автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Алгоритмическое и программное обеспечение системы интерпретации аэрокосмических изображений для решения задач картирования ландшафтных объектов

ВВЕДЕНИЕ.

ГЛАВА 1. СОСТОЯНИЕ ПРОБЛЕМЫ ИСПОЛЬЗОВАНИЯ АЭРОКОСМИЧЕСКИХ ИЗОБРАЖЕНИЙ ДЛЯ ЛАНДШАФТНОГО ТЕМАТИЧЕСКОГО КАРТИРОВАНИЯ.

1.1. Задачи ландшафтного тематического картирования.

1.2. Данные дистанционного зондирования Земли в задачах ландшафтного тематического картирования.

1.2.1. Роль дистанционных методов в задачах ландшафтного тематического картирования.

1.2.2. Основные характеристики космических систем дистанционного зондирования Земли.

1.3. Задачи обработки и интерпретации аэрокосмических изображений

1.4. Проблема автоматизации интерпретации аэрокосмических изображений.

1.4.1. Принципы распознавания образов на изображении.

1.4.2. Подходы к классификации аэрокосмических изображений.

1.4.3. Подходы к формированию системы признаков и улучшению качества классификации.

1.5. Цель и задачи исследования.

Стремительное развитие аэрокосмических технологий в последние 30 лет открыло новые неоценимые возможности оперативного получения различной пространственной информации методами дистанционного зондирования Земли (ДЗЗ) с космических и воздушных летательных аппаратов. Это обстоятельство обуславливает интенсификацию использования данных ДЗЗ для проведения ландшафтного мониторинга и оценки характеристик земной поверхности при решении задач управления сельским и лесным хозяйством, водными ресурсами, рационального природопользования, оценки экологического состояния территорий и др.

Комплексное решение задач рационального природопользования и экологического контроля с получением количественных оценок загрязнений возможно при совместном использовании технологий ландшафтного тематического картирования территорий по аэрокосмическим изображениям (АКИ) и современных геоинформационных систем (ГИС), предоставляющих развитые средства хранения и пространственного анализа картографической информации [11,34,36,42,85,91]. Увеличение объема аэрокосмической информации, используемой для создания и актуализации ландшафтных тематических карт в ГИС, а также повышение требований к скорости ее обработки обуславливают необходимость разработки и развития средств автоматизации процесса интерпретации (дешифрирования) данных ДЗЗ.

Анализ состояния проблемы автоматизированной интерпретации данных ДЗЗ показывает, что данное направление до сих пор остается наиболее сложным и наименее проработанным [93]. Среди основных задач автоматизированной интерпретации данных ДЗЗ следует выделить задачу синтеза эффективных методов и алгоритмов распознавания объектов на АКИ.

Распространенные системы обработки и интерпретации данных ДЗЗ [69,70,72,95] не позволяют решить данную задачу в целом. Это обстоятельство обуславливается двумя основными причинами. Во-первых, наиболее эффективные подходы к синтезу методов и алгоритмов распознавания, реализованные в таких системах, базируются, главным образом, на использовании принципов параметрической статистики и описания классов ландшафтных объектов вероятностными моделями, использующими предположение о нормальной плотности распределения признаков в распознаваемых классах [98]. На практике такое предположение во многих случаях не справедливо, что обуславливает снижение эффективности параметрических методов [93]. Перспективным направлением является развитие непараметрического подхода к распознаванию ландшафтных объектов [48], хотя в рамках данного подхода необходимо уделять внимание повышению вычислительной эффективности непараметрических методов и алгоритмов распознавания. Во-вторых, традиционные методы и алгоритмы распознавания АКИ часто основываются на рассмотрении лишь спектральных характеристик интерпретируемых изображений [35,42,56], что не всегда эффективно при различении спектрально похожих объектов. Подходы, учитывающие также другие характеристики объектов при распознавании, базируются, главным образом, на использовании дополнительных данных об интерпретируемой ландшафтной сцене, однако такие данные не всегда доступны [74,78,79,97,99]. Перспективным, но недостаточно развитым подходом применительно к АКИ оптического диапазона, является использование теории машинного зрения [33,75-77] и текстурного анализа [51] для получения дополнительной информации о распознаваемых объектах, помогающей улучшить их различимость.

