Методы математического моделирования и алгоритмы автоматической обработки аэрокосмических изображений при распознавании природных и антропогенных объектов тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Трекин, Алексей Николаевич

• Трекин, Алексей Николаевич
• кандидат наук
• 2016

Оглавление диссертации кандидат наук Трекин, Алексей Николаевич

Оглавление

Введение

Глава 1. Данные дистанционного зондирования Земли как основа для развития модельных представления и алгоритмов распознавания природных и антропогенных объектов

1.1. Источники электромагнитного излучения

1.1.1. Излучение Солнца

1.1.2. Собственное излучение Земли

1.1.3. Спектральные свойства атмосферы

1.2. Регистрация и обработка данных дистанционного зондирования

1.2.1. Растровая модель представления данных

1.2.2. Характеристики космических изображений

1.2.3. Геопривязка космических изображений

1.3. Данные, получаемые с помощью аэрофотосъемки

1.4. Векторная модель представления данных

Глава 2. Численные методы предварительной обработки данных

дистанционного зондирования

2.1. Общая характеристика методов предварительной обработки

2.2. Статистические методы оценки качества обработки изображения

2.3. Вычислительный метод повышения пространственного разрешения космических изображений с использованием векторной модели представления априорной информации

2.3.1. Постановка задачи

2.3.2. Описание метода

2.3.3. Численный эксперимент

2.4. Метод индексации данных в векторной модели для совместной обработки с данными в растровой геопривязанной форме

2.4.1. Постановка задачи

2.4.2. Описание метода

2.4.3. Реализация и численный эксперимент

2.5. Эффективные алгоритмы для получения пересечения, объединения, разности объектов векторной модели данных в виде многоугольников при работе с большими объёмами данных

2.5.1. Постановка задачи

2.5.2. Существующие алгоритмы

2.5.3. Анализ выбранных алгоритмов

2.5.4. Доработки реализации алгоритма Ватти

2.5.5. Исследование доработанного алгоритма путём численного эксперимента

2.5.6. Выводы

Глава 3. Статистические и численные методы тематической обработки данных дистанционного зондирования Земли

3.1. Обзор существующих вычислительных методов обработки изображений

3.1.1. Визуальное дешифрование

3.1.2. Пороговая обработка

3.1.3. Тематические индексы

3.1.4. Методы распознавания образов

3.1.5. Снижение размерности пространства признаков

3.1.6. Неконтролируемая классификация (кластеризация)

3.1.7. Контролируемая классификация

3.1.8. Объектно-ориентированная классификация

3.1.9. Нейросетевой подход

3.2. Численный метод обработки космических изображений для выделения выгоревших территорий

3.2.1. Мониторинг природных пожаров средствами ДЗЗ

3.2.2. Мониторинг активных пожаров

3.2.3. Задача обнаружения территорий, поврежденных природными пожарами

3.2.4. Постановка задачи

3.2.5. Метод решения

3.2.6. Построение обучающей выборки

3.2.7. Классификация точек

3.2.8. Реализация в виде комплекса программ и численный эксперимент

3.3. Численный метод обнаружения транспортных средств на цветных аэрокосмических изображениях сверхвысокого разрешения

3.3.1. Постановка задачи

3.3.2. Метод решения

3.3.3. Оценка вычислительной сложности

3.3.4. Численный эксперимент и анализ результатов

Заключение

Литература

Введение диссертации (часть автореферата) на тему «Методы математического моделирования и алгоритмы автоматической обработки аэрокосмических изображений при распознавании природных и антропогенных объектов»

Введение

Дистанционное зондирование Земли (ДЗЗ) в настоящее время является одним из основных методов получения информации в науках о Земле. Аппаратура, расположенная на спутниках — спектрометры, радиометры, камеры, лидары и др. — передаёт большое количество разнородных данных [42], а аэрофотосъемка, в том числе с применением беспилотных летательных аппаратов, позволяет оперативно получать снимки поверхности Земли в высоком пространственном разрешении, в том числе многоспектральные и гиперспектральные. Путём анализа данных дистанционного зондирования можно получать информацию об атмосфере, поверхности суши и океана, в том числе отслеживать изменения, выделять объекты на поверхности Земли.

Космические изображения имеют некоторые достоинства, обеспечивающие им важное место среди всех данных, применяемых в науках о Земле. Во-первых, они имеют большой охват территории и частую повторяемость, однородные данные могут быть получены до нескольких раз в сутки для всей территории Земли [39] в случае изображений низкого разрешения; во-вторых, имеется возможность оперативного получения данных, в том числе для труднодоступных и удалённых территорий. Высокая информативность данных дистанционного зондирования обеспечивается возможностью регистрации интересующей области в различных спектральных диапазонах, в том числе гиперспектральной съёмкой, а также получением изображений одного участка различной аппаратурой [4]. За счёт большого охвата данными территории Земли, в отношении к исследуемой площади космические данные являются одним из наиболее недорогих видов, что в числе прочего позволяет поставщикам таких данных открывать бесплатный доступ к своим изображениям и производным продуктам для научного и коммерческого применения [161].

Важное место среди в науках о Земле занимает область обработки данных дистанционного зондирования. Большие объемы разнородной информации, ре-

гистрируемые аппаратами космической и аэрофотосъемки, требуют автоматизации извлечения из них полезных данных о поверхности, объектах на ней, температурным характеристикам, состоянии океана и атмосферы, процессах в экосистемах. Обработка данных дистанционного зондирования делятся на предварительную и тематическую.

Задача обработки данных дистанционного зондирования возникла одновременно с получением первых данных такого рода — аэрофотоснимков. На первых этапах развития дистанционного зондирования обработка, как правило, была экспертной (визуальное дешифрование). В настоящее время визуальное дешифрование аэрокосмических изображений всё ещё применяется для составления различных общих и тематических карт [15]. С развитием вычислительной техники стало возможным проведение автоматизированной и автоматической обработки изображений, что позволило ускорить решение задач и упростить работу дешифровщика [47].

Предварительная обработка данных ДЗЗ направлена на улучшение характеристик изображения и приведение его к виду, более удобному для извлечения из него необходимой информации. К предварительной обработке относятся различные методы коррекции, географическая привязка, повышение разрешения.

Тематическая обработка данных ДЗЗ — извлечение из них информации о состоянии наблюдаемых объектов — широкий и важный класс задач, решаемых с помощью вычислительных систем. Для задач тематической обработки применяются как методы математического моделирования, так и методы интеллектуального анализа данных [73]. Одной из важных задач, решаемых с использованием данных ДЗЗ, является выделение и распознавание интересующих объектов на изображении.

Основной целью, поставленной в данной работе, является создание методов предварительной и тематической обработки космических изображений, пригодных для сегментации изображений, выделения аномальных зон и объектов, в широком классе задач исследования природных и антропогенных областей

поверхности Земли.

Актуальность темы исследования. Дистанционное зондирование Земли (ДЗЗ) — комплекс методов получения информации о поверхности суши и водоёмов, а также различных слоёв атмосферы, с помощью различной съёмочной аппаратуры, удалённой от предмета наблюдения, в частности, расположенной на авиационных и космических носителях. Дистанционное зондирование включает в себя получение информации о литосфере, геологической структуре Земли, покрытии земной поверхности, в том числе растительном покрове и антропогенных объектах, климате и состоянии атмосферы. Согласно Приниципам по дистанционному зондированию Земли из космоса, принятым 03.12.1986 Резолюцией 41/56 Генеральной Ассамбеи ООН, «термин "дистанционное зондирование" означает зондирование поверхности Земли из космоса с использованием свойств электромагнитных волн, излучаемых, отражаемых или рассеиваемых зондируемыми объектами, с целью лучшего распоряжения природными ресурсами, совершенствования землепользования и охраны окружающей среды» [36].

Научная и практическая значимость информации, получаемой методами дистанционного зондирования Земли очень высока. С помощью таких данных производится мониторинг стихийных бедствий и катастроф, исследование климата, картографирование, наблюдение за состоянием атмосферы и мирового океана, и другие исследования [9, 55]. Получением космических данных ДЗЗ занимаются много организаций, осуществляющих запуск искусственных спутников Земли, в первую очередь — крупнейшие государственные космические агентства Роскосмос (Россия), NASA (США), ESA (Европа), а также частные компании Digital Globe (США), SPOT Image (Франция) [40, 42]. Распространением космических изображений в России занимаются как сами операторы космических аппаратов, так и дилеры — ScanEx, СовЗонд [20]. Аэрофотосъёмка доступна большему числу организаций и частных лиц, она может проводиться с самолётов, вертолётов и беспилотных летательных аппаратов [24, 69]. По сравнению с космической съёмкой, такие данные, как правило, обладают более

высоким пространственным разрешением, но меньшей зоной покрытия и, как следствие, более высокой ценой на единицу площади покрытия Это практически исключает возможность получения таких данных для изучения поверхности Земли в глобальном масштабе, однако позволяет решать другие задачи, недоступные при использовании космических изображений, в частности — распознавание автомобилей и других мелких антропогенных объектов, определение видовой принадлежности отдельных деревьев [53].

