автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.16, диссертация на тему:Классификация земных покровов по радиолокационным изображениям на основе методов статистического текстурного анализа

На правах рукописи

РГ5 0/1

ЛУКЬЯНЕНКО ДМИТРИЙ НИКОЛАЕВИЧ

КЛАССИФИКАЦИЯ ЗЕМНЫХ ПОКРОВОВ ПО РАДИОЛОКАЦИОННЫМ ИЗОБРАЖЕНИЯМ НА ОСНОВЕ МЕТОДОВ СТАТИСТИЧЕСКОГО ТЕКСТУРНОГО АНАЛИЗА

Специальность 05.13.16 - «Применение вычислительной техники, математического моделирования и математических методов в научных

исследованиях»

автореферат диссертации на соискание ученой степени кандидата технических наук

Барнаул 2000

Работа выполнена в Алтайском государственном университете.

Научные руководители: Член-корреспондент РАН, доктор фи-

зико-математических наук, профессор В.Л. Миронов

Кандидат физико-математических наук A.B. Евтюшкин

Официальные оппоненты: доктор технических наук,

В.П. Пяткин

кандидат технических наук, Н.М. Ковалевская

Ведущая организация:

Институт вычислительного Моделирования СО РАН (г. Красноярск)

Защита состоится 28 июля 2000 г. в 13 ч.

на заседании диссертационного совета Д 064.45.02 в Алтайском государственном университете по адресу 656099, Барнаул, ул. Димитрова 66.

С диссертацией можно ознакомиться в библиотеке Алтайского государственного университета.

Автореферат разослан » ¿а-О^иЯ^- 2000 г.

Ученый секретарь диссертационного совета д.ф.-м.н., профессор

С.А. Безносюк

/7. е У^ О

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы. В последнее время активно используются для научных и народнохозяйственных целей радиолокационные системы с синтезируемой апертурой (РСА), располагаемые на авиационных и космических носителях. Такой интерес связан с широкими возможностями применения радиолокационных изображений (РЛИ) во многих областях, среди которых: геология, экология, сельское хозяйство, навигация.

Перед исследователями остро стоят проблемы интерпретации полученных данных. Особую важность для народного хозяйства имеет информация о видовом составе леса, типе почв, площадях лесных пожаров, которая может быть получена в результате анализа космических изображений. Одной из подзадач является автоматическая дешифрация снимков, которая относится к комплексной проблеме распознавания образов. Для ее успешного решения, необходимы адаптивные методики классификации, которые основывались бы на наиболее полной информации о структуре исследуемых объектов. Исследованию этой задачи посвящен ряд работ. Вопросы анализа космических снимков рассмотрены в работах Улаби, Харалика, Захарова. Искусственным нейронным сетям посвящены разработки А.Н. Горбаня, Д.А. Россиева и других ученых группы «Ней-рокомп» (г. Красноярск).

Физические и технические особенности формирования РЛИ не позволяют полностью использовать методы дешифрирования, хорошо отработанные для данных, полученных в оптическом диапазоне. Радиолокационные изображения содержат избыточный объем информации, что затрудняет их применение без предварительной обработки. Поэтому необходимы компьютерные системы, адаптированные к этим особенностям.

Анализ РЛИ включает в себя ряд задач: фильтрация спекл-шума, классификация изображений, создание математических моделей исследуемых объектов и сбор наземных данных.

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

Задачи исследования:

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

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

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

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

Научная новизна

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

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

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

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

На защиту выносятся следующие результаты:

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

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

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

4. Комплекс инструментальных программных средств для анализа радиолокационных изображений.

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

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

Публикации. По теме диссертации опубликовано 14 научных работ, в том числе 2 в научных журналах, 2 - в зарубежных научных изданиях.

Объем и структура диссертации. Диссертация состоит из введения, обзора литературы, главы с описанием материалов и методов исследования, двух глав с описанием собственных исследований, заключения, выводов, практических рекомендаций и списка литературы. Работа изложена на 110 страницах машинописного текста, иллюстрирована 14 таблицами и 29 рисунками. Список литературы содержит 90 цитируемых источников, из них 46 отечественных и 44 зарубежных авторов.

СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность работы, сформулированы задачи исследования, дана общая характеристика работы.