Все вышесказанное говорит об актуальности проблем модификации существующих и разработки новых методов и алгоритмов интерпретации данных ДЗЗ, а также создания на их основе систем автоматизированной интерпретации АКИ, позволяющих эффективно решать задачи ландшафтного тематического картирования.

Цель работы и задачи исследования. Целью диссертационной работы является создание алгоритмического и программного обеспечения системы автоматизированной интерпретации аэрокосмических изображений, позволяющей решать задачи тематического картирования ландшафтных объектов с использованием данных ДЗЗ.

Для реализации поставленной цели необходимо последовательное решение следующих задач:

1. Создание концепции автоматизированной интерпретации аэрокосмических изображений. При этом должны быть определены базовые принципы распознавания ландшафтных объектов, а также принципы построения автоматизированной системы интерпретации.

2. Разработка математического обеспечения (методов и алгоритмов) системы автоматизированной интерпретации аэрокосмических изображений. Решение данной задачи предполагает также исследование эффективности предлагаемых методов и алгоритмов.

3. Разработка программного обеспечения системы автоматизированной интерпретации аэрокосмических изображений. Результатом решения этой задачи должны явиться программные средства такой системы, реализующие сформулированную концепцию и разработанные методы и алгоритмы.

4. Апробация разработанной системы автоматизированной интерпретации аэрокосмических изображений на примере решения прикладной задачи ландшафтно-экологического картирования.

Методы исследований. В работе использованы методы многомерного статистического анализа, теории распознавания образов, статистического моделирования. Проверка работоспособности и эффективности адаптивной процедуры распознавания и положенных в ее основу алгоритмов, а также оценка достоверности полученных при этом результатов осуществлялись путем проведения численных экспериментов с использованием модельных данных и реальных космических снимков с различными характеристиками.

Научную новизну полученных в работе результатов определяют:

1. Концепция автоматизированной интерпретации аэрокосмических изображений, включающая основные принципы распознавания ландшафтных объектов.

2. Двухэтапный метод классификации аэрокосмических изображений с расширенной системой признаков и реализующий его итерационный алгоритм.

3. Алгоритм классификации аэрокосмических изображений с непараметрической оценкой условных плотностей распределения признаков.

4. Адаптивная процедура распознавания ландшафтных объектов, использующая расширенную систему признаков и адаптивное решающее правило выбора наиболее эффективного алгоритма классификации.

5. Результаты исследования эффективности адаптивной процедуры распознавания и положенных в ее основу алгоритмов классификации.

Практическая ценность и реализация результатов работы. Практически значимыми являются созданные методы, алгоритмы и программные средства системы автоматизированной интерпретации аэрокосмических изображений «LandMapper» для решения задач картирования ландшафтных объектов. Также практически ценными являются разработанное программное обеспечение для создания модельных изображений с различными статистическими характеристиками, позволяющих проводить исследование эффективности алгоритмов классификации, и сами модельные изображения. Программные средства системы «LandMapper» функционируют на компьютерах типа IBM PC под управлением операционной системы Windows 98/NT. Объем исходного кода системы составляет более 15000 строк на языках С++ и MapBasic.

Созданные программные средства были апробированы при решении задачи ландшафтно-экологического картирования Первомайского нефтяного месторождения (Томская область). Полученные в ходе решения данной задачи результаты и алгоритмическое и программное обеспечение системы «LandMapper» внедрены в «ТомскНИПИнефть ВНК» - дочернем предприятии ЗАО ИЦ «Юкос». Внедрение подтверждено соответствующим актом.

Основные положения, выносимые на защиту:

1. Итерационный алгоритм, реализующий предложенный двухэтапный метод классификации аэрокосмических изображений с расширенной системой признаков, позволяет улучшать точность распознавания ландшафтных объектов.

