Разработка модели и алгоритмов обработки пространственных данных с использованием масштабных и временных параметров тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат наук Ковалев Юрий Анатольевич

• Ковалев Юрий Анатольевич
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Ковалев Юрий Анатольевич

ВВЕДЕНИЕ

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И АЛГОРИТМОВ ОБРАБОТКИ И АНАЛИЗА ПРОСТРАНСТВЕННО-РАСПРЕДЕЛЕННЫХ ОБЪЕКТОВ

1.1 Обзор существующих методов цифровой обработки изображений

1.2 Обзор существующих алгоритмов обработки пространственно -распределённых объектов на разных масштабах

1.3 Обзор существующих алгоритмов обработки пространственно-распределённых объектов за разные временные промежутки

1.4 Обзор геоинформационных систем обработки пространственно-распределённых объектов

1.5 Выводы по первой главе диссертации

ГЛАВА 2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ТРЕХМЕРНОГО БАРКОДА

2.1 Математическая модель трехмерного баркода

2.2 Алгоритмы формирования числовых характеристик пО и их групп в виде баркодов

2.3 Выводы по второй главе диссертации

ГЛАВА 3. АЛГОРИТМЫ ИДЕНТИФИКАЦИИ И КЛАССИФИКАЦИИ ПРОСТРАНСТВЕННО-РАСПРДЕЛЕННЫХ ОБЪЕКТОВ

3.1 Алгоритм идентификации газовых подрывов на снимках Арктики на основе трехмерных баркодов

3.2 Алгоритм идентификации пространственных объектов на снимках за разные промежутки времени на основе трехмерных баркодов

3.3 Алгоритм анализа пространственных объектов при изменении масштабов

3.4 Выводы по третьей главе диссертации

ГЛАВА 4. ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ ИДЕНТИФИКАЦИИ БУГРОВ ПУЧЕНИЯ НА СНИМКАХ АРКТИЧЕСКОЙ МЕСТНОСТИ

4.1 Описание разработанного программного комплекса для идентификации

бугров пучения на снимках Арктической местности

4.2 Выводы по четвертой главе диссертации

ГЛАВА 5. ЭКСПЕРЕМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТННЫХ МОДЕЛИ И АЛГОРИТМОВ

5.1 Экспериментальные исследования идентификации пространственно -распределенных объектов за разные временные промежутки

5.2 Экспериментальные исследования идентификации пространственно -распределенных объектов на разных масштабах

5.3 Экспериментальные исследования идентификации газовых подрывов на снимках Арктики

5.4 Выводы по пятой главе диссертации

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

ПРИЛОЖЕНИЕ

Введение диссертации (часть автореферата) на тему «Разработка модели и алгоритмов обработки пространственных данных с использованием масштабных и временных параметров»

ВВЕДЕНИЕ

Актуальность темы. Современные информационные системы обработки и анализа данных предоставляют пользователям широкий набор всевозможных операций с данными в различных сферах деятельности человека. И все более широкое применение получают системы, в основу которых заложена картографическая привязка объектов анализа -геоинформационные системы (ГИС).

Совершенствование ГИС-технологий в настоящее время направлено на использование спутниковых снимков местности, данных с беспилотных летательных аппаратов (БПЛА), а также на анализ метаданных об объектах (многомасштабный и временной анализ). Интеграция в ГИС дополнительных характеристик, таких как третье измерение, время или масштаб, до сих пор достигалась путем специальных адаптаций к 2D структурам. При этом в современных ГИС (MapInfo, ArcGIS, Панорама и др.) недостаточно полно проработан вопрос анализа пространственных характеристик объектов -топологических признаков. Здесь в основу обработки закладывается подход с использованием координат объектов, что значительно увеличивает вычислительную сложность алгоритмов анализа.

Отсюда возникает необходимость перехода к обработке данных в пространственной области, анализ топологических характеристик объектов, обработка данных об объектах за различные временные интервалы и при масштабировании. Реализация такого подхода необходима при решении задач обработки и анализа данных, имеющих картографическую привязку, во многих организациях и структурах для идентификации и классификации пространственно-распределённых объектов.

Для решения данных задач предлагается взять за основу методы персистентной гомологии, которые учитывают топологические свойства набора точек. Персистентная гомология - это множество гомологических классов (топологические особенности первого и второго порядка) для

фильтрации, причем создание класса происходит в симплициальном комплексе. Симплициальный комплекс — топологическое пространство, представленное как объединение множеств, гомеоморфных симплексу и образующих триангуляцию этого пространства. Для описания топологических признаков и характеристик можно использовать числа Бетти. Числа Бетти — последовательность инвариантов топологического пространства. На их основе для описания объектов будут построены Баркоды. Баркод - это совокупность топологических особенностей первого (связанные симплексы первого уровня) и второго порядка (связанные симплексы второго уровня), описывающих внутреннюю и внешнюю топологию объекта, в том числе и nD объектов. Под nD объектами понимаются одни и те же объекты, отраженные на снимках за разные временные промежутки и на различных масштабах. Успешное решение задач классификации и идентификации объектов на основе их топологических характеристик с учетом масштаба отображения и времени позволит ускорить процесс обработки и анализа данных и повысить качество принимаемых решений.

Степень разработанности темы исследования. Наибольший вклад в решение задач обработки и анализа данных пространственно-распределенных объектов в ГИС внесли Сергеев В.В., Варламов А.А., Чернов А.В., Еремеев В.В. Работы Ризаева И.С., Кошкарева А.В., Васина Ю.Г, Гальченко С.А., Шаповалова Д.А. и др. посвящены обработке, хранению цифровых карт и их анализу.

Основные принципы обработки данных о пространственно -распределенных объектах с учетом масштаба отображения и времени фиксации базируются на работах следующих зарубежных авторов: K. A. Butler, D. Dean, K. Arroyo Ohori, H. Ledoux, J. E. Stoter, Zhilin Li, Qi Zhou, D. Attali, A. Lieutier, D. Salina, J. D. Boissonnat, C. Blazquez.

В отечественной практике задача идентификации и классификации картографических объектов в плане учета их многомерности и временной

составляющей была рассмотрена А.В. Гречищевым, А.А. Евсюковым, Е.П. Хлебниковой, Е.Н. Черемисиной, А.И. Алтуховым, Д.С. Коршуновым.

Таким образом, в настоящее время имеет место противоречие, состоящее в том, что существует объективная необходимость автоматизации процессов идентификации и классификации пространственно-распределенных объектов, и при этом отсутствуют адекватные модели и автоматизированные средства обработки и анализа картографической информации с учетом формы объекта, масштаба его отображения и времени фиксации.

В этой связи актуальной научно-технической задачей является разработка модели описания пространственно -распределенного объекта с учетом его формы, масштаба и времени фиксации и на ее основе алгоритмов обработки и анализа данных с применением симплициальных комплексов и персистентной гомологии.

Объект исследования. Объектом исследования является геоинформационная система идентификации и классификации пространственно-распределенных объектов.

Предмет исследования. Модель и алгоритмы идентификации, классификации и анализа данных о пространственно-распределенных объектах на цифровых изображениях местности с учетом масштаба отображения и времени.

Цель диссертационной работы. Разработка модели и алгоритмов обработки и анализа данных о пространственно-распределённых объектах на основе топологических признаков, сформированных с применением симплициальных комплексов и персистентной гомологии.

Основные задачи работы.

— Выполнить анализ состояния вопроса обработки данных о пространственно-распределенных объектах и выявить основные проблемы и противоречия.

— Сформировать математическую модель формализации данных о пространственно-распределенных объектах на основе трехмерного баркода, учитывающую временную и масштабную составляющие.