Совершенствование методов обработки космических изображений позволяет извлекать из них в том числе информацию, недоступную при визуальном наблюдении [38]. В настоящее время большая часть предварительной и тематической обработки данных дистанционного зондирования Земли выполняется в автоматическом или автоматизированном режиме [29].

Степень разработанности темы. В России задачами автоматической обработки аэрокосмических изображений занимаются многие научные организации. К основным научным учреждениям данного профиля относятся: Институт космических исследований РАН (под руководством Е.А. Лупяна, Е.А. I Парко ви). НИИ «Аэрокосмос» (под руководством академика РАН Бондура В.Г.), НИИ «Фотон», Самарский Государственный Аэрокосмический Университет, Го-сНИИАС, Научный Геоинформационный Центр РАН (научный руководитель В.М. Лебедев), Институт Вычислительной Математики и Математической Геофизики СО РАН, Военно-воздушная инженерная академия имени профессора Н. Е. Жуковского, и другие [42, 60]. Также важный вклад в развитие теории обработки данных дистанционного зондирования внесли научные коллективы, занимающиеся общими проблемами обработки изображений, и распознавания образов, развивавшиеся в ВЦ РАН (под руководством академика РАН Ю.И. Журавлёва), НИИ Системных исследований РАН (под руководством академика РАН В.Б. Ветел и ни). Институте системного анализа РАН (под руководством член-корреспондента РАН В.Н. Арлазарова), Владимирском государственном институте, Институте проблем передачи информации РАН, Институте систем

обработки информации РАН, Институте проблем управления РАН, и других институтах.

За рубежом обработка данных дистанционного зондирования производится как в рамках организаций — операторов космических аппаратов, так и сторонними институтами.

В области обработки космических изображений продолжают существовать и появляться новые задачи, требующие решения. Это связано, во-первых, с тем, что сами данные изменяются с запуском новых космических аппаратов и появляются новые возможности их применения; во-вторых, с тем, что задачи тематической обработки космических изображений зачастую не подразумевают наличия корректного, строгого математического решения, а решаются методами интеллектуального анализа данных, что даёт широкие возможности по совершенствованию существующих подходов как по точности, так и по производительности; в-третьих, с ростом производительности вычислительных средств появляются возможность решать задачи и применять методы, которые ранее были недоступны из-за высокой вычислительной сложности.

Задачи распознавания и идентификации различных объектов на аэрокосмическом изображении важны в различных областях применения данных ДЗЗ: картографировании урбанизированных и природных территорий, поиске и идентификации объектов промышленности, зданий [97], распознавание, оценка и прогнозирование состояния объектов почвенно-растительного покрова [2, 35], обнаружении и оценке последствий природных и техногенных катастроф [3, 10]. Для решения этих задач применяются различные методы тематический обработки данных дистанционного зондирования, относящиеся к интеллектуальному анализу данных и обработке изображений.

Также важной является предварительная обработка данных ДЗЗ для улучшения их качества и, как следствие, улучшения результата тематической обработки, а также ускорения работы и уменьшения вычислительной сложности. Векторная модель представления данных ДЗЗ позволяет компактно представ-

лять точечные, протяжённые и площадные объекты, и требует особых методов и алгоритмов для совместной обработки с данными в растровой форме для наиболее эффективного извлечения информации.

Цели и задачи диссертационной работы: В работе были поставлены следующие цели:

• Создать численные методы и алгоритмы предварительной обработки данных дистанционного зондирования с применением векторной модели представления данных, позволяющие улучшить возможности распознавания объектов на аэрокосмических изображениях;

•

ских изображений, позволяющие в автоматическом режиме распознавать природные и антропогенные объекты на аэрокосмических изображениях;

тельных экспериментов.

Для достижения поставленных целей были решены следующие задачи: обработки с растровыми данными;

ских изображений с использованием векторной модели представления априорной информации;

ния, разности полигонов при работе с данными большого объёма; ских изображениях;

и

• Формирование набора методов оценки качества работы созданных алгоритмов;

• Разработка программного обеспечения, реализующего разработанные алгоритмы и оценку качества результатов их работы, и проведение вычислительных экспериментов.

Научная новизна диссертационной работы состоит в следующем:

1. Предложен новый численный метод пространственной индексации данных векторной модели, представленных в виде полигонов;

2. Предложен вычислительный метод повышения пространственного разрешения космических изображений с использованием векторной модели представления априорной картографической информации;

3. Реализован алгоритм, позволяющий производить операции пересечения, объединения и разности над полигонами при работе с большими объёмами данных;

4. Разработаны новые численные методы распознавания объектов на аэрокосмических изображениях, а именно метод обнаружения транспортных средств на цветных аэрокосмических изображениях сверхвысокого разрешения и метод обработки космических изображений для выделения выгоревших территорий.

Теоретическая и практическая значимость. Теоретическая значимость работы состоит в разработке и апробации новых методов обработки космических изображений. Методы были представлены на всероссийсиких и международных конференциях и опубликованы в рецензируемых научных журналах.

Практическая значимость работы состоит в возможности использования

разработанных методов и алгоритмов в практических задачах обработки данных дистанционного зондирования Земли.

Разработанные методы и алгоритмы реализованы в программном обеспечении макета аппаратно-программного комплекса для мониторинга и прогнозирования эмиссий вредных примесей в атмосферу при лесных и торфяных пожарах в НИИ «АЭРОКОСМОС» в рамках НИР «Проблемно - ориентированные поисковые исследования в области разработки космических методов и технологий мониторинга и прогнозирования эмиссий вредных примесей в атмосферу при лесных и торфяных пожарах» (проект 16.515.11.5028).

Методология и методы исследования. Всесторонне применялись численные и статистические методы обработки изображений. При изучении и разработке методов распознавания объектов на аэрокосмических изображениях применялись статистические методы классификации и анализа данных, такие как метод ^-средних, методы иерархической кластеризации, метод байесовской классификации, метод главных компонент. При разработке и изучении методов повышения пространственного разрешения изображений применялись методы бикубической интерполяции, фильтр Ланцоша, преобразование Фурье. При разработке и изучении метода пространственной индексации применялись численные методы иерархической индексации. Для исследования результатов применялись экспериментальные методы в форме вычислительного эксперимента.

Положения, выносимые на защиту.

•

ционного зондирования Земли и методы, применяемые для обработки данных;

•

дистанционного зондирования в векторной и растровой моделях, включающий метод индексации данных в векторной модели для ускорения совместной обработки, метод повышения пространственного разрешения

изображений ДЗЗ, использующий векторную модель представления априорной информации;

• Предложены и программно реализованы численные методы распознавания природных и антропогенных объектов на аэрокосмических изображениях, а именно — метод выделения выгоревших территорий и метод распознавания автомобилей.

Апробация работы. Основные результаты диссертации докладывались

на следующих конференциях:

•

проблемы дистанционного зондирования Земли из космоса», Москва, 12-16 ноября 2012 г., тема доклада — «Метод вычислительной оптимизации в задаче сопоставления растровой и векторной информации при анализе спутниковых данных»;

•

IMAGE ANALYSIS: NEW INFORMARION TECHNOLOGIES», Самара, 23-28 сентября 2013 г., тема доклада — «Vehicle detection in color images»;

•

ния образов», Светлогорск, 19-25 сентября 2015 г., тема доклада — «Метод повышения разрешения космических изображений с использованием априорной информации в векторной форме для сохранения границ».

Достоверность полученных выводов подтверждается использованием точных математических методов для аналитических расчетов, и проведением численных экспериментов для сравнения разработанных методов с традиционными.

Публикации. Материалы диссертации опубликованы в 6 печатных работах в рецензируемых научных журналах и материалах конференций [13, 14,

45, 66, 120], из них 3 статьи в журналах из перечня ВАК [13, 14, 121] получено 3 свидетельства о государственной регистрации программ для ЭВМ [63-65].

Личный вклад автора. Содержание диссертации и основные положения, выносимые на защиту, отражают персональный вклад автора в опубликованные работы. Подготовка к публикации полученных результатов проводилась совместно с соавторами, причем вклад диссертанта в работах [13, 14, 63, 64, 66] был определяющим и включал в себя как разработку метода и алгоритма, так и их реализацию, в работах [45, 65, 120, 121] вклад автора заключался в разработке алгоритмов и проведении вычислительных экспериментов.