2. Алгоритм классификации с непараметрической оценкой плотности распределения признаков имеет высокую вычислительную эффективность по сравнению с традиционными непараметрическими алгоритмами классификации.

3. Адаптивная процедура распознавания ландшафтных объектов, использующая итерационный алгоритм классификации и адаптивное решающее правило, позволяет повысить эффективность распознавания ландшафтных объектов на мультиспектральных и панхроматических аэрокосмических изображениях.

4. Разработанные алгоритмические и программные средства системы автоматизированной интерпретации аэрокосмических изображений позволяют эффективно решать задачу создания ландшафтных тематических карт с использованием данных дистанционного зондирования Земли.

Апробация работы. Основные результаты работы докладывались и обсуждались на следующих конференциях и симпозиумах: III Российско-Корейский международный симпозиум по науке и технологии «Korus'99» (г. Новосибирск, 1999 г.), Международная конференция «ГИС для оптимизации природопользования в целях устойчивого развития территорий (Интеркарто-5)» (г.Якутск, 1999 г.), International Symposium on Geographical Science «Geomark 2000» (Paris, France, 2000), The 3rd AGILE Conference on Geographic Information Science (Helsinki, Finland, 2000), The 4 Historical Cities Sustainable Development Conference: "The GIS as Design and Management Support" HISTOCITY 2000 (Sevilla, Spain, 2000), The 4th AGILE Conference on Geographic Information Science (Brno, Czech Republic, 2001), V Российско-Корейский международный симпозиум по науке и технологии «Korus'2001» (г. Томск, 2001 г.), III Международная конференция по науке и информационным технологиям «CSIT 2001» (г. Уфа, 2001 г.), International workshop on Urban Planning «Historical centers and territories: Theories, Methods and Applications» (Cagliari, Italy, 2001),

The 5th AGILE Conference on Geographic Information Science (Palma de Mallorca, Spain, 2002), Русско-американский семинар «Studies of Socio-Natural Co-Evolution from Different Parts of the World» (г. Новосибирск, 2002 г.), The 9-th International Symposium on Remote Sensing «Remote Sensing 2002» (Agia Pelagia, Greece, 2002).

По результатам работы имеется 12 публикаций, в том числе 9 статей.

Личный вклад:

1. В публикациях [84-87,93] постановка задач исследования и разработка концепции автоматизированной интерпретации аэрокосмических изображений выполнены автором совместно с Н.Г. Марковым.

2. В работах [42,85,87,88,91,93] алгоритмическое обеспечение системы автоматизированной интерпретации аэрокосмических изображений для решения задач картирования ландшафтных объектов разработано лично автором.

3. В публикациях [87,93] разработка моделей изображений для исследования эффективности предложенных алгоритмов выполнена автором.

4. В работах [83,87,89,90,92,93] постановки задач исследования эффективности предложенных алгоритмов классификации и адаптивной процедуры распознавания выполнены автором с Н.Г. Марковым. Результаты исследования алгоритмов классификации и адаптивной процедуры распознавания получены автором, при этом результаты сравнительного анализа непараметрических статистических алгоритмов классификации с нейросетевыми алгоритмами получены совместно с А.В. Замятиным и Д.Г. Бадмаевым [89,90,92].

5. Разработка программного обеспечения системы автоматизированной интерпретации аэрокосмических изображений «LandMapper» для решения задач картирования ландшафтных объектов выполнена автором совместно с Е.В. Вертинской, Р.В. Ковиным, А.А. Захаровой [85,87,93], при этом подсистема визуализации растровых данных, модули импорта/экспорта данных, подсистема векторизации растровых данных и подсистема тематической обработки, за исключением модуля анализа информативности, разработаны лично автором.

Кратко изложим основное содержание работы.