В первой главе приводится обзор современных методов и технологий обработки изображений земной поверхности, получаемых с помощью радиолокаторов с синтезированной апертурой. Для решения задач дистанционного зондирования находят применение различные методы и подходы. В общем случае анализ спутниковых измерений при изучении природной среды сводится к задачам классификации и инверсии - определению типов и оцениванию количественных параметров земной поверхности. Задача идентификации систем, т.е. определение структуры и параметров систем по наблюдениям, является одной из основных задач

современной теории и техники автоматического управления. К настоящему времени предложены различные адаптивные алгоритмы идентификации. Идентификация может осуществляться при помощи настраиваемой модели той или иной структуры, параметры которой могут меняться. Для классификации данных широко используются стандартные алгоритмы, базирующиеся на статистических методах или эмпирических данных. В основе своей они не учитывают взаимные статистические связи соседних пикселов изображения. В работе они называются классическими методами классификации. Для примера это алгоритмы Форель, Пульсар, к-средних. Однако практическое применение этих алгоритмов нередко наталкивается на ряд трудностей, вызванных большой размерностью входных данных, неоднородностью земной поверхности и другими факторами, приводящими к нелинейности задачи в целом.

Классический подход к классификации изображений основан на том, что к изображению применяется простейшая статистическая модель сигналов. В этой модели изображение считается выборочной реализацией случайного поля с статистически независимыми компонентами, т.е. не рассматривается взаимосвязь между элементами растра. Расширить возможности классических моделей, можно учитывая текстуру поверхности.

Другим актуальным направлением является применение искусственных нейронных сетей. Нейронные сети используются с целью обойти ряд проблем, возникающих при решении задач дистанционного зондирования. Например, классификация растительности на базе наземных и многоспектральных спутниковых данных требует учета эффектов локальной топограф™, фонового отражения от земли и растений нижнего уровня, высокого внутриклассового изменения структуры и однородности кроны. Применение искусственных нейронных сетей в этих случаях позволяет адаптировать систему к учету местных особенностей.

В большинстве работ из приведенного обзора литературы не рассматривается принимаемый радио сигнал, как совокупность данных на различных поляризациях, т.е не принимается в рассмотрение поляризационная модель, которую нельзя не учитывать при анализе многоканальных радиолокационных данных.

Во второй главе предложен алгоритм классификации одноканаль-ных радиолокационных изображений. Предварительно приведен обзор классических подходов к классификации изображений и методов статистического текстурного анализа, а также изложены, вопросы влияния фильтров спекл-шума или шума "пятнистости" на статистические текстурные признаки на основе экспериментальных данных.

Наличие спекла-шума обусловлено когерентностью процесса формирования изображений в РСА. Выбор типа фильтра индивидуален при решении конкретной тематической задачи.

Существуют некоторые оценки эффективности фильтрации шума "пятнистости". Одной из которых является отношение квадрата среднего

значение амплитуды отчета и к квадрату среднеквадратичного отклонения <у и , вычисленного для однородной области РЛИ после сглаживания _о

спекл-шума ^ _ «_ (количество эквивалентных накоплений). Приведены оценки используемых в работе фильтров: Ли, Сигмма, усредняющего, медианного.

Важным критерием стало влияние фильтров на текстуру поверхности и ее числовые характеристики. Наилучшие характеристики ЕМ, у фильтров Ли и усредняющего, но последний ухудшает текстурные характеристики. При его применении классификация изображений на основе статистического текстурного анализа становится невозможной.

Для сравнения эффективности использования признаков и возможности классификации по ним, были выделены на исходных изображениях несколько объектов, и по ним был проведен расчет характеристик текстуры, результаты которого сохранялись в базе данных и подвергался статистической обработке.

Из проведенных исследований можно сделать вывод, что применение фильтров спекл-шума оказывает влияние на характеристики текстуры изображения. Большинство из фильтров нарушает структуру изображений. Медианный и усредняющий фильтр малоэффективен для текстурных признаков и уменьшает точность классификации по этим признакам.

Наиболее эффективным фильтром, как для текстурных каналов, так и для интенсивности является фильтр Ли. Также можно сделать вывод что, используя фильтрацию перед вычислением текстурных признаков, происходит потеря полезной информации об объектах, которую можно учитывать с помощью текстурных каналов.

