазоне на HV-поляризации. В целом сравнительный анализ РЛИ на различных поляризациях показал преимущества использования для целей дешифрирования растительного покрова изображений, полученных в L-диапазоне радиоволн. В основном это справедливо для кустарников, деревьев и высокой растительности. Размеры, которой соизмеримы или превышают длину волны.

Так же рассмотрены вопросы использования радиолокационных изображений с РСА "Алмаз". По данным с РСА "Алмаз" в области сведенных человеком хвойных лесов распознаются участки зарастания территории кустарником. Были выделены различные участки лесной растительности и районы лесных пожаров. Также надежно распознаются области водной эрозии почв.

Показаны особенности использования фильтрации спекл-шума и их влияние на текстуру изображения.

Используемые подходы могут найти во многих областях дистанционного зондирования. Они могут применяться для задач картографии, для оценки площадей лесных пожаров, определению карт и площадей видов лесной и полевой растительности. Универсальный характер выбранных подходов дает возможность их использования для других радиолокационных систем, в частности ERS-1.

Было разработано уникальное программное обеспечение для анализа радиолокационных изображений. Система включает в себя блок статистического текстурного анализа, фильтрации спекл-шума, классификации

99 изображений и нейронного имитатора на основе многослойных структур, в которых каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя. Реализация статистического текстурного анализа позволяет изучать текстурные свойства в интерактивном режиме, сохранять данные в базах данных. Используя данную систему, проводились работы по выделению эрозии почв, выделению гарей, разделению лесных массивов по видовому составу. Эта система может применяться как предварительная для составления тематических слоев в задачах картографирования.

Все результаты обработки орбитальных изображений тестировались данными наземных экспедиций и данными классификации сканерных снимков МСУ-Э и со спектрозональными космофотоснимками.

Список литературы диссертационного исследования кандидат технических наук Лукьяненко, Дмитрий Николаевич, 2000 год

1. Айвазян С.А. , Бухштабер В.М. Прикладная статистика. Классификация и снижение размерности. М.: Финансы и статистика , 1989.

2. Анил К. Джейн. Введение в искусственные нейронные сети // Открытые системы. 1997. - N4. - С. 16-24.

3. Ахметьянов В.Р., Пасмурнов А.Я. Обработка радиолокационных изображений в задачах дистанционного зондирования Земли. // Зарубежная радиоэлектроника N 1, 1987. стр. 70-81

4. Барцев С.И. Некоторые свойства адаптивных сетей (программая реализация). Красноярск: Институт физики СО АН СССР, - 1987.

5. Белокуров A.A. Методы сглаживания спекл-шума на радиолокационных изображениях земной поверхности. // Зарубежная радиоэлектроника N 6, 1990. стр. 26-36.

6. Бельчинский Г.И., Коробков Н.В. Использование искусственных нейронных сетей для анализа спутниковых данных дистанционного зондирования // Исслед. Земли из Космоса. 1998. -N 4. - С. 111-120.

7. Веденов A.A. Моделирование элементов мышления. М.: Наука, 1988.

8. Воросы статистической теории распознавания. Под редакцией Б.В. Барского. "Советское радио", 1967.

9. Галушкин А.И., Фомин Ю.И. Нейронные сети как линейные последовательные машины. М.: Изд-во МАИ, 1991.

10. Ю.Горбань А. Нейроинформатика и ее приложения. Открытые системы, N 0405, 1998.

11. П.Горбань А., Россиев Д. Нейронные сети на персональном компьютере. // Новосибирск: Наука, 1996.

12. Горбань А.Н. Обучение нейронных сетей. М.: СП "ПараГраф", 1990.

13. Джеффри Е. Хинтон. Как обучаются нейронные сети. // В мире науки, 1992, N 11-12, с. 103-107.

14. Дуда Р., Харт П. Распознавание образов и анализ сцен. // Издательство «МИР», Москва, 1976, 507 с.

