автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.17, диссертация на тему:Методы построения систем понимания изображений на основе данных дистанционного зондирования

На правах рукописи

ГГо ОД 2 2 ЦК "Ш

Прошей Галина Евгеньевна

МЕТОДЫ ПОСТРОЕНИЯ СИСТЕМ ПОНИМАНИЯ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

Специальность 05.13.17 - теоретические основы информатики

Автореферат диссертации на соискание ученой степени доктора технических наук

Москва 2000

Работа выполнена в Академии ФСБ РФ.

Официальные оппоненты:

доктор физико-математических наук, член-корреспондент Академии криптографии РФ, профессор Грушо Александр Александрович

доктор технических наук, академик РАЕН, Никонов Владимир Глебович

доктор технических наук, профессор Елюшкин Валерий Георгиевич

Ведущая организация: с Государственное предприятие «НПО Астрофизика»

Защита состоится 23 ноября 2000 года в 12час. ООмин. на заседании диссертационного совета Д038.05.01 в РосНИИ ИТ и АП по адресу: 129090, г. Москва, ул. Щепкина, 22.

С диссертацией можно ознакомиться в диссертационном совете

РосНИИ ИТ и АП.

Автореферат разослан Ж октября 2000 г.

Ученый секретарь

диссертационного совета Д038.05.01 доктор технических наук, профессор

А.А.Штрик

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ.

Состояние вопроса и актуальность пробле.мьи

На протяжении более трех десятилетий ученые и исследователи создавали ¡ысоко специализированные технологии обработки изображений, хранения >громных массивов данных, прикладного применения суперкомпьютеров для :оздания интеллектуальных географических информационных систем (ГИС)*. Для 1Т0Й цели в конце 1993 г. были успешно соединены несколько суперкомпьютеров [)ирмы Cray Research - по 16 процессоров в каждом и с самым большим объемом )бщей памяти в мире. Эта система была способна обрабатывать данные с >екордной пиковой скоростью - до 64 гигафлопс (миллиард логических операций с шавающей точкой в секунду).

Несколько позже была создана модульная система массовой памяти, тредставляющая собой роботизированный комплекс хранения и доступа к Зольшим объемам ютформации. Система позволяла решить проблему практически бесконечного наращивания объема хранимой информации, начиная с 10.000 терабайт. Все это подготовило почву для появления систем обеспечения решения ¡адач обработки аэро- и космических снимков. В такой интеллектуальной системе зсе данные от современных и будущих спутников, авиационных )леюрооптических систем сбора информации могут быть преобразованы з цифровую форму, проанализированы, подготовлены в виде единого документа и использованы.

Проекты интеграции реляционных баз данных и систем логического программирования, связанные с созданием новых информациошсых технологий и вычислительных систем пятого поколения, в рамках которых были созданы методы построения дедуктивных баз данных, находятся в стадии разработки. Сегодня уже существуют промышленные системы «Coupling Prolog to Relational databases» для связывания Пролога и реляционных баз данных. Эти системы предназначены для создания баз знаний, что особенно актуально при построении интеллектуальных систем для задач, которые не поддаются полной автоматизации или требуют больших ресурсов времени и памяти. К таким задачам относятся, например, задачи обработки мультиспектральных изображений с целью их интерпретации, распознавания природных ресурсов по набору тематических

*) По определению известного географа А.М. Бсрлянта, географическая информационная система представляют собой автоматизированную аппаратно-программную систему, осуществляющую сбор, обработку, хранение, отображение и распространение пространственно-координированной геоинформации. (БерлянтА.М. Геоиконика. М.:Астрся,1996)

карт, сложнейших экономических задач, связанных с пространственно! информацией, а также любых задач стратегического планирования. Карты, гк мнению крупнейших географов, служат ученым для систематизации знании создания теорий и развития философских представлений о мире. Вот почему ГЖ ближе всего оказались к внедрению и развитию основных идей и методо] искусственного интеллекта.

Одним из прорывных направлений построения вычислительных систеь пятого поколения являются системы понимания изображений, которьк предназначены для анализа изображений и составления описания изображенно* сцены в "неизобразительной" форме, т.е. создания общего словесного описакш сцены.*

Это научное направление, лежащее на стыке теоретической информатики I искусственного интеллекта, впитало в себя сложнейшие задачи информатики распознавания образов, нейросистем, искусственного интеллекта, и т.д. I положило в основу своей развивающейся теории работы отечественных I зарубежных ученых: У.Гренандера, Р.Дуды, П.Харта, Д.А.Поспелова, Р.Ковальски М.Минского, С.Осуги, Ю.Оаэки, Ш.К. Чена, К.Фу, Л.П, Ярославского, К.Фукунап и др.

Все реальные разработки систем понимания изображений были направлень на создание модулей для роботов, которые должны функционировать в каком-либс пространстве: в помещении, на открытой местности или даже на другой планете Поэтом>' почти все существующие системы понимания изображений не обладают адаптивностью, т.к. рассчитаны на решение специальных задач анализ изображений ограниченного типа.

Сего дет не существует систем понимания изображений, предназначениьи для обработки больших потоков аэрокосмической информации, так как не существует пока промышленных стандартов представления такой информации е информационных системах. Не сформулированы также основные проблемь: промышленного построения таких систем. В диссертационной работе сделаш первая попытка стандартизации аэрокосмической информации с целью построения систем понимания изображений

*) Анализ сцен в системах понимания изображений - это методы упрощения изображений ■ подавление несущественных деталей, описание форм и размеров объектов ва изображении объединение отдельных частей изображения в осмысленные образования, методы уменьшенш сложности данных. (Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976).

а основе данных дистанционного зондирования.* В работе решается задача оздания теории и моделей построения такой системы.

Цель и основные задачи.

В диссертации разрабатывается новое научное направление, имеющее целью остроение систем понимания изображений на основе данных дистанционного ондирования.

Данное исследование решает научно-техническую проблему построения истемы понимания мультиспекгральных изображений на основе создания и боснования теоретической концепции новой структуры пространственной нформации в виде многоракурсного изображения, а также задачи разработки ехнологии автоматической сегментации и позиционирования изображений; )ормализации пространственной семантической информации в виде баз знаний мешанного типа.

В диссертационной работе решаются следующие задачи.

Разработка шкалы информативности парного признакового пространства с открытым множеством параметров и расширяемой размерностью пространства признаков мультиспектральных изображений.

Разработка и внедрение методологии универсальной структуры представления данных дистанционного зондирования, включая обоснование необходимости и теоретические аспекты создания универсальной структуры представления данных дистанционного зондирования, а также создание практической технологии формирования многоракурсных изображений на основе данных различной природы.

| Формирование обобщенной модели сегментации мультиспектраьного изображения, включающей в себя выделение ядра «понимания изображений» в пространстве признаков RN, а также определение множества неопределенности кластеризации для любой размерности признакового пространства.

' Построение технологических методов эталонных описаний пространственных объектов, обладающих инвариантностью к направлению анализа изображений, а также создание алгоритмов позиционирования пространственных объектов на панхроматических и мультиспектральных изображениях.

Дистанционное зондирование - неконтактная съемка Земли или других планет с летательных юздушных и космических аппаратов, судов, подводных лодок. (Берлякт A.M. Геоиконика. к1.:Астрея,199б)

• Создание формализованной модели семантической интерпретации изображений, основанной на базе знаний о пространственных объектах, включая экспертную информацию, с целью создания дедуктивных баз данных; а также экспериментальное подтверждение эффективности разработанных методов на практических примерах.

Методы исследования. Для решения поставленных задач использовались теория нечетких множеств, методы теории вероятностей и математической статистики, объектно-ориентированное и логическое программирование, логика предикатов, современный системный анализ, реляционная алгебра, теория и методы инженерии знаний.

Основные научные результаты, выносимые на защиту и их новизна.

1.Разработана методологическая и технологическая концепция универсальной структуры представления данных дистанционного зондирования в виде многоракурсного изображения и ветвящегося растра.

2.Посгроена технология создания шкалы информативности парного признакового пространства с открытым множеством параметров и расширяемой размерностью пространства признаков мультиспектральных изображений, а также разработаны теоретические основы и практические методы определения кластеров неразличимых мод признакового пространства мультиспектральных изображений.

3. Разработана обобщенная модель сегментации мулътиспеюрального изображения, основанная на универсальной структурируемой границе разделимых мод в пространстве признаков и ее уровней в пространстве Д". Для построения модели определяются аксиомы построения «тальвегов» в Я". Теоретически обоснован и разработан новый способ эталонных описаний пространственных объектов, основанный на получении инвариантных статистических оценок мультиспектральных изображешш.

4.Исследован и предложен новый подход обработки экспертной информации с целью создания дедуктивных баз данных, который содержит постановку и методы решения задачи систематизации экспертной информации, а также разработана формализованная модель семантической интерпретации изображений, основанная на базе знаний фреймового типа и сформулирована проблема построения отношений пространственных объектов при построении дерева вывода.

5.Решена задача позиционирования пространственных объектов на мультиспектральных изображениях, в том числе теоретически обоснован и

проверен на большом материале метод декоррелирующего преобразование изображения, повышающий точность позиционирования распознаваемого объекта, а также разработаны практические методы позиционирования пространственных объектов, обладающие значительным быстродействием.

6.Создана, методически обоснована и опробована первая учебная программа по интеллектуальным геоинформационным системам в объеме 170 часов (программа кафедры информационной безопасности ИКСИ).

Практическая ценность работы.

Решение поставленных в диссертации задач обеспечивает создание методологии разработки систем понимания мулътиспектральных изображений на основе данных дистанционного зондирования нового поколения, реализацию технологии сегментации изображений и позиционирования пространственных объектов, а также использование систем понимания изображений для различных практических задач.

Предложенные автором практические модели оценки эффективности сложных систем, опубликованные в монографии «Применение методов системного анализа для оценки эффективности системы ТГО», используются Военно-Топографическим Управле1шем МО, а также коллективами оперативно-тактических кафедр Военно-инженерного Университета и Военно-топографического Управления МО при проведении учений.

На базе предлагаемых моделей и подходов под руководством автора разработана архитектура и реализован исследовательский прототип экспертной системы «Анализа физико-географических условий и оперативного оборудования ТВД».

Все полученные выше результаты проверены на совокупности задач получения обобщенных критериев состояния среды для построения оценочно-прогнозных экологических карт в интересах Санэпиднадзора Ленинградской области.

Разработанная концепция построения систем понимания мультиспектральной информации была положена в основу программы переподготовки офицерских кадров спецслужб, которую курирует автор на кафедре информационной безопасности ИКСИ, а также на кафедре прикладной математики Военно-инженерного Университета. Учебно-методические материалы автора используются при чтении лекций по интеллектуальным системам в Военно-инженерном Университете и ИКСИ.

Апробация результатов работы.

Основные результаты исследований по диссертации докладывались и представлялись на Научном семинаре Института математики СО АН СССР (Новосибирск, 1989); Международной конференции «Создание и применение гибридных экспертных систем» (Рига, 1990); Международной конференции «Экологическая безопасность регионов» (Москва, 1993); III Международной конференции по компьютерной графике и визуализации (Санкт-Петербург, 1993); Международной конференции «Восток-Запад. Искусственный интеллект: от теории к практике» (Москва, 1993); Немецко-русском семинаре «Экологические проблемы военных объектов, пути их решения и инфраструктурное планирование» (Москва, 1993); Межгосударственной конференции «Географические информационные системы. Теория и практика» (Санкт-Петербург, 1993); Международной конференции САПР-94 "Новые информационные технологии в науке и образовании" (Гурзуф, 1994); Национальной конференции «Искусственный интеллект - 94» (Рыбинск, 1994); II Научно-практической конференции «Региональные геоинформационные системы» (Рязань, 1995); Международной конференции "Цифровая фотограметрия и дистанционное зондирование-95." (Санкт-Петербург, 1995); Международной конференции «Искусственный интеллект в XXI веке» (Москва, 1995); V-ой Национальной конференции по искусственному интеллекту (Казань, 1996); VI-ой Международной конференции "Интеллектуальные системы и компьютерные науки" (МГУ, Москва, 1996); Международном семинаре «Geoinformation & 'Relational DBMS», (Redlands, California, USA, 1997); The International Symposium on Spectral Sensing Research (ISSSR) (San Diego, USA, 1997); The International Seminar on Remote Sensing, (Atlanta, USA, 1997); конференции «Искусственный интеллект -98», (КИИ-98, 1998); The International Conference Arc/Info-98 (San Diego, 1998); The International Seminar «Geoinformation & Artifical Intelligence» (Redlands, California. USA, 1999); The Sixth International Conference on Remote Sensing for Marine and Coastal Environments. (Charleston, South Carolina,USA, 2000); The International Seminar on Remote Sensing. (Atlanta, USA, 2000).

Публикации.

Общее количество публикаций по теме диссертации - 56, в том числе одна монография, 4 авторских свидетельства, 4 в международных сборниках трудов конференций на английском языке, 16 статей в отечественных журналах и сборниках трудов, а также в отдельных препринтах, учебных и методических пособиях.

Диссертация является обобщением работ по проблемам построения пространственных интеллектуальных систем в период с 1975 по 2000гг. Эти работы автором выполнялись лично по собственной инициативе или в соавторстве с сотрудниками, работающими под его непосредственным руководством.

Структура и объем работы.

Диссертация состоит из введения, пяти глав, заключения и списка литературы. В ней содержится 232 страницы текста, 26 рисунков, 5 таблиц и список литературы из 249 наименований.

СОДЕРЖАНИЕ РАБОТЫ.

Во введении обоснована актуальность темы, дана ее краткая характеристика, определена цель работы и направления исследований. Сформулированы основные задачи а также изложена структура диссертации и ее научная новизна, теоретическая и практическая значимость. Сформулированы основные положения, выносимые на защиту.

Первая глава содержит обзор существующих методов получения и обработки пространственных данных, а также способов их практического применения в прикладных задачах. Намечены пути решения задачи построения систем понимания изображений на основе данных дистанционного зондирования.

