Повышение эффективности алгоритмов комплексирования цифровых многоспектральных изображений земной поверхности тема диссертации и автореферата по ВАК РФ 05.12.04, кандидат наук Кисляков, Алексей Николаевич

• Кисляков, Алексей Николаевич
• кандидат наук
• 2013

Оглавление диссертации кандидат наук Кисляков, Алексей Николаевич

СОДЕРЖАНИЕ

Лист

Введение

1. Алгоритмическая основа современных методов комплексирования цифровых многоспектральных изображений дистанционного зондирования земной поверхности

1.1. Методы получения многоспектральных изображений

земной поверхности

1.2. Многоспектральные методы исследования

1.3. Совместная обработка данных: возможности, ограничения

и перспективы

1.4. Методы комплексирования многоспектральных изображений

1.4.1. Методы замещения

1.4.2. Методы яркостного преобразования

1.4.3. Методы оптимизации

1.4.4. Методы, основанные на кратномасштабных преобразованиях

2. Разработка эффективного алгоритма комплексирования цифровых многоспектральных изображений для мониторинга объектов

земной поверхности

2.1. Предварительная обработка

2.2. Оценка информационного содержания изображений

2.3. Оптимизация количества информации, используемой

при комплексировании изображений

2.4. Морфологический анализ изображений

2.5. Комплексирование на основе усиления спектрозональных

отличий

2.6. Постобработка с применением методов цветового кодирования

3. Моделирование работы алгоритма комплексирования многоспектральных изображений земной поверхности

3.1. Критерии оценки качества цифровых многоспектральных изображений

3.2. Моделирование работы алгоритма комплексирования в условиях шумового воздействия на изображение

3.3. Моделирование работы алгоритма комплексирования применительно к гиперспектральным снимкам

3.4. Исследование работы алгоритма комплексирования на основе усиления спектрозональных отличий

4. Сравнительный анализ разработанного алгоритма с другими современными алгоритмами комплексирования многоспектральных

изображений

Заключение

Список литературы

Приложение

Введение диссертации (часть автореферата) на тему «Повышение эффективности алгоритмов комплексирования цифровых многоспектральных изображений земной поверхности»

ВВЕДЕНИЕ

Актуальность темы диссертации. В последнее десятилетие большое значение приобрели дистанционные методы исследования земной поверхности. Основные области применения дистанционного зондирования - получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, оценка урожая сельскохозяйственных культур, оценка последствий стихийных бедствий: наводнений, землетрясений, извержений вулканов, лесных пожаров и т.д.

Данные зондирования поступают в виде изображений, как правило, в цифровой форме, обработка ведется на ЭВМ, поэтому проблематика дистанционного зондирования тесно связана с цифровой обработкой изображений.

Расширение круга задач, решаемых методами дистанционного зондирования, привело к активному развитию многоканальных систем мониторинга земной поверхности, предполагающих совместное использование различных инструментов - приборов и датчиков: оптических, инфракрасных и микроволновых, которые, в итоге, позволяют получать цифровые изображения наблюдаемой сцены в различных диапазонах электромагнитного излучения. При этом информация о характеристиках объектов содержится в пространственном распределении уровней яркости пикселей по площади изображения.

Отличительной особенностью многоканальных систем дистанционного зондирования является обязательное наличие избыточной дублирующей информации от нескольких параллельно работающих измерителей (датчиков). Основные факторы, которые нужно учитывать при выборе измерителей, - это дополняющий характер информации, а также совместимость темпов получения, размерностей и форматов представления данных. Если датчики просто дублируют информацию, то процесс совместного использования данных по существу эквивалентен созданию избыточности для повышения надежности.

Дополнительную информацию можно получить, используя следующие изображения исследуемого объекта (сцены):

1. Многоракурсные изображения, получаемые от различных датчиков в одно и то же время в определенном частотном диапазоне, но с различных точек пространства (ракурсов).

2. Многомодальные изображения, поступающие с датчиков, работающих в различных диапазонах электромагнитного излучения (видимом, инфракрасном, микроволновом) и имеющих различную полосу пропускания (панхроматические, многоспектральные, гиперспектральные).

3. Многовременные изображения, сделанные зачастую одним и тем же датчиком в разное время в целях выявления изменений между объектами исследования.

4. Многофокусные изображения, поступающие от однотипных датчиков с одного и того же ракурса, но с различным фокусным расстоянием.

Для оперативного решения задач дистанционного зондирования наиболее выгодными с точки зрения информации о характеристиках объектов и объема получаемых и обрабатываемых данных являются многоспектральные изображения. Многоспектральный снимок представляет собой серию цифровых растровых изображений одного и того же объекта, каждый из которых снят в определенной зоне электромагнитного спектра.

Яркость, размеры и форма объектов на изображениях одной и той же сцены могут заметно различаться при регистрации в разных диапазонах электромагнитного излучения в зависимости от свойств поверхности объектов, а также характеристики среды. Чтобы увеличить вероятность надежного различения объектов и извлечь больше информации из совокупности полученных изображений, прибегают к процедуре их комплексирования. Комплексированием называется процесс объединения информации от двух или более изображений в одно более информативное, чем любое из исходных изображений.

Таким образом, представляет интерес разработка новых алгоритмов комплексирования изображений, позволяющих представить регистрируемую

информацию в более информативном виде. Это определяет необходимость проведения дальнейших исследований в данной области.

Комплексирование изображений является сложным процессом, который включает в себя получение исходных снимков, их предварительную обработку, оценку информационного содержания, выбор количества измерительных каналов, а также саму процедуру комплексирования. Основными проблемами, возникающими при комплексировании, являются низкая контрастность снимков, высокая степень избыточности информации, и, как следствие, большой объем данных, подлежащих обработке. Существующие на сегодняшний день алгоритмы комплексирования не всегда соответствуют указанным требованиям, поэтому разработка эффективных алгоритмов комплексирования изображений, позволяющих представить регистрируемую информацию в наиболее информативном виде, является актуальной задачей и определяет необходимость проведения дальнейших исследований.

Состояние проблемы. Значительный вклад в разработку и развитие теории цифровой обработки изображений внесли отечественные ученые М.И. Кривошеев, В.А. Сойфер, М.К. Чобану, Б.А. Алпатов, Ю.С. Бехтин, Ю.В. Вильзитер, С.Ю. Желтов и зарубежные ученые: Р. Гонсалес, Р. Вудс, Д. Форсайт, Дж. Понс, У. Прэтт, и др. Исследованиями в области цифровой обработки изображений и дистанционного зондирования занимались В.К. Злобин, В.В. Еремеев, А.Е. Кузнецов, Ю.П. Пытьев, А.И. Чуличков, Ш. Дейвис, А. Чандра, С. Гоши др.

В работе приведено продолжение исследований в области цифровой обработки изображений, разработан вариант эффективного алгоритма комплексирования цифровых многоспектральных изображений в системах дистанционного зондирования земной поверхности.