15. Евтюшкин A.B., Комаров С.А., Лукьяненко Д.Н., Миронов В.Л. Классификация земных покровов по радиолокационным изображениям. Оптика атмосферы и океана, 10. N 12 (1997), стр. 1-5.

16. Зайцев В.В, Зайцев Вл. В., Трошкин Д. В. Экспериментальное исследование алгоритмов фильтрации спекл-шума на радиолокационных изображениях. // Исследование Земли из Космоса, N 6, 1994, стр. 30-41.

17. Захаров А.Е., Назаров Л.Е. Классификация типов лесов на основе анализа текстурных характеристик радиолокационных изображений РСА SIR-C // Исслед. Земли из Космоса. -1998. N 2. - С. 102-109.

18. Искусственный интеллект. В 3-х кн. Кн. 2. Модели и методы: Справочник // Под ред. Д.А. Поспелова- М.: Радио и связь, 1990.-304 с.

19. Козлов А. И. Поляризационные характеристики радиолокационных целей. // Труды XI Всероссийской школы-конференции по дифракции и распространению волн. Москва, МГУ, 1998, Стр. 51-61.

20. Космический радар с синтезируемой апертурой: настоящее состояние и будущее направления. Отчет комитета по изучению космического пространства Земли. Национальное управление по аэро- и космической науке и технике, США, 1995.

21. Левин Б.Р. Теоретические основы статистической радиотехники. Кн. 2. М.: Сов. Радио, 1975.

22. Лукьяненко Д.Н. Автоматическое дешифрирование лесных массивов по радиолокационным изображениям. Труды XI Всероссийской школы-конференции по дифракции и распространению волн. Москва, МГУ, 1998, Стр. 226.

23. Лорьер Ж.-Л. Системы искусственного интеллекта. М.: "Мир", 1991.

24. Методы нейроинформатики: Сб. Научн. тр. / Под ред. А.Н. Горбаня. -КГТУ, Красноярск, 1998. 205 с.

25. Неймарк Ю.Н. Многомерная геометрия и распознавание образов. Соросовский образовательный журнал, N 7, 1996.

26. Неймарк Ю.И., Баталова З.С. Распознавание образов и медицинская диагностика. М.: Наука, 1972.

27. Никольский В.В. Электродинамика и распространение радиоволн. М.: "Наука", 1973.

28. Патрик Э. Основы теории распознавания образов. Москва «Советское радио».- 1980.-408 с.

29. Петренко A.A. Использование нейросетевых технологий при решении аналитических задач в ГИС. Методы нейроинформатики: Сб. Научн. Трудов / Под ред. А.Н. Горбаня, КГТУ, Красноярск, 1998.

30. Позин И.В. Моделирование нейронных структур. М.: Наука, 1970

31. Прэтт У. Цифровая обработка изображений. В 2-х томах. Пер. с анг. М.: Мир, 1982. кн.1-312 е., кн.2-480 с.

32. Родионова Н.В. Влияние числа градаций уровней яркости на текстурные признаки радиолокационных изображений // Исслед. Земли из Космоса. -1994,-N6.-С. 59-64.

33. Родионова Н.В. Статистический текстурный анализ радиолокационных изображений, полученных с ИСЗ "АЛМАЗ" // Исслед. Земли из Космоса. -1994. -N 2. С. 26-29.

34. Уоссермен Ф. Нейрокомпьютерная техника. -М.: Мир, 1992.

35. Фролов A.A., Муравьев И.П. Информационные характеристики нейронных сетей. М.: Наука, 1988.

36. Цыпкин Я.З. Информационная теория идентификации. М.: Наука, 1995 г.

37. Школьный Л.А., Глазков С. Л. Математическая модель и статистические характеристики спекл-структур радиолокационных изображений, получаемых радиолокаторами с синтезированной апертурой // Радиотехника. 1990. N2. Стр. 3-8.