Для классификации радиолокационных изображений используются различные подходы и принципы анализа данных. Применение классических методов, зарекомендовавших себя для анализа данных в оптическом диапазоне ограниченно в виду отличия природы радиолокационных изображешга от данных оптического диапазона. Один из перспективных методов обработки данных, который может быть адаптирован для анализа РЛИ, является статистический текстурный анализ.

Рассмотрим признаки статистического текстурного анализа. Здесь под признаком изображения понимается его простейшая отличительная характеристика или свойство. Некоторые признаки являются естественными в том смысле, что они устанавливаются визуальным анализом изображения, тогда как другие, так называемые искусственные признаки, получаются в результате его специальной обработки или измерений.

Основными характеристиками, используемыми при анализе, являются статистики второго порядка. Они были выбраны потому, что большая часть естественных сцен лишена существенных деталей на больших пространствах. В этих областях сцену часто можно охарактеризовать, как проявление повторяющейся структуры. Текстура часто описывается качественно размером ее зерна. В общем можно сказать, что текстура - это свойство окрестности точки изображения. Следовательно, статистические текстурные признаки по своей природе зависят от размера окрестности, на которой они определяются. Т.к. текстура это пространственное свойство, измерение ее признаков должны быть ограничены областями, обладающими относительной однородностью, иначе ее использование потеряет всякий смысл и приведет к ошибочным результатам анализа. Поэтому перед вычислением необходимо установить область однородной текстуры.

Существуют методы анализа текстур с помощью спектров Фурье. Альтернативой им является подход, основанный на свойствах гистограмм распределений частот совместных значений яркости пары элементов изображения. В одном из них необходимо вычислять матрицы смежности (МСМ). Они рассчитываются для каждого участка изображения (окна). Элементы матрицы Р- - представляют собой значения частот,

и

с которыми пары точек (одна с яркостью 1 и другая с яркостью 3), отстоящие на расстоянии г и в направлении 0, встречаются на изображении. Пояснение дает рисунок 1.

Рис. 1.

Используемые направления для вычисления текстурных признаков В работе использовались:

1=1 у=1 у

£ = - £ i Р* log Р.. "ЭНТР°ПИЯ; <2>

г/ = I I ^ 2 -однородность; (3)

' = 17 = 1 'У

/M=Z I п/(1+|г._;|)-обратный момент (4)

i=ly'=l

N - число градаций изображения, которое определяет размерность матрицы.

Излагается алгоритм классификации одноканальных данных, который использовался, и был протестирован для анализа лесных массивов.

Были проведены исследования по анализу изображений, полученных с помощью радиолокаторов с синтезируемой апертурой SIR-C/X-SAR и РСА "Алмаз", для которых рассмотрены вопросы распознавания характеристик лесной растительности на тестовых участках территории Алтайского края, а также участков лесных пожаров и областей эрозии почв. Исследуемая территория расположена на стыке Предалтайской равнины и отрогов Колыванского и Бащелакского хребтов Горного Алтая. Съемки были произведены с борта космического аппарата многоразового использования типа "SHUTTLE" 7.10.1994 г. с помощью радиолокатора SIR-C/L на длинах волн 23,5 см (L-диапазон) и 5,6 (С-диапазон) с разрешением 25 м на поверхности Земли и с помощью "Алмаз" 26.10.1991.

В качестве первичных данных были выбраны участки лесных массивов на полной энергии и амплитудах сигналов на длинах волн С и L и поляризациях НН, HV, W для РСА SIR-C/L и дагапле на поляризации НН для РСА "Алмаз" на длине волны S. Анализу для SIR-C/L подвергался каждый канал в отдельности для установления возможностей однока-нальной обработки.

Предварительная обработка сигнала, который представлял собой данные амплитуды сигнала в вещественном виде, заключалась в переквантовании данных в байтовый формат. Данные преобразуются в различное число уровней в зависимости от используемых признаков. Применение различных уровней квантования для разных текстурных характеристик объясняется зависимостью их информативности от числа градаций яркости. Данные выводы подтверждаются собственными исследованиями и данными других авторов, в частности Родионовой.