Целью работы является повышение эффективности обработки данных в многоканальных системах дистанционного зондирования земной поверхности за счет гибкого алгоритма комплексирования многоспектральных изображений.

Г'

II

'I 11

I

1|

Г11

тн

и К1!

/I ЦУ'Ч! (4

Г к

У

V

Для достижения указанной цели в диссертационной работе решаются следующие задачи:

- Анализ существующих алгоритмов комплексирования цифровых многоспектральных изображений для выявления их достоинств и недостатков при решении задач дистанционного зондирования.

- Разработка эффективного алгоритма комплексирования цифровых многоспектральных изображений земной поверхности.

- Разработка критериальной базы для количественной оценки качества работы алгоритмов комплексирования цифровых изображений.

- Изучение влияния параметров предложенного алгоритма на качество синтезируемого изображения, а также исследование его работы в условиях шумового воздействия.

- Исследование характеристик предложенного алгоритма в сравнении с другими современными алгоритмами комплексирования изображений. Методы исследования. При решении поставленных задач в работе

использовались современные методы цифровой обработки изображений, математического анализа, теории вероятностей, математической статистики, линейной алгебры, теории информации. Активно использовались методы имитационного и компьютерного моделирования.

Объектом исследования являются алгоритмы комплексирования цифровых многоспектральных полутоновых изображений, полученных от нескольких датчиков в различных диапазонах электромагнитного излучения.

Предметом исследования является разработка, модификация и повышение эффективности алгоритмов комплексирования цифровых многоспектральных изображений на основе усиления спектрозональных отличий и цветового кодирования.

Научная новизна заключается в том, что:

1. Предложен алгоритм выбора количества спектральных каналов, позволяющий сократить объем обрабатываемых данных на основе итерационно-группового алгоритма, факторного и морфологического анализа.

2. Разработан эффективный алгоритм комплексирования, включающий адаптивные методы контрастирования и эквализации гистограммы в качестве предварительной обработки данных, выбора спектральных каналов, сокращающий объем исходных данных, усиления спектрозональных отличий, а также постобработки на основе цветового кодирования изображений.

3. Предложена методика количественной оценки качества работы алгоритмов комплексирования многоспектральных цифровых полутоновых изображений.

Результаты работы, имеющие практическую ценность:

1. Предложенная методика выбора количества спектральных каналов системы на основе итерационно-группового алгоритма позволяет сократить количество итераций при оценке совместной информативности набора каналов.

2. Способ оценки совместной информативности спектральных каналов с применением факторного и морфологического анализа упрощает вычисление совместной энтропии нескольких изображений.

3. Гибкий алгоритм выбора количества спектральных каналов позволяет сократить объем обрабатываемых данных в среднем на 25% на первом этапе и до 60% на втором, при общих потерях полезной информации не более 15 %.

4. Алгоритм комплексирования цифровых полутоновых изображений на основе метода усиления спектрозональных отличий и цветового кодирования превосходит известные на сегодняшний день классические алгоритмы комплексирования на основе анализа главных компонент и вейвлет-преобразования и др. по критерию информационной энтропии на 10%, по отношению сигнал-шум на 3-4 дБ.

5. При помощи компьютерного моделирования определены параметры разработанного алгоритма комплексирования, обеспечивающие наилучшие показатели синтезированного изображения по информационной емкости и шумовым характеристикам при наименьшем объеме входных данных.

Основные положения, выносимые на защиту:

1. Методика выбора количества спектральных каналов системы на основе итерационно-группового алгоритма.

2. Алгоритм сокращения объема полученных данных с применением факторного и морфологического анализа.

3. Алгоритм комплексирования цифровых многоспектральных полутоновых изображений.

4. Методика количественной оценки качества работы алгоритмов комплексирования цифровых многоспектральных полутоновых изображений.

Результаты работы внедрены в ЗАО «Научно-исследовательский внедренческий центр автоматизированных систем» (г. Москва), а также используются в учебном процессе на кафедре радиотехники и радиосистем ВлГУ, по выполняемым грантам РФФИ и НИР.

Личный вклад автора заключается в разработке общей идеи и главных положений исследования, определении степени актуальности и способов решения проблемы, теоретическом обобщении результатов исследования, представленных в диссертации и в опубликованных работах.

Апробация работы Результаты работы докладывались и обсуждались на научно-технических конференциях и семинарах различного уровня:

1. Девятой-десятой международной научно-технической конференции «Перспективные технологии в средствах передачи информации», Владимир-Суздаль 2011 и 2013 гг.

2. Десятой международной научно-технической конференции «Физика и радиоэлектроника в медицине и экологии», Владимир-Суздаль 2012 г.

3. Тридцать первой и тридцать второй Всероссийской научно-технической конференции «Проблемы эффективности и безопасности функционирования сложных технических и информационных систем», Серпухов 2012 и 2013 гг.

4. Третьей Всероссийской научно-технической конференции «Информационо-измерительные и управляющие системы военной техники», Владимир 2012 г.

' > I

I* 'М 'I

» {<ил\[>

>/.! ! » Г

I

^; \ ...........

1 1 1

'I V

* || 11 1

< 1

5. Всероссийской молодежной научной конференции «Научный потенциал молодежи - будущее России»: Четвертые Всероссийские научные Зворыкинские чтения, Муром 2012 г.

Публикации по теме работы. По тематике исследований опубликована 21 научная статья, 4 из которых в изданиях, рекомендованных ВАК РФ, а также одна статья - в зарубежном издании. Кроме того, получено два патента на полезную модель в 2011 и 2012 гг., а также авторское свидетельство на программное обеспечение в 2013 г. Подана заявка на патент на изобретение.

Объем и структура работы. Диссертационная работа состоит из введения, 4 глав, заключения, списка использованных источников из 92 наименований и 23 работ автора и 1 приложения. Общий объем диссертации 203 страницы машинописного текста, включая 199 страниц основного текста, 4 страницы приложений, 97 рисунков и 20 таблиц.

1. АЛГОРИТМИЧЕСКАЯ ОСНОВА СОВРЕМЕННЫХ МЕТОДОВ КОМПЛЕКСИРОВАНИЯ ЦИФРОВЫХ МНОГОСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМНОЙ ПОВЕРХНОСТИ

1.1. Методы получения многоспектральных изображений

земной поверхности

По мере развития техники и роста потребностей в оперативном мониторинге все более широкое применение для наблюдения за различными объектами и явлениями на поверхности Земли находят дистанционные методы исследования. Их важнейшей особенностью является возможность получения информации о параметрах исследуемого объекта на расстоянии путем измерений некоторых связанных с параметрами объекта величин, таких, как, например, интенсивность электромагнитной энергии, излучаемой исследуемым объектом в различных диапазонах длин волн [30].

Главное достоинство дистанционных методов исследования заключается в отсутствии необходимости непосредственного контакта измерительных средств с изучаемой средой, что позволяет существенно упростить и удешевить исследования.