— Разработать алгоритм идентификации газовых подрывов на снимках Арктики на основе трехмерных баркодов.

— Разработать алгоритм классификации пространственно -распределенных объектов с учетом времени фиксации пространственной сцены.

— Разработать алгоритм идентификации пространственно-распределенных объектов при их отображении на различных масштабах.

— Разработать геоинформационную систему классификации, идентификации и анализа цифровых изображений местности, провести ее апробацию и исследование работоспособности алгоритмов на примере съемки Арктики.

Соответствие паспорту специальности. Диссертация соответствует паспорту специальности 05.13.01 - «Системный анализ, управление и обработка информации» в части:

— пункта 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации»;

— пункта 5 «Разработка специального математического и алгоритмического обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации»;

— пункта 12 «Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации».

Научная новизна и положения, выносимые на защиту:

1. Модель описания пространственно-распределенных объектов, отличающаяся от известных моделей применимых в ГИС тем, что в ее основу заложены топологические особенности объекта, описываемые при помощи

симплициальных комплексов и баркодов, которые позволяют учитывать в качестве третьего измерения время съемки и масштаб отображения;

2. Алгоритм формирования числовых характеристик пО (п-мерных) объектов в виде баркодов, которые учитывают пространственные характеристики и позволяют анализировать данные без учета координат. Алгоритм позволяет автоматизировать поиск газовых подрывов на снимках Арктики, тем самым увеличить скорость поиска в ~24 раза по отношению к ручной обработке;

3. Алгоритм идентификации пространственно-распределенных объектов при их отображении при различных масштабах. Он основан на использовании трехмерных баркодов и позволяет за счет них сопоставлять одни и те же объекты на снимках разных масштабов;

4. Алгоритм классификации пространственно-распределенных объектов, основанный на описании структуры объекта числами Бетти, позволяющие проводить анализ с учетом временных характеристик.

Теоретическая значимость исследования. Создание модели и алгоритмов обработки пространственных данных на разных масштабах и за разные промежутки времени, которые позволят решить задачи обработки данных пространственно-распределённых объектов.

Практическая значимость исследования. Определяется тем, что разработаны модель и алгоритмы, применяемые в программном комплексе для идентификации и классификации бугров пучения (газовых подрывов) на снимках Арктики, которые применяются в институте проблем нефти и газа РАН и в учебном процессе МИ ВлГУ. Результаты исследования поддержаны актами внедрения. Разработанные модель и алгоритмы позволяют повысить скорость обработки снимков в 24 раза за счет автоматизации процессов идентификации и классификации объектов с точностью свыше 93%.

Методы исследования. Теоретические положения, выводы и экспериментальные результаты диссертационной работы получены с использованием методов персистентной гомологии, цифровой обработки

изображений, теории множеств, теории принятия решений. На основе данных методов разработана математическая модель, которая позволяет описывать объекты во времени и на разных масштабах в виде трехмерного баркода. На основе данной модели разработаны алгоритмы, выносимые на защиту.

Достоверность теоретических выводов и практических результатов диссертационной работы определяется:

— Корректностью использования симплициальных комплексов и положений персистентной гомологии при анализе данных о пространственно-распределённых объектах, учитывающих внутреннюю и внешнюю топологию в системах идентификации и классификации пространственно -распределённых объектов.

— Использованием разработанной модели и алгоритмов в системах классификации и идентификации пространственно-распределённых объектов для решения задач оперативного сбора и анализа данных о временных и масштабных эволюциях, что подтверждается актом внедрения.

Результаты работы получены автором в результате выполнения двух грантов: грант РФФИ № 17-47-330387 «Методы и алгоритмы обработки пространственно-распределенной информации на основе персистентной гомологии» и грант РФФИ № 19-37-90080 «Разработка модели, методов и алгоритмов обработки и анализа n-мерных геообъектов на основе топологии».

Диссертационная работа и отдельные ее части обсуждались на международной конференции «ГрафиКон-2016 (ННГАСУ, г. Нижний Новгород, 2016)», международной конференции «Распознавание» (ЮЗГУ, г. Курск, 2018, 2019), международной конференции «ITNT» (Самарский университет, г. Самара, 2018, 2019), на всероссийской конференции «Зворыкинские чтения» (МИ ВлГУ, г. Муром, 2017, 2018, 2019, 2020).

Публикации. По теме диссертации опубликована 24 работы: 4 статьи, входящие в перечень ВАК; 5 работ, входящие в перечень Scopus/Web of

Science; 13 тезисов докладов; 2 свидетельства о регистрации программного продукта для ЭВМ.

Личный вклад. Все выносимые на защиту положения разработаны соискателем лично. В основных научных работах по теме диссертации, опубликованных в соавторстве, вклад соискателя определен в [6, 13, 17] -проведен анализ и обзор моделей, методов и алгоритмов обработки пространственных объектов, в [1, 2, 3, 4, 5, 7, 8, 9, 10, 14, 16, 19, 22] -предложены и исследованы алгоритмы идентификации и обработки объектов на основе разработанных алгоритмов и модели, в [11, 12, 15, 18, 20, 21] -результаты экспериментальных исследований на основе разработанных алгоритмов.

ГЛАВА 1. ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ И АЛГОРИТМОВ ОБРАБОТКИ И АНАЛИЗА ПРОСТРАНСТВЕННО -РАСПРЕДЕЛЕННЫХ

ОБЪЕКТОВ

В первой главе произведен анализ подходов к обработке пространственных объектов на основе геометрических характеристик, нейронных сетей и сегментации изображений и т.д. Рассмотрены основные методы цифровой обработки изображений, используемые в различных сферах деятельности (обработка пространственных объектов на картах и снимках, анализ движения транспорта, медицина и т.д.). Также в данной главе рассмотрены алгоритмы и методы анализа и сопоставления объектов на разных масштабах и за разные временные промежутки. Выявлены основные минусы и плюсы обозреваемых алгоритмов. Также произведен анализ существующих инструментов и технологий использования топологии в существующих ГИС.

1.1 Обзор существующих методов цифровой обработки изображений

Существуют методы обработки объектов на основе сегментации изображения [23]. Данные методы позволяют за счет сегментации определить контур объекта и рассчитать его размер. На основе данных методов можно предположить в какой временной отрезок мог быть сделан снимок объекта. Но данные методы не позволяют описать форму объекта.

Существуют методы для анализа последовательности изображений, которые учитывают изменения между двумя соседними снимками. Обычно такие подходы используют для анализа видеопоследовательностей. Однако для поставленной задачи точки двух анализируемых изображений будут иметь разную интенсивность и не позволят достичь нужного результата [24, 25].

Пример изменения изображений отображен на рисунке 1. 1.

*

/

а б в

Рисунок 1.1 - Эволюция озера за несколько лет

Также очень популярным и быстроразвивающимся является подход на основе нейронных сетей [26]. Он требует большой и качественно подготовленной выборки для обучения. Однако этот подход будет работать в случае выборки из изображений для определенного временного промежутка или масштаба.

В методах на основе геометрических характеристик объектов можно определить тип, площадь и размер объектов на карте за счет определения количества пикселей. Но данные методы не позволяют определить форму объекта и его масштаб.

Существует подход к решению задачи идентификации объектов земной поверхности по данным гиперспектральной съёмки от космических комплексов. Он основан на сравнении гиперспектральных характеристик пространственных объектов с набором эталонных сигнатур. В его основу легли алгоритмы идентификации и анализа объектов с использованием теории нечётких множеств, такие как: алгоритм консолидации результатов различных решений по идентификации, алгоритм идентификации на основе нечёткой линейной регрессии [27-32].