Все представленные в диссертации результаты получены лично автором.

Структура и объём диссертации.

Диссертация состоит из введения, трёх глав, заключения и библиографии. Общий объём диссертации 131 страница, из них 107 страниц текста, включая 24 рисунка и 10 таблиц. Библиография включает 166 наименований на 20 страницах.

Краткая характеристика содержания работы. Диссертация включает в себя три главы.

Глава 1. Описаны подходы к моделированию характеристик поверхности Земли путём представления в виде данных дистанционного зондирования. Кратко изложены научные и инженерные основы получения космических изображений, основные методы их получения, проведён их анализ и выбор источников данных, наиболее подходящих для достижения поставленных целей.

Глава 2. Составлен обзор основных численных методов предварительной обработки космических изображений, применяемые для повышения их качества и приведения к удобному для тематической обработки виду. Описаны разработанные методы предварительной обработки данных ДЗЗ в векторной и растровой формах, разработанные в рамках данной работы:

ческих изображений с использованием векторной модели представления

априорной информации;

с данными в растровой геопривязанной форме;

ности объектов векторной модели данных в виде многоугольников при

работе с большими объёмами данных.

Глава 3. Проведен обзор современных статистических методов, применяемых для сегментации космических изображений, классификации типов подстилающей поверхности и выделения площадных и линейных объектов. Описаны разработанные в рамках данной работы методы и алгоритмы:

выгоревших территорий;

космических изображениях сверхвысокого разрешения.

16

Глава 1

Данные дистанционного зондирования Земли

как основа для развития модельных представления и алгоритмов распознавания природных и антропогенных объектов

Дистанционное зондирование Земли — один из основных методов изучения свойств и эволюции поверхности Земли. Для эффективного применения данных дистанционного зондирования в прикладных задачах необходимо учитывать свойства, особенности и область применимости исходных данных. Поэтому для решения любых задач с применением ДЗЗ требуется, в первую очередь, изучить характеристики современных средств дистанционного зондирования Земли из космоса, а также рассмотреть возможности архивных данных, полученных в прошлом, в том числе уже выведенной из эксплуатации аппаратурой, но могут быть использованы для исследования параметров земной поверхности и атмосферы за длительный период времени. Основным методом получения информации о Земле без контакта с изучаемыми объектами является регистрация отражённого или излучаемого электромагнитного излучения [36].

1.1. Источники электромагнитного излучения

Основным источником электромагнитного излучения для нашей планеты является Солнце. Большая часть регистрируемого света Земли является отражённым солнечным светом и, сравнивая характеристики отражённого света с излучением светила, можно изучать отражающие характеристики поверхности Земли. В частности, большая часть способов изучения растительного покрова основаны на свойстве зеленой растительности отражать излучение в ближнем

инфракрасном диапазоне. Также используется собственное излучение Земли, представленное, в основном, тепловым излучением в инфракрасном диапазоне [129], и регистрация отраженного излучения, испущенного искусственным источником, связанным с регистрирующим прибором (активный метод), что применяется, как правило, в диапазоне радиоволн [72].

Таблица 1.1 - Основные спектральные диапазоны и их краткая характеристика

Длина волны Название Объект изучения

10 400 нм Ультрафиолетовый (УФ. иу) Береговая линия, атмосфера

400 740 нм Видимый свет Поверхности суши и океана

740 нм 1000 мкм Инфракрасный (ПК. ГО.) Растительность, тепловые аномалии, карты температуры

1 мм 1 м Микроволновое излучение (СВЧ) Рельеф поверхности

1.1.1. Излучение Солнца

Солнце производит тепловое излучение, соответствующее температуре6600^, спектр которого имеет максимум в районе видимого света (560 нм). Спектр излучения Солнца изображен на рис. 1.1.

Рисунок 1.1 - Спектр излучения солнца, регистрируемый за продолами атмосферы и на поверхности Земли

Солнце является основным источником электромагнитного излучения в различных диапазонах, используемого для дистанционного зондирования Земли. Отраженный от поверхности солнечный свет используется для восстановления спектральных характеристик поверхности, обнаружения различных объектов и изучения их свойств в целях картографии, экологического мониторинга, геологии и других областях [141].

1.1.2. Собственное излучение Земли

Поверхность Земли в норме имеет температуру в пределах 200 — 350 К, чему соответствует максимум собственного теплового излучения в диапазоне 8 — 14 мкм [50]. При этом 99% мощности излучения имеет длину волны от 4 до 100 мкм [129]. Также важно собственное излучение атмосферы и облачного покрова. Используя приборы в диапазоне 8 — 14 мкм, а также в диапазоне 3—5

ние, можно изучать собственное тепловое излучение поверхности суши, воды, а также атмосферы, получая данные о температуре. Такое излучение используются для исследования погоды и климата, экологического мониторинга, в том числе исследований глобального потепления, исследования глобального энергетического баланса Земли [162], а также для исследования и предсказания вулканической деятельности и землетрясений [131].

1

ствует о тепловой аномалии — значительном превышении нормальной температуры, что может свидетельствовать о природном пожаре, извержении вулкана, или интенсивной антропогенной активности [128].

1.1.3. Спектральные свойства атмосферы

Изучение атмосферы, которая в меньшей степени отражает излучение, возможно благодаря поглощению и рассеянию в ней электромагнитных волн

в определенных диапазонах, зависящему от состояния атмосферы, содержания различных газов и аэрозолей.

Важное значение имеет спектр поглощения атмосферы, влияющий на прохождение волн той или иной длины до поверхности Земли и обратно, до аппаратуры ДЗЗ. Области спектра, в которых поглощение минимально, называются окнами прозрачности атмосферы, именно в этих диапазонах возможно изучение поверхности суши и океана из космоса. Спектр поглощения атмосферы представлен на рис. 1.2.

Ш -„,. л

Рисунок 1.2 - Доля пропускаемого атмосферой излучения в зависимости от длины волны

и:

При этом для изучения Земли из Космоса применяются различные более узкие диапазоны, обладающие необходимыми свойствами. Эти диапазоны связаны с возможностями источников излучений, с пропускающими свойствами атмосферы и выбраны для представления спектральных свойств объектов, подлежащих изучению. Они перечислены, вместе с важнейшими характеристиками, в таблице 1.2 [28].

1.2. Регистрация и обработка данных дистанционного зондирования

Данные ДЗЗ получаются, как правило, регистрацией электромагнитного излучения, отраженного или излучённого определёнными участками поверхности Земли. Хранение и представление данных, полученных таким образом,

Таблица 1.2 - Спектральные каналы, использующиеся в дистанционном зондировании Земли

450-510 нм Синий Береговая линия, атмосфера

450-510 нм Синий Фотографии в естественных цветах

510-580 нм Зеленый Фотографии в естественных цветах

630-690 нм Красный Фотографии в естественных цветах, растительность

780-960 нм Ближний инфракрасный (NIR) Растительность

780-960 нм Ближний инфракрасный (NIR) Растительность

740нм - 1.4 мкм ближний инфракрасный (NIR) Растительность, уголь, поверхнсть Земли

1.4-3 мкм коротковолновый инфракрасный (SWIR) Влажность почв, геология

3-8 мкм средневолновый инфракрасный (MWIR) тепловые аномалии

8-15 мкм длинноволновый инфракрасный (LWIR) температура Земли, океана, атмосферы

естественным образом осуществляется в растровом виде. Результаты обработки данных дистанционного зондирования могут быть представлены в различных формах, среди которых важно отметить векторный формат представления пространственных данных, позволяющий компактно описывать геометрические объекты.

1.2.1. Растровая модель представления данных

Растровый формат данных представляет распределённые по площади данные в виде матрицы или набора матриц, каждая ячейка которых является значением некоторого свойства на соответствующем участке площади. Также растровое изображение удобно представлять в виде функции яркости I(п,т)

I : (1 ,...,N) х (1 ,...,М) ^ (1 ,...,i)k,N,M,i,k е N, (1.1)

где N, М —размеры изображения, i — наибольшее значение яркости, к — количество каналов (слоёв) изображения. Одна точка, характеризующаяся строкой п и столбцом т называется пикселем (pixel, от англ. picture element).

При регистрации пикселя изображения прибором оптический сенсор регистрирует весь поток электромагнитного излучения в соответствующем диапа-

зоне частот, приходящий на него с некоторого телесного угла, обусловленного оптической системой. При дистанционном зондировании Земли он соответствует некоторому участку поверхности Земли. Таким образом, значение яркости, хранимое в пикселе, представляет собой усредненное значение по соответствующей ему площади. Возможны различные методы суммирования отсчётов оптических сенсоров, зависящие от их формы и расположения, конфигурации оптической системы прибора [160].