К настоящему времени возможности методов дистанционного зондирования раскрыты не полностью. Известно, спектральные характеристики излучения объектов могут заметно различаться при регистрации в разных диапазонах электромагнитного излучения в зависимости от свойств поверхности объектов, а также характеристики среды. Чтобы увеличить вероятность надежного различения объектов, используют принцип одновременной съемки земной поверхности в нескольких спектральных диапазонах. В качестве датчиков используются линейки приборов с зарядовой связью (ПЗС) [28].

Дистанционное зондирование Земли основано на измерении с аэрокосмических аппаратов энергетических и спектральных характеристик

наблюдаемой сцены. С этой целью на спутниках и самолетах устанавливаются сканирующие устройства, которые осуществляют съемку в различных спектральных диапазонах, после чего цифровая информация передается на наземные пункты приема и обработки [5].

направление

Рисунок 1.1. Принцип формирования сканерных изображений.

Многоспектральный принцип съемки основан на интегрировании отраженной от поверхности Земли электромагнитной энергии в нескольких соприкасающихся диапазонах [28, 50].

Изображение участка земной поверхности в видимом, инфракрасном и миллиметровом диапазонах длин волн принимается соответственно СВЧ-радиолокатором бокового обзора 1, тепловизором 2 и видеокамерой 3 (рисунок 1.1). Каждое изображение состоит из изображения участка местности и помех (облака, искажения оптики и др.). Кадровая развертка получаемого изображения вдоль оси осуществляется за счет движения летательного аппарата (ЛА). При этом сканирующий луч перемещается по подстилающей поверхности в поперечном относительно полета направлении. Основными параметрами датчиков являются полоса обзора и разрешающая способность на местности, измеряемая в метрах или километрах.

Двумерные цифровые изображения с выхода этих устройств поступают на передающий блок телеметрии, откуда в реальном времени передаются на наземную станцию (центр), где происходит их обработка с помощью ЭВМ.

Рисунок 1.2. Структурная схема измерительного комплекса

Структурная схема комплексной системы мониторинга [50] приведена на рисунке 1.2. Система состоит из измерительной станции 1 и наземной станции обработки информации 2. Измерительная станция может быть установлена, к примеру, на вышку, самолёт гражданской авиации, беспилотный летательный аппарат, искусственный спутник Земли. Измерительная станция состоит из комплекса 3, включающего в себя видеокамеру 4, тепловизор 5 и пассивный радиолокатор бокового обзора б, а также из приёмника системы спутниковой навигации 7 и передатчика системы связи 8. Наземная станция обработки информации включает в себя приемник системы связи 9, электронную вычислительную машину 10 и хранилище данных 11.

Радиометр, тепловизор и видеокамера переводят распределение яркости изображения в электрические сигналы и далее через АЦП в цифровые коды. Ввод изображений в ЭВМ неизбежно связан с дискретизацией изображений по пространственным координатам х и у и квантованием значения яркости в каждой дискретной точке.

Итогом получения изображений является запись в память ЭВМ файла с пиксельным изображением, который экспортируется в базу данных программы тематической обработки и предназначен для дальнейшего анализа.

1.2. Многоспектральные методы исследования

Спектр излучения многих природных объектов лежит в достаточно широком диапазоне частот, поэтому различить природные объекты между собой с достаточной долей вероятности, проводя съемку в одном диапазоне частот, не представляется возможным. Наиболее эффективным путем преодоления этого недостатка является использование метода многоспектрального мониторинга, предоставляющего возможность надежного различения объектов за счет проведения исследований объекта в различных диапазонах длин волн [17].

В качестве примера рассмотрим изображение снятое 13 мая 2013 года, со спутника Landsat 8 (проект LDCM - Landsat Data Continuity Mission, США), который был запущен NASA 11 февраля 2013 г. Landsat 8 является одним из наиболее популярных на сегодняшний день спутников дистанционного зондирования, за счет предоставления многоспектральных изображений.

Рисунок 1.3. Снимок окрестностей Лос-Анджелеса, США.

Данные из невидимых диапазонов спектра позволяют анализировать множество разных аспектов, начиная с типов поверхности, заканчивая ростом сельскохозяйственных культур и природными катастрофами по всему миру, иногда в течение нескольких часов [94].

Ьапёэа!; обозначает красный, зеленый и синий сенсоры как канал № 4, 3 и 2 соответственно, таким образом, когда мы комбинируем изображение с этих сенсоров, получается полноцветное изображение. На рисунке 1.4 приведен полный перечень диапазонов ЬапсЬа!: 8:

НИ

0

Н

0

8

400

900

1400

1900

-1 _

2400 нм

10

11

т

т

1-4. 8 - видимый спектр

(8 - видимый панхроматический)

5.9 - ближний ИК (NIR)

6.7 - коротковолновый PIK (SWIR)

10. 11 - тепловой ИК (TIR)

11000 12000 13000 нм

Рисунок 1.4. Спектральные диапазоны спутника Ьапэа! 8.

Среди 11 диапазонов только коротковолновые (1-4 и 8) соответствуют видимому спектру, остальные чувствительны к областям спектра, которые человеческий глаз не различает. Полноцветное оптическое изображение это только половина того, что Ьапс^а!; на самом деле воспринимает. В Ьапс18а1: 8 изображение проходит через 11 раздельных линеек сенсоров, каждый из которых снимает в своем диапазоне. Два сенсора ИК (100 м/точку), 8 сенсоров - ближний ИК и видимый диапазон (30 м/точку) и 1 сенсор - панхроматический (15 м/точку) [94, 16]. Чтобы разобраться, зачем нужны все эти диапазоны, рассмотрим каждый из них в отдельности.

Диапазон 1 чувствителен к темно-синим и фиолетовым цветам. Синий цвет трудно различать из космоса, так как он хорошо рассеивается на пыли и частичках воды в воздухе, а также на самих молекулах воздуха. Это одна из причин, по которым удаленные предметы (например, гора на горизонте) имеют

голубоватый оттенок, а также голубой оттенок ясного неба. Эта часть спектра плохо регистрируется с достаточной точностью, чтобы быть сколь-нибудь полезной, однако диапазон 1 представляет единственный в своем роде инструмент, предоставляющий открытые данные в таком разрешении. Это одна из вещей, делающих этот спутник особенным. Этот диапазон также называется побережным или аэрозольным [9], согласно двум своим основным видам применения: в нем видно мелководье и мельчайшие частички пыли и дыма в воздухе. Изображение в этом диапазоне выглядит почти так же, как и в диапазоне 2, но если увеличить контраст, то можно увидеть разницу:

Рисунок 1.5. Разность по яркости диапазонов 1 и 2.

Океан и живые растения отражают больше темно-фиолетовых тонов. Большинство растений производит вещество, называемое эпикутикулярным воском (к примеру, белый налет на свежих сливах), которое отражает ультрафиолет.

Диапазоны 2, 3 и 4 представляют собой видимые синий, зеленый и красный спектры. На рисунке 1.6. показана часть западного Лос-Анджелеса, от сельскохозяйственных угодий около Окснарда на западе до Голливуда на востоке.