В первой главе раскрываются особенности ландшафтного мониторинга экосистем, рассматриваются основные классы задач ландшафтного тематического картирования по данным ландшафтного мониторинга, показывается роль методов дистанционного зондирования в решении этих задач. Приводится описание основных существующих на сегодняшний день систем ДЗЗ, а также характеристик предоставляемых ими данных. Раскрывается содержание задач обработки и интерпретации (дешифрирования) АКИ при ландшафтном тематическом картировании и формулируется проблема автоматизации интерпретации АКИ при решении задач такого картирования.

Проводится аналитический обзор современного состояния проблемы автоматизации интерпретации АКИ. Рассматриваются основные подходы к распознаванию образов на АКИ с использованием методов контролируемой классификации. Показана перспективность разработки подходов к интерпретации АКИ с использованием принципов непараметрической статистики и текстурного анализа.

На основе результатов анализа состояния проблемы автоматизации интерпретации АКИ при решении задач ландшафтного тематического картирования формулируются цель и задачи исследований в рамках диссертационной работы.

Вторая глава посвящена изложению предложенной концепции автоматизированной интерпретации аэрокосмических изображений.

Формулируются основные принципы концепции автоматизированной интерпретации АКИ, предлагается концептуальная схема процесса интерпретации АКИ и раскрывается содержание его основных этапов.

Рассматривается методика построения обучающих выборок и оценки их эффективности с помощью визуальных инструментальных средств, а также посредством численной оценки классовой разделимости.

Описывается задача построения расширенной системы признаков с использованием метода текстурного анализа для классификации АКИ, а также методы ее оптимизации. Предлагается двухэтапный метод классификации АКИ с использованием расширенной системы признаков.

Рассматриваются различные решающие правила классификации и предлагается адаптивное решающее правило, позволяющее выбирать наиболее эффективный алгоритм классификации на этапе распознавания ландшафтных объектов в зависимости от характеристик АКИ.

На основе предложенной концепции формулируются основные требования к разрабатываемой системе автоматизированной интерпретации АКИ и принципы ее построения.

Третья глава посвящена разработке алгоритмического обеспечения проектируемой системы автоматизированной интерпретации АКИ для решения задач картирования ландшафтных объектов.

Разрабатывается итерационной алгоритм классификации АКИ, основанный на предложенном двухэтапном методе и позволяющий преодолеть недостатки использования традиционного подхода к формированию расширенной системы признаков.

Предлагается непараметрический алгоритм классификации АКИ, использующий байесовское решающее правило с непараметрической оценкой условных плотностей распределения признаков в распознаваемых классах и независящий от вида оцениваемых плотностей. В основу алгоритма положена оригинальная процедура опережающего вычисления ядерных функций, позволяющая повысить вычислительную эффективность алгоритма на порядок по сравнению с процедурой прямого счета.

Предлагается итеративная адаптивная процедура распознавания ландшафтных объектов на АКИ, основанная на предложенных алгоритмах.

Процедура использует расширенную систему признаков и адаптивное решающее правило, позволяющее на каждой итерации выбирать наиболее эффективный алгоритм классификации по эмпирическим критериям точности и вычислительной сложности.

Формулируются принципы построения статистических модельных изображений с заданными характеристиками плотностей распределения признаков, моделируемых смесями многомерных нормальных распределений и равномерным распределением. Описываются созданные с учетом сформулированных принципов статистические модельные изображения, имеющие уни- и бимодальные плотности распределения признаков.

Проводится исследование эффективности адаптивной процедуры распознавания и положенных в основу алгоритмов классификации на оригинальных модельных изображениях и реальных космических снимках различных систем ДЗЗ. По результатам исследования делается вывод об эффективности данных алгоритмов и адаптивной процедуры распознавания в целом.

В четвертой главе описывается программное обеспечение системы автоматизированной интерпретации аэрокосмических изображений «LandMapper» и приводятся результаты ее апробации при решении практической задачи ландшафтно-экологического картирования.

Приводится описание структуры программного обеспечения системы «LandMapper» для решения задач картирования ландшафтных объектов с использованием данных ДЗЗ.