Рассмотрен алгоритм уточнения двумерной идентификации состояния трехмерного объекта (невидимые стороны и деформированные поверхности), в котором для компенсирования потерь информации о частях трехмерного

объекта, невидимых на двухмерном изображении, используется алгоритм для систем компьютерного зрения, который создает дополнительные свойства для идентификации и количественной оценки их состояния, чувствительную к деталям их поверхности. Данный алгоритм решает задачи поддержки принятия решений в ходе управления технологическим процессом, а также оценки и контроля качества продукции [33-38].

Существует метод обработки снимков с помощью технических средств диагностики (метрология, медицина, искусственный интеллект), который используется для автоматического поиска, анализа и классификации объектов. Он показал эффективную степень автоматического распознавания изображений посредством выделения вектора признаков для сигналов, регистрируемых в различных диапазонах электромагнитного спектра дешифрируемых изображений высокой разрешающей способности [39].

Рассмотрен подход выявления признаков классификаторов, используемых в задачах обработки дифракционных изображений сложных пространственных объектов. В рамках подхода происходит разделение класса объекта на подклассы, а также производится выделение классов объектов с использованием эллипсоидального оценивания. Также там используются критерии для качественного отбора вектора признаков классификатора, которые предназначены для обучающей выборки [40].

Существует набор алгоритмов, используемых для идентификации объектов различных классов на некачественных снимках, полученных с видеокамеры низкого разрешения. Особенностью данных алгоритмов является возможность выявить объекты, размеры которых не более нескольких десятков пикселей [41-48].

Исследован алгоритм, позволяющий распознавать жесты рук на видеозаписях. Он основан на принципах цветовой кластеризации объектов. Предложенный метод не требует длительного обучения классификаторов по массивам изображений жестов. Это позволяет его использовать, прежде всего,

в ракетно-космической отрасли для построения эффективных систем управления на основе жестовых интерфейсов [49-53].

Произведен анализ алгоритма идентификации объектов на основе выборки данных. Он использует методы морфологического анализа изображений Пытьева (инвариантность относительно изменения изображений, а также методы разделения классов изображений гиперплоскостями). Алгоритм применим на изображениях объектов, снятых при разных условиях освещения и ракурсах. Также он применяется для интерпретации микроскопических изображений в биофизике, исследования природных ресурсов Земли по спутниковым снимкам, анализа формы акустических сигналов в геофизике и т.д. [54-58].

Существует новый подход обработки данных дистанционного зондирования (ДДЗ), который решает задачи идентификации, анализа, дистанционного поиска и ГИС-картографирования археологических памятников (геоархеологии). Авторами выдвинута новая технология, включающая три составляющих: предобработка данных ДДЗ, алгоритмизированное компьютерное дешифрирование ДДЗ, постобработка с возможностью построения ГИС -моделей и наглядной картографической визуализацией [59-62].

Рассмотрены методы, выполняющие анализ и параметризацию объектов, которые находятся на слоях топографий, а также выявляют область снимка, относящуюся к изображению. В процессе дальнейшего исследования объект рассматривается как совокупность вокселов (объемных изображений), отображающих среднюю плотность ткани в соответствующей области объекта. Далее вычисляются площади объекта на каждом срезе, затем его суммарный объем. Фильтрация объемных изображений у объекта по значению плотности позволяет выявить области объекта с определенными свойствами и оценить степень симметричности новообразований. Разработанный метод позволяют, во-первых, частично автоматизировать анализ томографий, выдавая характеристики параметров объекта, указанного на снимке:

послойных площадей, объема, распределения значений плотности внутри объекта, оценки симметричности новообразований внутри объекта; а во-вторых, проводить локализацию тканей определенной плотности и выявлять патологические образования без использования контрастирования [63-69].

Исследован метод автоматического выявления местоположения легковых транспортных средств на снимках и на изображениях перспективных средств космического дистанционного зондирования Земли. Данный метод использует виды признаков (геометрические, текстурные, структурные) для описания изображённых на снимках объектов и их анализа, а также алгоритм проверки гипотезы о наличии объекта. Окончательное обозначение объектов на изображении выполняется с помощью оригинальной последовательной процедуры [70-71].

Описанный метод дает высокие показатели обнаружения на снимках аэрофотографии.

Произведен анализ алгоритмов распознавания лиц и радужки глаза на основе марковских моделей. Это статистические модели, имитирующие работу процесса, похожего на Марковский процесс с неизвестными параметрами, и задачей ставится разгадывание неизвестных параметров на основе наблюдаемых. Основным недостатком является то, что основанные на этих моделях методы, дают лишь оценку соответствия модели изображения. Иными словами, эта оценка позволяет решить, какая из моделей соответствует изображению больше, чем остальные [72, 73].

Рассмотрен метод главных компонент и линейный дискриминантный анализ для решения задачи распознавания изображений. В работе рассматриваются некоторые аспекты применения метода главных компонент (МГК) и линейного дискриминантного анализа (ЛДА) для решения задачи распознавания изображений. Основная идея такого подхода заключается в том, что сначала изображения лиц проецируются из исходного пространства признаков в редуцированное подпространство главных компонент, а затем для

разделения классов изображений используется линейный дискриминантный анализ [74, 75].

Существует методика системы распознавания образов с помощью самоорганизующихся карт Кохонена. Это нейронная сеть с обучением без учителя, выполняющая задачу визуализации и кластеризации. Параметры сети включают в себя размерность массива нейронов, число нейронов в каждом измерении, форму окрестности, закон сжатия окрестности и скорость обучения [76, 77].

Произведен анализ алгоритма Edge-avoiding à-trous wavelets (вейвлеты, предотвращающие переход от края к центру) для распознавания изображений. Указанный метод строит на основе зашумленного изображения высокого разрешения, выведенного трассировкой лучей с использованием метода Монте-Карло, изображение без очевидного шума, используя кроме исходного изображения буферы нормалей и положений объектов сцены в экранном пространстве. Дополнительные буферы данных вместе с исходным изображением дают возможность сохранить небольшие детали изображения, например, резкие тени, информации о которых нет во входных данных. На изображении остаются острые края вокруг геометрических границ, и сглаживается освещение там, где это необходимо. Использование общего алгоритма трассировки лучей позволяет корректно обрабатывать оптически сложные свойства объектов сцены, такие как глянцевые материалы и источники света сложной формы с диаграммой излучения [78, 79, 80].

Рассмотрен метод независимых компонент (ICA) при дешифрировании снимков лесных массивов. Этот метод позволяет разделить исходные сигналы даже в тех случаях, когда они не подчиняются нормальному закону распределения. Для этого используется более высокий порядок статистик, не основанный на Гауссовом распределении, который учитывает более высокие моменты статистических распределений, например, момент распределения коэффициента эксцесса. Основное условие метода ICA это возможность

нелинейного преобразования исходных данных с условием сохранения независимости измерений [81].

Основным недостатком описанных выше методов и алгоритмов является то, что они не позволяют сопоставить объекты на основе их формы, и как следствие не дают возможность сопоставить их на различных масштабах.

1.2 Обзор существующих алгоритмов обработки пространственно-распределённых объектов на разных масштабах

Произведен анализ алгоритма, который позволяет обрабатывать nD объекты. Смысл алгоритма заключается в моделировании п-мерных характеристик (времени и масштаба), как дополнительных геометрических размеров, перпендикулярных к пространственным объектам, создавая модель более высокого порядка в использовании интервалов, на основе которых 2D модели возводятся в следующие измерения. Данные интервалы получаются из клеточного комплекса (топологическое пространство) и они разбиваются на более мелкие. Начиная с планарного разбиения многоугольников и интервала высоты, связанного с каждым из них, она генерирует набор пространственно-разбивающихся прямоугольных многогранников, считая, что каждый многоугольник существует по всему его отрезку [82].