Здесь видны различные варианты землепользования для сравнения с другими диапазонами. Сам город, как и многие другие городские территории, в этом масштабе виден преимущественно в серых тонах.

Рисунок 1.6. Изображение ЬапёБа! 8 в диапазонах 2, 3 и 4.

Оптические наблюдения основаны на рассеянии солнечного излучения и регистрации его оптическими системами различного типа и разрешения по поверхности и электромагнитному спектру [29, 62, 82]. Стандартными ограничениями на проведение оптических наблюдений являются типовая освещенность (безоблачная погода, светлое время суток) и повторяемость условий съемки, в связи с чем, выбирают солнечно-синхронные орбиты космического аппарата-носителя. Оптические наблюдения, как правило, выполняются в широкой спектральной полосе, на них не влияют шумы интерференции (спекл-шумы), которые характерны для радиолокационных и оптико-голографических систем наблюдений.

Оптические наблюдения проводятся, как правило, в надирной области съемки или вплоть до 45°...50° по углу падения, вследствие этого они свободны от искажающего влияния рельефа на получаемое изображение типа затенений рельефа или заворота изображения.

Оптическое изображение современных систем характеризуется очень высоким, субметровым разрешением. Разрешающая способность космических

снимков ограничивается двумя факторами: дифракционным пределом, зависящим от апертуры (размера входного отверстия) оптической системы, а также искажениями из-за неоднородностей атмосферы [9, 10]. Адаптивная оптика позволила резко повысить характеристики наземных астрономических инструментов, однако непосредственно использовать методы адаптивной оптики в космических системах дистанционного наблюдения Земли не возможно. Это связано с рядом факторов, и в первую очередь с тем, что источник искажений находится в нижних слоях земной атмосферы, в непосредственной близости к объекту наблюдений. Это налагает ограничения на разрешение оптических систем.

Изображения, получаемые в оптике, имеют вид, привычный для человеческого глаза. Их может понять и дешифрировать неподготовленный пользователь. В результате многоспектральных оптических наблюдений можно построить спектральные кривые рассеяния для подстилающей поверхности, что полезно для классификации земных покровов [30]. Вместе с тем слабое проникновение света в толщу исследуемых земных покровов ограничивает информацию об отражающем объекте, сводя ее к сведениям о тончайшем верхнем слое. Маскирующее влияние облачности, тумана, растительности серьезно сокращает возможности оптических наблюдений. Применение оптических наблюдений в высокоширотных районах невозможно из-за долгой полярной ночи.

Диапазон 5 измеряет ближний инфракрасный спектр или NIR (Near Infrared). Эта часть спектра особенно важна для экологов, поскольку вода в листьях здоровых растений отражает ее. Сравнивая с изображениями других диапазонов, мы получаем индексы вроде NDVI (Normalized Difference Vegetation Index - нормализованный относительный индекс растительности - простой количественный показатель количества фотосинтетически активной биомассы (вегетационный индекс) [64, 75]. Один из самых распространенных и используемых индексов для решения задач, использующих количественные оценки растительного покрова), которые позволяют нам измерять степень здоровья растений точнее, чем при оценке видимой зелени.

4'lfl

Ц I I .</

I >>,!,

i >

'<> ¿f V

'Л ,(>'

ij)

4

I Vi I i

' J

I Ml

1'' 1

iMI

Рисунок 1.7. Изображение ЬапсЬа! 8 в ближнем ИК диапазоне.

Яркие пятна на рисунке 1.7. - это парки или другие зоны с большим количеством увлажненной растительности. В нижней части снимка находится Малибу, так что можно поспорить, что яркое пятно рядом с холмами это поля для гольфа. На западе виден темный шлейф большого пожара, который на полноцветном снимке едва различим.

Инфракрасная область спектра интересна тем, что основная доля теплового излучения окружающих нас тел приходится на инфракрасный участок. Учитывая то, что различные природные и искусственные источники имеют не только разную температуру, но и коэффициенты излучения, наблюдаемая в инфракрасном диапазоне излучения сцена представляет собой массив объектов разной яркости [86, 88]. Хотя бы один раз в сутки наступает момент, когда сигналы от объектов и фонов сцены приближаются друг к другу [14, 28]. В этом случае тепловой контраст становится малым и очень часто изменяет свой знак по абсолютной величине. Такие явления могут происходить и при наблюдении различных промышленных процессов, в которых сигналы, как от объектов так и от фонов, очень велики, но разница между ними мала.

Обычно тепловизионные изображения являются слабоконтрастными [14]. Для преодоления эффекта нулевого радиационного контраста в тепловизионную аппаратуру необходимо вводить дополнительные модули обработки информации.

Для того чтобы повысить информационность тепловизионной системы, уже давно используется способ разбиения спектрального диапазона работы тепловизионного прибора на поддиапазоны. Очевидно, что в случае достаточной чувствительности прибора в поддиапазонах, контраст в определенных спектральных диапазонах повышается. По этой причине многодиапазонное тепловидение естественно более информативно, и основные характеристики тепловизионного прибора, такие как обнаружение и опознавание объектов существенно повышаются при работе в более узких спектральных диапазонах.

Список литературы диссертационного исследования кандидат наук Кисляков, Алексей Николаевич, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Анисимов Б. В., Курганов В. Д., Злобин В. К. Распознавание и цифровая обработка изображений: Учеб. пособие для студентов вузов. - М.: Высш. шк., 1983.-295 с.

2. Бабаков B.C., Титаренко К.К. Слияние мультиспектральных изображений в задаче обработки спутниковых снимков / Материалы 4-й международной научно-технической конференции «Моделирование и компьютерная графика - 2011». - Донецк, 5-8 октября 2011 г. - С. 25-29.

3. Белоусов Ю. И., Фисенко В. Т. Особенности алгоритмов цифровой обработки изображений в оптико-электронных системах нового поколения. // Изв. ВУЗов. Приборостроение. 2009. - Т. 52, № 8. С. 7-11.

4. Брелянт A.M. Картография: Учебник для вузов - М.: Аспект-Пресс, 2002. -336 с.

5. Верба B.C. и др. Радиолокационные системы землеобзора космического базирования. - М.: Радиотехника, 2010 - 680 с.

6. Визильтер Ю. В., Желтов С. Ю. Проблемы технического зрения в современных авиационных системах // Техническое зрение в системах управления мобильными объектами - 2010: Труды научно-технической конференции-семинара / Под ред. P.P. Назирова. Таруса, 16-18 марта 2011 г., С. 31-34

7. Визильтер Ю. В., Желтов С. Ю., Князь В. А., Ходарев А. Н., Моржин А. В. Обработка и анализ цифровых изображений с примерами на Lab VIEW IMAQ Vision. - M.: ДМК Пресс, 2007. - 464 с.

8. Вильзитер Ю.В., Желтов С.Ю., Бондаренко A.B. и др. Обработка и анализ изображений в задачах машинного зрения: Курс лекций и практических занятий. - М.: Физматкнига, 2010. - 672 с.