Для сравнения эффективности использования признаков и возможности определения по ним объектов на изображениях было рассмотрено несколько структур, представляющих собой поля и участки леса с различным видовым составом деревьев, по которым проведены вычисления их текстурных признаков на всех поляризациях. Анализ показал, что применение только одного признака не эффективно и не дает полных результатов классификации.

Анализ показал, что для S1R-C при 256 градаций яркости, наиболее эффективными признаками для классификации данных являются - контраст С и среднее значение I для всех поляризаций. Поэтому дальнейшая обработка заключалась в классификации основанной на описании классов "ядрами" в координатах С и I. При этом варьировались размеры бегущего окна от 2x2 до 20x20.

График изменения значений для хвойного и лиственного леса контраста представлен на следующем графике.

Шмепегаа значений контр аста от гр адации яркости

Рис. 2.

Изменение значений контраста от градаций яркости

Результаты применения предложенного метода. При использовании для классификации пространства двух признаков были выделены

на всех поляризациях в диапазоне Ь, основные типы земельных ресурсов, которые содержали ровную поверхность (вода, ровная почва без растительного покрова), небольшая растительность на полях, лесные массивы и населенные пункты.

Применение только одного текстурного признака малоэффективно. Так, например, был взят участок земной поверхности 29,78 км на 106,91 км, на поляризации НН и длине волны Ь. Исходные данные были представлены в байтовом формате и составляли массив 2384 на 8554 точек. В дальнейшем вычислялись текстурные признаки: энтропия, однородность, среднее, корреляция, вариация при 256 градациях яркости и бегущем окне 5x5 пикселов. В результате по признаку - вариация выделяются только переходы между областями, по контрасту разделяются только области леса и полей. Другие признаки дают хуже результаты.

Следующим шагом было выделение структурно-разных групп из каждого класса. Результаты исследований подтверждают, что частотные диапазоны обладают разной информативностью. Это объясняется различной глубиной проникновения радиоволн, в зависимости от длины волны. Так, для Ь характерно отделение лесной растительности от низкого кустарника и травы, а в диапазоне С этого сделать нельзя. На изображениях в Ь-диапазоне на НН и УУ-поляризациях распознаются участки хвойных, лиственных и смешанных лесов. Так, на НН поляризации выделяются горизонтально протяженные объекты, а на УУ вертикально протяженные. Это свойство и позволяет разделить хвойный лес от лиственного леса. Наиболее темный фон на изображении соответствует хвойному лесу (сосна), несколько более светлый - поросли пихты и осины. Еще более светлые тона соответствуют поросли сосны и березы, а также березовым массивам. Внутри общего контура лесного массива легко дешифрируются незаселенные поляны. То же самое можно различать и на кросс-поляризации в диапазоне Ь. Ниже приведена таблица с результатами классификации.

Таблица 1.

Сравнение методов классис шкации

Номер Метод Результаты, %

1 Isodata <60%

2 Pulsar < 60 %

3 k-средних < 70 %

4 Текстурные признаки и к-средних > 79 %

В третьей главе изложена модель классификации многоканальных изображений. Основное внимание в работе было уделено анализу лесных

массивов. Ставилась задача автоматической классификации типов лесной растительности по радиолокационным изображениям.

В качестве объектов исследования были взяты изображения те же самые участки районов Алтайского края, полученные с помощью SIR-C на длинах волн L и С и поляризациях HH,HV,VV а, также изображения полученные на полной энергии. Исходные изображения перекантовывались на различное число уровней в зависимости от используемых текстурных признаков.

Анализ лесных регионов можно разделить на две части - определение типов растительности и изучение параметров, описывающих их поведение. Решение этих задач включает накопление и систематизацию информационных архивов о состоянии подстилающих поверхностей на различных длинах волн и поляризациях. Векторный характер электромагнитного поля обуславливает необходимость обязательного учета поляризационных преобразований при полном описании отражательных свойств, и излучательной способности естественных сред.

Построить точную математическую модель радиолокационных целей при использовании радиолокаторов с синтезируемой апертурой достаточно сложно, так как реальные данные зависят от множества параметров: влажности почвы, геометрических характеристик объектов, диэлектрической проницаемости среды и т.д. В этом случаем для классификации данных необходима упрощенная модель, которая опирается на общие свойства радиолокационных целей.