В начале главы геоинформационная система определяется как инструмент представления и систематизации знаний о пространственных объектах. Первое поколение таких систем появилось в восьмидесятых годах, когда топологический способ представления графической информации позволил значительно усложнить модель пространственных данных и решать вычислительные задачи на основании метрических свойств местности. Это были результаты, построенные на так называемой вычислимой топологии.

Однако, существуют также невычислимые топологии - это, например, атрибутивная информация об объектах изучаемой территории. Близость объектов в атрибутивном смысле вводится в работе через их близость в признаковом пространстве Л", а также дается общее, достаточно широкое для дальнейших целей определение: топология множества пространственных объектов - это множество отношений между геометрическими и аттрибутивными свойствами объектов. На этой основе определено понятие «Обнаружение знаний в данных дистанционного зондирования».

Исследованы способы предварительной обработки мультиспектральных изображений а также их интерпретации и анализа; способы повышения качества

изображения, классификации изображения и обнаружешш изменений на местности, для решения задач понимания изображений.

Интерпретация и анализ изображения включает информационное расширение полученных данных и извлечение признаков изображенных объектов. Последующая обработка данных дистанционного зондирования представляет собой процесс получения модулей знаний для работы пространственных моделей и семантической интерпретации изображения. Все операции, направленные на повышение качества изображения являются заключительным шагом визуальной интерпретации или началом дальнейшего анализа изображения.

Основная часть главы посвящена постановке основных проблем построения систем понимания мультиспектральных изображений. В общем случае изображения в интеллектуальных системах рассматриваются двояко - как физические (выделение признаков и символическое представление) и как логические (семантическая интерпретация). Физические представления связаны с самим изображением, представленным в виде функции изображения; сегментированным изображением в виде списка сегментов; а также геометрической модели, представленной топологией геометрических фигур (модель 1-го типа). К логическому типу представлений изображений относятся высокоабстрактные представления, описывающие логические соотношения между объектами изображения (модель 2-го типа).

В диссертации решены следующие задачи, определяющие уровень работы системы понимания изображений.

Задача определения опорных объектов или явлений (модель первого типа). В простейшем виде система понимания изображений может просто сообщать о том, что на изображении имеется заданный объект. На таком уровне работы системы достаточно, чтобы она решала задачу . классификации и отождествления полученных кластеров с известными моделями. Модели 1-го типа дают возможность создавать эффективные методы решения практических задач, например, задачи выявления изменений на местности по разновременной мультиспектралъной информации. Так как каждая спектральная зона мультиспектрального изображения есть проекция внутренней структуры объектов местности на плоскость, соответствующую этому спектру, то с точки зрения интегральной геометрии, задача распознавания появившихся на снимке новых объектов (или изменившихся старых) формулируется автором в работе как задача получения некоторого образа по его проекциям и сравнения его с другим образом, полученным из таких же проекций, но в другое время.

Для решети этой задачи автором разработаны методы выделения признаков, образующих модель с сетевой структурой, позволяющую определить на изображении опорные объекты или явления, образующие ядро понимания изображения. Основной частью модели при этом становится сегментация. Сегментация в существующих моделях представляет собой метод разбиения изображения на осмысленные части с целью отделить объекты от фона и отличить их один от другого.

Задача семантической интерпретации (модель второго типа). На следующем этапе понимания и оценки изображения учитываются также глобальные его свойства, составляющие в основном логическую часть представления, созданную на основе картографических моделей. Основная часть модели 2-го типа состоит в следующем. Множество символов, полученное в результате работы модели 1-го типа, обрабатывается блоком семантической интерпретации, в результате чего получается картографическая модель для корректировки предыдущих пространственных данных, которая в свою очередь соединяется с логической частью представления информации о местности. Результатом работы модели 2-го типа является некоторое желаемое описание сцены. Характер описания сцены зависит от конкретной целевой задачи.

В этой главе изложены принципы сегментации мультиспектрального изображения, которые служат основой построения модели 1-го типа. При составлении описания сцены на основе мультиспектрального изображения в интересах определенной задачи эксперт находит на изображении такие объекты или явления, которые определяют поставленную цель, то есть выделяет ядро понимания изображения. Выделение ядра понимания изображения необходимо потому, что на основе одного и того же мультиспектрального изображения можно составить совершенно различные описания сцены.

В диссертации показано, что при решении достаточно большого класса задач обработки пространственной информации возникает необходимость распознавать объекты на изображениях только в некоторой определенной области, в результате чего возникает необходимость выделения информативных пар признаков для наиболее эффективного использования эксперта в задачах распознавания. Установлено, что на сложных изображениях, содержащих подклассы, которые также необходимо различать, центры кластеров в простанстве признаков находятся так близко друг к другу, что не существует практических методов их различения. Такие сгущения центров кластеров названы кластерами неразличимых мод. Задача их различения оказывается более сложной и требует построения самостоятельных процедур. Таким образом, поставленная проблема сегментации

мультиспектральных изображений состоит из нескольких задач различной сложности.

Неформальные процедуры. Как правило, количество классов объектов сцены, которую следует описать по мультиспектральному изображению бывает неизвестно или не определено. Поэтому эксперту системы понимания изображений должна быть предоставлена возможность определить не только цель, с которой распознается изображение, но, по возможности, и основные объекты и явления, которые могут присутствовать на таком изображении. Один из вариантов такой модели разработан автором и изложен в разделе «Методы получения и систематизации экспертной информации» четвертой главы. Модель систематизации экспертной информации дает возможность одновременной обработки количественных, номинальных и булевских параметров пространственных изображений, в том числе не участвовавших в построении классификации; а также имеет единообразную схему моделей кластеризации, на основе известных и разработанных автором методов, которые выбираются экспертом или пользователем по рекомендации системы, интерпретирующей параметры моделей.

Задача выделения признаков, описывающих целевое ядро сцены. Для сегментации изображений основной является мультиспектральная информация, поэтому решение задачи распознавания строится на системе спектральных признаков пространственных объектов, полученных в результате аэрокосмической съемки. В системе понимания изображений эта информация хранится в виде

пространственных объектов, которые необходимо распознавать. Здесь различные строки означают одну полосу мультнспектрального изображения, каждая из

V = 1 ~н> = \,\У, представляющими уровень яркостей в точках с координатами

матрицы к(д:,-е) =

, представляющей совокупность наблюдений свойств

которых в свою очередь является матрицей с элементами п = 1,Л';

(д:,>3'») в я-ой спектральной полосе:

Каждый элемент матрицы к(х,д>) представляет собой Л'-мернуго оценку

х,(*.>»)",

области на местности, имеющей размеры, равные

х = х[х,у) =

_Хк(х,у)

пространственному разрешению снимка, и состоящей из совокупности наблюдаемых значений признаков .

Вектор X =[х. (*>.)')]' п = \,И-, х,{*,у) е К„(д:,>') в пространстве признаков представляет собой точку Лг-мерного пространства с координатами (Xl(x>y)>X2(x>y)>~•>X¡(x,y),Xj(x>y), — >X.v) = (xl,X2> — >Xí,Xj,—,Xv) при условии, что признаки стохастически независимы.

Наиболее полное описание класса в статистическом смысле дает функция распределения случайной величины, которая с точки зрения цифрового мультиспектрального изображения представляет собой Л-мерную гистограмму распределения признаков, описывающих данный класс. Для получения и исследования распределений отдельных классов объектов изображения предложено использовать также двумерные гистограммы, которые представляют собой сквозные проекции Лг-мерной гистограммы на плоскости всех возможных паР (Х|>Х;) признаков. Эти гистограммы, построенные для некоррелированных слоев, позволяют исследователю реально «видеть» отдельные кластеры, что невозможно при размерности пространства признаков большей, чем N=2. Фактически при N>2 человек-оператор исключается из процесса распознавания гош значительно уменьшается его участие в нем, что при обработке сложных снимков отрицательно влияет на результат работы систем понимания изображений.

Однако, в мультиспектральных изображениях содержатся спектральные полосы, которые не только могут быть коррелированы между собой, но даже могут быть практически линейно зависимыми. Поэтому представляет интерес исследование статистической связи между отдельными признаками пространственной информации, в том числе представленными в разных шкалах.

Для решения поставленных задач автором введено понятие информативного парного признакового пространства {(%,-,Для его построения ранжируются

пары признаков (х,>Х;) по критериям: значению г(х,»Х;)> параметрам регрессии, а также критерию выделенных «видимых» кластеров. На основе этих критериев

определяются расстояния р между соседними парами. Вычисляются границы на основе сформированных логических решающих правил, отделяющие те пары признаков, которые определяют сигнатуры, описывающие ядро сцены, от пар признаков, описывающих второстепенные детали сцены путем проведения нечеткой классификации. В результате решения этих задач, кроме сформулированной выше цели, получен еще один важный результат: все полученные сигнатуы становятся составной частью «Задачно-ориентированной шкалы сигнатур объектов или явлений».

Задача определения сигнатур целевого ядра сцены и отделения объектов от фона и разделения их друг от друга. В результате решения задачи выделения признаков, описывающих целевое ядро сцены, получено парное признаковое подпространство, состоящее из элементов, на которых наилучшим образом «видны» сигнатуры объектов целевого ядра. Для определения этих сигнатур решалась задача выделения объектов с алгоритмически различимыми максимумами разных классов в пространстве признаков. Для таких объектов автором построены модели с сетевой структурой сегментации парного признакового подпространства, использующие оригинальные методы, а также задачи распознавания образов, которые в этом случае дают хорошие результаты.

Когда в пространстве признаков у кластеров не различимы моды, то возникает неопределенность разделения классов. При этом на изображениях со сложной структурой и многочисленными классами возникает проблема разделения рассматриваемых объектов и явлений на классы по неразличающим их признакам. Автором предложен метод определения множества неопределенности кластеризации в пространстве признаков на обобщенных дифференциальных функциях распределения (или на их сквозных проекциях) мультиспектральных изображений и. разделение элементов этого множества на классы с наименьшими ошибками.

Вторая глава посвящена сегментации мультиспектральных изображений. Показана связь сегментации с задачами распознавания образов; обоснована структура предложенных автором методов, составляющих основную модель сегментации; рассмотрены математические постановки задач и пути их решения.

Автором решена задача построения шкалы информативности парного признакового пространства.

В задачах распознавания образов поиск системы информативных признаков сводится к минимизации числа признаков, т.е. уменьшению размерности пространства признаков. Для систем же понимания изображений наборы

признаков выбираются на основе поставленной цели описания изображения и признаковые пространства полностью зависят от этих целей. Эти пространства формируются на основе прежних решений подобных задач и предыдущих миссий летательных аппаратов. Совокупность признаков мультиспектрального изображения соответствует количеству сенсоров спутника или другого летательного аппарата и зависит от его миссии. При этом от количества сенсоров N в значительной степени зависят затраты на измерение необходимых характеристик пространственных объектов, кроме того стохастическая связь между признаками напрямую связана со сложностью процедур обучения и принятия решения а также достоверностью распознавания.

Решение задачи понимания изображений требует пространственного отображения двумерных гистограмм, построенных в виде сквозных проекций на плоскости всевозможных спектральных пар (х;,х;)• В силу того, что количество таких проекций исчисляется сотнями, то для их изучения необходима оценка информативности этих проекций, то есть автоматизированная система создания шкалы парного признакового пространства.

В первой главе введено понятие информативного парного признакового пространства |(х,чХ;)>р] ДОя выделения целевого ядра описываемой сцены.

Шкала построена на основе ранжировки пар признаков (х,>Х>) п0 количественным критериям: IV, = г{%-,х,), параметрам регрессии а

также количеству выделенных «видимых» кластеров, на основе которых вычисляется обобщенный критерий. На обобщенной шкале, представляющей собой числовую ось, расположены пары признаков (х^Х;) в порядке убывания обобщенного критерия q-\,Q. Известные и разработанные

автором методы получения обобщенного критерия И7, которые предлагаются в этой главе, дали хорошие результаты на экспериментальном материале. В обобщенной модели построения шкалы информативности существует возможность использования других алгоритмов свертки критериев, а также возможность изменения состава частных критериев, входящих в IV ^(ТУ^,...^), д =

Для решения сложных задач пространственного анализа мультиспектральное изображение может быть собрано из отдельных аэрокосмических снимков с разными спектральными и пространственными разрешениями. В результате сборки синтезированного изображения в нем появляются функционально

15

связанные между собой слои. Если они не отображают изменившихся объектов, то такая информация является избыточной, усложняющей работу моделей сегментации и распознавания. Уменьшение количества слоев мультиспектралыюй информации может уменьшить стоимость миссии спутника и сделать более простыми алгоритмы сегментации, но может также значительно уменьшить их достоверность. Но, если время на алгоритмы распознавания и систему поддержки принятия решений ограничено, увеличение слоев мультиспектралыюго изображения до уровня гипер- и ультраспе ктр алъ но го может оказаться необходимым для надежности сегментации и распознавания.

Таким образом, перед оценкой информативности парного признакового пространства вновь собранного мультиспектрального изображения !),...,.у) необходимо получить систему, состоящую либо из меньшего числа переменных Ф,(д;,у),Ф2(д;,^),...,Фс(л:,з'), G<N, либо из таких сгруппированных переменных Ф1'(х,_у),Ф2*(;с,_у),...)Ф(."чтобы в группу = 1,С? входили только статистически зависимые изображения, отличающиеся некоторыми пространственными объектами. В диссертации выработаны требования к сенсорам путем минимизации числа признаков для распознавания объектов в целях определенной задачи, а также сброс лишних слоев в собранных изображениях и нахождение сильно коррелированных слоев с некоторыми изменившимися объектами или явлениями.

В результате решения перечисленных выше задач построена «Задачно-ориентировшшая шкала информативности парного признакового пространства», так как ранжировка фрагментов признакового пространства проводилась согласно поставленной задачи: описать пространственную сцену по данным дистанционного зондирования для определенной цели.

В главе решена одна из центральных задач сегментации мультиспектральных изображений - определение кластеров неразличимых мод пространства признаков мультиспектральных изображений и разделения их на классы с наименьшими ошибками.