Описываются созданные программные средства системы «LandMapper», представляющие совокупность взаимосвязанных подсистем и программных модулей. Оригинальными программными компонентами системы «LandMapper» являются подсистемы визуализации, предварительной и тематической обработки (интерпретации) АКИ, а также подсистема векторизации растровых тематических карт.

15

Приводятся результаты апробации системы «LandMapper» на примере решения задачи ландшафтно-экологического картирования территории Первомайского нефтяного месторождения по космическому снимку РЕСУРС-01 (камера МСУ-Э). Приводятся примеры оценки численных характеристик ландшафтных объектов на основе созданной ландшафтно-экологической карты месторождения.

Автор выражает глубокую благодарность научному руководителю доктору технических наук, профессору Н.Г. Маркову за большую помощь в подготовке диссертационной работы, ценные замечания и советы. Автор также благодарит за плодотворные дискуссии кандидатов технических наук А.В. Кудинова и П.М. Острасть, а также ассистента кафедры Вычислительной техники Томского политехнического университета А.В. Замятина.

4.4. Основные результаты и выводы по главе

1. Проведен анализ существующих векторных ГИС и средств разработки программного обеспечения. На основе результатов проведенного анализа обоснован выбор базовых средств разработки САИ АКИ, а также способы реализации ее растровой и векторной компонент.

2. Разработана структура программного обеспечения САИ АКИ для решения задач картирования ландшафтных объектов по АКИ.

3. Созданы программные средства САИ АКИ «LandMapper», представляющих собой совокупность взаимосвязанных подсистем и программных модулей. Оригинальными программными компонентами САИ АКИ являются подсистемы визуализации растровых данных, предварительной

170 и тематической обработки изображений, векторизации растровых тематических карт. Основная часть программного обеспечения САИ АКИ разработана в среде Microsoft Visual С++ 6.0 на языке С++ с использованием объектно-ориентированной библиотеки MFC, а также на поддерживаемом ГИС Maplnfo Professional 5.0 макроязыке MapBasic.

4. Проведена апробация разработанной САИ АКИ «LandMapper» на примере решения задачи ландшафтно-экологического картирования территории Первомайского нефтяного месторождения по космическому снимку РЕСУРС-01 МСУ-Э. Приведены некоторые результаты оценки численных характеристик ландшафтных объектов на основе созданной ландшафтно-экологической карты месторождения.

5. Осуществлено внедрение алгоритмического и программного обеспечения САИ АКИ «LandMapper», а также результатов ландшафтно-экологического картирования с использованием системы «LandMapper» в ОАО «ТомскНИПИнефть ВНК» — дочернем предприятии ЗАО ИЦ «Юкос», о чем получен соответствующий акт.

ЗАКЛЮЧЕНИЕ

Диссертационная работа посвящена созданию алгоритмического и программного обеспечения системы автоматизированной интерпретации АКИ для решения задач картирования ландшафтных объектов. Получены следующие основные научные и практические результаты.

1. Рассмотрены особенности задач ландшафтного тематического картирования с использованием аэрокосмических изображений. Сформулирована и проанализирована проблема автоматизированной интерпретации (дешифрирования) аэрокосмических изображений с использованием методов распознавания образов при решении этих задач. Показана перспективность разработки подходов к интерпретации изображений с использованием принципов непараметрической статистики и текстурного анализа.

2. Предложена концепция автоматизированной интерпретации аэрокосмических изображений, включающая основные принципы распознавания ландшафтных объектов и концептуальную схему процесса интерпретации аэрокосмических изображений. На основе предложенной концепции сформулированы основные требования к разрабатываемой системе автоматизированной интерпретации аэрокосмических изображений и принципы ее построения.

3. Предложен двухэтапный метод классификации изображений с расширенной системой признаков, учитывающей спектральные и пространственные свойства ландшафтных объектов. Для решения задачи анализа информативности и оптимизации расширенной системы признаков обосновано применение метода выбора значимых признаков, использующего принцип усеченного перебора и оценку критерия информативности Джеффри-Мацушиты. На основе предложенного метода классификации изображений разработан реализующий его итерационный алгоритм.