Элементы модели используемой в работе:

1) Первичные признаки, на основе поляризационных свойств объектов, которые представляли собой каналы LHH, LW, LUV, СЫН, CVV, CHV. Они предварительно преобразовывались в вещественный, целый или байтовый формат данных.

2) Информация о структуре текстуры поверхностей. Предварительно данные переквантовались на различное число уровней в зависимости от используемых текстурных признаков. В дальнейшем производился расчет текстурных признаков по методике описанной в Главе 2. В результате обработки данных получались несколько текстурных каналов для каждого исходного. Получалась карта значений того или иного статистического текстурного признака.

В результате входной вектор состоял из первичных признаков характеризующих интенсивность сигнала.

A=(Ilhh, I lhv> I lws I опь I сну > I cw),

который дополнялся информацией о текстуре поверхности, В нашем случае была добавлена информация о текстуре поверхности на дайне волны L на основе контраста и однородности. По этим признакам лесные

участки имеют наибольшее отличие друг от друга. Текстурные признаки для канала С не были взяты, по причини, того что по ним исследуемые объекты не имеют отличий друг от друга. В результате, был получен следующий вектор:

B=Olhh, I lhvs Ilw) I сш> I ciiv > I cw, Сшн, CLhv, Clw> 1Миш, IM| Hv, IMLw),

Где I - амплитуда сигнала, С - контраст, ГМ - обратный момент.

Так как часть первичных данных коррелирует друг с другом, то для процесса декорреляции применялся метод главных компонент. Основная идея метода состоит в том, что если первичные признаки коррелированны, то в n-мерном пространстве система главных осей гиперэлип-соида рассеяния точек объектов повернута относительно первичного базиса. Метод главных компонент дает возможность перейти от первичного базиса к вторичному базису, который совпадает с системой главных осей гиперэлипсоида рассеяния. Величина постоянной информации определялась суммой дисперсий выходных компонент. Метод главных компонент также позволяет сократить и входной вектор.

В дальнейшем применялись стандартные методы классификации с использованием итерационных алгоритмов Форель и Пульсар. Выбор первоначальных признаков происходил на основе синтеза трех каналов и метода главных компонент. Для визуализации и синтеза данных в цветовых плоскостях R, G, В использовался пакет обработки графики PCI 6.0 и ENVI 3.2.

Общая схема анализа представлена на схеме.

Рис.3. Блок-схема алгоритма анализа РСА изображений.

Данный метод был применен для классификации лесных массивов Алтайского края. Точность классификации определялась по площадям выходных классов. Были выбраны тестовые участки на исходных изображениях, для которых априорно было известно пространственное распределение пород леса. Точность классификации составила около 87 % ± 5 %, что выше, чем использование стандартных методов классификации и только одного канала, что подтверждает эффективность предложенного алгоритма.

Таблица 2.

Сравнение предложенного метода классификации с

классическим методом к-средних_

Результаты Методы

Предлагаемый метод к-средних

N % N %

Рс ±ш Рс ±ш

Истинно положительные 38 87,0 5,1 27 60,0 6,2

Ложно положительные 8 7,1 5,9 12 22,3 5,7

Ложно отрицательные 5 5,9 4Д 11 17,7 4,2

Всего 50 100 50 100

Сравнешге проведено на тестовых участках с разбивкой на 6 классов с помощью карты из 6 слоев.

Так, например, на изображениях в БЖ-С, используя первоначальный вектор из 12 каналов, распознаются участки хвойных, лиственных и смешанных лесов. Лесные массивы отличаются от нелесных и разделяются по группам пород и густоте, выделяются лесные просеки.

В четвертой главе излагается подход для точного определения пространственно распределенных объектов, применяется классификация с предварительным обучением. Для этого были использованы нейронные сети и признаки статистического текстурного анализа. Свойство сети обучаться на примерах делает их более привлекательными по сравнению с системами, которые следуют определенной системе правил функционирования, сформулированной экспертами. Сложность реализации системы на основе нейронных сетей заключается в невозможности точно определить емкость сети для структуры, имеющей более двух слоев и необходимостью достаточно большого количества обучающих примеров.

В последние десятилетие в мире бурно развивается прикладное направление математики, специализирующееся на искусственных нейронных сетях. Применение нейронных сетей находит во многих прикладных областей. Одной из областей применения является мониторинг природной среды и анализ изменений биогеофизических параметров Земли с использованием многоканальных спутниковых данных дистанционного зондирования.