Существует основа для интеграции пяти измерений в одно формальное представление данных, а также рассмотрены алгоритмы обработки многомерных данных. Формальное определение географических данных в концептуальном континууме 5D позволит наиболее эффективно управлять и запрашивать географические данные с помощью одного интегрированного подхода. Кроме того, он обеспечит согласованность по масштабам и времени. Этот подход привел к новой теории и методу для геоданных, а также технологий, реализующих многомерное разбиение. Интеграция многомерных концепций геоданных позволяет использовать общую геометрию и встроенные топологические, временные и масштабные структуры

посредством полного разбиения (3D, время и масштаб). Но данные алгоритмы основываются на использовании координат объектов, из-за чего придется хранить весь список координат и геометрических характеристик. Для хранения объектов в ГИС существуют различные наборы структур данных [83-87].

В работах [88-92] рассмотрены подходы к хранению пространственных отношений в ГИС, такие как: пространственные запросы на основе языка SQL, матрицы топологических отношений и другие. Основное внимание в данных работах уделено представлению естественных иерархических структур пространственных объектов. Разработан метод хранения информации о пространственных взаимосвязях непосредственно в идентификаторе объекта, приведена структура такого идентификатора.

Рассмотрен комплексный подход к построению иерархической структуры дорожной сети для непрерывного многомасштабного представления, особенно непрерывного избирательного пропуска дорог в сети. В данной структуре модель дорожной сети построена с использованием линейной и ареальной иерархии. Непрерывное многомасштабное представление дорожной сети может быть достигнуто путем поиска в этих иерархиях.

Список литературы диссертационного исследования кандидат наук Ковалев Юрий Анатольевич, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Андрианов Д.Е., Еремеев С.В., Купцов К.В., Ковалев Ю.А. Алгоритм идентификации пространственных объектов растровой карты на основе топологического анализа данных // Телекоммуникации. 2017. № 7. С. 39-44.

2. Еремеев С.В., Андрианов Д.Е., Ковалев Ю.А. Алгоритм идентификации временных эволюций пространственно -распределенных объектов на основе Баркодов. Геоинформатика. 2018. № 4. С. 23-29.

3. Ковалев Ю.А. Алгоритм идентификации пространственных объектов на снимках за разные промежутки времени и на различных масштабах на основе трехмерных баркодов // Вестник РГРТУ. 2020. №74. С. 89-98.

4. Еремеев С.В., Андрианов Д.Е., Ковалев Ю.А., Титов Д.В. Разработка методов обработки пространственных структур на спутниковых изображениях // Изв. Вузов. Приборостроение. 2021. Т. 64. №1. С. 21-31.

5. Ковалев Ю. А. Алгоритм поиска пространственных объектов по заданным критериям на основе буферных зон // Электронный научный журнал «Алгоритмы, методы и системы обработки данных». 2015. № 4(33). С. 48-54.

6. Ковалев Ю. А. Алгоритм поиска пространственных объектов на векторных картах с использованием буферных зон // Труды всероссийской конференции "Молодежь России": Всероссийские научные Зворыкинские чтения - VIII. 2016. С. 87.

7. Ковалев Ю. А., Еремеев С. В. Алгоритм поиска пространственных объектов по заданным критериям на основе буферных зон в многомасштабных ГИС // Труды 26-й Международной научной конференции «ГРАФИК0Н'2016». 2016. С. 414-416.

8. Ковалев Ю. А., Еремеев С. В. Алгоритм классификации пространственных объектов на основе модели Random forest // Электронный

научный журнал «Алгоритмы, методы и системы обработки данных». 2017. № 2(35). С. 15-21.

9. Ковалев Ю. А. Методы и алгоритмы обработки многомасштабных данных в ГИС // Труды всероссийской конференции "Молодежь России": Всероссийские научные Зворыкинские чтения - IX. 2017. С. 513.

10. Andrianov D. E., Eremeev S. V., Kovalev. Y. A., Kuptsov K. V. Algorithm for encoding nD spatial objects into GIS // CEUR Workshop Proceedings. Image Processing and Earth Remote Sensing. Information Technology and Nanotechnology 2018. Vol. 2210. Pp. 149-155.

11. Eremeev S. V., Kovalev. Y. A., Kuptsov K. V. A research of classification algorithm of spatial information on the basis of methods of persistent homology and random forest // CEUR Workshop Proceedings. Data Science. Information Technology and Nanotechnology 2018. Vol. 2212. Pp. 165-171.

12. Ковалев Ю. А., Еремеев С. В., Купцов К. В. Исследование алгоритма классификации пространственной информации на основе методов персистентной гомологии и random forest // Сборник трудов ИТНТ-2018. Самарский национальный исследовательский университет имени академика С.П. Королева. 2018. С. 2384-2390.

13. Ковалев Ю. А., Еремеев С. В., Купцов К. В., Андрианов Д. Е. Алгоритм кодирования nD пространственных объектов в ГИС // Сборник трудов ИТНТ-2018. Самарский национальный исследовательский университет имени академика С.П. Королева. 2018. С. 800-805.

14. Ковалев Ю. А., Еремеев С. В., Андрианов Д. Е. Алгоритм поиска различий у пространственных объектов, изменяемых во времени, на основе Баркода // Международная конференция по мягким вычислениям и измерениям. 2018. Т. 1. С. 481-483.

15. Ковалёв Ю.А., Еремеев С.В. Анализ временных эволюций nd объектов на основе компьютерной топологии. Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и

символьной информации. Распознавание - 2018 Сборник материалов XIV международной научно-технической конференции. 2018. С. 139-140.

16. Andrianov D.E., Eremeev S.V., Kovalev Y.A. Algorithm for constructing three-dimensional barcodes to represent nD spatial objects in GIS // CEUR Workshop Proceedings ITNT 2019 - Proceedings of the 5th Information Technology and Nanotechnology 2019: Image Processing and Earth Remote Sensing. 2019. Vol. 2391. Pp. 206-210.

17. Андрианов Д.Е., Еремеев С.В., Ковалев Ю.А. Алгоритм построения трехмерных Баркодов для представления nd пространственных объектов в ГИС. В сборнике: Сборник трудов ИТНТ-2019 Под редакцией В.В. Мясникова. 2019. С. 188-192.

18. Андрианов Д.Е., Еремеев С.В., Ковалёв Ю.А. // Технология описания пространственно-временных эволюций объектов в ГИС на основе трехмерных баркодов // Оптико -электронные приборы и устройства в системах распознавания образов и обработки изображений. Распознавание -2019 сборник материалов XV Международной научно-технической конференции. 2019. С. 34-36.

19. Andrianov D.E., Eremeev S.V., Kovalev Y.A. Algorithm for analysis of spatial scenes nd-objects in geoinformation systems// informasiya texnologiyalari problemlsri. 2019. No. 2. Pp. 9-13.

20. Andrianov D. E., Eremeev S. V., Kovalev. Y. A. Identification of spatial objects with the same topological structure in images from different times of the year // SGEM2020 Conference Proceedings. 2020. Vol. 2.1. Pp. 507-514.

21. Andrianov D. E., Eremeev S. V., Kovalev. Y. A. Method for extracting information on the topology of an n-dimensional map // SGEM2020 Conference Proceedings. 2020. Vol. 2.1. Pp. 515-522.