Список литературы диссертационного исследования кандидат наук Трекин, Алексей Николаевич, 2016 год

Литература

1. Адров В.Н. Критерии выбора данных ДЗЗ для топографического картографирования [Электронный ресурс] / В.Н. Адров, Ю.И. Карионов, П.С. Титаров, А.Д. Чекурин // . Режим доступа: http://89.208.18.45/ www_download/articles/remote_sensing _data_choice_criteria.pdf (дата обращения: 10.09.2015).

2. Антонов В.Н. Мониторинг состояния посевов и прогнозирование урожайности яровой пшеницы по данным ДЗЗ / Антонов В.Н., Сладких Л.А. // ГЕОМАТИКА. - 2009. - №4. - с.50-53.

3. Барталев С. А. Информационная система дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства РФ (состояние и перспективы развития) / С.А. Барталев, Д.В. Ершов, Г.Н. Коровин, Р.В. Котельников, Е.А. Лупян, В.Е Щетинский Современные проблемы дистанционного зондирования Земли из космоса. - 2008. - т.5., №11. - С.419-429.

4. Барталев С. А. Основные возможности и структура информационной системы дистанционного мониторинга лесных пожаров Федерального агентства лесного хозяйства (ИСДМ Рослесхоз) / С.А. Барталев, Д.В. Ершов, Г.Н. Коровин, Р.В. Котельников, Е.А. Лупян, В.Е Щетинский // Современные проблемы дистанционного зондирования Земли из космоса. - 2010. - Т. 7., №. 2. - С. 97-105.

5. Барталев С. А. Оценка площади пожаров на основе комплексирования спутниковых данных различного пространственного разрешения MODIS и Landsat-TM/ETM+ / С.А. Барталев, В.А. Егоров, В.Ю. Ефремов, Е.А. Лупян, Ф.В. Стыценко, Е.В. Ф.шт.мин // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т.9., №.2. - С. 9-26.

6. Беляев А.И. Национальная система сбора, обработки и анализа информации о природных пожарах и ее сопряжение с международными и региональными информационными сетями / Беляев А.И., Лупян Е.А., Рома-нюк Б.В., Сухинин А.И., Тащилин С.А. // Управление лесными пожарами

на экорегнональном уровне. Материалы международного научно-практического семинара. М.: Издательство "Алекс". - 2004. - С. 156-166.

7. Березко А. Интеллектуальная ГИС / А. Березко, А. Рыбкина, А. Соловьев, Р. Красноперов // Вестник ОЗН РАН. - 2009. - Т.1. - С. 1-7.

8. Блажевич C.B. Синтез космического изображения с улучшенной разрешающей способностью на основе субпиксельного сканирования / Блажевич C.B., Винтаев В.Н., Ушакова H.H. // Современные проблемы дистанционного зондирования Земли из космоса. 2010. - Т. 7., №2. - С. 9-13.

9. Бондур В.Г. Методы и программы обработки и классификации аэрокосмических изображений / Бондур В.Г., Старченков С.А. // Изв. ВУЗов. Геодезия и аэрофотосъемка. - 2001. - №3. - С. 118-143.

10. Бондур В.Г. Мониторинг и прогнозирование природных катастроф / Бондур В.Г., Крапивин В.Ф., Савиных В.П. // М.: Научный мир. - 2009. -696 с.

11. Бондур В.Г. Актуальность и необходимость космического мониторинга природных пожаров в России // Вестник Отделения наук о Земле РАН. -

2010. - Том 2.

12. Бондур В.Г. Космический мониторинг природных пожаров в России в условиях аномальной жары 2010 г. // Исследование Земли из космоса. -

2011. - № 3. - С. 3-13+6 с. цв. вклеек.

13. Бондур В.Г. Метод вычислительной оптимизации в задаче сопоставления растровой и векторной информации при анализе спутниковых данных / Бондур В.Г., Мурынин А.Б., Матвеев И.А., Трекин А.Н., Юдин И.А. // Современные проблемы дистанционного зондирования. - 2013. - Т. 10. №4. - С. 98-106.

14. Бондур В.Г. Распознавание выгоревших территорий на мультиспектраль-ных изображениях с адаптируемой маской облачности / Бондур В.Г., Матвеев И.А., Мурынин А.Б., Трекин А.Н. // Известия Южного федерального университета. Технические науки. - 2012. Т. 131., №. 6. - С. 153-156.

15. Верещака T.B. Визуальные методы дешифрирования / Т.В. Верещака, А.Т. Зверев, С.А Сладкопевцев., С.С. Судакова. - М: Недра. - 1990. - 341 с.

16. Визнльтер Ю.В. Проблемы технического зрения в современных авиационных системах / Ю.В. Визильтер, С.Ю. Желтов // Механика, управление и информатика. - 2011. - № 6. - С. 11-44.

17. Владимирова H.A. Возможности применения космических снимков для государственной инфентаризации лесов // Геопрофи. - 2010. - №2. - с.45-49.

18. Воробьев О. Н. Дистанционный мониторинг гарей в Марийском Заволжье / О.Н. Воробьев, Э.А. Курбанов, A.B. Губаев, С.А. Лежнин, Ю.А. Полевщикова // Вестник ПГТУ. - 2012. - №1. - С. 12-21.

19. Галеев А. А. Построение адаптивного алгоритма детектирования пожаров / A.A. Галеев, С.А. Барталев, Д.В. Ершов, Ю.С. Крашенинникова, Е.А. Лупян, A.A. Мазуров // Современные проблемы дистанционного зондирования Земли из Космоса. 2008. - Т. 5., № 1. - С. 58-68.

20. Гершензон В. Е. Оперативное предоставление изображений земли из космоса через интернет в режиме реального времени // Технологии гражданской безопасности. - 2004. - №. 4. - с. 84-87.

21. Глебова Н. Image Analysis для An-ОIS - работа с данными дистанционного зондирования в среде ГНС [Электонный ресурс] // ArcGIS 9. 2004. № 3 (30). Режим доступа: http://www.esri-cis.ru/news/arcreview/detail.php? ID=1953 SECTION_ ID=51 (дата обращения 5.09.2015).

22. Горячкин О.В., Кловский Д.Д., Шатских С.Я. Алгоритм нелинейного анализа независимых компонент в задаче слепой идентификации канала связи / О.В. Горячкин, Д.Д. Кловский, С.Я. Шатских// Сб. докладов международной научно-технической конференции «Радио и волоконно-оптическая связь, локация и навигация», г. Воронеж. - 2003. - Т.2. - С.710-715.

23. Дворкин Б.А. Группировка спутников ДЗЗ RapidEye: уникальные возможности для решения задач мониторинга // GEOMATICS. - 2009. - №3. - с.14-21.

24. Деришев Д. С. Беспилотные авиационные комплексы для геофизических исследований и мониторинга земной поверхности / Д. С. Деришев, С. Г. Деришев // ГЕО-Сибирь-2010. VI Междунар. науч. конгр.: сб. материалов.

- 2010. №. 6. - С. 46-50.

25. Деркачева A.A. Эффективность атмосферных коррекций гиперспектральных снимков Hyperion в регионах с развитым растительным покровом / A.A. Деркачева, О.В. Тутубалина // Современные проблемы дистанционного зондирования Земли из космоса. 2014. - Т. 11., № 4. - С. 360-368.

26. Егоров В. А. Мониторинг повреждений растительного покрова пожарами по данным спутниковых наблюдений / В.А. Егоров, С.А. Барталев, Е.А. Лупян, H.A. Уваров // Известия вузов: геодезия и аэрофотосъемка. - 2006.

- Т. 2. - С. 98-109.

27. Ергалиев Д. С. Геометрические искажения и геометрическая коррекция спутниковых снимков / Д. С. Ергалиев, А. Д. Тулегулов, Ж. С. Мусагу-лова, А. Б. Нысанбаева // Труды Международного симпозиума «Надежность и качество». - 2013. - Т. 1.

28. Жиленев М.Ю. Обзор применения мультиспектральных данных ДЗЗ // Геоматика. - 2009. - №3. - с.56-64.

29. Жиляков Е. Г. О технологии приобретения и обработки знаний о земной поверхности на основе данных дистанционного зондирования Земли / Е.Г. Жиляков, A.A. Черноморец, Е.В. Болгова, А.Н. Заливин // Научные ведомости Белгородского государственного университета. Серия: История. Политология. Экономика. Информатика. - 2012. - Т. 22., №. 7-1. - Вып. 22/1.