В работе использовались нейронные сети, имеющие различное количество нейронов во входном и выходных слоях. Во всех случаях, исследуемых нами, применялась трехслойная сеть, имеющая во входном слое количество нейронов соответствующее количеству входных признаков, а в выходном количеству классов анализа. Подход к идентификации лесных массивов с использованием нейронных сетей заключался в следующем. На вход системы в интерактивном режиме подаются значения эффективной площади рассеяния (ЭПР), контраста, обратного момента для каждой поляризации, т.е. входной вектор 1=[е1,е2,е31е41 е5> е6, е7> е8- е9]. Предварительно на исходном изображении были выделены две группы. В первую вошли участки, которые участвуют в обучении. Вторую составили тестовые объекты, характеристики которых нам были точно известны. Из первой группы была составлена база знаний в интерактивном режиме, используя результаты многоканальной обработки, наземных наблюдений и снимков в оптическом диапазоне. Данные из этой базы в случайном порядке подавались на вход нейронной сети до тех пор, пока сеть не перестала ошибаться на обучающем множестве. Для увеличения количества тестовых примеров к обучающей выборке добавлялся шум, который увеличивал выборку. Входные значения предварительно нормировались согласно следующему правилу: ^,_х-(тахл:+шшх)/2_ где тах х и щщ х .

(тахх-тшдг)/2

соответственно максимально и минимально возможное значение признака для этой группы изображений. Суммирование идет по всем выходным нейронам и по всем подаваемым образцам. Минимизация идет методом градиентного спуска, в результате которой производится подстройка весовых коэффициентов сети.

Каждому выходному элементу соответствует свой класс. Тот выход, который содержит при подачи объекта на вход, наибольшее значение и определяет номер класса. Используя только горизонтальную поляризацию на длине волны Ь, на тестовых участках удалось получить точность распознавания более 86,3 ± 5 %. Общую схему анализа в этом случае можно представить в следующем виде:

Рис. 4. Схема классификации на основе на основе нейронных

сетей

Пример выделения хвойного леса представлен на рисунке 5, а на рис. 6 исходный фрагмент.

Рис.5 Исходный фрагмент Рис. 6. Результат обработки

Технически все описанные схемы и подходы к классификации были реализованы в виде программного комплекса, основанного на компонентной технологии. Модуль нейронного модулятора создан как СОМ компонент (компонентная модель объектов), что позволяет переносить его в различные среды программирования и на различные платформы. Система имеет модуль обучения, предназначенный для интерактивного

обучения нейронного модулятора на примере тестовых участков и систему статистического текстурного анализа. В качестве нейронных модуляторов могут Использоваться другие системы или платы аппаратной поддержки нейронных сетей.

Представленные результаты позволяют сделать следующий вывод: использование многослойных нейронных сетей совместно с текстурными признаками позволяет получать хорошие результаты при решении задач классификации лесных массивов и добиться точности классификации более 86,3 %.

В пятой главе приводится описание программного комплекса для анализа радиолокационных изображений. Система включает в себя блок статистического текстурного анализа, фильтрации спекл-шума, классификации изображений и нейронного имитатора на основе многослойных структур, в которых каждый нейрон произвольного слоя связан со всеми аксонами нейронов предыдущего слоя. Метод обучения строится на подаче сигналов в обратном направлении сети. В систему входит набор фильтров спекл-шума: Ли, Фроста, медианный, усредняющий. И вспомогательные фильтры: Лапласа, Собеля, Робертса, фильтры низких и высоких частот, пороговые фильтры. Система создана на основе Visual С++ и Borland С++ под операционные системы Windows 95/NT. Она позволяет вести анализ изображений в удобном интерактивном режиме. Первая версия была реализована под Window 3.1. Новое программное обеспечение реализовано с использованием технологий COM/DCOM, что позволяет применять разработанные методы в любом другом программном обеспечении, использующем эти технолопш. Это может быть Visual Basic, Delphi, VC++, ВС++, Java. Реализация нейронных сетей создана на основе AxtiveX DLL, взаимодействие с которой осуществляется через собственный интерфейс INeyroNets. Для других языков программирования был разработан ActiveX компонент для быстрого и удобного доступа к файлам изображений в форматах PIC и BMP. Он использует отображаемые файлы в память. Реализация статистического текстурного анализа позволяет изучать текстурные свойства в интерактивном режиме, сохранять данные в базах данных. Могут использоваться любые хранилища данных, имеющие соответствующий ODBC драйвер, например, Oracle, MS SQL, Access, Dbase.