4. Разработан алгоритм классификации аэрокосмических изображений, использующий непараметрическую оценку условных плотностей распределения признаков в распознаваемых классах и независящий от вида оцениваемых плотностей. Особенностью алгоритма является его высокая вычислительная эффективность по сравнению с традиционными непараметрическими алгоритмами.

5. На основе предложенных алгоритмов классификации разработана итеративная адаптивная процедура распознавания ландшафтных объектов на аэрокосмических изображениях. Процедура использует расширенную систему признаков и адаптивное решающее правило, позволяющее при распознавании объектов на изображении выбирать наиболее эффективный алгоритм классификации по эмпирическим критериям точности и вычислительной сложности.

6. Проведено исследование эффективности алгоритмов классификации, положенных в основу адаптивной процедуры распознавания, с использованием оригинальных модельных данных и реальных космических изображений. По результатам исследования сделаны выводы об эффективности данных алгоритмов и адаптивной процедуры распознавания в целом.

7. Разработана структура и созданы программные средства системы интерпретации аэрокосмических изображений «LandMapper». Программные средства системы функционируют на компьютерах типа IBM PC под управлением операционной системы Windows 98/NT. Объем исходного кода системы составляет более 15000 строк на языках С++ и MapBasic.

8. Проведена апробация разработанной системы «LandMapper» на примере решения задачи ландшафтно-экологического картирования территории Первомайского нефтяного месторождения по космическому снимку РЕСУРС-01 (камера МСУ-Э). Приведены некоторые результаты оценки численных характеристик ландшафтных объектов.

9. Осуществлено внедрение результатов решения задачи ландшафтно-экологического картирования, а также алгоритмического и программного обеспечения системы «LandMapper» в ОАО «ТомскНИПИнефть ВНК» — дочернем предприятии ЗАО ИЦ «Юкос», о чем получен соответствующий акт.

1. Айвазян С.А. Классификация многомерных наблюдений. М.: 1978. -232 е.: ил.

2. Айвазян С.А., Бухштабер В.М., Енюков И.С., Мешалкин Л.Д. Классификация и снижение размерности. М., «Финансы и статистика»: 1989.-206 с.

3. Андерсон Т. Введение в многомерный статистический анализ. М., «Физматгиз»: 1963. 345 с.

4. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М.: Высш. шк., 1983. - 295 е.: ил.

5. Антонов А., Кудрявцев Ф., Шафранов А., Программные средства ГИС под MS Windows // ГИС-Обозрение, 1996, весна. С. 24-33.

6. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: 1980.-425 е.: ил.

7. Бакут П.А. Сегментация изображений: методы выделения границ областей // Зарубежная радиоэлектроника, 1987, №10, С. 104-112.

8. Бакут П.А. Сегментация изображений: методы пороговой обработки // Зарубежная радиоэлектроника, 1987, №11, С. 93-100.

9. Берлянт A.M. М.: Геоиконика, 1996. - 208 е.: ил.

10. Буч Г. Объектно-ориентированный анализ и проектирование с примерами приложений на С++. Пер. с англ. под ред. И. Романовского и Ф. Андреева, М.: Rational, 1998. 420 е.: ил.

11. Вапник В.Н. Восстановление зависимостей по эмпирическим данным. — М.:Наука, 1979.-488 с.

12. Вапник В.Н., Стефанюк А.Р. Непараметрические методы восстановления плотности вероятности // Автоматика и телемеханика. 1978. - № 8, С.38-52.

13. Верхаген К., Дейн К. Распознавание образов: состояние и перспективы. Пер. с англ. -М.: 1985. 135 е.: ил.

14. Виноградов Б. В. Аэрокосмический мониторинг экосистем. М.: Наука, 1984. - 320 с: ил.

15. Виноградов Б. В. Основы ландшафтной экологии. М.: Геос, 1998. - 418с.

16. Виноградов Б. В. Преобразованная земля. М.: Издательство «Мысль», 1981.-296 е.: ил.