30. Забелин С. А. Методика атмосферной коррекции снимков Landsat / С.А. Забелин, А.Д. Тулегулов // Вестник ЕНУ им. Л.Н. Гумилева. - 2011.

- №6. - с.147-154.

31. Зубков H.A. Применение алгоритмов неконтролируемой классификации при обработке данных ДЗЗ / H.A. Зубков, В.О. Скрипачей // Современные

проблемы дистанционного зондирования Земли из космоса. 2007. - Т. 4., №. 1. - С. 57-62.

32. Кадничанский С. А. Сравнение производительности различных цифровых аэрофотосъемочпых систем при аэрофотосъемке больших территорий // Геопрофи. - 2011. - №8. - С.18-24.

33. Кашкин В.Б. Дистанционное зондирование Земли из космоса. Цифровая обработка изображений: Учебное пособие. / В.Б. Кашкин, А.И. Сухинин - М.: Логос. - 2001. - 264 е.: ил

34. Коберниченко В.Г. Методы синтеза изображений на основе данных дистанционного зондирования земли различного разрешения / В.Г. Коберниченко, В.А. Тренихин // Успехи современной радиоэлектроники. - 2007. - No 4. - с. 22-31.

35. Козодеров В.В. Распознавание образов природно-техногенных объектов и оценка их состояния по данным многоспектрального и гиперспектрального аэрокосмического зондирования / В.В. Козодеров, В.В. Борзяк, Е.Д. Дмитриев, В.Д. Егоров // Современные проблемы дистанционного зондирования Земли из космоса. 2009. - В.6. - Т.1. - С. 196-205

36. Колосов Ю. М. Международное космическое право. Учебник. / Ю.М Колосов., Г.П. Жуков - М.: «Международные отношения». - 1999. - С.159-164.

37. Кочуб Е.В. Анализ методов обработки материалов дистанционного зондирования Земли // Вестник Полоцкого Государственного Университета.-2012. - Серия F. с.132-140.

38. Краснопрошин В.В. Система интерпретации аэрофотоизображений для задач дешифрования почвенного покрова / В.В. Краснопрошин, A.A. Топаз, В.В. Конах // Материалы XIII конгресса по телекоммуникациям, информационным и банковским технологиям "ТИБО-2006" (4-7 апреля 2006 г. г. Минск). Мн., - 2006. С. 134-137.

39. Кучейко A.A. Орбитальная группировка спутников съёмки Земли: итоги

2009 г. и планы на 2010 г // Земля из космоса: наиболее эффективные решения. - 2010. - В.4. - С.90-95.

40. Кучейко A.A. Итоги запусков спутников съемки Земли в 2011 году [Электронный ресурс]/ / Режим доступа: http://www.scanex.ru/ru/publications/pdf/publicationl63.pdf (дата обращения 5.09.2015).

41. Леонов М. В. Эффективный алгоритм, реализующий замкнутый набор булевых операций над множествами многоугольников на плоскости / М.В. Леонов, А.Г. Никитин // Препринт Института систем информатики СО РАН. - 1997. - №. 46. - С. 20.

42. Лупян Е. А. Современные подходы и технологии организации работы с данными дистанционного зондирования Земли для решения научных задач / Е.А. Лупян, В.П. Саворский, Ю.И. Шокин, А.И.Алексанин, Р.Р.Назиров, И.В.Недолужко, О.Ю.Панова // Современные проблемы дистанционного зондирования Земли из космоса. - 2012. - Т. 9., №. 5. - С. 21-44.

43. Маркелов К.С. Модель повышения информативности цифровых изображений на базе метода суперразрешения // Электронный научно-технический журнал Инженерный вестник. М.: ФГБОУ ВПО «МГТУ им. НЭ Баумана.

- 2013. - №. 03. - С. 18.

44. Матвеев И.А. Метод проекций яркости при поиске зрачка на изображении / И.А Матвеев., А.Н. Трекин // Вестник Тверского Государственного Университета. Серия: Прикладная математика. - 2012. - N.4. - Р 99-106.

45. Матвеев И.А. Метод обнаружения автомобилей на аэрокосмических снимках / И.А Матвеев., А.Н. Трекин // Машинное обучение и анализ данных.

- 2014. - №7. - С. 828-834.

46. Мединец В. И. Использование космических снимков для оценки площадей следов пожаров в дельте Днестра в 2007 г. / В.И. Мединец, Т.В. Корду н // Всеукрашська науково-практична конференщя "Еколопя мит та рекреащйних зон": зб1рник доклад1в та статей. - 2011. - С. 154-157.

47. Миронова Ю.Н. Дешифрование космических снимков с использованием ГИС-технологий // Национальная ассоциация ученых Ежемесячный научный журнал. - 2014. - №3. - С. 6-8.

48. Непоклонов В.Б. Космические методы определения системы геодезических параметров Земли // Автоматизированные технологии изысканий и проектирования. - 2006. - № 4. - С. 23-31.

49. Орлов А.Г. Авиационный гиперспектрометр: архитектура и методика расчета элементов / А.Г. Орлов, В.В. Егоров, А.П. Калинин, И.Д. Родионов // Современные проблемы дистанционного зондирования. - 2008. - В.5, Т. 1. - С. 280-287.

50. Ортенберг, Ф. С. МЕТОДЫ ИНФРАКРАСНОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА - М.: Знание. 1987.

51. Осинцева Е.Д. ИЗУЧЕНИЕ МЕТОДОВ УЛУЧШЕНИЯ КАЧЕСТВА ВИЗУАЛЬНОГО ВОСПРИЯТИЯ КОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ

[Электронный ресурс] Е.Д. Осинцева, В.Г. Коберниченко Режим доступа: http://unigeo.ru/upload/files /15df676621200639dff50c4fd92f0ec6.pdf (дата обращения 9.09.2015)

52. Полетаев A.M. Методы сертификационных испытаний цифровых моделей рельефа, сформированных на основе данных дистанционного зондирования Земли // Современные проблемы дистанционного зондирования Земли из космоса. 2009. - Т.1. - № 6. - с. 220-226.

53. Полякова Е.В. Возможности подспутникового ДЗЗ с использованием беспилотного летательного аппарата CROPCAM в условиях европейского севера // Вестник Северного (Арктического) федерального университета. Серия: Естественные науки. - 2010. - №. 2. - С.22-26.

54. Потапов А. А. Новейшие методы обработки изображений / Под ред. А.А. Потапова - М.: ФИЗМАТЛИТ. - 2008. - 496 с.

55. Пулинец С. А. Спутниковым технологиям нет альтернативы. О проблеме мониторинга природных и техногенных катастроф / С. А. Пулинец, Д.

Узунов // Труды института прикладной геофизики имени академика ЕК Федорова. 2010. - №. 89. - С. 173-185.

56. Романов А. А. Сравнение методов объектно-ориентированной и нейро-сетевой классификации данных дистанционного зондирования Земли на основе материалов систем LandsatOö и 0rbview03 / А. А. Романов, К. А. Рубанов // Современные проблемы дистанционного зондирования Земли из космоса. 2011. - Т. 9. - № 4. - С. 29-36

57. Себряков Г.Г. Использование геоинформационных технологий, воспроизводящих пользовательские данные в трехмерных геопространственных моделях территорий / Г.Г. Себряков, И.Б. Татарников, A.B. Тарновский, Ю.С Тюфлин., O.A. Желтова // Вестник компьютерных и информационных технологий. - 2008. - № 5. - С. 16-25.

58. Скворцов A.B. Триангуляция Делоне и ее применение. Томск: Изд-во Томского ун-та. - 2002. - 128 с.

59. Соколова А. В. Формализованное описание пространственной информации в составе трехмерных моделей потенциально опасных объектов на основе теоретико-множественного подхода / А. В. Соколова, О. А. Ефремова, С. В. Павлов // Электротехнические и информационные комплексы и системы. - 2014. - Т. 10., №. 1. - С. 66-72.

60. Сойфер В. А. Развитие центра компетенции в области аэрокосмиеских и геоинформационных технологий / В. А. Сойфер, Е. В. Шахматов // Вестник Нижегородского университета им. НИ Лобачевского. - 2007. - №. 2. - с.41-48.

61. Тихонов А.Н. Методы решения некорректных задач / Тихонов А.Н., Арсении В.Я. - М.: Наука. - 1979. - 288 с.