Множество неопределенности кластеризации представлено в пространстве признаков на обобщенных дифференциальных функциях распределения (или на их сквозных проекциях) мультиспектральных изображений. Обобщенная дифференциальная функция распределения

вектора х(*>.и) представляет собой сумму дифференциальных функций распределения

ф(х,,х2,—,х*)=ЕФ»(х,,х2.....(2)

каждая из которых представляет один класс, отображенный на мультиспектральном изображении. В пространстве признаков функции ик правило, бывают различимы только в небольшой части,

сконцентрированной вокруг своего максимума Ф*(х|>Х2>"чХлгД^)|т„ и полностью совпадают в зтой небольшой части с областью решений 5И,,к = 1,...,К, эквивалентной в пространстве признаков своим классам.

Гораздо чаще встречаются случаи, когда максимумы дифференциальных

функций ф,(х,,х2.....)),»„> фДх,,Х2.....Х*А)|„„ некоторых классов

к, I расположены настолько близко друг от друга, что обобщенная дифференциальная функция распределения ф(хиХ2>"чХлг)> представляющая их сумму, может иметь значения в окрестности этих максимумов не только близкие к их значениям, но даже превышать эти значения в точках, находящихся между этими максимумами.

Точки, лежащие между максимумами, не могут быть с какой-либо определенностью отнесены к ближайшим к ним классам к, / в пространстве признаков, и образуют вокруг своих возможных новых максимумов множества неклассифицируемых объектов. В диссертации такие точки названы множествами неопределенности кластеризации вокруг неразличимых мод. Очевидно, что чем меньше мощность множества неопределенности кластеризации, тем меньше суммарная ошибка классификации в целом.

Показано, что ядро множества неопределенности кластеризации с формальной точки зрения совпадает с множеством Парето или областью решений, оптимальных по Парето. Дана геометрическая интерпретация множества неопределенности кластеризации на обобщенных двумерных дифференциальных функциях распределения ф(х1>х2)=ф1(х1>х2)+ф2(хнхг) и доказано совпадение ее с множеством Парето, построенного для фДхиХ») и Ф2(хнХ2)-

Так как функция ф(хпх2) принимает наибольшие значения в точках линии, образующей множество Парето, то множество неопределенности кластеризации над множеством Парето может быть определено как «водораздел» двумерной

функции ф(хих2)- Понятие водораздела двумерной пространственной поверхности в геоморфологии определяется как геометрическое место точек, из которых возможно движение воды ортогонально направлению водораздела, или иначе, это геометрическое место точек функции ф(х,,хг). в которых векторы

Йга(1 Ф^ХпХз) и Егааф2(х1.Х2) коллинеарны.

Отсюда сделан вывод, что если известна функция ф(х,.х2)=ф1(х1>х2)+ф2(х..х2), а функции ф,(х„Х2) и ф2(х„Х2) неизвестны, то там, где проходит «водораздел», то есть линия наибольших значений функции ф(хцХ2). находятся точки касания линий равных значений функций Ф,(хпХ2) и Ф2(х1»х2). а следовательно и максимумы этих функций. Показано, что множество Парето на двумерной обобщенной дифференциальной функции распределения, построенной по некоррелированным слоям I и у (N = 2) является наименьшим множеством неопределенности кластеризации вокруг неразличимых мод. В диссертации данная задача решена и для мультиспектралъного изображения с некоррелированными слоями при N>2.

Свойство множества Парето, которое дает возможность при зкстремально возможном значении одной из функций определить аналитически абсолютный оптимум другой, использовано для решения важной для практических приложений задачи разделения элементов множества неопределенности кластеризации на классы по неразличающим их признакам. При фиксировании одной из функций, например, Ф2(х1>Х2/^2) = С2. задача будет иметь на линии неопределенности кластеризации единственное решение, так как параметр X однозначно определяется величиной Сг согласно уравнению

Таким образом, линия неопределенности кластеризации представляет собой совокупность разделительных точек обобщенной функции распределения ф(хих2/п)> исходя из совокупности ограничений функции Ф2(х1>Х2/^2) • Но так как линия неопределенности кластеризации - это «водораздел» обобщенной функции распределения ф(хпХ2/°). то прямые, ортогональные «водоразделу» и проведенные через совокупность разделительных точек линии неопределенности кластеризации, будут представлять собой совокупность границ классов. Оператору в модели отводится активная или пассивная роль в зависимости от цели, которая сформулирована в задаче: активная - если необходимо получение эталонов,

18

пассивная - если система работает в режиме распознавания с учетом картографической информации.

Для задачи распознавания объектов в главе представлены разработанные автором способы эталонных описаний пространственных объектов.

Процесс построения эталонов чрезвычайно сложен в связи с непрерывным изменением спектральных признаков в зависимости от времени суток, освещенности и т.д. В общем виде эталон (в иностранной литературе используется термин «сигнатура») - это набор данных, который определяет обучающую выборку, объект пространства признаков (А01), или кластер, который используется в процессе классификации. Всвязи с изменением спектральных признаков обучающий процесс является непрерывным, поэтому эталонные описания классов могут претерпевать значительные изменения в процессе эволюции системы понимания изображений.

В диссертации показано, что сигнатура, построенная по мультиспектральному изображению не может быть однозначной для различных прикладных задач. Поэтому, необходима критериальная оценка различных сигнатур для решения фиксированных задач. Важную роль при подготовке эталонов играет географическая привязка объекта к местности путем использования в моделях распознавания растровых и векторных карт. Информация о пространственных объектах на растровых и векторных картах представляется качественными и классификационными признаками, поэтому эталоны должны содержать в себе еще и эту информацию.

Автором предложена модель распознавания пространственного объекта, расположенного внутри контура, которая может быть применена также для построения области однородных элементов объектов. Произвольное расположение объектов местности по отношению к направлению съемки приводит к необходимости поиска способов анализа, инвариантных к повороту изображения объектов на мультиспектральных изображениях.

В данном разделе диссертации подробно описан разработанный автором способ определения оценки корреляционной функции неоднородного случайного поля спектральных яркостей, который обладает требуемым свойством инвариантности. Предлагаемый способ обладает следующими преимуществами: он обеспечивает случайность информации о спектральных яркостях изображения и, следовательно, инвариантность определения некоторых (например, А!"(т)) характеристик неоднородных случайных полей; значение оценки корреляционной

функции ЛГ(г) в способе определяется непосредственно, а не через значения спектральной плотности которым кроме ошибок их оценки свойственны

еще и погрешности интегрального преобразования, т. е. сглаживания; информация об изображении получается в форме, удобной для определения зависимости разностей спектральных яркостей от расстояния между точками, а также для определения функции распределения разностей спектральных яркостей неоднородного случайного поля.

Основное отличие непараметрического распознавания и получения эталонных описаний объектов при обработке мультиспектральных изображений состоит в том, что и распознавание и эталонирование выполняется на всем множестве пространственной информации. Это обстоятельство, с одной стороны, позволяет значительно увеличить надежность распознавания, а с другой - требует поиска эффективных методов обработки огромных объемов информации. Решению данной проблемы посвящена пятая глава диссертации «Многоракурсные изображения», где подробно рассмотрены преимущества предлагаемых решений. В частности, в самой структуре многоракурсного изображения заложено решение сложнейшей топологической задачи распознавания объекта на основе топологического сравнения с контуром объекта на растровой карте. В этом случае задача распознавания достаточно сложна, зато при этом нет необходимости выполнять позиционирование распознаваемого объекта.

В заключении вторая глава содержит описание обощенной модели сегментации мультиспектрального изображения, основанной на универсальной структурируемой границе разделимых мод в пространстве признаков и ее уровней в пространстве К".

Решающие алгоритмы, работающие на сквозных проекциях /У-мерных гистограмм, могут использоваться в геоинформационных системах для обнаружения новых пространственных объектов или явлений, когда известны спектральные свойства этих объектов, но неизвестны их пространственные характеристики: размеры, конфигурация, взаимное расположение (например, разлив нефти, выход геологической породы). Показан пример, где на сквозной проекции пространства признаков два объекта можно разбить на подклассы. Это означает, что информации в конкретном изображении содержится больше, чем необходимо просто для различения двух объектов. Ближний инфракрасный спектр в этом примере позволяет провести дополнительную классификацию.

Многочисленные исследования позволили автору обобщить теоретические результаты, рассмотренные выше и разработать обобщенную модель сегментации,

геометрическая интерпретация которой основана на геоморфологическом понятии тальвега.

Для построения этой модели автором вводится понятие тальвега, как универсальной структурируемой границы разделимых мод и его уровней в пространстве признаков Л" . Для практической реализации построенной модели в диссертации автором определяются аксиомы построения «тальвегов» в пространстве признаков Я".

В пространствах Л1 и Л" тальвег определен так.

В пространстве К2: для любой точки Ак, лежащей на поверхности двумерной дифференциальной функции распределения ф(х,)Х;). вычисляется степень принадлежности этой точки тальвегу. Для этого через точку Ак провода»! плоскость Р, перпендикулярную плоскости аргументов (х.-,Х;) и исследуем линию пересечения плоскости Р с поверхностью двумерной дифференциальной функции распределения на наличие эктремума в точке Ак. После чего

поворачиваем вертикальную плоскость Р вокруг вертикальной оси с центром в точке Ак с заданным шагом А(р и при каждом шаге исследуем линию ее

пересечения с поверхностью ф(х,,Х;) ка наличие эктремума в точке Ак. Вычисляем угловые интервалы ф,, ср 2,..., срф я, при которых в этой точке существует максимум или минимум.

Для определения структурируемой границы разделимых мод нет необходимости определять направление тальвега в точке Ак. Принадлежность точки Ак границе кластеров 3, определяется по критерию существования экстремума в точке Ак на угловых интервалах ф1 ,ф2,...,фк,...,ф„ поворота плоскости Р. Решающее правило в данном случае - это булева функция, область определения которой - направляющие косинусы прямой, являющейся проекцией плоскости Р на плоскость (х^х/)- Таким образом, для любой точки поверхности будут определены интервалы направлений тальвегов и водоразделов

В пространстве Я": для любой точки Ак, лежащей внутри ЛГ-мерной дифференциальной функции распределения ф(х,>Хл---)Хк) > вычисляем степень принадлежности точки Ак тальвегу. Для этого через точку Ак проводам все прямые Ь с заданным шагом Дф, принадлежащие области определения

ф(ХиХ2»-"'Хл;) • Вычисляем площадную меру множества тех прямых, для которых в этой точке существует условный экстремум. После чего приписываем это значение точке Ак, как меру ее принадлежности тальвегу и водоразделу.

На основе введенных понятий определяется алгоритм для вычисления границ классов. Отмечается сходство и различие в вычислительных процедурах многомерного тальвега и градиента в Я". Если в точку тальвега приходит градиентный спуск, то далее пути тальвега и градиентного спуска совпадают. Если в точке определены несколько тальвегов, то только один из них совпадает с градиентным спуском. Через седловидную точку дифференциальной функции распределения никогда не проходит градиентный спуск, но эта точка является точкой пересечения тальвега и водораздела. Абсолютный минимум дифференциальной функции распределения является концом градиентного спуска, но может принадлежать тальвегу (в двумерном случае - «омут реки»). Условие выхода градиентного спуска в точку тальвега есть появление в этой точке условного минимума в плоскости, проходящей через вектор-градиент. Практические результаты, полученные автором на модели, построенной по этим алгоритмам, дали устойчивые положительные результаты. Метод позволяет построить структурируемую границу разделимых мод на любых сквозных проекциях ]У-мерной дифференциальной функции распределения.

В третьей главе изложены методы позиционирования распознаваемых объектов. Позиционирование в данном случае означает вычисление положения в пространстве уже распознанного объекта либо распознавание объекта на основе информации о его пространственном окружении.

В общей проблеме понимания пространственных изображений большое место занимает важная проблема позиционирования распознаваемых объектов. Она возникла как следствие множества 'практических задач, требующих ее разрешения: актуализация пространственных данных, получение метрических свойств элементов изображений, идентификация точек на снимках стереопары для построения модели рельефа и трехмерных объектов, дешифрирования снимков и т.д..

Автором разработана модель декоррелирующего преобразования изображения, повышающая точность позиционирования распознаваемого объекта. Теория статистических решений дает аналитическое выражение для среднеквадратической ошибки позиционирования распознаваемого объекта корреляционным способом:

5, =М[Дт]' Кш(х) -^н(т) ) ,

(4)

где М- операция статистического усреднения; .йГш(т) - первая производная

корреляционной функции шумов в точке т; А'и(т)

- вторая производная

корреляционной функцин изображения в точке т = 0. Корреляционная функция Я"ш(Лхг, Лу) = ЛГд,(т) является случайной функцией своего аргумента и определяет величину ошибки позиционирования Дт распознаваемого объекта. Из выражения ошибки 3А. следует, что чем больше крутизна корреляционной

функции Л'я(т), тем меньше среднеквадратическая ошибка позиционирования 8К распознаваемого объекта.

Известно, что последовательность случайных векторов х' с заданным нормированным коэффициентом корреляции г, получается из последовательности некоррелированных случайных векторов е' скользящим суммированием с вектором весовых коэффициентов у :

х,»±ги8,-*+£у"*|-м. (5)

А=0 *=0

При этом происходит усиление статистических связей между соседними векторами исходной последовательности. В соответствии с рассмотренным алгоритмом корреляционная функция формируемой последовательности векторов относится к корреляционным функциям экспоненциального типа

ИГ(х) = аVе"' или ЯГ(х) = <т Vм,

где а2 - дисперсия, х - аргумент, а - некоторая константа, связанная с интервалом корреляции. Именно такого типа корреляционную функцию имеют изображения площадных объектов местности, причем для каждого типа объектов значение а различно.

Выведен общий вид декоррелнруюшего преобразования в предположении, что в (5) известными являются значения коррелированной последовательности %', равные значениям векторов яркостей элементов мультиспектрального изображения, а искомыми являются значения е' последовательности декоррелирующего преобразования:

I 1 | I V4 а* чт"4..

Е =— X -2л г -2Л е •

у I. »=о »«I J

(б)

Для увеличения быстродействия процесса позиционирования значения коэффициентов приняты равными единице и скользящая разность вычислена между векторами, координаты которых отличаются на величину, которая названа автором "шагом декоррелирующего преобразования изображений " хд = 1,2,3,...