38. Эшби У.Р. Конструкция мозга. М.: ИЛ, 1962.

39. Яншин В., Калинин Г. Обработка изображений на языке Си для IBM PC: алгоритмы и программы. М.: Мир, 1994. - 240 стр.

40. Baikalova T.N., Kazantsev K.Y., Komarov S.A., Lukyanenko D.N., Mironov V.L., Yevtyushkin A.V., Yushakov V.N. Analysis of forest regions by SAR and Optical images. IGARSS'98.

41. Bernie Goze B., Bouncher Jean-Marc. Pyramidal contextual classification of SAR images. IGARSS'95. V. II. P. 913-917.

42. Braldi A., Paramiggini F. A self-organizing neural network to categorize a random input sequence of multivalued vectors // IGARSS'95, v.II, p. 1258-1261.

43. Campbell J.B. Introduction to Remote Sensing. New York: Guilford, 1987, 5511. P

44. Carpetter G.A., Grossberg S., Markuzon N. Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps // IEEE Trans. Geosci. And Rem. Sens. Neural Network. 1992. V. 3. P. 698-713.

45. Daudyal Dipak R., Apisit Eiumnoh, Josef Aschbachar. Textural Information in SAR Images for Land-Cover Application // IGARS'95, v. II, p. 1020-1022.

46. Dobson M. C., Pierce L. E., Ulaby F. T. Land-cover classification and estimation of terrain attributes using synthetic aperture radar. Rem. Sens. Environ., 1995, vol. 51, No. l,pp. 199-214.

47. Drieman J.A. Forest cover typing and clearcut mapping in Newfoundland with C-band SAR., 1994, Can. J. Rem. Sens., vol. 20, pp. 11-16.

48. Drucker Harris, Cun Yann Le, Improving Generalization Performance Using Backpropagation // IEEE Transactions on Neural Networks, Vol. 3, N 5, 1992, pp. 991-997.

49. Fernandes David. Segmetation of SAR Images with Weibull Distribution // IGARSS'98

50. Foody G.M., McCulloch M.B., Yates W. B. Crop classification from C-band Polarimetrie radar data. Int. J. Rem. Sens., 1994, vol. 15, pp. 2871-2885.

51. Fukuda Seisuke, Hirosawa Haruto. Land Cover Classification from Multifrequency Polarimetrie Synthetic Aperture Radar Data Using Wavelet-Based Texture information // IGARSS'98

52. Fukue Kiyonari, Haruhisa Shirnoda, Toshibumi Sakata. Spatial Landcover Classification Using a Neural Network Driven by Co-occurrence Matrix for Landcover Elements // IGARSS'98

53. Fung A.K. Microwave Scattering and Emission Models and Their Application. Boston-London: Artech House Inc., p. 573 + xvi. 1994.

54. Hagg Wilhelm, Segl Karl, Sties Manfred. Classification of Urban Areas in multi-date ERS-1 images using Srtuctural Features and a Neural Network. IGARSS'95, v. II, p. 901-903.

55. Haralick R. M. Statistical and structural approaches to texture // Proc. IEEE. 1979. V. 67. N5. P. 786-804.

56. Haralick R.M., Shanmugan K., and Dinstein I. Textural Features for Image Classification. // IEEE Transactions on system, man, and cybernetics. 1973. Vol. SMC-3. - N 6. - P. 610-621.

57. Hertz J., Krogh A., Palmer R.G., Introduction to the Theory of Neural Computation, Addison-Weslay, Reading, Mass., 1991.

58. Hiroshi Murai, Sigeru Omatu, Shunichiro Oe. Remotely Sensed Data analysis Using Two Neural Networks and Its Application to Land Cover Mapping // IGARSS'98

59. Karam M.A., Fung A.K., Lutae Y.M.M. Electromagnetic wave scattering from some vegetation samples // IEEE Trans. Geosci. and Rem. Sens. 1988. - V.26. -N6. - P.799.