62. Толпин В.А. Оценка состояния сельскохозяйственных культур на основе межгодовой динамики с использованием данных MODIS / В.А Толпин., С.А. Барталев, М.А. Бурцев, В.Ю. Ефремов, Е.А. Лупян, A.A. Мазуров, A.M. Матвеев, A.A. Прошин, Е.В. Флитман // Современные проблемы дистанционного зондирования Земли из космоса. - 2007. - т.2., № 4. - с.380-389.

63. «Модуль П расчета площади, пройденной огнем при природных пожарах» [Электронный ресурс]: свидетельство о государственной регистрации программы для ЭВМ № 2013614800 / Трекин А.Н.,Бондур В.Г., Гапонова М.В., Матвеев И.А., Мурынин А.Б.; Режим доступа: http://wwwl.fips.ru/Archive/EVM/2013/ 201302/DOC/RUNW/000/002/013/614/800/document.pdf (дата обращения: 10.09.2015).

64. «Модуль О обучения классификаторов для космических снимков низкого и высокого разрешения» [Электронный ресурс]: свидетельство о государственной регистрации программы для ЭВМ № 2013614299 / Трекин А.Н., Бондур В.Г., Гапонова М.В., Матвеев И.А., Мурынин А.Б.; Режим доступа: http://wwwl.fips.ru/Archive/EVM/2013/ 201302/DOC/RUNW/000/002/013/614/299/document.pdf (дата обращения: 10.09.2015).

65. «Модуль Э расчета эмиссий вредных примесей в атмосферу при лесных и торфяных пожарах» [Электронный ресурс]: свидетельство о

2013614241

/ Трекин А.Н.,Бондур В.Г., Гапонова М.В., Матвеев И.А., Мурынин А.Б.; Режим доступа: http://wwwl.fips.ru/Archive/EVM/2013/ 201302 1)00 Rl'XW 000 002 013 614 241 document.pdf (дата обращения: 10.09.2015).

66. Трекин А.Н. Метод повышения разрешения космических изображений с использованием априорной информации в векторной форме для сохранения границ / А.Н. Трекин, И.А Матвеев., А.Б. Мурынин, В.Г. Бочкарева // Тезисы докладов 17-й Всероссийской конференции с международным участием ММРО-17. - 2015. - с. 134-135.

67. Трофимова Н.В. Применение данных MODIS для оценки пожарных эмиссий / Н. В. Трофимова, А. И. Сухинин, О. А. Дубровская // Интерэкспо Гео-Сибирь. - 2008. - Т. 3. - №. 2.

68. Тюфлин Ю.С. Предвычисление точности определения координат точек объекта в ближней фотограмметрии / Ю.С. Тюфлин, Д.Г. Степаньянц,

В.А. Князь, С.Ю. Желтов // Геодезия и картография. - 2004. - № 11. - С. 29-32.

69. Тюфлин Ю.С. Оперативный мониторинг земной поверхности средствами беспилотных летательных аппаратов / Ю.С. Тюфлин, В.А. Князь, Д.Г. Степаньянц // Вестник компьютерных и информационных технологий. -2015. - № 4 (130). - С. 25-30.

70. Чепцов О.В. Обзор алгоритмов построения оверлеев многоугольников / О.В. Ченцов, A.B. Скворцов // Вестник Томского государственного университета. - 2003. - №. 280. - С. 338-345.

71. Черепанов A.C. Вегетационные индексы // ГЕОМАТИКА. - 2011. - №2(11). - с.98-102.

72. Хинин Ю.Б. Микроволновый радиометр-спектрометр с предельными характеристиками для изучения Земли из космоса в диапазоне 6... 220 ГГц / Ю.Б. Хинин. A.B. Кузьмин, А.Г. Семин, Е.А. Шарков // Современные проблемы дистанционного зондирования Земли из космоса. - 2013. - Т. 10., № 4. - С. 64-75

73. Шахраманьян М.А. МЕТОДЫ ТЕМАТИЧЕСКОЙ ОБРАБОТКИ КОСМИЧЕСКИХ СНИМКОВ ПРИ МОНИТОРИНГЕ ПРИРОДНЫХ ЧРЕЗВЫЧАЙНЫХ СИТУАЦИЙ / М.А. Шахраманьян, С.Г. Дорошенко, A.B. Епихин, В.М. Резников, Е.В. Щербенко // Технологии гражданской безопасности. - 2004. - № 4. - с. 8-39.

74. Шнырев В. И. Оценка последствий лесных пожаров в 2010 году в восточной части Московской области / В.И. Шнырев, Д.В. Шнырев, В.А. Юдина // Успехи современного естествознания. - 2013. - №. 8. - С.70-71.

75. Способ удаления шума в изображении. Пат. на изобр. RUS 2316816. 2005. / Цурков В.И., Ковков Д.В.

76. Яне Б. Цифровая обработка изображений / Б. Яне; пер. с англ. A.M. Измайловой. М.: Техносфера. - 2007. - 584 с.

77. Ярославский Л.П. Введение в цифровую обработку изображений. -М.:Советское радио. - 1979. - 312 с.

78. Agoston М.К. Computer Graphics and Geometric Modeling - Springer. - 2004. - 920 p.

79. Ali S.M. Gap-Filling Restoration Methods for ETM+ Sensor Images / S.M. Ali, M.J. Mohammed Iraqi Journal of Science. - 2013. - V.54, No.l. - P.206-214.

80. Ball G. H. ISODATA, a novel method of data analysis and pattern classification / G. H. Ball, D. J. Hall - STANFORD RESEARCH INST MENLO PARK CA. 1965.

81. Benediktsson J. Neural network approaches versus statistical methods in classification of multisource remote sensing data / J. Benediktsson, P. Swain, O. Ersoy // Geoscience and Remote Sensing, IEEE Transactions on. - 1990. -Vol. 28., №4. - P. 540-552.

82. Bottou L. Convergence Properties of the K-Means Algorithms / L. Bottou, Y. Bengio // Advances in Neural Information Processing Systems 7,[NIPS Conference, Denver, Colorado, USA, 1994]. - 1994. - P. 585-592.

83. Burkardt J. SHEPARD_INTERP_2D [Электронный ресурс] Режим доступа: http://people.sc.fsu.edu/ jburkardt/c_src/ shepard_interp_2d/shepard_interp_2d.html (дата обращения 10.06.2015).

84. Carleer A. The VHR data region-based classification possibilities in the framework of Control with Remote Sensing of European CAP. / A. Carleer, E. Wolff // Proc. of 31st International Symposium of Remote Sensing on Environment. - 2005.

85. Carlson T. N. On the relation between NDVI, fractional vegetation cover, and leaf area index / T. N. Carlson, D. A. Ripley // Remote sensing of Environment. - 1997. - Vol. 62., №. 3. - P. 241-252.

86. Computational Geometry Algorithms Library [Электронный ресурс]// Режим доступа: http://www.cgal.org/ (дата обращения 10.05.2013).

87. Daliakopoulos I.N. Tree Crown Detection on Multispectral VHR Satellite Imagery / I.N. Daliakopoulos, E.G. Grillakis, A.G. Koutroulis, I.K. Tsanis // Photogrammetric Engineering & Remote Sensing. - 2009. - V. 75., No. 10. - pp. 1201-1211.

88. Eigemeier E. Narrowband Vegetation Indices for Estimating Boreal Forest Leaf Area Index / Ellen Eigemeier, Janne Heiskanen, Miina Rautiainen, Matti M?ttus, Veli-Heikki Vesanto, Titta Majasalmi and Pauline Stenberg // INTECH Open Access Publisher. Remote Sensing - Applications. - 2012. - pp. 3-30.

89. Escuin S. Fire severity assessment by using NBR (Normalized Burn Ratio) and NDVI (Normalized Difference Vegetation Index) derived from LANDSAT TM/ETM images / S. Escuin, R. Navarro, P. Fernandez // Int. J. Remote Sens. - 2008. - 29. - p.1053-1073.

90. ESRI ESRI Shapefile Technical Description [Электронный ресурс]. An ESRI White Paper. - 1998. - Режим доступа: http : //www.esri.com/library/whitepapers/pdfs/shapefile.pdf (дата обращения 5.09.2015).

91. Ester M. A density-based algorithm for discovering clusters in large spatial databases with noise / M. Ester, H. Kriegel, J. Sander, X. Xu // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96). - 1996. - p. 226-231.

92. Fattal R. Upsampling via Imposed Edges Statistics // Proc. ACM SIGGRAPH. - 2007. - V.26, N.3. - p.95.

93. Finkel R. Quad trees: A data structure for retrieval on composite keys / R. Finkel, J.L. Bentley // Acta Informatica. - 1974. - No. 4 (1). - P. 1-9.