Новизна системы заключается в объединении в одной системе мощного аппарата для применения методов статистического текстурного анализа и искусственных нейронных сетей. Выводы.

Основные результаты диссертационной работы состоят в следующем:

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

2) Разработаны алгоритмы классификации одноканальных и многоканальных изображений с учетом поляризационных и текстурных особенностей объектов классификации. Изложенные подходы дают более высокую точность классификации природных и антропогенных объектов. Для многоканальных РСА SIR-C точность классификации составляет 87 % ± 5 %.

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

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

5) Созданное программное обеспечение дает возможность вести интерактивную обработку радиолокационных изображений на основе статистического текстурного анализа и добиться результатов классификации с максимальной точностью 87 % ± 5 %.

Публикации по теме диссертацви

1. Евтюшкин A.B., Лукьяненко Д.Н., Миронов В Л. Алгоритмы текстурного анализа и классификации для обработки космических РСА изображений // Тезисы докладов международного симпозиума "Мониторинг окружающей среды и проблемы солнечно-земной физики". 18-21 июня 1996. Томск: ТГУ. СФТИ. 146с. С.51-52.

2. Евтюшкин A.B., Лукьяненко Д.Н., Миронов ВЛ. Совместное использование текстурного анализа и методов классификации для тематической интерпретации изображений РСА // Тезисы докладов научной конференции "Проблемы фундаментальной физики". Саратов. 712 октября 1996. С.79.

3. Евтюшкин A.B., Комаров CA., Лукьяненко Д.Н., Миронов В.Л. Классификация земных покровов по радиолокационным и оптическим изображениям // Тезисы докладов IV симпозиума "Оптика атмосферы и океана". 10-13 июня 1997. Томск. С.84-85.

4. Евтюшкин A.B., Комаров С.А., Лукьяненко Д.Н. Использование радиолокационных изображений для задач тематического картографирования // Тезисы докладов международной научно-практической конференции "Историческая и современная картография в развитии Алтайского региона". Барнаул. 25-26 ноября 1997 г. С.82-83.

5. Евтюшкнн A.B., Комаров С.А., Лукьяненко Д.Н., Миронов В.Л. Классификация земных покровов по радиолокационным изображениям // Оптика атмосферы и океана. 1997. Т.10. №12. С. 1508-1512.

6. Евтюшкин A.B., Комаров С.А., Лукьяненко Д.Н. Автоматический анализ земных покровов по радиолокационным изображениям для задач тематического картографирования // Материалы международной конференции "Интеркарто-4: ГИС для оптимального природопользования в целях устойчивого развития территорий ". Барнаул. 1-4 июля 1998г. Барнаул: Изд-во Алтайского госуниверситета, 1998. С.223-226.

7. Евтюшкин A.B., Лукьяненко Д.Н. Совместное использование нейронных сетей и методов статистического анализа для решения задач классификации РСА изображений // Тезисы 4 Международной конференции "Методы дистанционного зондирования и ГИС-технологии для контроля и диагностики состояния окружающей среды". 8-10 декабря 1998 . Москва. Московский госуниверситет геодезии и картографии. С.40.

8. Евтюшкин A.B., Лукьяненко Д.Н. Компьютерная система анализа радиолокационных изображений // Тезисы докладов научно-практической конференции "Наука - городу Барнаулу". 3 сентября 1999г. Издательство Алтайского госуниверситета. Барнаул - 1999. С. 129.

9. Balkalova T.V.. Kazantsev K.V.. Komarov S.A., Lukyanenko D.N. Mironov V.L., Yevtyusbkin A.V., Yushakov V.N. Analysis of forest regions by SAR and optical images // Proceedings IGARSS 98 Symposium, 6-10 My 1998, Seattle, USA.

10. Евтюшкин A.B, Лукьяненко Д.Н. Использование текстурных признаков для дешифрования лесных массивов по радиолокационным изображениям // Тезисы докладов VI симпозиума "Оптика атмосферы и океана". 23-26 июня 1999. Томск. С. 70.