22. Андрианов Д.Е., Еремеев С.Выукпу., Ковалёв Ю.А. Алгоритмы анализа и обработки снимков на основе баркодов // Современные технологии в науке и образовании - СТН0-2020. Сборник трудов III Международного научно-технического форума. Рязань. 2020. С. 223-227.

23. Radke R.J., Andra S., Al-Kofahi O., Roysam B. Image change detection algorithms: a systematic survey // IEEE Transactions on image processing. 2005. vol. 14. no. 3. pp. 294-307.

24. Рожков Ю.Ф., Кондакова М.Ю. Количество классов при проведении кластерного анализа космических снимков при мониторинге состояния лесов // НАУКА И ОБРАЗОВАНИЕ. 2017. №3. C. 130-139

25. Нгуен Ван Шон, Нгуен Ти Тхань. Обнаружение движений объектов в последовательности изображений // Известия Тульского государственного университета. Технические науки. 2017. C. 133-137

26. Lu D., Mausel P., Brondizio E., Moran E. Change detection techniques // Int. Journ. of Remote Sensing. 2004. vol. 25. no. 12, pp. 2365-2401.

27. Труханов С.В. Алгоритмы идентификации объектов по данным гиперспектральной съёмки Земли с использованием нечёткой линейной регрессии // Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение. 2016. Т. 15. №2. C. 200-207.

28. Демидова Л.А., Мятов Г.Н. Методика оценки уникальности фрагментов электронной карты с использованием нечёткой линейной регрессии // Вестник Самарского государственного технического университета. Серия: Технические науки. 2013. № 4 (40). С. 14-26.

29. Мятов Г.Н. Формирование уникальных фрагментов электронной карты с использованием нечёткой линейной регрессии // Межвузовский сб. научных трудов «Математическое и программное обеспечение вычислительных систем». Рязань: РГРТУ, 2012. С. 169-181.

30. Haekwan L., Tanaka H. Fuzzy approximations with non-symmetric fuzzy parameters in fuzzy regression analysis // Journal of the Operations Research Society of Japan. 1999. V. 42. Iss. 1. P. 98-112.

31. Haekwan L., Tanaka H. Fuzzy regression analysis by quadratic programming reflecting central tendency // Behaviormetrika. 1998. V. 25. Iss. 1. P. 65-80.

32. Sakawa M., Yano H. Multiobjective fuzzy linear regression analysis for fuzzy input-output data // Fuzzy Sets and Systems. 1992. V. 47. Iss. 2. P. 173-181.

33. Остапов Д. С. Подходы к идентификации состояния 3D-поверхности по 2D-изображениям единичных объектов и их массового количества // Вестн. Астрахан. гос. техн. ун-та. Сер. управление, вычисл. техн. информ. 2016. № 4. С. 55-64.

34. Da-Wen Sun. Computer Vision Technology for Food Quality Evaluation. Published by Elsevier Academic Press, San Diego, CA, USA. 2011. Pp. 600.

35. Зиятдинова В. А., Шаззо А. Ю., Усатиков С. В., Погорелова И. И. Оценка качества риса с использованием современных методов анализа цветовых характеристик единичных зерен // Изв. вузов. Пищевая технология. 2015. № 2-3. С. 100-104.

36. Зиятдинова В. А., Шаззо А. Ю., Усатиков С. В., Погорелова И. И. Оперативный экспрессконтроль испорченных зерен риса с использованием систем компьютерного зрения // Изв. вузов. Пищевая технология. 2015. № 4. С. 100-104.

37. Зиятдинова В. А., Шаззо А. Ю., Усатиков С. В., Погорелова И. И. Объективный метод распознавания и оценки недозрелого и краснозёрного риса // Изв. вузов. Пищевая технология. 2016. № 1. С. 92-96.

38. Горонков К. А., Руденко О. В., Усатиков C. В. База данных обучающей выборки для высокоточного распознавания плоских изображений сортов злаковых и масличных культур // Фундаментальные исследования. 2011. Вып. 8, ч. 2. С. 342-346.

39. Журавлев С.В., Попов А.В., Попов В.А. Способ распознавания объектов на разноспектральных изображениях // Приборостроение. 2019. №7. C. 647-653.

40. Гулевич С. П., Шевченко Р. А., Прядкин С. П., Веселов Ю. Г. Методика селекции признаков классификации в задачах распознавания

образов сложных пространственных объектов // Машиностроение и компьютерные технологии. 2012. №01.

41. А. С. Викторов Алгоритм детектирования объектов на фотоснимках с низким качеством изображения // Программные продукты и системы. 2017. №1. C. 130-137.

42. Mikolajczyk K., Schmid C. An affine invariant interest point detector // Proc. 7th ECCV'02. 2002. part I. pp. 128-142.

43. Harris C.G., Stephens M. A combined corner and edge detector // Proc. of 4th Alvey Vision Conf. 1988. pp. 147-151.

44. Lowe D.G. Distinctive image features from scale-invariant keypoints // Intern. Jour., of Comp. Vision. 2004. vol. 60. iss. 2. pp. 91-110.

45. Sivic J., Zisserman A. Video Google: a text retrieval approach to object matching in videos // Proc. ICCV'03. 2003. vol. 2. pp. 1470-1477.

46. Schaffalitzky F., Zisserman A. Automated location matching in movies // Comp. Vision and Image Understanding. 2003. vol. 92. pp. 236-264.

47. Fergus R., Fei-Fei L., Perona P., Zisserman A. Learning object categories from Google's image search // Proc. Intern. Conf. on Comp. Vision. 2005. vol. 2. pp. 1816-1823.

48. Krizhevsky A., Hinton G.E. Using very deep autoencoders for content-based image retrieval // Conf. ESANN 2011, 19th Europ. Sympos. on Artificial Neural Networks, Bruges, Belgium. 2011. pp. 44-51.

49. Чудновский М. М. Алгоритм распознавания жестов руки человека на видеопоследовательности в режиме реального времени для реализации интерфейсов человеко-машинного взаимодействия // Сибирский журнал науки и технологий. 2014. №3 (55). С. 162-167

50. Фан Н. Х., Буй Т. Т., Спицын В. Г. Распознавание жестов на видеопоследовательности в режиме реального времени на основе применения метода Виолы-Джонса, алгоритма Camshift, вейвлет-преобразования и метода главных компонент // Управление, вычислительная техника и информатика: Вестн. Том. гос. ун-та. 2013. № 2(23). C. 102-111.

51. Malima A., Ozgur E., Cetin M. A Fast Algorithm for Vision-Based Hand Gesture Recognition for Robot Control // Proc. of the IEEE 14th. Antalya, 2006. Р. 1-4.

52. Чудновский М. М., Русанова О. А. Исследование робастности принципа цветовой кластеризации объектов для построения систем человеко -машинного взаимодействия // Системный анализ и информационные технологии : V Междунар. конф. САИТ - 2013 (19-25 сент. 2013, г. Красноярск). В 2 т. Т. 2. Красноярск : ИВМ СО РАН, 2013. С. 431-435.

53. Shi L. Skin Colour Imaging That Is Insensitive to Lighting // Proc. of AIC Conf. on Colour Effects & Affects (June 15-18, Stockholm). 2008. no. 102.

54. Зубюк А. В., Федотов А. Б. Алгоритм идентификации объектов по изображениям, основанный на разделении гиперплоскостью и нечувствительный к изменению условий освещения и ракурса // Вестник Московского университета. Серия 3. Физика. Астрономия. 2015. №6. С. 49-54.

55. Куличков С.Н., Чуличков А.И., Демин Д.С. Морфологический анализ инфразвуковых сигналов в акустике. М., 2010.