9. Виноградов Б.В. Аэрокосмический мониторинг экосистем - М.: Наука, 1984 -317 с.

10. Гарбук C.B., Гершензон В.Е. Космические системы дистанционного зондирования Земли. - М.: Издательство А и Б, 1997. - 296 с.

11. Гонсалес Р., Вудс Р., Эддинс С. Цифровая обработка изображений в среде MATLAB - М.: Техносфера, 2006. - 616 с.

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

13. Горелик A.J1. Селекция и распознавание образов на основе локационной информации / A.JI. Горелик, Ю.Л. Барабаш, О.В. Кривошеев, С.С. Эпштейн. - М.: Радио и связь, 1990. - 240 с.

14. Горелик Л.И., Соляков В.Н., Тренин Д.Ю. Обработка слабоконтрастных двухдиапазонных тепловизионных изображений. / Прикладная физика: научно-технический журнал. - 2011, № 4, С. 88-95.

15. Грузман И.С., Киричук B.C., и др. Цифровая обработка изображений в информационных системах: Учебное пособие. - Новосибисрк: Изд-во НГТУ, 2002.-352 с.

16. Дворкин Б.А., Дудкин С.А. Новейшие перспективные спутники дистанционного зондирования земли / Геоматика - М.: «Совзонд», 2013., №2. -С. 16-36.

17. Дейвис Ш.М., Ландгребе Д.А., Филипс Т.Л. и др. Дистанционное зондирование: количественный подход / Под ред. Ф. Свейна и Ш. Дейвис. Пер. с англ. - М.: Недра, 1983. - 415 с. -Пер изд. США 1978. - 296 с.

18. Дьяконов В. MATLAB. Обработка сигналов и изображений. Специальный справочник. - СПб.; Питер, 2002. - 608 с.

19. Еремеев В.В., Злобин В.К. Статистические алгоритмы радиометрической коррекции видеоинформации от многоэлементных сканирующих систем. // Автометрия, 1995. №3. С. 78-83.

20. Жиляков Е.Г, Красильников В.В., Заливин А.Н. О цифровой обработке изображений земной поверхности с целью повышения резкости // Вопросы радиоэлектроники. Серия: ЭВТ. - 2011. - Вып. 1. - С. 89-96.

21. Жиляков Е.Г.,. Лихошерстный, А.Ю. Метод нейросетевого распознания объектов на аэрокосмических изображениях земной поверхности. НИУ БелГУ // Вопросы радиоэлектроники. Сер. Электронная вычислительная техника (ЭВТ). - 2012. - Вып.1. - С. 86-93.

22. Журавель И.М. Краткий курс теории обработки изображений. - М., 1999.

23. Захарова Л.Н., Захарова А.И. и др. Совместный анализ данных оптических и радиолокационных сенсоров: возможности, ограничения и перспективы / Радиотехника и электроника. - 2011, том 56, № 1, С. 5-19.

24. Злобин В.К., Еремеев В.В. Обработка аэрокосмических изображений.-М.: Физматлит, 2006. - 288 с.

25. Злобин В.К., Еремеев В.В., Васильев В.М. Стохастическая модель спутниковых изображений и ее использование для сегментации природных объектов // Автометрия, 2001. №2. С. 41-50.

26. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Совместная обработка спектрозональных изображений с целью повышения их дешифруемости // Автометрия, 2002. №1. С. 3-11.

27. Злобин В.К., Кочергин A.M.. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования Земли. // Вестник РГРТУ. Рязань, 2008. № 23.

28. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Обработка изображений в геоинформационных системах: Учебное пособие. Рязан. гос. радиотехн. университет, Рязань. - 2006. - 264 с.

29. Канащенков А.И. Аэрокосмический радиолокационный мониторинг Земли. Коллективная монография / Под. ред. А.И. Канащенкова - М.: Радиотехника, 2006 - 240 с.

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

31. Кисляков А.Н. Алгоритм радиометрического комплексирования данных многоканального мониторинга земной поверхности / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // тез. докл. IV Всероссийской межвузовской научной конференции «Зворыкинские чтения». - Муром, - 2012. - С. 572573.

32. Кисляков А.Н. Комплексирование многоспектральных изображений земной поверхности с использованием методов морфологического анализа /

(.' и '

Ч К 6! '

и "

К 'ifi t> i >'. if

'» ri,

» a-'L

Л 1'

O.P. Никитин, A.H. Кисляков// Методы и устройства передачи и обработки информации. - Муром, - 2012. № 4. - Ç. 52-57.

33. Кисляков А.Н. Комплексирование многоспектральных изображений с использованием методов морфологического анализа и цветового кодирования / O.P. Никитин, А.Н. Кисляков // Радиотехнические и телекоммуникационные системы. - Муром. — 2013, № 1. — С. 52-57.

34. Кисляков А.Н. Мониторинг лесных массивов методом многоспектрального дистанционного зондирования / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Радиотехнические и телекоммуникационные системы. — Муром,-2011.№ 1. - С.50-52.

35. Кисляков А.Н. Морфологическое комплексирование многоспектральных изображений земной поверхности/ А.Н. Кисляков // Доклад научно-практической конференции «Дни науки ВлГУ-2012» - Владимир, - 2012.

36. Кисляков А.Н. Оптимизация количества спектральных каналов в системах дистанционного зондирования земной поверхности / А.Н. Кисляков // Материалы XXXII Всероссийской НТК «Проблемы эффективности и безопасности функционирования сложных технических и информационных систем», филиал В А РВСН им. Петра Великого, 26-28 июня 2013 г. -Серпухов.: Труды конференции ч.5, - 2013. — 386 с. - С. 292-296.

37. Кисляков А.Н. Оценка информативности многоспектральных изображений земной поверхности / А.Н. Кисляков // Материалы X Международной научной конференции «Физика и радиоэлектроника в медицине и экологии» (ФРЭМЭ-2012). -Владимир-Суздаль,- 2012. Т.З. - С.161-165.

38. Кисляков А.Н. Устройство радиометрического комплексирования цифровых многоспектральных изображений земной поверхности / Никитин O.P., Кисляков А.Н., Шулятьев A.A. // Патент на полезную модель № 115884 от 22.11.2011.

39. Кисляков А.Н. Цветовое кодирование изображений в многоканальных системах дистанционного зондирования земной поверхности /O.P. Никитин, А.Н. Кисляков // Вестник Рязанского государственного радиотехнического университета. - Рязань. - 2013, № 1. - С. 116-120.

и'

ty

I

1 гм

Ц <

»

< >'

40. Кисляков А.Н. Моделирование работы алгоритма комплексирования многоспектральных изображений земной поверхности / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Проектирование и технология электронных средств. - Владимир. - 2011, № 2. - С. 50-54.

41. Кисляков А.Н. Алгоритм морфологического комплексирования многоспектральных изображений земной поверхности / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Материалы XXXI Всероссийской НТК «Проблемы эффективности и безопасности функционирования сложных технических и информационных систем», филиал ВА РВСН им. Петра Великого. - Серпухов.: Труды конференции ч.З,- 2012. - С. 118-124.