Формула преобразования изображений представлена в виде: с' = %' — х**а .

Значения элементов преобразованных изображений представлены в виде конечных разностей векторов яркостей %' элементов отстоящих на шаг декоррелирующего преобразования хд:

Ах'1 (*. = г1' {х,у) ~ X'' (* - хл, у), Ах'1 (*, у) = Xй [Х>У)- х'г {х~хл> у)-

(7)

Для оценки точности позиционирования в гфедлагаемой модели взаимная корреляционная функция преобразованных изображений с учетом (7) преставлена в виде.

[Л-к1(<1(Дх,Ду)]Д = 2К^(АХ,АУ)-К^(АХ + ХД>АУ)-К^(АХ-ХД,АУ). (8)

Если при Ду=0, то выражение для корреляционной

функции изображений, подвергнутых декоррелирующему преобразованию, получается подстановкой этого выражения в (8) с учетом сдвига на шаг декоррелирующего преобразования во втором и третьем членах:

(Дх)]л = 2а„ - . (9)

Значения вторых производных от обеих корреляционных функций в точке Дх = 0 имеют вид.

А'*--*' (Ад-)

= —2аа„ . (10)

д*=о

¿(Ах)

Вьшедена формула для вычисления среднеквадратической ошибки позиционирования после применения декоррелирующего преобразования.

5д =

2 М

Кш(Ах)

- а/(4а - 4сиГ('*>' +

(12)

Отношение среднеквадратических ошибок позиционирования корреляционными способами в результате применения декоррелирующего преобразования и без него вычислялись по формуле

8„

Подстановка в это выражение ряда значений аргумента позволяет вычислить зависимость А. от ссхд2, откуда видно, что начиная со значения сссдг = 0,3 среднеквадратическая ошибка позиционирования с применением декоррелирующего преобразования в 2 раза меньше среднеквадратической ошибки корреляционного способа. Таким образом, для того, чтобы предложенный способ обеспечивал повышение точности работы по сравнению с корреляционным при обработке любых изображений, необходимо устанавливать величину шага декоррелирующего преобразования не произвольно, а исходя из полученного граничного условия ахд2 > 0,3. Получены выражения для оптимального значения

шага При таком значении среднеквадратическая ошибка

позиционирования при применении декоррелирующего преобразования в два раза меньше среднеквадратической ошибки позиционирования корреляционным способом. Таким образом показано, что рассмотренный способ декоррелирующего преобразования изображений при позиционировании обладает большей точностью, чем корреляционный. Он положен в основу прибора для автоматического опознавания идентичных точек на снимках стереопары.

В главе представлены практические методы позиционирования пространственных объектов, разработанные автором и обладающие значительным быстродействием. Рассмотрены возможности поиска компромисса для повышения скорости позиционирования при незначительной потере ее точности. Для этого оценивались два метода, составляющих процесс позиционирования: поиск зоны идентичности 2 изображений и поиск максимума идентифицирующей функции

(.ИФ).

Зоной идентичности £>, названа область на втором снимке Р2, которая содержит изображе1ше /2 с искомой точкой а2, соответственное изображению /,, где идентифицирующая функция принимает неслучайные значения. В остальной части снимка Р2 значения функции равны нулю, или имеют случайные значения из-за статистической погрешности вычислений и некоррелированности исходного изображения /, и изображения /2.

При решении задачи прослеживания горизонталей или профилирования производится идентификация текущей точки на снимке Р, с точкой снимка Р,, находящейся в зоне идентичности ¡2, т.е. очень близко к предыдущей, уже опознанной, точке. При этом не выполняется поиск зоны идентичное™ (), а производится только поиск максимума идентифицирующей функции.

В более сложном случае, при решении задач пространственного позиционирования всего снимка, производится опознавание ряда точек на снимке Р2, соответственных точкам на снимке Р,, лежащих далеко друг от друга. Поэтому, сначала производится поиск зоны идентичности (У, а затем определение максимума идентифицирующей функции. В этом случае функция совпадает с понятием функции цели, используемой в теории поиска. Однако, все быстродействующие способы теории поиска становятся неэффективными за пределами зоны иденпгчности £> •

Для быстрого поиска зоны идентичности, все подмножества изображения должны иметь сокращенное описание, но сохранить при этом некоторые отличительные признаки. Поэтому значения функций К2(дг,>')

изображений , заменялись ближайшими дискретными значениями

х''\ х'(1)2 ■ Процесс формирования заключался в объединении элементов изображения /, в эталонное подмножество Пи, состоящее из заданного элемента сй(1) с вектором яркости и примыкающих к нему соседних элементов с

такими же векторами яркостей, а также объединении элементов изображения /, в Л^ подмножеств П2|( •

На изображении /2 выбирались подмножества П2Дх°^). которые

содержали только элементы с вектором яркости х*'1'- Среди сформированных подмножеств отыскивалось подмножество, равное эталонному:

пм =П„ О бПц «х"(,) еП„). (14)

Производилось последовательное логическое умножение всех полученных подмножеств П2,,- изображения 12 на эталонное подмножество П,д, изображения /,, и определялось идентичное подмножество по минимальному количеству несовпавших элементов Л^.

Дальнейшее сужение идентифицируемых областей вьтолнялось в результате уменьшения шага квантования значений функций ^'(л:,^), К3(д:,_у) изображений /,, /,. При этом на подмножествах Пи и Пи получалась совокупность вновь сформированных подмножеств т),,., r^2J, среди которых эталонным на изображении являлось подмножество вокруг заданного элемента «(1), а на подмножестве П2| все подмножества л 2;, содержащие только элементы с таким же значением вектора яркости. Заключите льный этап позиционирования характеризовался равенством совокупности подмножеств Пи и П2,-.

Кдб^'ХлмСПм^Х^бЛм)»

= (VI!« ® Х°Ы)(чг, с П2, => Х°(0 б т,«)'

где Т1и и т)21. подмножества, включающиеся в П1Д и соответственно. Из совокупности всех подмножеств изображения 12 искомое подмножество т|2>1 обладало минимальным количеством несовпавших элементов с эталонным подмножеством

Рассмотренный в диссертации способ в результате использования "быстрых" логических операций и сокращенного описания изображений эффективно реализует возможности повышения быстродействия процесса позиционирования объектов. Способ может бьггь использован для поиска зоны идентичности позиционируемых объектов на отрезке неопределенности, а также для позиционирования идентичных объектов в случаях, не требующих высотой точности.

В диссертации предложен также алгоритм, повышающий инвариантность корреляционной функции к направлению анализа изображений, названный способом случайных парных выборок. Сущность данного способа заключается в том, что значения корреляционной функции вычисляются в виде суммы парных произведений значений яркостей мультиспектрального изображения в точках со

случайными значениями координат. Расстояние между точками представляло собой шаг корреляции х, а прямая, проходящая через каждую пару точек, составляла с некоторой системой координат угол ф. После измерения п пар значений яркостей в точках а. и Ъ1, отстоящих одна от другой на расстояний т, определяется текущее значение корреляционной функции по формуле

4х) = ~%Нх->у-)~ «(х(*.. л))) • «(*(**. л))),

где '"(х(д:«>л)) и - оцещси математического ожидания в точках а. и

6, для текущего значения х шага корреляции. После этого шаг корреляции увеличивался до значения х + Дх и процесс измерения повторялся. После у циклов было получено у значений корреляционной функции. Способ измерения корреляционой функции - способ случайных парных выборок рассмотрен в разделе 2.3.5.

В конце главы дан анализ ошибок геометрических преобразований изображений. Геометрические преобразования изображений занимают значительное место в общей проблеме понимания пространственных изображений. Они возникают в задачах сравнения эталонного изображения с распознаваемым; в задачах аффинных преобразований изображений в целях привязки последних к существующим проектам; в задачах идентификации объектов на снимках, полученных из разных точек для построения модели рельефа или любых трехмерных моделей местности и тому подобное.

В результате геометрических преобразовашш мультиспектральные функции изображений претерпевают изменения относительно изначально полученной информации, что требует получения различных оценок влияния геометрических преобразований на значения мультиспектральных функций, а также сравнения этих оценок. Для оценки влияния геометрических преобразований одного изображения в другое необходимо иметь зависимость взаимной корреляционной функции от сдвига 1 = ¡(х>}) между парами соответственных точек. В работе

проведен такой анализ с учетом следующих условий: поле векторов яркостей может быть стационарным или нестационарным; сдвиги между соответственными элементами изображений являются случайными или детерминированными.

Следует заметить, что так как в рассматриваемых практических задачах одно из изображений - всегда фиксируется, поэтому, даже если случайное поле и не стационарно, то значения взаимной корреляционной функции сравниваемых изображений зависят только от расстояний между ними т. Поэтому практический

интерес представляют результаты, полученные для случая стационарного случайного поля. Получены значения среднеквадратических отклонений яркостей преобразованного изображения от исходного при т = О. Определены дисперсии разностей значений яркостей соответственных точек исходного и преобразованного изображений.

В четвертой главе представлены разработанные автором методы создания дедуктивных баз данных на основе задач систематизации экспертной информации (ЭИ) и семантической интерпретации пространственных данных, а также исследовательский прототип экспертной системы.

Построение дедуктивных баз данных как научная проблема впервые была сформулирована учеными Японии для интеграции реляционных баз данных и систем логического программирования в рамках создания новых информационных технологий и вычислительных систем пятого поколения. Системы, построенные на этих принципах предназначались для создания баз знаний с привлечением эвристик. Это особенно актуально для решения ряда задач, которые не поддаются полной автоматизации или требуют больших ресурсов времени и памяти. К таким задачам относятся, например, задачи обработки электронных карт с целью их интерпретащш, распознавания природных ресурсов по набору тематических карт, выполненных с привлечением экспертов.

Эксперт решает подобные задачи путем использования эвристик, опираясь на теоретические знания в смежных областях. Поэтому, для получения эталонов распознаваемых объектов, помимо лабораторных методов необходимо дополнительно воспользоваться экспертными знаниями. Такая задача возникает в случае, когда имеется лишь некоторая совокупность объектов и значения признаков, которыми они характеризуются, но не указано, к каким классам относятся эти объекты; а также классификация объектов, значения отдельных параметров которых находятся в пределах, определяемых экспертами.

Средства получения экспертной информации строились по методу дерева целей для возможности разбиения сложной экспертной проблемы на последовательности отдельных простых вопросов, допускающих экспертные оценки.

В первых трех параграфах четвертой главы исследован и предложен новый метод обработке экспертной информации с целью создания дедуктивных баз данных, содержащий алгиритмы решения задачи систематизации экспертной информации, разработанные автором на этапе уже сформированного перечня объектов экспертизы, предназначенного для 1« оценки.

Существует некоторый перечень объектов экспертизы = ,

предназначенный для их критериальной оценки в количественных, порядковых или классификационных шкалах.

Для оценки объектов {О.} сформирована группа экспертов ), каждый из которых в заданной или выбранной шкале должен оценить объекты {О;}, где - хГ - оценка л-го объекта т-м экспертом, - X™ )={хГ > ХГ >—»X™ Т оценки множества объектов {О,}, дашгые т-м экспертом, им от-ая операционная таксоном1яеская единица.

Требуется по результатам экспертных оценок: выявить подгруппы экспертов с согласованными мнениями (или одну группу); определить степень компетентности каждого из экспертов; построить обобщенное мнение каждой из подгрупп.

В модели были использованы следующие типы переменных хГ; количественные переменные, представляющие собой измеряемые в некоторых шкалах признаки; порядковые (ординальные или ранговые) переменные, определяющиеся некоторым упорядоченным рядом своих состояний; классификационные переменные, являющиеся признаками с неупорядоченными состояниями. Как правило, отдельная таксономическая единица обладала только одним каким-либо признаком. Частным случаем были бинарные признаки.

Для выявления подгрупп экспертов с согласованными мнениями автором были разработаны две стратегии: стратегия, основанная на метрике Хаусдорфа и объединение мнений экспертов, использующее «стратегию лидера».

Так как

р(х',л)=т("(р(х\х'):х' е Л,), а р(х',-4,)= тф(х\х'): *' еД), то метрика Хаусдорфа имеет вид

и * л *< )

Для определения подгрупп экспертов с согласованными мнениями в метрическом пространстве (К, р) была введена следующую итеративная процедура. В подмножество А1 (подгруппу экспертов) включались те точки х' е (К,р), для которых:

б) величина множественного коэффициента корреляции (или коэффициента конкордации в случае порядковых переменных) для данного подмножества статистически значима.

Стратегия лидера отличалась от рассмотренной выше стратегии, основанной на метрике Хаусдорфа, тем, что при формировании подгруппы А, (при количестве элементов в подгруппе не менее трех) в каждой из них выделялся "лидер" хГнд.Р 110 правилу минимального суммарного расстояния от него до всех элементов подмножества А,:

Каждая следующая точка подсоединялась к множеству А,, если расстояние от нее до лидера группы А, было статистически значимо.

Все полученные выше результаты проверены на модели получения обобщенных критериев состояния среды для построения оценочно-прогнозных экологических карт на территоршо Ленннгадской области и Санкт-Петербурга и дали положительные результаты.

Автором предложена модель получения синтезированных гипер- и ультраспекгралышх изображений (синтезированных сигнатур-изображений) на основе известных тематических карт и баз экспертных знаний в виде полученных экспертами сигнатур. Такая модель может быть использована для сравнения синтезированных сигнатур-изображений с текущей информацией спутников с целью актуализации пространственной информации в ситуационных центрах.

Четвертый и пятый параграфы четвертой главы посвящены созданию дедуктивных баз данных на основе получения интеллектуальных информационных единиц. Здесь затронуты вопросы, которые мало исследованы в рамках практического использования пространственных дагашх, однако они представляются достаточно серьезными при построении интеллектуальных ГИС.

За исходные информационные единицы, составляющие пространственные данные, были взяты векторные и растровые карты, а также мультиспектральные изображения. В дедуктивных базах данных, предложенных и реализованных

автором в экспертной системе, использовались три типа обобщения: по именам, по признакам, по структуре.