56. Пытьев Ю.П., Чуличков А.И. Методы морфологического анализа изображений. М., 2010.

57. Визильтер Ю.В., Желтов С.Ю. // Изв. РАН. ТиСУ. 2008. № 6. С.

113.

58. Vizilter Yu.V., Zheltov S.Yu. //J. Computer and Systems Sciences International. 2009. 48, N 2. P. 282.

59. Крупочкин Е. П. Технология дешифрирования многозональных космических снимков для решения задач геоархеологии // Новое слово в науке и практике: гипотезы и апробация результатов исследований. 2013. №8. С. 27 -32

60. Коробов Д.С. Основы геоинформатики в археологии: учеб. пособие / Д.С. Коробов. - М.: изд-во МГУ. 2011. С. 224.

61. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и распознавание изображений: учеб. пос. / В.Т. Фисенко, Т.Ю. Фисенко. - СПб.: СПбГУ ИТМО. 2008. С. 192.

62. Червяков В.А., Крупочкин Е.П. Теория и технология регионального картографического моделирования: геоинформационные подходы: Монография / В.А. Червяков, Е.П. Крупочкин, О.Н. Барышникова, И.А. Колмако-ва, Е.В. Мардасова, А.А. Поляков, Т.Г. Попова; под ред. проф. В.А. Червяко-ва. - Барнаул: Изд-во Алт. ун-та. 2005. С. 136.

63. Лиманова Н. И., Атаев С. Г. Метод анализа снимков компьютерной томографии на основе поэтапной бинаризации изображений и его программная реализация // Информационно -управляющие системы. 2018. №3 (94). C. 96-108.

64. Van Ginneken B., Schaefer-Prokop CM., Prokop M. Computer-Aided Diagnosis: how to Move from the Laboratory to the Clinic // Radiology. 2011. vol. 261. no. 3. pp. 719-732.

65. Doi K. Current Status and Future Potential of Computer-Aided Diagnosis in Medical Imaging // The British Journal of Radiology. 2005. vol. 78. pp. 3-19.

66. Hofer M. CT Teaching Manual: Systematic Approach to CT Reading // Thieme. 2007. 224 p.

67. Seletchi E., Duliu O. Image Processing and Data Analysis in Computed Tomography // Romanian Journal of Physics. 2007. vol. 1. pp. 764-774.

68. Boussion N., Fayad H., Le Pogam A., Pradier O., Visyikis D. Image Processing Methods in CT for Radiotherapy Applications // In: Theory and Applications of CT Imaging and Analysis. InTech, 2011. P. 127-142.

69. Maher M., Kalra M., Sahani D., Perumpillichira J., Rizzo S., Saini S., Mueller P. Techniques, Clinical Applications and Limitations of 3D Reconstruction in CT of the Abdomen // Korean Journal of Radiology, 2004, vol. 5, no. 1, pp. 5567.

70. Мясников В. В. Метод обнаружения транспортных средств на цифровых аэрофото- и космических изображениях дистанционного зондирования Земли // КО. 2012. №3. С. 429-438.

71. Антонушкина С. В., Гуров В. С., Егошкин Н. А., Еремеев В. В. Современные технологии обработки данных дистанционного зондирования Земли // Монография под редакцией В. В. Еремеева. — Москва : ФИЗМАТЛИТ. 2015. С. 460.

72. Джосан, О.В. Использование скрытых Марковских моделей для детектирования радужки на изображении лиц // А.В. Джосан, МГУ им. Ломоносова. 2006.

73. Гультяева, Т.А. Скрытые Марковские модели с одномерной топологией в задаче распознавания лиц // Т.А. Гультяева, А.А. Попов; НГТУ. 2006.

74. Мокеев В.В., Томилов С.В. О решении задачи распознавания изображений методом главных компонент и линейным дискриминантным анализом // КО. 2014. №4. С. 871-880.

75. Мокеев А.В., Мокеев В.В. Об эффективности распознавания лиц с помощью линейного дискриминантного анализа и метода главных компонент // Бизнес-информатика. 2015. №3 (33). С 44-54.

76. Тант Зин Пьо, Тин Чжо, Пья Сон Ко Ко., Пайе Тэйн Наинга Методика системы распознавания образов с помощью самоорганизующихся карт Кохонена нейронных сетей на основе Matlab // Вестник евразийской науки. 2013. №5 (18). С 27.

77. Баранов Р. П. Идентификация личной подписи человека // Решетневские чтения : материалы XV Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2011. С. 603-604.

78. Dammertz H., Sewtz D., Hanika J., Lensch H. Edge-Avoiding A-Trous Wavelet Transform for fast Global Illumination Filtering. // In High Performance Graphics. 2010. Pp. 67-75.

79. Burt P. J. Fast filter transform for image processing // Computer Graphics and Image Processing. 1981. Vol 16. Pp. 20-51.

80. А. Ф. Лемешев, Д. Д. Жданов, А. Г. Волобой, Н. Б. Дерябин. Использование методов фильтрации изображений в реалистичном рендеринге реального времени // Препринты ИПМ им. М. В. Келдыша. 2019. № 66. С. 26.

81. Гук Александр Петрович, Арбузов Станислав Андреевич, Гук Александра Александровна Использование метода независимых компонент при дешифрировании снимков лесных массивов // Интерэкспо Гео-Сибирь. 2014. №1. С. 3-7.

82. Arroyo Ohori, K., Ledoux, H. and Stoter, J., 2015a. A dimension independent extrusion algorithm using generalised maps // International Journal of Geographical Information Science 29(7). pp. 1166-1186.

83. Peter van Oosterom, Jantien Stoter. 5D Data Modelling: Full Integration of 2D/3D Space, Time and Scale Dimensions // Techncial University of Delft. 2014. P. 2-16.

84. Stoter, J.E., van Oosterom, P.J.M., Quak, C.W., Visser, T., Bakker, N. A semantic rich Multi-Scale Information Model Topography // Accepted for publication in International journal of geographical information science, IJGIS. 2010.

85. Meijers, M., van Oosterom, P.J.M., Quak, C.W.: A storage and transfer efficient data structure for variable. In: Bernard, Sester, P. (eds.) Advances in GIScience. Springer. Heidelberg. 2009. pp. 345-367.

86. Vermeij, M., van Oosterom, P., Quak, W., Tijssen, T. Storing and using scale-less topo-logical data efficiently in a client-server DBMS environment // In: 7th International Confer-ence on GeoComputation, Southampton. 2003.

87. Croom, F.H.: Principles of Topology. Cengage Learning. 2002. P. 312.

88. Zhilin Li, Qi Zhou. Integration of linear and areal hierarchies for continuous multi-scale representation of road networks // Intern. J. of Geographical Information Science. 2012. Vol. 26. P. 855—880.

89. Jean-Daniel Boissonnat, Karthik C. Srikanta, Sébastien Tavenas. Building Efficient and Compact Data Structures for Simplicial Complexe // An extended abstract appeared in the proceedings of SoCG. 2015.

90. D. Attali, A. Lieutier, and D. Salinas: Efficient data structure for representing and simplifying simplicial complexes in high dimensions // In International Journal of Computational Geometry and Applications. 2012. 22(4). Pp. 279-303.

91. Гречищев А.В., Савинский В.Ю., Стоволосов Е.В., Ложенков Б.А., Потапов А.С. О современных технологиях многомерного моделирования объектов и местности по данным дистанционного зондирования: аэро- и космическим часть 3 // Экология. Экономика. Информатика. Серия: Геоинформационные технологии и космический мониторинг. 2017. Т. 2. № 2. С. 166-178.