42. Кисляков А.Н. Алгоритм морфологического комплексирования многоспектральных изображений земной поверхности / А.Н. Кисляков // Материалы 3-й Всероссийской научно-технической конференции «Информационно-измерительные и управляющие системы военной техники» (ПУВТ-2012).- Владимир,-2012-С.91-94.

43. Кисляков А.Н. Комплексирование данных многоканального мониторинга земной поверхности / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Методы и устройства передачи и обработки информации. - Муром, - 2011. № 1. - С.68-71.

44. Кисляков А.Н. Комплексирование данных многоспектрального дистанционного зондирования лесных массивов / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Проектирование и технология электронных средств. - Владимир. - 2010, №2. - С. 23-27.

45. Кисляков А.Н. Комплексирование многоспектральных изображений дистанционного зондирования земной поверхности / А.Н. Кисляков // Материалы X международной научно-технической конференции «Перспективные технологии в средствах передачи информации» / Владим. гос. университет; редкол.: А.Г. Самойлов (и др.) - Владимир: ВлГУ т. 2, -2013, - 204 с. - С. 44-47.

46. Кисляков А.Н. Метод микроволнового многоспектрального дистанционного зондирования в задаче мониторинга лесных массивов / O.P. Никитин,

А.Н. Кисляков, A.A. Шулятьев // Труды Владимирского государственного университета. Выпуск 7: физико-математические основы индустрии наносистем и материалов. - Владимир, - 2010. - С 66-70.

47. Кисляков А.Н. Морфологическое комплексирование многоспектральных изображений земной поверхности / O.P. Никитин, А.Н. Кисляков// Радиотехнические и телекоммуникационные системы. - Муром, - 2012. №2.-С. 36-39.

48. Кисляков А.Н. Программное обеспечение для морфологического комплексирования многоспектральных изображений / Никитин O.P., Кисляков А.Н. // Свидетельство о государственной ресторации программ для ЭВМ № 2013610882 от 09.01.2013 г.

49. Кисляков А.Н. Радиометрическое комплексирование многоспектральных изображений земной поверхности / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Радиотехнические и телекоммуникационные системы. -Муром, - 2012. №1.- С. 54-58.

50. Кисляков А.Н. Устройство для дистанционной идентификации типов растительности / Никитин O.P., Кисляков А.Н., Шулятьев A.A. // Патент на полезную модель № 108837 от 11.05.2011.

51. Кисляков А.Н. Комплексирование измерительной информации многоканального дистанционного зондирования земной поверхности / А.Н. Кисляков, A.A. Шулятьев // Материалы IX-й международной научно-технической конференции «Перспективные технологии в средствах передачи информации». - Владимир-Суздаль, - 2011.

52. Кисляков А.Н., Применение комплексных систем многоспектрального дистанционного зондирования в задачах экологического мониторинга / O.P. Никитин, А.Н. Кисляков, A.A. Шулятьев // Методы и устройства передачи и обработки информации. - Муром, - 2011. № 1. - С.72-76 .

53. Книжников Ю.Ф., Кравцова В.И., Тутубалина О.В.. Аэрокосмические методы географических исследований: Учеб. для студ. высш. учеб. заведений - М.: Издательский центр «Академия», 2004. - 336 е.,

"Н" г

S

'Л tiiît

V V 1

.и»"',»

чу

* *

ni I

V H i

; i1

,,П1 I1

54. Кондратенков Г.С., Фролов А.Ю. Радиовидение. Радиолокационные системы дистанционного зондирования Земли. Учебное пособие для вузов I Под ред. Г. С. Кондратенкова. -М.: «Радиотехника», 2005. - 368 с.

55. Кондратьев A.B. Методы обработки цифровой многоспектральной спутниковой информации. СПб.: изд. РГГМИ, 1997. - 106 с.

56. Корчинский В.М. Информативность многоспектральных проекционных изображений // Автоматика. Автоматизация. Электротехнические комплексы и системы, 2005. № 1(15). С. 47-51.

57. Кочергин A.M. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования Земли: дисс. на соискание ученой степени канд. техн. наук: 05.13.01 / Кочергин Андрей Имхайлович. - Рязань, 2008. - 128 с.

58. Кравцова В.И. Космические методы исследования почв: Учеб. пособие для студентов вузов. - М.: Аспект Пресс, 2005. -190 с .

59. Крамская Н.И. Методика построения статистических моделей объектов по многоканальным данным. // Радиоэлектронные и коспьютерные системы, Национальный аэрокосмический университет им. Жуковского «ХАИ», Украина, 2011. №4(52). С. 66-71.

60. Крашенинников В.Р. Основы теории обработки изображений: Учебное пособие. - Ульяновск: УлГТУ, 2003. - 150 с.

61. Купченко Л.Ф., Рыбяк A.C., Пашков Д.П. Уменьшение избыточности информации в гиперспектральных системах дистанционного зондирования Земли с использованием динамической спектральной фильтрации. // Моделирование и информационные технологии: Научный сборник. - Киев, Украина, 2010. - Вып. 58. С. 19-26.

62. Лабутина И.А. Дешифрование аэрокосмических снимков: Учебное пособие для студентов вузов -М.: Аспект Пресс, 2004 - 184 с.

63. Лабутина И.А., Балдина Е.А. Использование данных дистанционного зондирования для мониторинга экосистем ООПТ. Методическое пособие. Всемирный фонд дикой природы (WWF России) — М., 2011. - 88 с.

<'гл'Л и,

>\ I

i'V •(, i

. )| 11/1 i

"1 f

I I 1 li.'l

ч i1 V

I'ill'»

t »I

1 „ i„

Ч1 IT I

и M'

>! vA

A, Krt

64. Лебедева Н.В., Криволуцкий Д.А. и др., География и мониторинг биоразнообразия. - М.: Издательство Научного и учебно-методического центра, 2002. 432 с.

65. Марк Д. Фершильд. Модели цветового восприятия - 2-е изд, пер. с англ. А.Е. Шадрин - Рочестерский технологический институт, 2004 - 437 с.

66. Михеев С.М. Комплексирование изображений разных диапазонов спектра в многоканальных системах наблюдения: дис. на соискание ученой степени канд. техн. наук: 05.13.01 /Михеев Сергей Михайлович. - М., 2011. - 112 с.

67. Монич Ю.И., Старовойтов В.В. Оценки качества для анализа цифровых изображений // Искусственный интеллект. 2008. №9. С. 376-386.

68. Пасечник A.C. Методы оконтуривания и сегментации в задачах автоматизированного обнаружения аномальных объектов на видеоизображениях: дис. на соискание ученой степени канд. техн. наук: 05.12.04 / Пасечник Антон Сергеевич. - Владимир, 2010. - 224 с.