Автором предложена оригинальная структура данных. Она бьша использована при работе с масштабным рядом разнородной геоинформации, когда было невозможно по мелкомасштабной карте определить отдельные объекты, принадлежащие другому объекту, изображенному на мелкомасштабной карте точкой. В таком случае обобщение по имени служило для получения одной пространственной информационной единицы для всех объектов, принадлежащих разномасштабным векторным данным. Например, некоторый населенный пункт описывался фреймом* с собственным именем, куда в качестве слотов включались принадлежащие ему линии электропередач, подземные коммуникации, парки и т.д. В качестве структуры знаний было использовано представление в виде фрейма, так как он отображает типичную или стереотипную ситуацию в отношениях между объектами гаи их поведении, и облегчает логический вывод.

Обобщение по признакам пространственных объектов реализовано автором в виде структуры многоракурсною снимка. Это концептуальное решение подробно рассмотрено в пятой главе работы. Здесь же стоит отметить, что структура многоракурсного снимка дает возможность автоматизировать процесс актуализации пространственных данных, в котором используются изображения, получаемые в реальном масштабе времени. В многоракурсном изображешш существует обобщенная пространственная информационная единица, поэтому ей можно адресовать по признакам сложный запрос, формирующий растровую карту из полученных данных по значениям заданных признаков.

Определение структурных связей между отдельными пространственными информационными единицами с целью обобщения по структуре является самой трудной проблемой построения интеллектуальных информационных единиц. В основе ее лежит выделение структуры отношений между пространственными объектами. Решение этой проблемы распадается на ряд задач, многие кз которых выходят за рамки этой работы.

Рассмотрим одну из ключевых задач этой проблемы. Она представляет собой построение структуры любой пространственной растровой информации. Для решения этой задачи автором введено понятие и разработана структура

♦) Фрейм - это структура вида: где I - имя фрейма, V - имена слотов, £ -

значения слотов, причем значениями слотов могут быть имена других фреймов. Фрейм по своей организации во многом похож на семантическую сеть, так как фрейм является сетью узлов и отношений, организованных иерархически, где верхние узлы представляют общие понятия, а нижние узлы более частные случаи этих понятий. (Минский М.. 1979.)

ветвящегося растра. Ветвящимся растром назовем структуру, где клетке растрового файла может соответствовать другой растровый файл. Растровым файлом может быть как растровая карта, включая пространственно привязанную :еттсу, так и мультиспектральное изображение с произвольным числом полос.

Цели получения структуры ветвящегося растра - устранение некоторых недостатков растровых информационных систем. Главный недостаток - рост эбъема информации пропорционально квадрату увеличения масштаба карты или пространственного (спектрального или временного) разрешения изображения. Эбъем векторной карты растет пропорционально масштабу карты. В данном глучае создается фрейм с растровыми значениями слотов, в которых, например, интересующие задачу или пользователя элементы имеют ссылку на другие слоты :о значениями растра в более крупном масштабе, а не интересующие задачу таких ссылок не имеют. Этим обеспечивается одновременно нужная точность и отсутствие избыточности'в рамках одной информационной единицы.

Ветвящийся растр представляет собой нетривиальную иерархическую структуру, где ветви одновременно являются листьями. Он представляет собой корневой каталог с корневой растровой картой. Клетки этой растровой карты ссылаются на каталоги, имена которых вычисляются конкатенацией координат подробно рассматриваемой клетки. В этом каталоге находится растровый файл, на который ссылается эта клетка. Он в свою очередь может иметь ссылки на другие растровые файлы и не имеет ограничений.

В разработанной автором методологии экспертной системы, предназначенной для оценки местности, использовались четыре способа представления знаний: логика предикатов первого порядка, система продукций (правил), фреймы и семантические сети. Энциклопедические знания, сформированные специалистами предметной области, составляли основу базы знаний этой системы. Логика предикатов первого порядка применялась для полностью аксиоматизированной части знаний, для формализации знаний специалистов, которые имеют не интуитивную основу, а могут быть объяснены и обоснованы. В диссертации эта формализация представлена на примере некоторых утверждешш, описывающих физитсо-географические условия и оперативное оборудование для форсирования крупных водных преград.

Примеры представления модулей знаний в виде правил с фреймовой структурой представлены на фрагменте И-ИЛИ дерева, разработанного автором, и предназначенного для задач форсирования крупных водных преград. Вершинам этого дерева соответствуют определенные утверждения (указанные в

прямоугольниках), а дуги (стрелки) определяют порядок получения новых утверждений. Те дуги, которые соединены между собой узлом «и», образуют конъюнктивные условия вывода, а те дуги, которые между собой соединены узлом «или», образуют дизъюнктивные условия вывода. Ориентация дут показывает направление вывода. Естественное разбиение вершин дерева по ярусам отражает глубину вывода (число шагов, необходимых для получения утверждений данного яруса). Первый ярус дерева образуют вершины (на рисунке это - элементы физико-географических условий и их параметры), которые играют роль утверждений, заданных извне.

Следующий этап развития разработашюго автором исследовательского прототипа экспертной системы предполагает дальнейший переход от данных о местности к знаниям о местности. Он требует создания семантической сети, описывающей динамические ситуации, когда отдельные факты и явления, содержащиеся в одной структуре, вступают в ситуативную связь с фактами или явлениями, описанными в другой структуре. (Так должна возникнуть сеть с именами сложных структур в вершинах.) С помощью дуг, над которыми записываются имена соответствующих отношений, вершины сети соединяются между собой, образуя семантическую сеть. Построение ее представлено в концептуальной схеме рассматриваемой экспертной системы.

В пятой главе решена проблема интерпретации сложных изображений путем создания многракурсного изображения а также сформулированы новые возможности, которые дают многоракурсные снимки.

Понятие многоракурсного изображения было формализовано автором с целью создания единой информационной единицы, существенно зависящей от всех ее компонент. Это понятие представляет собой естественное обобщение понятий мультиспектрального, гипер- и ультраспектрального разновременного изображетгй. Все перечисленные изображения естественным образом укладываются в структуру многоракурсного изображения для использования всех введенных ранее определений и понятий растровой пространственной информации.

Вычислительные системы девяностых годов позволили построить виртуальную ГИС, которая полностью имитировала пространственное восприятие сцен человеком, но не могла осуществить многопользовательский доступ к системе с целью активного взаимодействия группы исследователей в этой виртуальной реальности.

Следующий шаг в развитии пространственных визуальных систем, построенных на основе данных дистанционного зондирования, был направлен на расширение спектральной шкалы, уменьшение ширины полосы измеряемого гпектра и увеличению количества полос. Это привело к появлению гипер- и ультраспектральных изображений и соответственно новых способов их обработки, го есть открыло новые возможности для расширения естественного зрения человека в виде синтезированных изображений из сочетаний видимого и не видимого диапазонов электромагнитного излучения, а также для реализации не только разработанных теорий распознавания образов, но и возникновения новых математических методов обработки такой информации.

Современные задачи, которые решаются человеком с помощью обработки космических изображений, не могут быть решены автоматизированными методами, работающими в основном на основе отдельных плоских изображений. Большинство современнных проблем - задачи мониторинга заданной территории на основе аэрокосмической информации, полученной при различных условиях и в различное время. Эти задачи не могут решаться с помощью не связанных между собой изображений. Здесь требуется использование коллекции изображений как единого целого.

Корень проблемы состоит в том, что понятие коллекции изображений никак не стандартизировано. Новые возможности, которые дают многоракурстные снимки, заключаются в том, что они создают стандартную структуру данных и, используя ее как промышленный стандарт, позволяют разрабатывать промышленные процедуры обработки новых, более сложных объектов.

Задачи понимания изображений, вследствие возникшей вычислительной возможности обработки чрезвычайно сложных и больших объемов пространственной информации, требуют нового информационного представления пространственной информации, определенного автором в данной работе как «мкогоракурсное изображение». Многоракурсное изображение - данные физических измерений, соединенные в одну информационную единицу и представленные в виде конечномерного отображения для проведения их обработки.

Из данного определения многоракурского изображения следует, что оно представляет собой массив данных физических измерений. Каждый элемент массива представляет собой множество параметров, которые сгруппированы в два подмножества и и к . В II входят те параметры, которые описывают условия проведения данного измерения и1,и1,...,ит, (в частном случае координаты

и, = х, и2 = у, и3 - время съемки, ил - высота полета, и5>... - параметрь освещенности и т.д.), а в к = (к,,...,к - собственно результаты измерения

V« = х„(и„...,и„) еК„(и„...,и„)

при этих условиях.

Пространство вложения многообразия определения многоракурсногс изображения II е[0,{/,]® [0,(/2]®...®[0,1/„] - это прямое произведение облаете; изменения параметров измерения и1,иг,...,ит. Если в точке и1 с координатам! (и, = х1,и2 = >>,) и направлением сканера = а1,ы< = р,,ы! = у,) бьш< получено изображение, то пространство вложения - прямое произведен»

Многообразие определения многоракурсного изображения - множестве допустимых сочетаний условий проведения измерений или множество точек координаты которых являются параметрами физических измерений. Многообразш определения многоракурсного изображения представляет собой /л-арно< отношение, соответствующее подмножеству в множеств!

и е [О, и, ] ® [О, С/2]®.. .®[0, ит ].

В разных точках физические измерения завися' от различных параметров. Существует множество, являющееся списком все; таких параметров, в котором они взяты однократно без повторов.

Пространство вложения многоракурсного изображения и ® К - это прямо< произведение параметров из области определения и и области значений к О общем случае - результаты физических измерений, например, яркость во все; спектральных зонах, поляризация электромагнитных колебаний в данной точке I так далее).

Многоракурсное изображение с произвольной областью определения 1 произвольной областью значений может быть определено, как (/я + и)-аршл отношение (предикат), соответствующее подмножеству в множеств! \и1®...®ит ®К,®...®К„}. Это задание отношения на соответствующем прямо?

произведении, следовательно многоракурсное изображение может был представлено в виде поверхности в своем пространстве вложения.

Отношения, как они описаны выше, имеют реализацию на компьютерах ] виде различных систем логического программирования и, в первую очередь

реляционных СУБД, где отношениям (предикатам) соответствуют таблицы СУБД. В диссертации представлена разработанная автором основная структура данных для хранения многоракурсных изображений в реляционных СУБД.

В диссертации введено обощенное понятие разрешения многоракурсного изображения - это степень подробности изображения, выраженная числом или набором чисел. Предыдущие виды разрешений остаются без изменений для многоракурсных изображений. Так как пространство вложения строится как прямое произведение пространств, характеризующих условия съемки и в это произведение входят разнородные пространства, то каждому из внутренне однородных сомножителей имеет смысл поставить в соответствие свое разрешение.

Автором определено интерпретационное пространство многоракурсных изображений, основанное на понятии его разрешения. Для этого представлены несколько характерных примеров коллекций мультиспектральных изображений, которые преобразованы в многоракурсные изображения. Каждому из этих реальных примеров поставлена в соответствие база данных.

1). Одноракурсное изображение с пространственным разрешением, большим, чем снятая область. Для данного класса излучение, полученное от снимаемого объекта по каким-либо причинам не должно подвергаться пространственной обработке, что не позволяет различать элементы изображения. Так как при этом сохраняется спектральное разрешение, то результат съемки не перестает быть изображением при исчезновении какого-либо параметра. Изображение может представлять собой, например, несколько эталонных спектрограмм, соединенных вместе, которые могут находиться в одном многоракурсном изображении вместе с любым мультиспектральным изображением, подвергающимся обработке с целью, например, кластеризации.

2). Многоракурсное изображение с одномерной областью определения -кинофильм с фиксированными осями. Пусть кинокамера жестко связана с летательным аппаратом и направлена вниз. Пролет рассматриваемой системы однократный. Пространство вложения для такой системы - (дс,г), а многообразие определения - это траектория полета вида (*(<), И')* *(*)). Для этого многоракурсно го изображения можно ввести понятие разрешения многообразия определения. В этом примере многообразие определения - одномерно и для него пространственное разрешение равно максимальному расстоянию между соседними кадрами.

3). Многоракурсное изображение с двумерной областью определешы -кинофильм с фиксированными осями, но со сканирующей траекторией полета. Здесь кинокамера также жестко связана с летательным аппаратом и направлена вниз. Пролет рассматриваемой системы сканирующий в некоторой плоскости над поверхностью. Тогда, пространство вложения для такой системы - (х,>',г), а многообразие определения - это некоторая поверхность в трехмерном протранстве - плоскость сканирования г = г(дс(*)>.у(')>')- У этого изображения есть два разрешения: пространственное (как оно определено выше) и временное, т.к. стереочетверка, например, имеет еще и временное разрешение для двух перекрывающихся продольных стереопар (на параллельных прогонах летательного аппарата).

4). Съемка объекта с разным увеличением. Съемка одного и того же объекта, но с разным увеличением (масштабированием) дает многоракурсное изображение. При этом измеряемый объект и съемочная аппаратура относительно друг друга могут быть либо неподвижны, либо съемочная аппаратура непрерывно сближается со снимаемым объектом. Например, летательный аппарат при приближении к планете передает серию изображений изучаемого объекта. Эта серия представляет собой многоракурсное изображение, представляющее собой «усеченную пирамиду», некоторым образом похожую на масштабный ряд. Здесь разрешение есть некоторая функция от плотности расположения изображений в едшшцах длины и от расстояния между изображением и снимаемым объектом.

5). Съемка из одной и той же точки одного и того же объекта, но с различным освещением (например, солнечным в течение светлого времени суток) дает также многоракурсное изображение. Здесь возможно восстановление рельефа по теням, а различные характеристики изменения температуры дают возможность различать материалы. Пространство вложения - это прямое произведение пространств геометрических и оптических характеристик источника света. Многообразие определения характеризуется двумя видами разрешений: пространственным и оптическим, так как первое характеризует плотность фиксации положений источника света, а второе - плотность фиксации оптических состояний.

Рассмотренные примеры являются базисными для синтеза более сложных изображений. Список базисных компонент является открытым.