92. Евсюков А.А, Коробко А.В. Применение методов инфографического моделирования для представления многомерных данных // Образовательные ресурсы и технологии. 2016. № 2 (14). С 16-23.

93. J-D. Boissonnat and C. Maria: The Simplex Tree: An Efficient Data Structure for General Simplicial Complexes. In Algorithmica. 2014. 70(3), Pp. 406427.

94. J.-D. Boissonnat and D. Mazauric: On the complexity of the representation of simplicial complexes by trees, In Theoretical Computer Science. 2016. Vol. 617. Pp. 28-44.

95. Michael F. Goodchild, Robert P. Haining. GIS and spatial data analysis: Converging perspectives. // Fifty Years of Regional Science. 2004. Pp. 363-385.

96. Черемисина Е.Н., Спивак И.Л., Спивак Л.Ф., Соколов А.С. ГИС -технологии сравнения карт и управление развитием территории // Геоинформатика. 2014. №4. С. 29-37.

97. Черемисина Е.Н., Спивак Л.Ф., Спивак И.Л. Информационно -аналитическое обеспечение ситуационного центра управления территорией // Геоинформатика. 2013. №3. С. 1-7.

98. Luc Anselin, Sheri Hudak. Spatial data analysis with GIS: an introduction to application in the social sciences. 1992. P. 92.

99. Gatrell, A.C., T.C. Bailey, P.J. Diggle, and B.S. Rowlingson, 1996. Spatial point pattern analysis and its application in geographical epidemiology. Transactions, Institute of British Geographers 21. Pp. 256-274.

100. Wong, D. W.-S. and Lee, J. (2005): Statistical Analysis with ArcView GIS and ArcGIS. P. 464.

101. John Wiley. 3. Haining, R. Spatial Data Analysis. 2003. P. 430.

102. Phuoc Vinh Tran. Overview of Three and Four-Dimensional GIS Data Models. // Lecture Notes in Electrical Engineering. 2013. Pp. 1013-1020.

103. Alias Abdul Rahman.: Spatial data modeling for 3D GIS. Springer Verlag Berlin Heidelberg. 2008.

104. Anh Nguyen Gia Tuan.: Adding time and levels of detail in the buildings model // 2010 IEEE-RIFV International Conference on Computing and Communication Technologies. Addendium Proceedings. 2010. Pp. 42-45.

105. Матерухин А.В., Проблематика создания ГИС на основе систем управления потоками данных // Геодезия и картография. 2017. Т. 78. № 4. С. 44-47.

106. Косиков А.Г., Ушакова Л.А., Виртуальные геоизображения пространственно-временных моделей окружающей среды // Геодезия и картография. 2016. № 5. С. 43-51.

107. Blazquez, Carola & Miranda, Pablo. A Real Time Topological Map Matching Methodology for GPS // GIS-Based Travel Behavior Studies. 2014. Pp. 152-170.

108. Blazquez, C. A decision-rule topological map matching algorithm with multiple spatial data // In J. Shuanggen (Ed.), Global navigation satellite systems: Signal, theory and applications. Rijeka, Croatia: Intech. 2012. Pp. 215-240.

109. Blazquez, C., Miranda, P., & Ponce, A. Performance of a new enhanced topological decision rule map matching algorithm for transportation applications // Journal of Applied Research & Technology. 2012. Vol. 10. Pp. 929-940.

110. Blazquez, C., & Vonderohe, A. Simple map matching algorithm applied to intelligent winter maintenance vehicle data // Journal of the Transportation Research Board. 2005. Vol. 1935(1). Pp. 68-76.

111. Blazquez, C., & Vonderohe, A. Effects of controlling parameters on performance of a decision-rule map matching algorithm // Journal of Transportation Engineering. 2009. Vol. 135(12). Pp. 966-973.

112. Bohte, W., & Maat, K. Deriving and validating trip purposes and travel modes for multi-day GPS-based travel surveys: A large-scale application in The Netherlands // Transportation Research Part C, Emerging Technologies. 2009. Vol. 17(3). Pp. 285-297.

113. Caicedo, F., Blazquez, C., & Miranda, P. Prediction of parking space availability in real-time // Expert Systems with Applications. 2012. Vol, 39(8). Pp. 7281-7290.

114. Chen, C., Gong, H., Lawson, C., & Bialostozky, E. Evaluating the feasibility of a passive travel survey collection in a complex urban environment: Lessons learned from the New York City case study // Transportation Research Part A, Policy and Practice. 2010. Vol. 44(10). Pp. 830-840.

115. Chen, W., Li, Z., Yu, M., & Chen, Y. Effects of sensor errors on the performance of map matching // Journal of Navigation. 2005. Vol. 58(2). Pp. 273282.

116. Crisan, D., & Doucet, A. A survey of convergence results on particle filtering methods for practitioners // IEEE Transactions on Signal Processing. 2002. Vol. 50(3). Pp. 736-746.

117. Dalumpines, R., & Scott, D. GIS-based map matching development and demonstration of a post-processing map matching algorithm for transportation research // Lecture Notes in Geoinformation and Cartography. 2011. Vol. 11. Pp. 101-120.

118. Демидова Л.А., Мятов Г.Н. Методика оценки уникальности фрагментов электронной карты с использованием нечёткой линейной

регрессии // Вестник Самарского государственного технического университета. Серия: Технические науки. 2013. № 4 (40). С. 14-26.

119. Pigot S, Hazelton B. The fundamentals of a topological model for a 4-dimensional GIS // Proceedings, Fifth International Symposium on Spatial Data Handling, Charleston, South Carolina. International Geographical. 1992. Pp. 580-91.

120. Peuquet D J. Representations of geographic space: toward a conceptual synthesis // Annals of the Association of American Geographers. 1988. Vol. 78. Pp. 375-94.

121. Peuquet D J. It's about time: a conceptual framework for the representation of temporal dynamics in geographic information systems // Annals of the Association of American Geographers. 1994. Vol. 84. Pp. 441-61.

122. Peuquet D J, Duan N. An event-based spatio-temporal data model (ESTDM) for temporal analysis of geographic data // International Journal of Geographical Information Systems. 1995. Vol. 9. Pp. 2-24.

123. Peuquet D J, Qian L. An integrated database design for temporal GIS // Seventh International Symposium on Spatial Data Handling, Delft, Holland. International Geographical Union. 1996. Pp. 2-11.

124. Peuquet D J, Wentz E. An approach for time-based analysis of spatiotemporal data // Sixth International Symposium on Spatial Data Handling, Edinburgh, Scotland. International Geographical Union. 1994. Pp. 489-504.

125. Jiang, Bin & Omer, Itzhak. Spatial Topology and its Structural Analysis based on the Concept of Simplicial Complex // Transactions in GIS. 2007. Pp. 943-960.

126. Tobler W. R. A computer movie simulating urban growth in detroit region // Economic Geography. 1970. Vol. 46. Pp. 234-240.

127. Watts D. J. and Strogatz S. H. Collective dynamics of 'small-world' networks // Nature. 1998. Vol. 393. Pp. 440 - 442.

128. Jiang B. and Claramunt C. Topological analysis of urban street networks // Environment and Planning B: Planning and Design, Pion Ltd. 2004. Vol. 31. Pp. 151-162.

129. Batty M. Network geography: relations, interactions, scaling and spatial processes in GIS // in: Fisher P., and Unwin D. J. (ed.), Re-presenting GIS, John Wiley & Sons Ltd: Chichester. 2005. Pp. 149-170.

130. Freeman L. C. Centrality in social networks: conceptual clarification, Social Networks. 1979. Vol. 1. Pp. 215 - 239.