94. Giglio L. An active-fire based burned area mapping algorithm for the MODIS sensor / Louis Giglio, Tatiana Loboda, David P. Roy, Brad Quayle, Christopher O. Justice // Remote Sensing of Environment. - 2009. - V. 113., №. 2. - pp. 408-420.

95. Gomez-Landesa E. An algorithm to address the MODIS bowtie effect. / E. Gomez-Landesa, A. Rango, M. Bleiweiss // CANADIAN JOURNAL OF REMOTE SENSING. - 2004. - №30(4). - pp. 644-650.

96. Grabner H. On-line boosting-based car detection from aerial images / H. Grabner, T. T. Nguyen, B. Gruber, H. Bischof // ISPRS Journal of Photogrammetry and Remote Sensing. - 2008. - V. 63., №. 3. - pp. 382-396.

97. Guo D. Object Discovery in High-Resolution Remote Sensing Images: A Semantic Perspective / D. Guo, H. Xiong, V. Atluri, N.R. Adam // Knowledge and Information Systems. - 2009. - V. 19. - №. 2. - pp. 211-233.

98. Guha S. CURE: An Efficient Clustering Algorithm for Large Databases / S. Guha, R. Rastogi, K. Shim // Proc. SIGMOD'98, Seattle, USA. - pp.73-84.

99. Guttman A. R-Trees: A dynamic index structure for spatial searching // Proc. 1984 ACM SIGMOD International Conference on Management of Data. - 1984.

- P. 47-57.

100. Haines E. Point in polygon strategies // Graphics Gems IV. - 1994. - PP. 24 46.

101. Haralick R. M. Textural Features for Image Classification / R. M. Haralick, K. Shanmugam, I. Deinstein // IEEE TRANSACTIONS ON SYSTEMS, MAN AND CYBERNETICS. - 1973. - V.SMC-3, №6, - p.610-621.

102. Hardie R. A fast image super-resolution algorithm using an adaptive Wiener filter // Image Processing, IEEE Transactions on. - 2007. - V. 16., №. 12. - pp. 2953-2964.

103. Hinz S. Detection and counting of cars in aerial images // Proceedings International Conference on Image Processing (ICIP 2003), Barcelona, Spain.

- 2003. - V.2., T.3. - C. III-997-1000

104. Hinz S. Car detection in aerial thermal images by local and global evidence accumulation / S. Hinz, U. Stilla // Pattern Recognition Letters. - 2006. - V. 27., №. 4. - pp. 308-315.

105. Hughes G. On the mean accuracy of statistical pattern recognizers // Information Theory, IEEE Transactions on. - V.14. - p. 55-63.

106. Huynh-Thu Q. Scope of validity of PSNR in image/video quality assessment / Q. Huynh-Thu, M. Ghanbari // Electronics letters. - 2008. - V. 44., №. 13. - pp. 800-801.

107. Hyvarinen A. Independent component analysis: algorithms and applications / A. Hyvarinen, E. Oja // Neural Networks. - 2000. - №13. - p.411 430.

108. Jackson D. A. Stopping rules in principal components analysis: a comparison of heuristical and statistical approaches // Ecology. - 1993.- C. 2204-2214.

109. Jain A. Data Clustering: A Review / A. Jain, M. Murty, P. Flynn // ACM Computing Surveys. - 1999. - Vol. 31, no. 3. - pp. 264-323

110. Jensen J. R. Remote sensing of urban/suburban infrastructure and socioeconomic attributes / J. R. Jensen, D. C. Cowen // Photogrammetric engineering and remote sensing. - 1999. - V. 65. - pp. 611-622.

111. Ji L. Analysis of Dynamic Thresholds for the Normalized Difference Water Index / L. Ji, L. Zhang, B. Wylie // Photogrammetric Engineering & Remote Sensing. - 2009. - V. 75, No. 11. - pp. 1307-1317.

112. Justice C.O. The MODIS fire products / C.O Justice, L. Giglio, S. Korontzi, J. Owens, J.T Morisette, D. Roy, J. Descloitres, S. Alleaume, F. Petitcolin, Y. Kaufman // Remote Sensing of Environment. - 2002. - №83. - 244-262.

113. Kapur J. N. A New Method for Gray-Level Picture Thresholding Using the Entropy of the Histogram / J. N. Kapur, P. K. Sahoo, A.K.C. Wong // CVGIP.

- 1985. - № 29. - p.273-285.

114. Knapp E. A dualpolarization multi-frequency radiometer / E. Knapp, J. R. Carswell, C. T Swift // Proc. IEEE Int. Geosci. Remote Sens. Symp., Honolulu.

- 2000. - v. 7. - pp. 3160-3162.

115. Lay D. C. Linear Algebra and its Applications. University of Maryland -College Park. - 2003.

116. Leblon В. Use of Remote Sensing in Wildfire Management / B. Leblon, L Bourgeau-Chavez., J. San-Miguel-Ayanz // In: Sustainable Development

- Authoritative and Leading Edge Content for Environmental Management, edited by Curkovic S & К Cao, INTECH Open Access Publisher. - 2012.

117. Lefsky M.A. Global Lidar remote sensing of above-ground biomass in three biomes / M.A. Lefsky, W.B. Cohen, D.J. Hardings, G.G. Parke, S.A. Ackery, S.T. Gower // Ecol. Biogeogr. - 2002. - № 11. -pp. 393-400

118. Leonov M. PolyBoolean [Электронный ресурс]; Режим доступа: http://www.complex-a5.ru/polyboolean/comp.html (дата обращения 10.05.2013)

119. Martin М. P. Mapping and evaluation of burned land from multitemporal analysis of AVHRR NDVI images / M. P. Martin, E. Chuvieco // EARSeL Advances in Remote Sensing. - 1995. - V. 4. - pp. 7-13.

120. Matveev I. Vehicle detection in color images / I. Matveev, A. Murynin, A. Trekin // The 11-th International Conference «Pattern Recognition and Image Analysis: new information technologies» (PRIA-11-2013) September 23-28, 2013, Samara. Conference Proceedings. - 2013. - V. 2. - p.656-659.

121. Matveev I. A. Method for Detecting Cars in Aerospace Photos / I.A. Matveev, A.B. Murynin, A.N. Trekin // Pattern Recognition and Image Analysis. - 2015.

- V. 25, №. 4. - p. 717-721.

122. Mejia-Inigo R. Color-based Texture Image Segmentation for Vehicle Detection / R. Mejia-Inigo, M.E. Barilla-Perez, H.A. Montez-Venegas // Image Segmentation. - 2011. - p.273-290.

123. Murta A. General Polygon Clipper Library [Электронный ресурс]// Режим доступа: http://www.cs.man.ac.uk/ toby/gpc/ (дата обращения 10.05.2013).

124. Nasonov А. V. Finding areas of typical artifacts of image enhancement methods / A. V. Nasonov, A. S. Krylov // Pattern Recognition and Image Analysis. 2011. - V.21, N.2. - P.316-318.

125. Negri P. A Cascade of Boosted Generative and Discriminative Classifiers for Vegicle Detection / Pablo Negri, Xavier Clady, Shehzad Muhammad Hanif, Lionel Prevost // EURASIP Journal on Advances in Signal Processing. - 2008.

- p. 136.

126. Nishihama M. MODIS Level 1A Earth Location Algorithm Theoretical Basis Document Version 3.0 [Электронный ресурс] / M. Nishihama, R. Wolfe, D. Solomon, F. Patt, J. Blanchette, A. Fleig, E. Masuoka. // Режим доступа: http://eospso.nasa.gov/sites/ default/files/atbd/atbd_mod28_v3.pdf. - 1997. (дата обращения 15.09.2015).

127. Pearson К. LIII. On lines and planes of closest fit to systems of points in space // The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science. - 1901. - V. 2., №. 11. - C. 559-572.

128. Petitcolin, F. Land surface reflectance, emissivity and temperature from MODIS middle and thermal infrared data / F. Petitcolin, and E. Vermote, // Remote Sensing of Environment. - 2002. - p. 112-134.

129. Petty, G. W. A first course in atmospheric radiation (2. ed. ed.). - Madison, Wise.: Sundog Publ. - p. 68.

130. Price J. R. Resampling and reconstruction with fractal interpolation functions / J. R. Price, M. H. Hayes IEEE signal processing letters. - 1998. - V.5., N.9.

- P.228-230.

131. Pulinets S. The synergy of earthquake precursors // Earthquake Science. -2011. - T. 24., №. 6. - C. 535-548.

132. Peng Z. R., Zhang C. The roles of geography markup language (GML), scalable vector graphics (SVG), and Web feature service (WFS) specifications in the development of Internet geographic information systems (GIS) / Z. R. Peng, C. Zhang // Journal of Geographical Systems. - 2004. - V. 6. №. 2. - pp. 95-116.