В заключении диссертации представлены результаты проведенных исследований, направленные на развитие нового научного направления теоретической информатики - построения систем понимания изображений на основе данных дистанционного зондирования. В диссертации решена проблема

разработки теоретических основ и технологии создания систем понимания изображений на основе данных дистанционного зондирования. Предложена методология построения обобщенной моде.™ сегментации мультиспектраьного изображения, включающая в себя выделение ядра «понимания изображений». Сформулирована концепция формализованной модели семантической интерпретации изображений, основанная на базе знаний о пространственных объектах.

На защиту выносятся следующие основные положения.

1. Разработаны теоретические и методические основы представления данных дистанционного зондирования в виде многоракурсного изображения и ветвящегося растра.

1.1.Проведен анализ существующих методов структурирования пространственной информации и разработан новый подход к концептуальному анализу разнородных мультиспектральных изображений.

1.2.Предложена новая структура представления мультиспектральных изображений, позволяющая разрабатывать промышленные процедуры обработки новых, более сложных пространственных объектов.

2. Разработана обобщенная модель сегментации мультиспектрального изображения.

2.1.Построена технология создания шкалы информативности парного признакового пространства с открытым множеством параметров и расширяемой размерностью пространства признаков мультиспектральных изображений.

2.2.Разработаны теоретические основы и практические методы определения кластеров неразличимых мод признакового пространства мультиспектральных изображений.

2.3.Теоретически обоснован и разработан новый способ эталонных описаний пространственных объектов, основанный на получении инвариантных статистических оценок мультиспектральных изображений.

2.4.В рамках реализации технологии разработаны методы получения универсальной структурируемой границы разделимых мод в пространстве признаков и ее уровней в пространстве Я".

3. Разработаны методы позиционирования пространственных объектов на мультиспектральных изображениях.

3.1.Теоретически обоснован и проверен на большом материале метод декоррелнрующего преобразование изображения, повышающий точность позиционирования распознаваемого объекта.

3.2.Разработаны практические методы позиционирования пространственных объектов, обладающие значительным быстродействием.

4. Выявлены и исследованы теоретические аспекты разработки формализованной модели семантической интерпретации изображений.

4.1.Построено дерево вывода на базе знаний фреймового типа для задач анализа физико-географических условий ведения боевых действий.

5. Исследован и предложен новый подход обработки экспертной информации с целью создания дедуктивных баз данных, содержащий постановку и методы решения задачи систематизации экспертной информации.

5.1.Полученные выше результаты проверены на совокупности задач получения обобщенных критериев состояния среды для построения оценочно-прогнозных экологических карт в интересах Санэпиднадзора Ленинградской области.

6. Разработанная теория и методы послужили базисом курса «Построение и практическое использование интеллектуальных ГИС» на кафедре информационной безопасности ИКСИ, а также на кафедре прикладной математики Военно-инженерного университета.

Основные публикации по теме диссертации.

1. Пронина Г.Е. Прибор для автоматического опознавания идентичных точек на снимках стереопары. Бюллетень изобретений №3, 1975. Авт. свидетельство №457879.

2. Бапин Б.М., Корсаков В.В., Пронина Г.Е. Устройство идентификации участков местности. Бюллетень изобретений №3, 1981. Авт. свидетельство №160458.

3. Пронина Г.Е. Измерение корреляционной функции стохастического поля по его значениям в случайно расположенных точках. Сборник статей по прикладным задачам математики. ВИА. Москва, 1983.

4. Пронина Г.Е. Математические методы анализа и оптимального проектирования сложных технических систем. Учебное пособие. ВИА. Москва, 1983.

5. Астахов А.Д., Пронина Г.Е. Применение методов системного анализа дня оценки эффективности системы ТГО. Монография. Москва. Воениздат. 1986.

6. Пронина Г.Е. Выделение подгрупп экспертов с согласованными мнениями с помощью метрики Хаусдорфа. Сборник статей по прикладным задачам математики. ВИА. Москва, 1990.

7. Пронина Г.Е. Геоинформационная система дешифрирования аэроснимков. Немецко-русский семинар «Экологические проблемы военных объектов, пути их решения и инфраструктурное планирование». Москва, 1993.

8. Пронина Г.Е., Бадапян П.Г. Понимание изображений на основе нечеткой кластеризации мульгнспектральной информации. V-ая национальная конференция по искусственному интеллекту. Казань. 1996.

9. Пронина Г.Е. О некоторых задачах построения систем понимания изображений на основе обработки мультиспектральной информации. VI-ая Международная конференция "Интеллекгуальные системы и компьютерные науки" МГУ, Москва 1996.

10. Pronina Galina Е. Images Understanding Systems Based of Principal Objects Allocation. (Опорные объекты для построения систем понимания изображений) The International Symposium on Spectral Sensing Research (ISSSR). San Diego, California 13-19 December, 1997.

11. Pronina Galina E., Pronin Vitalie B. The New Approach to a Storage in Relational DBMS Raster & Vector Data. (Новый подход к хранению растровых и векторных данных в реляционных СУБД) The Sixth International Conference on Remote Sensing for Marine and Coastal Environments. Charleston, South Carolina,USA. 1-3 May 2000.

12. Pronina Galina E. Deductive data bases for a construction of systems of understanding of images (Дедуктивные базы данных для построения систем понимания изображений) The Fourteenth International Conference and Workshops on Applied Geologic Remote Sensing, Las Vegas, Nevada, USA, 6-8 November 2000.

Основные обозначения.

Глава 1. Построение систем понимания мультиспектральных изображений.

1.1. Геоинформационная система как способ представления и систематизации знаний.

1.2. Обнаружение знаний в данных дистанционного зондирования. . . .

1.2.1. Предварительная обработка изображения.

1.2.2. Интерпретация и анализ мультиспектральных изображений. .

1.2.2.1. Повышение качества изображения.

1.2.2.2. Классификация изображения.

1.2.2.3. Обнаружение изменений в изображении.

1.3. Системы понимания мультиспектральных изображений.

1.3.1. Определение опорных объектов или явлений (модель первого типа).

1.3.2 Семантическая интерпретация на основе нечетких выводов модель второго типа).

1.4. Формулировка проблемы сегментации мультиспектральных изображений.

1.4.1. Свойства изображений и задачи распознавания образов.

1.4.2. Проблема сегментации мультиспектрального изображения. . .

1.4.2.1. Неформальные процедуры.

1.4.2.2. Выделение признаков, описывающих целевое ядро сцены на мультиспектральном изображении.

1.4.2.3. Определение сигнатур целевого ядра сцены.

1.4.2.4. Отделение объектов от фона и разделение их друг от друга.

Глава 2. Сегментация изображений.

2.1. Шкала информативности парного признакового пространства.

2.1.1. Формулировка задач.

2.1.2. Статистическая связь между признаками объектов мультиспектральных изображений.

2.1.3. Параметры регрессии парного признакового пространства.

2.1.4. Обобщенный критерий оценки информативности парного признакового пространства.

2.1.5. Пространство признаков синтезированного мультиспектрального изображения.

2.2. Кластеры неразличимых мод пространства признаков изображений.

2.2.1. Множество неопределенности кластеризации.

2.2.2. Паретовский анализ.

2.2.3. Геометрическая интерпретация точек согласованного оптимума.

2.2.4. Множество неопределенности кластеризации на двумерных дифференциальных функциях распределения.

2.2.5. Многомерные гистограммы мультиспектральных изображений.

2.2.6. Вычисление множества неопределенности кластеризации в случае двух параметров и двух классов.

2.2.7. Вычисление множества неопределенности вокруг неразличимых мод пространства признаков изображений.

2.2.8. Разделение множества неопределенности на классы в двухпараметрическом пространстве.

2.3. Эталонные описания пространственных объектов.

2.3.1. Динамические спектральные эталоны.

2.3.2. Вычисление границ распознаваемых объектов.

2.3.3. Полиномиальные модели.

2.3.4. Извлечение характеристик.

2.3.5. Способ случайных парных выборок.

2.3.6. Особенности измерения связи между однотипными признаками картографических моделей пространственной информации.

2.3.7. Модели измерения связи между разнотипными признаками. .

2.4. Модели сегментации мультиспектральных изображений.

2.4.1. Варианты применения стратегии Байеса для сегментации мультиспектральных изображений.

2.4.2. Тальвег - граница разделимых мод в пространстве признаков.

2.4.2.1. Тальвег в пространстве .

2.4.2.2. Вычислительная процедура определения границ.

Глава 3. Позиционирование распознаваемых объектов.

3.1. Влияние статистических параметров изображений на процесс позиционирования распознаваемых объектов.

3.1.1. Выравнивание интегральных параметров изображений.

3.1.2. Повышение инвариантности параметров корреляционной функции к направлению анализа изображений.

3.2. Декоррелирующее преобразование изображения.

3.2.1. Необходимость декоррелирующего преобразования.

3.2.2. Повышение точности позиционирования объекта после декоррелирующего преобразования изображения.

3.3. Быстрые способы позиционирования распознаваемых объектов. . .

3.3.1. Зона идентичности изображений и идентифицирующая функция. . .

3.3.2. Сокращение описания изображений.

3.3.3. Логический способ идентификации точек стереопары.

3.6. Анализ ошибок геометрических преобразований изображений. . . .

3.6.1. Случай нестационарного случайного поля.

3.6.2. Случай стационарного случайного поля.

3.6.3. Определение дисперсии разностей значений яркостей соответственных точек исходного и преобразованного изображений.

Глава 4. Создание дедуктивных баз данных.

4.1. Методы обработки экспертной информации.

4.1.1. Экспертиза в создании дедуктивных баз данных.

4.1.2.Таксономия в задачах систематизации пространственной информации.

4.2. Систематизация экспертной информации.

4.2.1. Постановка задачи.

4.2.1.1. Исходные данные задачи.

4.2.1.2. Метрическое пространство .

4.2.2. Меры сходства таксономических единиц.

4.2.3. Способы получения подгрупп экспертов.

4.2.3.1. Стратегия, основанная на метрике Хаусдорфа.

4.2.3.2. Объединение, использующее «стратегию лидера».

4.3. Построение обобщенной оценки каждой из подгрупп экспертов. . .

4.3.1. Определение итеративной процедуры построения обобщенного мнения каждой из подгрупп экспертов.

4.3.1.1. В случае количественных переменных.

4.3.1.2. В случае порядковых переменных.

4.3.2. Получение обобщенных критериев состояния среды для построения оценочно-прогнозных карт.

4.4.Семантическая интерпретация пространственной информации. . . .

4.4.1. Интеллектуальные информационные единицы пространственных данных.

4.4.2. Способы представления пространственной информации в интеллектуальных ГИС.

4.4.2.1. Продукционные базы знаний.

4.4.2.2. Фреймовая структура данных о местности.

4.4.2.3. Семантическая сеть и логика предикатов.

4.5. Описание местности в экспертной системе на языке логики предикатов.

4.5.1. Получение элементов базы знаний.

4.5.2. Модель вывода.

4.5.3. Реализация экспертной системы.

Глава 5. Многоракурсные изображения.

5.1. Проблема интерпретации сложных изображений и создание многракурсного изображения.

5.1.1. Цели создания многракурсного изображения.

5.1.2. Новые возможности, которые дают многоракурсные снимки.

5.2. Основные определения многоракурсных изображений.

5.3. Представление многоракурсных изображений в СУБД.

5.3.1.Вспомогательные таблицы. Обеспечение целостности данных.

5.4. Разрешение многоракурсного изображения.

5.4.1. Одноракурсное изображение с пространственным разрешением, большим, чем снятая область.

5.4.2. Многоракурсное изображение с одномерной областью 7

ВВЕДЕНИЕ.

На протяжении более трех десятилетий ведущие ученые и исследователи создавали высоко специализированные технологии обработки изображений, хранения огромных массивов данных, прикладного применения суперкомпьютеров для создания интеллектуальных географических информационных систем (ГИС)*. Для этой цели в конце 1993 г. были успешно соединены несколько суперкомпьютеров фирмы Cray Research - по 16 процессоров в каждом и с самым большим объемом общей памяти в мире. Эта система была способна обрабатывать данные с рекордной пиковой скоростью -до 64 гигафлопс (миллиард логических операций с плавающей точкой в секунду).

Несколько позже была создана модульная система массовой памяти, представляющая собой роботизированный комплекс хранения и доступа к большим объемам информации. Система позволяла решить проблему практически бесконечного наращивания объема хранимой информации, начиная с 10.000 терабайт. Все это подготовило почву для появления систем обработки космической информации, которые могли включать в себя любую систему электронно-программных интеллектуальных модулей обеспечения полного решения задач обработки аэро- и космических снимков. В такой интеллектуальной ГИС все данные от современных и будущих спутников, авиационных электрооптических систем сбора информации могут быть преобразованы в цифровую форму, проанализированы, подготовлены в виде единого документа и использованы.

Разработка таких технологий ставит проблему дальнейшего развития теоретических основ построения интеллектуальных систем. Проекты интеграции реляционных баз данных и систем логического программирования, связанные с созданием новых информационных технологий и вычислительных систем пятого поколения (стратегические программы США и Японии, стратегическая программа стран Европейского сообщества), в рамках которых были созданы методы построения дедуктивных баз данных, находятся в стадии разработки. По определению известного географа A.M. Берлянта, географическая информационная система представляют собой автоматизированную аппаратно-программную систему, осуществляющую сбор, обработку, хранение, отображение и распространение пространственно-координированной геоинформации. (Берлянт A.M. Геоиконика. М.:Астрея,1996) 8

Сегодня уже существуют промышленные системы «Coupling Prolog to Relational databases» для связывания Пролога и реляционных баз данных. Эти системы предназначены для создания баз знаний, что особенно актуально при построении интеллектуальных ГИС для задач, которые не поддаются полной автоматизации или требуют больших ресурсов времени и памяти.

К таким задачам относятся, например, задачи обработки мультиспектральных изображений с целью их интерпретации, распознавания природных ресурсов по набору тематических карт, сложнейших экономических задач, связанных с пространственной информацией, а также любых задач стратегического планирования. Кроме того, карты, по мнению крупнейших географов, служат ученым для систематизации знаний, создания теорий и развития философских представлений о мире.