131. Gould P. Q-Analysis, or a language of structure: an introduction for social scientists, geographers and planners // International Journal of Man-Machine Studies. 1980. Vol 12. Pp. 169 - 199.

132. Симонова Г.В., Хлебникова Е.П., Симонов Д.П. // Использование структурных признаков при цифровой обработке изображения. Интерэкспо Гео-Сибирь. 2009. № 5 (2). С. 168-170.

133. М.В. Гашников, Н.И. Глумов, Н.Ю.Ильясова, В.В. Мясников. Методы компьютерной обработки изображений // Под общей редакцией В.А. Сойфера. - 2-е изд., испр. - М.: Физматлит. 2003. С. 784.

134. Алтухов А.И., Шабаков Е.И., Коршунов Д.С. Метод повышения качества космических снимков при наблюдении земной поверхности в зимний фенологический период // Научно-технический вестник информационных технологий, механики и оптики. 2019. №1. С. 39-46

135. Григорьев А.Н., Дудин Е.А., Коршунов Д.С., Октябрьский В.В. Концептуальная и аналитическая модели ведения оптико-электронной съемки с априорной экспонометрией на борту космического аппарата // Современные проблемы ДЗЗ из космоса. 2017. Т. 14. № 3. С. 128-138.

136. Алтухов А.И., Гнусарев Н.В., Коршунов Д.С. Прогнозирование качества изображений космических объектов // Научно-технический вестник информационных технологий, механики и оптики. 2013. № 3(85). С. 36-41.

137. Занин К.А. Выбор параметров оптико-электронной космической системы наблюдения по качеству изображения // Полет. Общероссийский научно-технический журнал. 2007. №11. C. 30-37.

138. Бакланов А.И. Системы наблюдения и мониторинга. М.: Бином, 2014. С. 234.

139. Алтухов А.И., Коршунов Д.С., Шабаков Е.И. Метод повышения качества снимков космических объектов // Научно-технический вестник информационных технологий, механики и оптики. 2014. № 4. С. 35-40.

140. Алтухов А.И., Шабаков Е.И., Коршунов Д.С. Повышение качества изображений путем синтезирования космических снимков с разной экспозицией // Научно-технический вестник информационных технологий, механики и оптики. 2017. Т. 17. № 1. С. 24-30.

141. Кандоба И. Н., Бровко Е. А., Корнилов Ф. А., Перевалов Д. С. Оперативный мониторинг структурных изменений изображений объектов на космических снимках земной поверхности // Программные продукты и системы. 2015. №1 (109). С. 79-86.

142. Топология в ArcGIS. URL: https://desktop.arcgis.com/ru/arcmap/10.3/manage-data/topologies/topology-in-arcgis.html.

143. Документация QGIS 2.8. URL: https://docs.qgis.org/2.8/ru/docs/gentle_gis_introduction/topology.html.

144. Руководство пользователя MapInfo Pro. URL:

http://download.mapinfo.rU/~estimap//download/download_new/Desktop_G

IS/MapInfo_Professional/documentation_ru/1520_MapInfoProUserGuide.pdf.

145. Реестр основных функций ГИС «ИнГео». URL: http ://www.inte gro.ru/projects/ gis/function.html.

ПРИЛОЖЕНИЕ 1 Свидетельство о регистрации программы для ЭВМ №2020662951

ПРИЛОЖЕНИЕ 2 Свидетельство о регистрации программы для ЭВМ №2020663389

ПРИЛОЖЕНИЕ 3

Акт внедрения института проблем нефти и газа РАН

АКТ

Мы, нижеподписавшиеся, директор ФГБУН «Институт проблем нефти и газа РАН» (именуемый в дальнейшем ИПНГ РАН) Абукова Лейла Азретовна, с одной стороны, и директор Муромского института (филиала) федерального государственного бюджетного образовательного учреждения высшего образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых», (именуемый в дальнейшем МИ ВлГУ) Жизняков Аркадий Львович с другой стороны, составили настоящий Акт о реализации первого этапа двухстороннего Договора о научно-техническом сотрудничестве от 15 октября 2019 г.

В результате двухстороннего сотрудничества в 2019-2021 гг. разработан программный комплекс Автоматической идентификации поднятий рельефа (АИПР), позволяющий на основе автоматизированной обработки данных зимних космических снимков и цифровых моделей рельефа местности (ЦМР, тип АпЛюОЕМ) тундровых территорий в Арктике выделять целевые объекты в рельефе местности округлой формы, подобные буграм пучения. При этом постановка задачи осуществлена ИПНГ РАН, а разработка программно-алгоритмического обеспечения - МИ ВлГУ. В ходе многоступенчатых тестовых опробований в ИПНГ РАН и МИ ВлГУ добились удовлетворительного качества детектирования целевых объектов в автоматизированном режиме при контроле качества оператором.

В программном комплексе реализованы алгоритмы на основе модели описания топологической структуры пространственно-распределенных объектов в виде трехмерного баркода, включающей идентификацию и классификацию целевых объектов на основе симплициальных комплексов и баркодов, а также методов персистентной гомологии. Программные компоненты автоматической идентификации целевых объектов отражены в свидетельствах о государственной регистрации программ для ЭВМ №2020662951 и №2020663389 (авторы Д.Е.Андрианов, С.В.Еремеев и Ю.А.Ковалёв).

ИПНГ РАН и МИ ВлГУ с удовлетворением констатируют завершение первого этапа сотрудничества, в результате которого создан программный комплекс АИПР. Программный комплекс АИПР принят к использованию (внедрению) Лабораторией комплексного геолого-геофизического изучения и освоения нефтегазовых ресурсов континентального шельфа ИПНГ РАН для выполнения задач по исследованию тундровых территорий северной части Западной Сибири согласно госзаданию по теме «Рациональное природопользование и эффективное освоение нефтегазовых ресурсов арктической и субарктической зон Земли».

МИ ВлГУ передал программный комплекс АИПР ИПНГ РАН согласно Договору о научно-техническом сотрудничестве от 15 октября 2019 г. на безвозмездной основе. При этом ИПНГ РАН обязуется не передавать программный комплекс АИПР третьим сторонам без согласования с МИ ВлГУ. Стороны планируют совместно опубликовать результаты работы в 2021 г.

Директор'ИПНГ РАН, д.г.-м.н. Директор МИ ВлГУ, д.т.н., профессор

ч

А.Л. Жизняков Л_

/У МП

« сэ » ""у,?/, я / 2021 г.

ПРИЛОЖЕНИЕ 4

Акт внедрения МИ ВлГУ

1/

АКТ

об использовании результатов диссертационной работы Ковалева Юрий Анатольевича

Мы, нижеподписавшиеся, декан факультета информационных технологий, к.т.н. Щаников Сергей Андреевич, доц. кафедры «Информационные системы», к.т.н. Еремеев Сергей Владимирович, составили настоящий акт о том, что результаты диссертационной работы Ковалева Ю. А. внедрены в учебный процесс на кафедре «Информационные системы» МИ ВлГУ в учебном курсе «Геоинформационные технологии» направления подготовки 09.04.02 «Информационные системы и технологии» используются разделы диссертационной работы, связанные с моделью описания пространственно-распределенных объектов на основе трехмерных баркодов и алгоритмов классификации и идентификации пространственных объектов с учетом времени фиксации пространственной сцены и с учетом различных масштабов на основе трехмерных баркодов.

Декан факультета информационных технологий,

к.т.н.,доцент

С.А. Щаников

Доцент кафедры ИС, к.т.н.

С.В. Еремеев