11. Евтюшкин А.В, Лукьяненко Д.Н. Применение метода обратного распространешгя для анализа радиолокационных изображений // // Тезисы докладов VI симпозиума "Оптика атмосферы и океана". 23-26 июня 1999. Томск. С. 64.

12. Лукьяненко Д.Н. Автоматическое дешифрирование лесных массивов по радиолокационным изображениям // XI Всероссийская

школа-конференция по дифракции и распространению волн, г. Москва, 12-15 января 1998 г, стр. 226.

13. Komarov S.A., Lukyanenko D.N., Yevtyushkin A.V. Use textural features for decoding of forest regions by SAR images // Sixth International Symposium on Atmospheric and Ocean Optics. SPIE Proceedings Volume: 3983. ISBN 0-8194-3600-3. 666 pages. 86 papers. Pub. Nov 1999. P.200-205

14. Евтюшкин A.B., Казанцев K.B., Лукьяненко Д.Н. Методы распознавания лесных ландшафтов на радиолокационных и оптических космических изображениях // Известия АГУ, N 1, 2000 г. С.46-49.

Лукьяненко Дмитрий Николаевич

КЛАССИФИКАЦИЯ ЗЕМНЫХ ПОКРОВОВ ПО

РАДИОЛОКАЦИОННЫМ ИЗОБРАЖЕНИЯМ НА ОСНОВЕ МЕТОДОВ СТАТИСТИЧЕСКОГО ТЕКСТУРНОГО АНАЛИЗА

Подписано в печать 24.06.2000. Формат 60x84 1/16. Печать - ризография. Усл.п.л. 1,16. Уч.-изд.л. 0,93. Тираж 100 экз. Заказ 54/2000.

Издательство Алтайского государственного технического университета им. И.И. Ползунова, 656099. г. Барнаул пр-т Ленина, 46.

Лицензия на издательскую деятельность ЛР № 020822 от 21.09.98 года.

Лицензия на полиграфическую деятельность ПЛД № 28-35 от 15.07.97

Отпечатано в ЦОП АлтГТУ 656099, г. Барнаул, пр-т Ленина, 46

Введение

Глава 1. Обзор современных методов и систем обработки радиолокационных изображений

1.1. Основные используемые модели

1.2. Подходы к классификации и анализу 15 данных дистанционного зондирования

1.3. Выводы.

Глава 2. Анализ одноканальных радиолокационных изображений

2.1. Общие принципы статистического 33 текстурного анализа.

2.2. Классические методы классификации 39 радиолокационных изображений

2.3. Выбор признаков анализа и. описание ^ алгоритма классификации

2.4. Влияние спекл-шума на текстурные ^ признаки

2.5. Выводы

Глава 3. Анализ многоканальных данных ^

Введение ^

3.1. Анализ лесных массивов.

3.2. Результаты анализа лесных массивов.

3.3.Анализ сельскохозяйственных угодий и областей эрозии почв.

3.4. Выводы ^

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

4.1. Обзор нейронных сетей.

4.2. Архитектура сети

4.3. Метод обратного распространения.

4.4.Преимущества и недостатки метода 83 обратного распространения

4.5. Применение метода обратного 84 распространения для классификации радиолокационных изображений

Выводы

Глава 5. Компьютерная система анализа 90 радиолокационных изображений

Введение

5.1. Описание системы

5.2. Практическое применение системы 95 Выводы

Актуальность темы.

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

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

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

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

-в экологии для выявления загрязнения, обнаружения отходов;

- в сельском хозяйстве для правильного землепользования, прогнозирования урожаев;

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

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

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

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

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

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

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

4. Есть возможность подповерхностного радиолокационного зондирования.

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

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

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

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

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

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

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

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

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

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

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

Задачи исследования:

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

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

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

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

Научная новизна.

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

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

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

Практическая значимость исследования.

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

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

На защиту выносятся следующие результаты:

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

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

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

4. Комплекс инструментальных программных средств для анализа радиолокационных изображений.

Апробация работы.

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

Внедрение результатов исследования.

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

Объем и структура диссертации.

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

Основные результаты диссертационной работы состоят в следующем:

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

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

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

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

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

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

Заключение.

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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