17. Виноградов Б. В., Кондратьев К.Я. Космические методы землеведения. -Д.: Гидрометеорологическое изд-во, 1971. 190 е.: ил.

18. Гарбук С.В., Гершензон В.Е. Космические системы дистанционного зондирования Земли. М.: Издательство А и Б, 1997. - 296 е.: ил.

19. Гмурман В.Е. Теория вероятностей и математическая статистика. М.: Высш. шк., 2000. - 479 е.: ил.

20. Горелик А.Л., Скрипкин В.А. Методы распознавания. 3-е изд. перераб. и доп. - М.: Высш. шк., 1989. - 232 е.: ил.

21. Дарахвелидзе П.Г., Марков Е.П., Котенок О.А. Программирование в Delphi 5. СПб.: БХВ - Санкт-Петербург, 2000. - 784 е.: ил.

22. Денисов Д.А., Низовкин В.А. Методы сегментации изображений // Зарубежная радиоэлектроника, 1985, №10, С. 5-30.

23. Дуда Р., Харт П. Распознавание образов. Пер. с англ. М.: Наука, 1981. -450 е.: ил.

24. Дюран Б., Оделл П. Кластерный анализ. Пер. с англ. М.: Статистика, 1977.-128 с.:ил.

25. Епанечников В.А. Непараметрическая оценка многомерной плотности вероятности // Теория вероятностей и ее применения. 1969. - Т. 14, вып. 1.-С. 156-161.

26. Забавин А.Б. Использование искусственных нейронных сетей в задачах изучения Земли из космоса // Исследование Земли из космоса, 2000, №6, С.79-93.

27. Загоруйко Н.Г. Методы распознавания и их применение. М.: Наука, 1984. - 256 е.: ил.

28. Загоруйко Н.Г. Прикладные методы анализа данных и знаний. -Новосибирск: Изд-во Ин-та математики СО РАН, 1999. 270 е.: ил.

29. Климов А.С. Форматы графических файлов. К.: НИПФ «ДиаСофт Лтд.», 1995.-480 с.

30. Книжников Ю.Ф. Аэрокосмическое зондирование. Москва, 1997. -129 е.: ил.

31. Коновалова Н.В., Капралов Е.Г. Введение в ГИС: Учеб. пособие. 2-е изд. исправ. и доп. - М.: 1997. - 160 е.: ил.

32. Корец М.А., Черкашин В.П., Рыжкова В.А. Методы индикации экологических характеристик лесных территорий по данным спутника "Ресурс-01" с использованием ГИС // Исследование Земли из космоса, 2000, №5, С. 74-81.

33. Кравцова В.И. Космические методы картографирования. М.: МГУ, 1995. -240 е.: ил.

34. Круглински Д. Основы Visual С++/Пер. с англ. М.: Издательский отдел «Русская редакция» ТОО «Channel Trading Ltd.», 1997. - 696 е.: ил.

35. Лапко А.В., Ченцов С.В. Непараметрические системы обработки информации: Учебное пособие. М.: Наука, 2000. - 350 с.

36. Лебедев В.В. Геоинформационное обеспечение как определяющий фактор в развитии космических систем изучения Земли // Исследование Земли из космоса, 1995, №6, С. 104-112.

37. Лоули Д., Максвелл А. Факторный анализ как статистический метод, М., «Мир»: 1967.-285 с.

38. Мания Г.М. Статистическое оценивание распределения вероятностей. -Тбилиси: Изд-во Тбил. ун-та, 1974. 238 с.

39. Медведев А.В. Основы теории обучающихся систем. Красноярск: КПИ, 1982. - 108 с.

40. Надарая Э.А. Об оценке плотностей распределения случайных величин // Сообщ. АН ГССР. 1964. -Т. 32, № 2. - С. 277-280.

41. Назаров Л.Е. Применение многослойных нейронных сетей для классификации земных объектов на основе анализа многозональных сканерных изображений // Исследование Земли из космоса, 2000, №6, С.41-50.