69. Пашков Д.П. Методы оптимального выбора спектральных каналов при фиксированном разрешении при решении задач дистанционного зондирования земной поверхности // Дистанционное зондирование Земли, изд. Национальная академия обороны Украины, Киев, 2007, вып. №4. С. 31-34.

70. Попов М.А., Станкевич С.А. Методы оптимизации числа спектральных каналов в задачах обработки и анализа данных дистанционного зондирования Земли. // Сб. «Современные проблемы дистанционного зондирования Земли из космоса». - М.: РАН - ИКИ, 2006 - Т. 1, вып. 3. С. 106-112.

71. Потапов А. А.Гуляев Ю. В., Никитов С. А., Пахомов А. А. , Герман В. А. Новейшие методы обработки изображений. / Под ред. А. А. Потапова. - М.: ФИЗМАТЛИТ, 2008. - 496 с.

72. Прэтт У. Цифровая обработка изображений: Пер. с англ. - М.: Мир, 1982. -Кн.1. - 312 с.

73. ПытьевЮ.П., Чуличков А.И. Методы морфологического анализа изображений. - М.: ФИЗМАТЛИТ, 2010. - 336 с.

i Д

■J '

,1, [ .

i' 'V

h| I „i

* J ^

74. Пытьев Ю.П., Чуличков А.И. Морфологические методы анализа сцен по их изображениям / Техническое зрение в системах управления мобильными объектами-2010: труды научно-технической конференции-семинара. Под ред. P.P. Назирова. - Таруса, 16-18 марта 2010 г. - С. 282-290.

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

76. Светелкин П.Н. Алгоритмическое обеспечение систем косплексирования изображений от многоматричных сканирующих устройств: дис. на соискание ученой степени канд. техн. наук: 05.13.01 / Светелкин Павел Николаевич. -Рязань, 2009. - 129 с.

77. Симагин М.С. разработка методики синтеза структуры вычислительных устройств слияния изображений: дис. на соискание ученой степени канд. техн. наук: 05.13.05 / Симагин Михаил Сергеевич - М., 2008. - 116 с.

78. Смеляков К.С. Сравнительный анализ эффективности сегментации в цветовых пространствах // Системы управления, навигации и связи, Харьковский университет Воздушных Сил им. И. Кожедуба, Харьков, Украина, 2009. № 4(12). С. 120-122.

79. Сойфер В.А. Методы компьютерной обработки изображений. - Издание 2-е, испр. - М.: ФИЗМАТЛИТ, 2003 - 784 с.

80. Соловьев Н.В., Сергеев A.M. Улучшение качества растровых изображений: Учеб. пособие. - СПб.: СПбГУ ИТМО, 2010.- 158 с.

81. Станкевич С.А. Оптимизация состава спектральных каналов гиперспектральных аэрокосмических изображений при решении тематических задач // Космическая наука и технология, 2007 - Т. 13. №2. С.25-28.

82. Тарасов В.В., Якушенков Ю.Г. Двух- и много диапазонные оптико-электронные системы с матричными приемниками излучения. - М.: Логос, 2007 - 192 с.

83. Токарева О.С. Обработка и интерпретация данных дистанционного зондирования Земли: учебное пособие - Томск.: Изд-во Томского политехнического университета, 2010. — 148 с.

84. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений: учеб. пособие. - СПб: СПбГУ ИТМО, 2008. - 192 с.

85. Харташвили Н.Г., Чхеидзе Н.М. Морфологические построения в кодировании изображений. - Тбилиси.: Издательский дом «Технический университет», 2009. - 142 с.

86. Чандра A.M., Гош С.К. Дистанционное зондирование и географические информационные системы. -М.: Техносфера, 2008. -312 с.

87. Шелестов А.Ю., Скакун C.B., Тищенко Ю.Г. Комплексирование радиолокационных данных для решения задач спутникового мониторинга. // Сборник тезисов пятой юбилейной открытой Всероссийской конференции «Современные проблемы дистанционного зондирования Земли из космоса» Москва, ИКИ РАН, 12-16 ноября 2007 г. С.181-188.

88. Шовенгердт P.A. Дистанционное зондирование. Модели и методы обработки изображений. М.: Техносфера, 2010. - 560 с.

89. Яне Б. Цифровая обработка изображений. - М: Техносфера, 2007. - 584 с.

90. Anil Z Chitade et. al. Color-Based Segmentation Using K-Means Clustering // International Journal of Engineering Science and Technology Vol. 2(10), 2010, pp. 5319-5325.

91. Filippo Nencini, Andrea Garzeiii, Stefano Baronti, Luciano Alparone. Remote sensing image fusion using the curvelet transform // Information Fusion, Volume 8, Issue 2, April 2007, pp. 143-156.

92. Firouz Abdullah Al-Wassai, N.V. Kalyankar, Ali A. Al-Zuky. The IHS Transformations Based Image Fusion // International Journal of Advanced Research in Computer Science, Volume 2, No. 5, Sept-Oct 2011.

93. Gomez Richard В., Jazaeri Amin, Kafatos Menas. Wavelet-based hyperspectral and multispectral image fusion // Geo-Spatial Image and Data Exploitation II, SPIE Vol. 4383, p. 36-42.

94. http://habrahabr.ru/post/! 83416/

11

'u 'i, \

i и

95. http://matlabdatamining.blogspot.ru/2010/02/putting-pca-to-work.html

96. Kislyakov A.N. Fusion of multispectral images using morphological analysis methods / O.R. Nikitin, A.N. Kislyakov // International journal «Indian Science Cruiser (ISC)», Institute of Science, Education and Culture - Kolkata, India, vol. 26, num. 5, September 2012, - P. 35-39.

97. Liang Xu, Junping Du, and Qingping Li. Image Fusion Based on Nonsubsampled Contourlet Transform and Saliency-Motivated Pulse Coupled Neural Networks // Mathematical Problems in Engineering Volume 2013 (2013), Article ID 135182, 10 pages.

98. Maarten A. Hogervorst, Alexander Toet. Method for applying daytime colors to nighttime imagery in realtime // Multisensor, Multisource Information Fusion: Architectures, Algorithms, and Applications, 2008.

99. Melkamu H. Asmare, Vijanth S. Asirvadam, Lila Iznita and Ahmad Fadzil M. Hani. Image Enhancement by Fusion in Contourlet Transform // International Journal on Electrical Engineering and Informatics - Volume 2, Number 1, 2010.

100. Mitchell H.B. Data Fusion: Concepts and Ideas - Springer-Verlag New York, LLC, 2012.-244 p.

101. Mitchell H.B. Image Fusion Theories, Techniques and Applications - SpringerVerlag New York, LLC, 2010. - 247 p.

102. Mitianoudis, N., Stathaki, T. Optimal contrast for color image fusion using ICA bases. // Information Fusion, 2008, 11th International Conference on June 30 2008-July 3 2008, pp. 1-7.