60. KOUSKOULAS Yanni, PIERCE Leland, ULABY Fawwaz T., DOBSON M. Craig. Classification of Short Vegetation Using Multifrequency SAR // IEEE International Geoscience and Re-mote Sensing Symposium Proceedings, 1999.

61. Lee J. S. Speckle Suppression and Analysis for Synthetic Aperture Radar Images // Proc. SPIE International Conference on Speckle. 1985. V. 556. p. 157-165.

62. Lee J. S. Speckle Analysis and Smoothing of Synthetic Aperture Radar Images // Computer Graphics and Image Processing. 1981. V. 17. N 1. P. 24-32.

63. Liew Soo Chin, Hock Lim. Texture analysis of SAR images // IGARS'95, v. II, p. 1412.

64. McCulloch W.S., Pitts W. A logical Calculus of Ideas Immanent in Nervous Activity, Bull. Mathematical Biophysics, Vol. 5, 1943, pp. 115-133.

65. Minsky M., Papert S. Perceptrons, MIT, Press, Cambridge MA, 1969.

66. Mimnsky M., Papert S. Perceptrons: An Introduction to Computational Geometry, MIT Press, Cambridge, Mass., 1969.

67. Pal Sankar K., Sushmita Mitra. Multilayer Perceptron, Fuzzy Sets, and Classification // IEEE Transactions on Neural Networks, Vol.3, N5, 1992, pp. 683-696.

68. Petrowski Alain, Dreyfus Gerard, Girault Claude. Performance Analysis of a Pipelined Backpropagation Parallel Algorithm // IEEE Transactions on Neural Networks, Vol. 4, N 6, 1993, pp. 970-981.

69. Pierce Lefand E., Bergen Kathleen, Dobson M. Graig, Ulaby Fawwaz T. LandCover Classification using SIR-C/X-SAR Data. IGARSS'95, v. II. P. 918-920.

70. Ricard Michael R., Crawford Melba M. Multiscale Hierarchical of Wetland Environments Using SAR Data // IGARSS'98

71. Rignot E. C., C. Williams, J. B. Way, and L. Viereck. Mapping of forest types in Alaskan boreal forests using SAR imagery. IEEE Trans. Geosci. Rem. Sens., 1994, vol. 32, pp. 1051-1059.

72. Tzeng Y.C., Chen Z., Kao K. S., Funk A. K. A dynamic learning network for remote sensing applications //IEEE Trans. Geosci. and Rem. Sens. 1994. V. 32. P. 1096-1103.

73. Ulaby F.T., Kouyate F., Brisco В., Williams T.H.L. Textural information in SAR images // IEEE Trans. Geosci. and Rem. Sens. 1986. - Y.24. - N2. - P.235.

74. Van Zyl J.J., Burnette C. F. Baysian classification of Polarimetrie SAR images using adaptive a priori probabilities, Int. J. Rem. Sens., 1992, vol. 13, pp. 835-840.

75. Visual С++ 5.0. Руководство разработчика.: Пер. С англ. / Д. Беннет, С. Маконин, В.В. Мейфилд и др. К.; М.; СПб: Диалектика, 1998. - 768 с.

76. Walessa Marc. Texture preserving Despeckling of SAR Images using GMRFs // IEEE International Geoscience and Remote Sensing Symposium Proceedings, 1999.

77. Weishampel J. F., G. Sun, J.K. Ranson, D. LeJune, and H.H. Shugart. Forest textural properties from simulated microwave backscatter: the influence of spatial resolution, 1994, Rem. Sens. Environ., vol. 47, pp. 120-131.

78. Zaitzev A.N., Rozanov O.V. The Forest Classification and Monitoring in Yamal-Nenetz Region, Western Siberia. // IEEE International Geoscience and Remote Sensing Symposium Proceedings, 1999.

79. Zurada J.M. Introduction to Artifical Neural Systems, St. Paul, MN: West, 1992/ P. 163-250.