42. Павлидис Т. Алгоритмы машинной графики и обработки изображений: Пер. с англ. М.: Мир, 1982. - 230 е.: ил.

43. Паппас К., Мюррей У. Visual С++ 6: Руководство разработчика (пер. с англ.) К: BHV, 2000. 624 с.

44. Протасов К.Т. Распознавание образов и автоматическая классификация многокомпонентных видеоданных в условиях статистической неопределенности // Оптика атмосферы и океана, 1995, №6, С. 831-840.

45. Протасов К.Т. Выделение полей однородности на космических снимках непараметрическим алгоритмом сегментации в пространствах информативных признаков // Оптика атмосферы и океана, 1998, №7,1. С. 787-795.

46. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. -Кн.1 -456 е.: ил.

47. Прэтт У. Цифровая обработка изображений: Пер. с англ. М.: Мир, 1982. -Кн.2-480 е.: ил.

48. Рейсдорф К., Хендерсон К. Borland С++ Builder. Освой самостоятельно / пер. с англ. М.: «Издательство БИНОМ», 1998. - 704 е.: ил.

49. Рихтер Д. Windows для профессионалов: Программирование для Windows 95 и Windows NT 4 на базе Win32 API/Пер. с англ. М.: Издательский отдел «Русская редакция» ТОО «Channel Trading Ltd.», 1997. - 712 е.: ил.

50. Розенфельд А. Распознавание и обработка изображений с помощью вычислительных машин: Пер. с англ. М.: Мир, 1972. - 230 е.: ил.

51. Рубан А.И. Методы анализа данных. Красноярск: Изд-во Краснояр. унта, 1994.-Ч. 2.-114 с.

52. Скворцов А.В., Триангуляция Делоне и ее применение. Томск: Изд-во Томского ун-та, 2002. 128 с.

53. Тикунов B.C. Моделирование в картографии. М.: Изд-во МГУ, 1997. -405 с.

54. Ту Д., Гонсалес Р. Принципы распознавания образов. Пер. с англ. М.: Мир, 1978.-412 с.:ил.

55. Фу К. Последовательные методы в распознавании образов и обучении машин. Пер. с англ. М.: Наука, 1971. - 256 е.: ил.

56. Фу К. Структурные методы в распознавании образов. Пер. с англ. М.: Мир, 1977.-320 е.: ил.

57. Фукунага К. Введение в статистическую теорию распознавания образов / Пер. с англ. М.: Наука, 1979. 368 с.

58. Харин Ю.С., Степанова М.Д. Практикум на ЭВМ по математической статистике. Мн.: изд-во «Университетское» , 1987. - 304 е.: ил.

59. Шамис В.А. Borland С++ Builder. Программирование на С++ без проблем. М.: «Нолидж», 1997. 266 е.: ил.

60. Яншин В.В. Анализ и обработка изображений: принципы и алгоритмы. -М.: Машиностроение. 1994. 112 е.: ил.

61. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979. - 312 е.: ил.

62. Bischof Н., Scheider W., and Pinz A.J. Multispectral Classification of Landsat-Images Using Neural Networks, IEEE Transactions on Geoscience and Remote Sensing, 1992, P. 482-493.

63. Chalifoux, S., F. Cavayas, and J.T. Gray, 1998. Map-Guided Approach for the Automatic Detection on Landsat TM Images of Forest Stands Damaged by the Spruce Budworm. // Photogrammetric Engineering & Remote Sensing. -V.64(6), P. 629-635.

64. Clark Labs. Геоинформационная система Idrisi 32. -http://www.clarklabs.org/IdrisiSoftware/(10.05.2002).

65. Earth Resource Mapping. Система обработки данных ДЗЗ ER Mapper. -http://www.ermapper.com (10.05.2002).

66. Eklundh J.O., Yamamoto H., Rosenfeld R. A Relaxation Method for Multispectral Pixel Classification // IEEE Transactions on Pattern Analysis and Machine Intelligence, 2,1980, P. 72-75.72.