Вот почему ГИС ближе всего оказались к внедрению и развитию основных идей и методов искусственного интеллекта. Одним из прорывных направлений построения вычислительных систем пятого поколения являются системы понимания изображений, которые предназначены для анализа изображений и составления описания изображенной сцены в "неизобразительной" форме, т.е. создания общего словесного описания сцены.*

Это научное направление, лежащее на стыке теоретической информатики и искусственного интеллекта, впитало в себя сложнейшие задачи информатики, распознавания образов, нейросистем, искусственного интеллекта, и т.д. и положило в основу своей молодой развивающейся теории работы отечественных и зарубежных ученых: У.Гренандера, Р.Дуды, П.Харта, Д.А.Поспелова, Р.Ковальски, М. Минского, С.Осуги, Ю.Оаэки, Ш.К. Чена, К. Фу, Л.П. Ярославского, К.Фукунага и др.

Все реальные разработки систем понимания изображений были направлены на создание модулей для роботов, которые должны функционировать в каком-либо пространстве: в помещении, на открытой местности или даже на другой планете. Поэтому почти все существующие системы понимания изображений не обладают адаптивностью, т.к. рассчитаны на решение специальных задач Анализ сцен в системах понимания изображений - это методы упрощения изображений - подавление несущественных деталей, описание форм и размеров объектов на изображении, объединение отдельных частей изображения в осмысленные образования, методы уменьшения сложности данных. (Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976). 9 анализа изображений ограниченного типа. Сегодня не существует систем понимания изображений, предназначенных для обработки больших потоков аэрокосмической информации, так как не существует пока промышленных стандартов представления такой информации в информационных системах. Не сформулированы также основные проблемы промышленного построения таких систем.

В диссертационной работе сделана первая попытка стандартизации аэрокосмической информации с целью построения систем понимания изображений на основе данных дистанционного зондирования.* В работе решается задача создания теории и моделей построения такой системы.

Цель и основные задачи.

В диссертации разрабатывается новое научное направление, имеющее целью построение систем понимания изображений на основе данных дистанционного зондирования.

Данное исследование решает научно-техническую проблему построения системы понимания мультиспектральных изображений на основе создания и обоснования теоретической концепции новой структуры пространственной информации в виде многоракурсного изображения, а также задачи разработки технологии автоматической сегментации и позиционирования изображений; формализации пространственной семантической информации в виде баз знаний смешанного типа.

В диссертационной работе решаются следующие задачи.

• Разработка шкалы информативности парного признакового пространства с открытым множеством параметров и расширяемой размерностью пространства признаков мультиспектральных изображений.

• Разработка и внедрение методологии универсальной структуры представления данных дистанционного зондирования, включая обоснование необходимости и теоретические аспекты создания универсальной структуры представления данных дистанционного зондирования, а также создание практической технологии формирования многоракурсных изображений на основе данных дистанционного зондирования различной природы. Дистанционное зондирование - неконтактная съемка Земли или других планет с летательных воздушных и космических аппаратов, судов, подводных лодок. (Берлянт A.M. Геоиконика. М.:Астрея,1996)

10

• Формирование обобщенной модели сегментации мультиспектраьного изображения, включающей в себя выделение ядра «понимания изображений» в пространстве признаков Я", а также определение множества неопределенности кластеризации для любой размерности признакового пространства.

• Построение технологических методов эталонных описаний пространственных объектов, обладающих инвариантностью к направлению анализа изображений, а также создание алгоритмов позиционирования пространственных объектов на панхроматических и мультиспектральных изображениях.

• Создание формализованной модели семантической интерпретации изображений, основанной на базе знаний о пространственных объектах, включая экспертную информацию, с целью создания дедуктивных баз данных; а также экспериментальное подтверждение эффективности разработанных методов на практических примерах.

Методы исследования. Для решения поставленных задач использовались теория нечетких множеств, методы теории вероятностей и математической статистики, объектно-ориентированное и логическое программирование, логика предикатов, современный системный анализ, реляционная алгебра, теория и методы инженерии знаний.

Основные научные результаты, выносимые на защиту и их новизна.

Разработана методологическая и технологическая концепция универсальной структуры представления данных дистанционного зондирования в виде многоракурсного изображения и ветвящегося растра, (глава 5)

2.Построена технология создания шкалы информативности парного признакового пространства с открытым множеством параметров и расширяемой размерностью пространства признаков мультиспектральных изображений, а также разработаны теоретические основы и практические методы определения кластеров неразличимых мод признакового пространства мультиспектральных изображений, (глава 2)

3.Разработана обобщенная модель сегментации мультиспектрального изображения, основанная на универсальной структурируемой границе

разделимых мод в пространстве признаков и ее уровней в пространстве Я". Для построения модели определяются аксиомы построения «тальвегов» в Я". Теоретически обоснован и разработан новый способ эталонных описаний

11 пространственных объектов, основанный на получении инвариантных статистических оценок мультиспектральных изображений, (глава 2)

4. Исследован и предложен новый подход обработки экспертной информации с целью создания дедуктивных баз данных, который содержит постановку и методы решения задачи систематизации экспертной информации, а также разработана формализованная модель семантической интерпретации изображений, основанная на базе знаний фреймового типа и сформулирована проблема построения нечетких отношений пространственных объектов при построении дерева вывода, (глава 4)

5. Решена задача позиционирования пространственных объектов на панхроматических и мультиспектральных изображениях, в том числе теоретически обоснован и проверен на большом материале метод декоррелирующего преобразование изображения, повышающий точность позиционирования распознаваемого объекта, а также разработаны практические методы позиционирования пространственных объектов, обладающие значительным быстродействием^ главаЗ)

6. Создана, методически обоснована и опробована первая учебная программа по интеллектуальным геоинформационным системам в объеме 170 часов (программа кафедры информационной безопасности ИКСИ Академии ФСБ).

Практическая ценность работы.

Решение поставленных в диссертации задач обеспечивает создание методологии разработки систем понимания мультиспектральных изображений на основе данных дистанционного зондирования нового поколения, реализацию технологии сегментации изображений и позиционирования пространственных объектов, а также использование систем понимания изображений для различных практических задач.

Предложенные автором практические модели оценки эффективности сложных систем, опубликованные в монографии «Применение методов системного анализа для оценки эффективности системы ТГО», используются Военно-Топографическим Управлением МО, а также коллективами оперативно-тактических кафедр Военно-инженерного Университета и Военно-топографического Управления МО при проведении учений.

На базе предлагаемых моделей и подходов под руководством автора разработана архитектура и реализован исследовательский прототип экспертной

12 системы «Анализа физико-географических условий и оперативного оборудования театров военных действий».

Все полученные выше результаты проверены на совокупности задач получения обобщенных критериев состояния среды для построения оценочно-прогнозных экологических карт в интересах Санэпиднадзора Ленинградской области.

Разработанная концепция построения систем понимания мультиспектральной информации была положена в основу программы переподготовки офицерских кадров спецслужб, которую курирует автор на кафедре информационной безопасности ИКСИ Академии ФСБ, а также на кафедре прикладной математики Военно-инженерного Университета. Учебно-методические материалы автора используются при чтении лекций по интеллектуальным системам в Военно-инженерном Университете и ИКСИ Академии ФСБ.

Апробация результатов работы.

Основные результаты исследований по диссертации докладывались и представлялись на Научном семинаре Института математики СО АН СССР (Новосибирск, 1989); Международной конференции «Создание и применение гибридных экспертных систем» (Рига, 1990); Международной конференции «Экологическая безопасность регионов» (Москва, 1993); III Международной конференции по компьютерной графике и визуализации (Санкт-Петербург, 1993); Международной конференции «Восток-Запад. Искусственный интеллект: от теории к практике» (Москва, 1993); Немецко-русском семинаре «Экологические проблемы военных объектов, пути их решения и инфраструктурное планирование» (Москва, 1993); Межгосударственной конференции «Географические информационные системы. Теория и практика» (Санкт-Петербург, 1993); Международной конференции САПР-94 "Новые информационные технологии в науке и образовании" (Гурзуф, 1994); Национальной конференции «Искусственный интеллект - 94» (Рыбинск, 1994); Международной конференции "Мониторинг окружающей среды, оценка и возмещение экономического ущерба, наносимого здоровью населения ее загрязнением" (Пермь, 1994); II Научно-практической конференции «Региональные геоинформационные системы» (Рязань, 1995); Международной конференции "Цифровая фотограметрия и дистанционное зондирование-95." (Санкт-Петербург, 1995); Международной конференции «Искусственный интеллект в XXI веке» (Москва, 1995); V-ой Национальной конференции по

13 искусственному интеллекту (Казань, 1996); VI-ой Международной конференции "Интеллектуальные системы и компьютерные науки" (МГУ, Москва, 1996); Научно-практической конференции Академии ФСБ России "Деятельность органов федеральной службы безопасности в кризисных ситуациях и борьба с терроризмом в современных условиях" (Москва, 1997); Военно-научной конференции Военно-космических Сил МО "Информационная поддержка из космоса действий тактических звеньев управления войсками и оружием" (г.Юбилейный, Московской обл. 1997); Международном семинаре «Geoinformation & Relational DBMS», (Redlands, California, USA, 1997); The International Symposium on Spectral Sensing Research (ISSSR) (San Diego, USA, 1997); The International Seminar on Remote Sensing, (Atlanta, USA, 1997); конференции «Искусственный интеллект - 98», (КИИ-98, 1998); The International Conference ARC/INFO-98 (San Diego, 1998); The International Seminar «Geoinformation & Artifical Intelligence» (Redlands, California. USA, 1999); The Sixth International Conference on Remote Sensing for Marine- and Coastal Environments. (Charleston, South Caro lina,US A, 2000); The International Seminar on Remote Sensing. (Atlanta, USA, 2000).

Публикации.

Общее количество публикаций по теме диссертации - 59, в том числе одна монография, 4 авторских свидетельства, 5 трудов в международных сборниках трудов конференций на английском языке, 16 статей в отечественных журналах и сборниках трудов, а также в отдельных препринтах, учебных и методических пособиях.

Диссертация является обобщением работ по проблемам построения пространственных интеллектуальных систем в период с 1975 по 2000гг. Эти работы автором выполнялись лично по собственной инициативе или в соавторстве с сотрудниками, работающими под его непосредственным руководством.

Структура и объем работы.

Диссертация состоит из введения, пяти глав, заключения и списка литературы. В ней содержится 232 страницы текста, 46 рисунков,5 таблиц и список литературы из 249 наименований.

4.2.4 Выводы.

1. Сформированные модули знаний на язьпсе логики предикатов позволили построить фрагмент семантической сети. Она представляет ситуативную связь фреймовой структуры гидрографии с фактами, описанными в структуре характерных особенностей ведения боевых действий.

2. На Прологе реализован демонстрационный прототип экспертной системы. Работая на информационном уровне, система, с одной стороны, позволяет получать информацию об объектах местности, а с другой стороны, является информационной базой, на основе которой будут накапливаться знания о спосооах действия на местности.

3.В представленных исследованиях (глава 4) рассмотрены методы обработки и систематизации экспертной информации, предназначенные для систематизации знаний экспертов, которые реализованы в виде автономного модуля - блока извлечения знаний.

Глава 5. МНОГОРАКУРСНЫЕ ИЗОБРАЖЕНИЯ.

5.1. Проблема интерпретации сложных изображений и создание многракурсного изображения.

Понятие многоракурсного изображения формализуется с целью создания единой информационной единицы, существенно зависящей от всех компонент многоракурсного снимка. Это понятие представляет собой естественное обобщение понятий мультиспектрального, гипер- и ультраспектрального разновременного изображений, которые естественным образом укладываются в структуру многоракурсного изображения с целью использования всех введенных ранее определений и понятий растровой пространственной информации.

Машинные представления пространственной информации претерпели несколько принципиальных изменений, которые существенным образом влияли на методы их математической обработки и использования. В шестидесятых годах только небольшая часть компьютеров могла справиться с обработкой данных дистанционного зондирования, представленных в виде реализаций случайных процессов. Потому и математические методы, используемые для обработки такой информации существенно опирались на теорию случайных процессов.

В семидесятые годы мощные вычислительные системы того времени уже позволяли представлять и обрабатывать данные дистанционного зондирования в матричной форме. Панхроматические изображения представлялись в виде дискретной функции двух переменных - матрицы оптических плотностей. Методы математической обработки позволяли в то время вычислять характеристики случайных полей, выполнять двумерное преобразование Фурье, реализовывать пространственную фильтрацию панхроматических изображений.

В восьмидесятые годы в кибернетических устройствах стало возможно представление цветных и трехмерных изображений, что позволило сравнивать возможности восприятия искусственного и естественного зрения. Кибернетические устройства стали «обладать цветным бинокулярным зрением», однако только для целей отображения на экране цветной пространственной информации.

Вычислительные системы девяностых годов позволили построить виртуальную ГИС, которая полностью имитировала пространственное

192 восприятие сцен человеком, но не могла осуществить многопользовательский доступ к системе с целью активного взаимодействия группы исследователей в этой виртуальной реальности.

Следующий шаг в развитии пространственных визуальных систем, построенных на основе данных дистанционного зондирования, был направлен на расширение спектральной шкалы и уменьшение ширины полосы измеряемого спектра и увеличению количества этих полос, что привело к появлению гипер- и ультраспектральных изображений и соответственно новых способов их обработки. Все это открыло новые возможности для расширения естественного зрения человека в виде синтезированных изображений из сочетаний видимого и не видимого диапазонов электромагнитного излучения, а также для реализации не только уже разработанных теорий распознавания образов, но и возникновения новых математических методов обработки такой информации.

Задачи понимания изображений, вследствие возникшей вычислительной возможности обработки чрезвычайно сложных и больших объемов пространственной информации, сформулированные в рамках теории искусственного интеллекта, во всей полноте своей информационной насыщенности требуют возникновения нового информационного представления пространственной информации, определенного в данной работе как «многоракурсное изображение».

5.1.1. Пели создания многракурсного изображения.

В этом разделе дается обоснование целесообразности введения понятия и создания многоракурсного изображения.