133. Qiu F. Speckle Noise Reduction in SAR Imagery Using a Local Adaptive Median Filter / F.Qiu, J. Berglund, J. R. Jensen, P. Thakkar, D. Ren // GIScience and Remote Sensing. - 2004. - No.3. - p.244-266

134. Ritter N. GeoTIFF Format Specification [Электронный ресурс] / N. Ritter, M. Ruth // Specification Version: 1.8.2. 1995. Режим доступа: http://landsathandbook.gsfc.nasa.gov/pdfs/geotiff_spec.pdf (дата обращения 5.09.2015).

135. Roy D. P. Burned area mapping using multi-temporal moderate spatial resolution data A bi-directional reflectance model-based expectation approach / D. P Roy., P. E. Lewis, С. O. Justice // Remote Sensing of Environment. -2002. - V. 83., №. 1. - C. 263-286.

136. Santhi K. Contrast Enhancement Using Brightness Preserving Histogram Plateau Limit Technique / K. Santhi, W. Banu // International Journal of Engineering and Technology (IJET). - 2014. - V. 6., № 3. - p. 1447-1453.

137. Salomonson V. V. MODIS: Advanced facility instrument for studies of the Earth as a system / V.V. Salomonson, W.L. Barnes, P.W. Maymon, H.E. Montgomery, H. Ostrow // Geoscience and Remote Sensing, IEEE Transactions on. - 1989. - V. 27., №. 2. - pp. 145-153.

138. Scaramuzza P. SLC Gap-Filled Products Phase One Methodology [Электронный ресурс] / P. Scaramuzza, E. Micijevic, G. Chander / / NASA. - 2004. Режим доступа: http://landsat.usgs.gov/documents/SLC_Gap_Fill_Methodology.pdf (дата обращения 5.09.2015).

139. Sezgin M. Survey over image thresholding techniques and quantitative performance evaluation / M. Sezgin, B. Sankur // J. Electron. Imaging. -2004. - № 13(1), - pp. 146-168.

140. Shepard D. A two-dimensional interpolation function for irregularly-spaced data // Proc. 1968 ACM National Conference. - 1968. - P.517- 524.

141. Slater P. N. Reflectance-and radiance-based methods for the in-flight absolute calibration of multispectral sensors / P.N. Slater, S.F. Biggar, R.G. Holm, R.D. Jackson, Y. Mao, M.S. Moran, J.M. Palmer, B. Yuan // Remote Sensing of Environment. - 1987. - V. 22., №. 1. - pp. 11-37.

142. Smith С. ERDAS Field Guide Fifth Edition, Revised and Expanded / Smith C., Brown N., Pyden N., Wormer D. et al - ERDAS, Inc. - Atlanta, Georgia. - 2003.

143. Sotelo M.A. Road vehicle Recognition in Monocular Images / M.A. Sotelo, J. Nuevo, L.M. Bergasa et al. // Proc. IEEE ISIE. 2005. V.4. P. 1471 -1470.

144. Stankova H. Object-oriented classification of Landsat imagery and aerial photographs for land cover mapping. // Proceedings GIS Ostrava. - 2010.

145. Stepanov A. A. Object-oriented frame approach to image processing and data management in the multisensory remote sensing / A.A. Stepanov, V.Y. Visilter, Y.V. Morzeev, S.Y. Zheltov // Satellite Remote Sensing II. - International Society for Optics and Photonics. - 1995. - pp. 125-135.

146. Sun J. Image super-resolution using gradient profile prior / J. Sun , Z. Xu, H.-Y. Shum // Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR2008). - 2008. - P.l-8.

147. Thenkabail P.S. Evaluation of Narrowband and Broadband Vegetation Indices for Determining Optimal Hyperspectral Wavebands for Agricultural Crop Characterization / P.S. Thenkabail, R.B. Smith, E. De Pauw // Photogrammetric Engineering & Remote Sensing. - 2002. - V. 68., No. 6. -p.607-621.

148. Toller G. N. MODIS Level IB Product User's Guide [Электронный ресурс]/ G. N. Toller, A. Isaacman, J. Kuyper - 2006. - Режим доступа: http://capita.wustl.edu/Capita/Capita Reports/091013_ AQRS

AQRS Particulates Miscellaneous MODISdataproducts M1054.pdf (дата обращения 5.09.2015)

149. Tsai L.-W. Vehicle Detection Using Normalized Color and Edge Map / L.-W. Tsai, J.-W. Hsieh, K.-C. Fan // IEEE Trans. Image Processing. - 2007. - V.16., №3. - P.850-864.

150. Tsela P. L. Validation of the MODIS Burned-area products across different biomes in South Africa / P. L. Tsela, P. van Helden, P. Frost, K. Wessels and

S. Archibald // Geoscience and Remote Sensing Society (GRSS), Proceedings of the 2010 IEEE International Geoscience and Remote Sensing Symposium. Honolulu, Hawaii, USA. - 2010. - pp.3652-3655.

151. Tsurkov V.I. An Analytical Model of Edge Protection under Noise Suppression by Anisotropic Diffusion // J. Computer and Systems Sciences International.

- 2000. - V. 39., № 3. - P. 437-440.

152. Tumblin J. Bixels: Picture Samples with Sharp Embedded Boundaries / J. Tumblin, P. Chouldhury // Rendering Techniques. - 2004. - p.255-264.

153. Turkowski K. Filters for common resampling tasks // Graphics gems. - 1990.

- P. 147 165.

154. Vatti B.R. A generic solution to polygon clipping // Communications of the ACM. - 1992. - V.35., N.7. - P.56 63.

155. Vijayaraj V. Quantitative analysis of pansharpened images / V. Vijayaraj, N. H. Younan, C. G. O'Hara // Optical Engineering. - 2006. - V. 45., №. 4. p. 046202-046202-12.

156. Wald L. Fusion of satellite images of different spatial resolutions: Assessing the quality of resulting images / L. Wald, T. Ranchin, M. Mangolini // Photogramm. Eng. Remote Sens. - 1997. - V.63. - P.691-699.

157. Wang Z. Image quality assessment: From error visibility to structural similarity / Z. Wang, A.C. Bovik, H.R. Sheikh, E.P Simoncelli. IEEE Trans. Image Processing. - 2004. - V.13., N.4. - P.600-612.

158. Weih R.C. Jr., Riggan N.D. Jr. Object-based classification vs. pixel-based classification: comparative importance of multi-resolution imagery / R.C. Weih Jr., N.D Riggan. Jr. // Proceedings of GEOBIA 2010: Geographic Object-Based Image Analysis. - 2010. - V. 38. - P. 6.

159. Wen X. A new prompt algorithm for removing the bowtie effect of MODIS LIB data // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. - 2008. - V. XXXVII. - Part B3b.

160. Wolfe R. E. Achieving sub-pixel geolocation accuracy in support of MODIS land science / R. E. Wolfe, M. Nishihama, A.J. Fleig, J.A. Kuyper, D.P. Roy, J.C. Storey & F.S. Patt // Remote Sensing of Environment. - 2002. - V. 83., Ж 1. - P. 31-49.

161. Wright D.L. Jr. Comparing the Use of Remote Sensing with Traditional Techniques to Detect Nitrogen Stress in Wheat / D.L. Wright Jr., P.V. Rasmussen Jr., D.R. Ramsey // Geocarto International. - 2005. - V.20., №.1. - P.63-68.

162. Xie P. Applications of Outgoing Longwave Radiation [Электронный ресурс] / P. Xie, M. Liu. - Режим доступа: http://www.star.nesdis.noaa.gov / star / documents / meetings / 2014 JPSSAnnual / day Four / 05_Session7_User %20utilization%20for%20JPSS%200LR%20Report%20summary_Liu.pdf (дата обращения 10.09.2015).

163. XU H. Modification of normalised difference water index (NDWI) to enhance open water features in remotely sensed imagery // International Journal of Remote Sensing. - 2006. - V. 27, No. 14. - pp. 3025-3033.

164. Yang Q. Map Projection Transformation: Principles and Applications / Q. Yang, J. Snyder, W. Tobler - CRC Press. - 1999. - 384p.

165. Zhang T. BIRCH: An Efficient Data Clustering Algorithm for Very Large Databases / T. Zhang, R. Ramakrishnan, M. Livny // Proc. SIGMOD '96 Montreal, Canada. - 1996. - p. 103-114.

166. Zhao T. Car detection in low resolution aerial images / T. Zhao, R. Nevatia // Image and Vision Computing. - 2003. - V. 21., №. 8. - pp. 693-703.