103. Osamu Ukimura. Image Fusion, InTech, 2011. - 428 p.

104. Parinya Sanguansat. Principal Component Analysis - Engineering Applications, InTech, 2012.-218 p.

105. Shuo-Li Hsu, Peng-Wei Gau, I-Lin Wu, and Jyh-Horng Jeng Region-Based Image Fusion with Artificial Neural Network. // International Journal of Information and Mathematical Sciences, 2009 - p. 264-267.

106. Subhasis Chaudhuri, Ketan Kotwal. Hyperspectral Image Fusion. - Springer, 2013 edition (June 7, 2013) - 215 p.

11 (» 'i

107. Tania Stathaki. Image Fusion: Algorithms and Applications, Elsevier Ltd, 2008. -500 p.

108. Te-Ming Tu, Shun-Chi Su, Hsuen-Chyun Shyu, Ping S. Huang. A new look at IHS-like image fusion methods // Information Fusion Volume 2, Issue 3, September 2001,3. 177-186.

109. Tijani Delleji, Mourad Zribi and Ahmed Ben Hamidal. Multi-Source Multi-Sensor Image Fusion Based on Bootstrap Approach and SEM Algorithm // The Open Remote Sensing Journal, 2009, 2, 1-11.

110. Toews, M. Arbel, T. Entropy-of-likelihood feature selection for image correspondence. // Computer Vision, 2003. Proceedings. Ninth IEEE International Conference on 13-16 Oct. 2003, pp. 1041 - 1047 vol.2.

111. Tourassi, Georgia D.; Frederick, Erik D.; Markey, Mia K.; Floyd, Carey E., Jr. Application of the mutual information criterion for feature selection in computer-aided diagnosis. // Medical Physics, Volume 28, Issue 12, December 2001, pp.2394-2402.

112. Tu, TeMing; Su, Shun-Chi; Shyu, Hsuen Chyun; Huang, Ping S. Efficient intensity-hue-saturation-based image fusion with saturation compensation // Optical Engineering, Vol. 40 No. 5, May 2001, p. 720-728.

113.V.P.S. Naidu and J.R. Raol. Pixel-level Image Fusion using Wavelets and Principal Component Analysis. // Defence Science Journal, Vol. 58, No. 3, May 2008, pp. 338-352.

114. Yingxuan Zhu, Varshney, P.K., Hao Chen. Evaluation of ICA based fusion of hyperspectral images for color display // Information Fusion, 2007 10th International Conference on, 9-12 July 2007, p. 1-7.

115. Yufeng Zheng. Image Fusion and Its Applications, InTech, 2011. - 242 p.

ПРИЛОЖЕНИЕ Характеристики спутников дистанционного зондирования, данные которых использовались в работе

l.Ha Космическом аппарате Landsat-8 установлены два сенсора: оптико-электронный (Operational Land Imager, OLI) и тепловой (Thermal InfraRed Sensor, TIRS). Набор инструментов OLI является основным на спутнике. В OLI используется схема pushbroom, в которой используются длинные линейные массивы фотодатчиков, снимающие сразу всю ширину поля зрения спутника -185 километров. В фокальной плоскости OLI установлено 14 модулей Focal Plane Modules, в каждом модуле установлено 10 линейных сенсоров различных диапазонов. Телескоп OLI состоит из 4 неподвижных зеркал. Инструмент TIRS предназначен для получения изображений в дальнем ИК. В фокальной плоское га TIRS установлены фотодатчики Quantum Well Infrared Photodetector (QWIP) на базе GaAs. Инструмент TIRS использует тот же принцип получения изображений pushbroom, что и OLI, и также имеет полосу обзора в 185 километров. Получение изображений происходите двух каналах, 10 и 11. Инфракрасный телескоп TIRS использует 4 линзы, изготовленные из германия и селенида цинка.

Основные характеристики космического аппарата

Дата запуска (планиру емая): 1 1 февраля 2013 г.

Стартовая площадка: авиабаза Ванденберг (США)

Средство выведения: РН Atlas 5

Разработчик: Orbital Sciences Corporation (OSC) (США; быв. General Dynamics Advanced Information Systems) (платформа); Ball Aerospace (полезная нагрузка) (США)

Операторы: NASA (США) и USGS (США)

M асса, кг 2623

Орбита Тип Солнечно-синхронная

Высота, км 705

Наклонение, град. 98,2

Расчетный срок функционирования, лег 5

Основные технические характеристики съемочной аппаратуры

Режим съемки VNFR SW1R PAN TIR

Спектральный диапазон, мкм 0,43-0,45 (фиолетовый или coastal) 0,45-0,52 (синий) 0.53-0.60 (зеленый) 0.63-0,68 (красный) 0,85-0.89 (ближний ИК) 1,36-1,39 (Cirrus) 1,561.66 (SWIR-l) 2,10-2.30 (SWIR-2) 0,500,68 10,4012.50

Пространственное разрешение (в надире), м 30 30 15 100

Радиометрическое разрешение, бит на пиксель 12

2. Космический аппарат ЕО-1 (Earth Observing-1) несет на своем борту полезную нагрузку в виде приборов: ALI (Advanced Land Imager), Hyperion и дополнительно - аппаратуру LAC, которая позволяет установить и исключить возмущающее влияние атмосферы. Гиперспектральный сенсор Hyperion предназначен для получения цифровых изображений земной поверхности с пространственным разрешением до 30 м в 220 спектральных диапазонах видимой и инфракрасной области (от 0,4 до 2,5 мкм) с пространственным разрешением 30 метров. Прибор ALI предназначен для панхроматической и мультиспектральной съемки поверхности суши. Сенсор ALI позволяет вести съемку в 10 спектральных каналах, с разрешением 10 м в панхроматическом режиме и 30 м - в мультиспектральном. Прибор LAC - это гиперспектральный инструмент умеренного пространственного разрешения с клиновидным фильтром. Рабочие диапазоны выбраны так, чтобы обеспечивать оптимальную коррекцию снимков с высоким пространственным разрешением.

Основные характеристики космического аппарата

Дата запуска: 21 ноября 2000 г.

Стартовая площадка: авиабаза Ванденберг

Средство выведения: РН Delta 11

Разработчики: Swales Aerospace, Northrop Grummari

Оператор: NASA/U SGS

Масса, кг 573

Орбита Тип Полярная солнечно-синхронная

Высота, км 705

Наклонение, град. 98,21

Расчетный срок фу нкционирования. лет 1

Основные технические характеристики съемочной annapaiypbi

Режим съемки Hyperion ALI

11анхроматический Мультиспектр альный

Спектральный диапазон, мкм 0,43-2,40 (220 каналов) 0,48-0,69 0,433-0.453 0,450-0.515 0.525-0.605 0.630-0.690 0.775-0.805 0,845-0,890 1.200-1.300 1,550-1,750 2,080-2,350

Пространственное разрешение (в надире), м 30 10 30

Радиометрическое разрешение, бит па пиксель 16

Ширина полосы съемки, км 7,7

Периодичность съемки, сутки 16 (в зависимости от широты области съемки)

Скорость передачи данных на наземный сегмент, Мбит/с 150