Определение 1. Многоракурсные изображения - это данные физических измерений, соединенные в одну информационную единицу и представленные в виде конечномерного отображения для проведения их обработки.

Если посмотреть на то, как эти данные представляются в цифровом виде, то сразу становятся видны некоторые несогласованности. Часть координат области определения цифруются в понятном и достаточно регулярном виде. Например, две координаты, задающие положение пикселя на изображении, используются чтобы определить место записи пикселя в файле изображения. Этот способ тоже имеет некоторый недостаток, но эта тема рассматривается в параграфе СУБД. Но с другими условиями проведения измерений такой ясности и однозначности в способах записи и обработки нет.

Например, часто встречается ситуация, когда значение некоторого параметра считается одинаковым для всего изображения, и тогда он приписывается как атрибут к файлу с изображением. Способы добавления такого атрибута также весьма разнообразны. Он может быть записан в заголовок файла, если формат файла такое позволяет. Но встречаются и кустарные способы записи условий съемки. В подавляющем большинстве способов это делается с помощью соответственно выбранной системы разбивки по каталогам и именования каталогов и файлов. Также в каталоги добавляются достаточно произвольного вида файлы с атрибутами данного каталога как единой информационной единицы. Недостатки такого подхода очевидны.

Современные задачи, которые решаются с помощью обработки космических изображений, уже не могут быть решены с помощью обработки отдельных плоских изображений. Большинство современнных проблем - это задачи мониторинга заданной территории на основе аэрокосмической информации, полученной при различных условиях и в различное время. Они решаются не с помощью несвязанных между собой изображений, а с использованием коллекции изображений как единого целого.

Самая простая задача такого рода - мониторинг изменений заданного участка местности. Для этого используется коллекция из разновременных изображений одного и того же участка местности. Но даже при столь простой структуре коллекции и столь простой задаче ее решение затруднительно.

Затруднения возникают не из-за сложности алгоритмов или большого объема информации, так как вычислительные ресурсы достаточны и алгоритмы известны. Проблемы возникают на уровне организации совместной работы программ и данных, исходящих из разных источников, иными словами проблема состоит в создании единой технологии хранения и передачи пространственной информации.

Корень проблемы состоит в том, что понятие коллекции изображений никак не стандартизировано. Рассмотрим это все на примере коллекции разновременных изображений одной и той же местности.

Неопределенность формата хранения такой коллекции состоит только в том, каким способом кодировать третью координату изображения - время съемки. Способы кодирования геометрических координат пикселя и результатов замеров однозначно определены форматом - форматом хранения данных аэрофотосъемки. Может создаться впечатление, что с одним неопределенно записываемым параметром много вариантов записи быть не может. Однако, это не так.

Можно именовать файлы по номерам, и вместе с коллекцией файлов хранить таблицу времен, соответствующую номерам или именам файлов. Можно считать временные интервалы между файлами одинаковыми (как размер пикселя в обычном изображении), и таблицу не хранить. Вместо нее хранить файл, в котором записано временное разрешение коллекции. А можно и не хранить, неявно предполагая, что пользователь сам обо всем догадается по имени каталога, в которое временное разрешение некоторым образом входит. А можно вообще нигде ничего явным образом не указывать, а использовать для введения временной координаты системный атрибут файла - время его создания и изменения.

В принципе нельзя сказать ни про какой из этих подходов, что он плох в принципе. Для любого из них существуют ситуации, когда он будет очень хорошим решением. Но за это приходится платить очень дорогую цену -невозможность разработки программных систем для обработки коллекций.

В самом деле, представим себе, что изображения хранятся не в виде матрицы, записанной в один файл, а в виде коллекции строк, то есть каталога со строками. Не такая уж фантастическая ситуация, если вспомнить о том, что в самом начале цифровой обработки изображений использовались методы обработки сигналов. Компьютеры того времени имели слишком маленькую память для хранения изображения целиком, и его обработка велась по строкам. Дело в том, что некоторые виды сигнальной обработки изображений были возможны на вычислительных устройствах без памяти. Алгоритм конкретного вычисления был просто зашит в его схему.

Итак, представим себе, что с 60-х годов ситуация изменилась только в том, что касается вычислительной мощности компьютеров. Способы записи изображения остались прежними. Итак, изображение - это каталог с большим количеством файлов. Каждый файл представляет собой строку со значениями яркостей. Файлов столько, сколько строк. Разумеется, понятие строки изображения - промышленный стандарт, разделяемый почти всеми. Но способов организации коллекции со строками очень много.

Можно для имен файлов использовать номер строки. Можно использовать ее геомерическое вертикальное смещение. Можно вписать в каталог вспомогательную таблицу. Одна из важнейших задач перед визуализацией снимка на экране - это проверка полноты каталога - вдруг из него случайно удалили одну или несколько файлов со строками. После визуализации каталога на экране иногда выясняется, что в него попали файлы-строки из других изображений. Методом двоичного полуручного поиска ее можно найти и удалить. Но это зависит от процедуры визуализации каталога, которая у многих пользователей своя, написанная на макроязыке системы обработки изображений.

Поставляемые системы обработки изображений - это библиотеки функций для работы со строками. Обработка двумерных массивов производится пользовательскими процедурами, поскольку организация каталога с файлами-строками - это дело сугубо индивидуальное. Универсальных подходов к обработке конкретных структур нет. Но существует большое количество конвертеров, которые могут преобразовывать каталоги от одного вида к другому. Каждый из них по отдельности достаточно хорош, но в целом имеются проблемы. Например, при преобразовании от одной структуры к другой по разным траекториям - то есть через разные промежуточные форматы получаются несколько разные результаты. Какие-то данные теряются, и их приходится вписывать в каталоги вручную. В целом, преобразование каталогов это скорее искусство, а не технология, и очень опытные пользователи неплохо владеют этим искусством.

Если в предьщущих абзацах заменить «файлы - строки» на «файлы из коллекции изображений», то все это описывает настоящее положение дел с обработкой сложных изображений. Наше разделение результатов измерений на плоские изображения происходит не от того, что такова природа этих данных. Главная причина в совершенно другом - разрезка сложного на простое до тех пор, пока простые объекты не станут похожи на какой-то общепринятый стандарт. То есть это подгонка нового под старое, а не преемственное развитие. Если бы сейчас стандартной единицей данных была бы строка пикселей, а не плоское изображение, то аэрокинофильм был бы разрезан на соответствующее количество файлов-строк с соответствующим количеством вариантов организации данных этого каталога.

Организация сложных данных в виде самодельных метафайлов еще более неудобна, если учесть уже произошедшие переходы к более сложным, чем плоские снимки, данным. В качестве очень хороших примеров этих сложных данных можно привести мультиспектральные изображения, видеоклипы и компьютерные томограммы. Все эти данные представляются в стандартных и общепринятых форматах.

196

Все это имеет ряд достаточно понятных следствий. Поскольку нет никакой неопределенности в организации этих данных, то возможна промышленная, а не кустарная реализация алгоритмов обработки этих информационных единиц. Причем речь идет не только об обработке входящих в них по отдельности частей, а и об их обработке как единого целого.

Различие между этими видами обработки хорошо показывает различие между сигнальной и цифровой с памятью обработкой изображений. Цифровая с памятью обработка изображений естественно включает в себя процедуры сигнальной - но вместе с тем дает новые возможности, которые принципиально нереализуемы с помощью сигнальной обработки. Например, очень трудно представить себе чисто аппаратное устройство без запоминания частей изображения, которое бы в потоке выполняло двумерное преобразование Фурье функции изображения. В то же время алгоритмы сигнальной обработки - одни из самых простых для реализации на цифровых устройстваях с памятью.

Размерностные отношения между кинофильмом или томограммой и плоским изображением такие же, как и отношения между плоским изображением и строкой. То есть обработка томограммы или видеоклипа в такой же мере преемственна к методам обработки плоских изображений, в какой они преемственны к сигнальной обработке. При переходе к более сложным объектам сохраняются все старые возможности обработки и ничего не теряется. При этом на пересечении их границ применимости они совпадают, что является следованием основному научному принципу - принципу преемственности результатов.

Точно так же, как и в случае перехода от посторочно-сигнальной обработки изображений к его обработке, как единого целого, появляются принципиально новые возможности, точно также происходит и при переходе от плоских к многоракурсным изображениям. Стоит отметить, что свойства этих расширений несколько различны. Если при переходе от сигнальной (на устройствах без памяти) к цифровой (на устройствах с памятью) обработке изображений новые возможности появляются по принципиальным, то при переходе от плоских к многоракурсным в основном по технологическим причинам. В самом деле, реализовать на сигнальном устройстве многие функции невозможно по принципиальным причинам. В то же время нет никаких принципиальных трудностей при написании любой программы, обрабатывающей многоракурсный снимок.

197

Именно по этой причине и проводилось сравнение с цифровой обработкой коллекций строк, а не с сигнальной обработкой. Введение многоракурсного снимка не дает никаких принципиально новых возможностей, которые были бы недоступны при их отсутствии. Как не дает их никакое новое программное решение - за исключением случаев, когда в нем реализован неизвестный алгоритм, без которого какие-то вычисления невозможны в принципе. Точно также и новые технологии программирования не дают возможности вычислять что-то до того времени не вычислимое - они только облегчают процесс программирования. Но именно эти возможности являются решающими.

5.1.2. Новые возможности, которые дают многоракурсные снимки

Итак, в чем же имеено заключаются новые возможности, которые дают многоракурстные снимки? В первую очередь в том, что они создают стандартную структуру данных и, используя ее как промышленный стандарт, позволяют разрабатывать не кустарные, а промышленные процедуры обработки новых, более сложных объектов.

Многоракурсный снимок сложнее частей (объектов и отношений), из которых он состоит, и соответственно сложнее многих процедур обработки этих объектов. То есть, чем больше размернорсть многоракурсного снимка, тем больше его сложность и тем больше сложность алгоритмов его обработки. Программы на основе этих алгоритмов изготавливаются не пользователями, а разработчиками и только на промышленной основе. Пользователи же могут запрограммировать алгоритмы не больше некоторой сложности, и чем более сложен и многомерен снимок, тем более простыми алгоритмами его обработки по отношению к этому снимку они будут вынуждены обходиться. Что и происходит сейчас при обработке коллекций изображений.

Но в названных выше случаях ситуация в принципе другая. Многослойные снимки, видеоклипы и комптютерные томограммы обрабатываются как единые информационные единицы промышленно разработанным программным обеспечением. Эти данные используются не только для их визуализации - с этой задачей неплохо можно было справиться и докомпьютерными методами обработки этой информации. Они компьютеризированы исключительно для обработки, а не визуализации этих данных. Эти процедуры ценны для пользователей, и они не могут быть сведены к раздельной обработке плоских изображений, составляющих многоракурсный снимок.

Наиболее яркий пример такой обработки данных дает томография. Она основана на восстановлении объемного изображения в виде массива вокселов (объемных пикселей) на основе другого массива вокселов - результата томографической съемки. Для этого в случае лучевой томографии используются трехмерные преобразования Фурье, Радона и свертка по некоторым параметрам. Эти преобразования никаким образом несводимы к плоским снимкам - это трехмерные интегральные преобразования. Часто используемая в них операция -это одномерный интеграл по прямой, идущей под некоторым углом к горизонтальным слоям томограммы. На примере этой операции ясно видны сложности, с которыми пришлось бы встретиться при попытке ее реализации на основе файлово-каталожной структуры данных.

Типичный размер томограммы - это несколько сотен вокселов в кубе. То есть ее размер измеряется десятками и сотнями мегабайт. Довольно давно стало возможным хранить томограмму в памяти целиком, и по мере необходимости читать соответствующие данные. Вычисления с томограммой почти никогда не требуют объема памяти, значительно превосходящего собственно объем томограммы. Таковы и интегральные преобразования. Вычисление одного одномерного интеграла по соответствующей прямой сводится к выборке из томограммы нескольких сотен вокселов, суммирования, деления результата на длину интервала и записи результата в некоторую ячейку памяти. Очевидно, что эта процедура не потребует много вычислительных ресурсов.

Но если бы томограмма была представлена в виде коллекции файлов, то ситуация стала бы совсем другой. Если в предыдущем случае самой дешевой операцией является выборка воксела из памяти, то здесь она становится самой дорогой. Потому что в предыдущем случае выборка воксела - это чтение из оперативной памяти, что занимает 1-2 такта процессора, а в файлово-каталожном случае это открытие файла на медленном накопителе, и поиск пикселя внутри этого файла с соответствующим количеством обращений к накопителю.

Не будем приводить здесь числовые оценки, они будут сильно отличаться для различных систем. Но дело в том, что с подобной ситуацией мы встречаемся каждый раз, когда копируем из одного каталога в другой большое количество мелких файлов. В случае нескольких десятков тысяч файлов копирование занимает в тысячи раз больше времени, чем копирование большого файла с размером суммы этих файлов. Но при выполнении интегральных преобразований потребуется открыть количество файлов, примерно равное

199 количеству пикселей томограммы. То есть произвести десятки или сотни миллионов операций открытия файлов. Восстановление изображения может занять несколько недель вместо нескольких десятков секунд. Уже одно это сделало бы компьютерную томографию практически бессмысленной.

Не следует считать,что выше приведен какой-то экстремальный пример. И, как нетрудно показать, в основном этот эффект необычности получается из-за законченности разработки процедур обработки многоракурсных снимков в случае трехмерной лучевой компьютерной томографии.

В своем докомпьютерном виде томография была удивительно непохожа на то, что она представляет собой сейчас. Все виды томографии были послойными. Томограмма представляла собой множество фотопластинок, на которых с помощью механического устройства съемки проецировались результаты просвечивания тела. Для разных задач существовало большое количество методов съемки, видов просвечивания и обработки, которые давали некоторые частные данные о структуре тела. Поскольку томографическое изображение астигматично (нет взаимно однозначного соответствия между точками исследуемого тела и точками изображения, есть только соответствия между множествами точек тела и множествами точек изображения), то его понимание требовало немалых навыков. Эти недостатки были очевидны, и желание компьютеризировать томографию было очень сильным.

Но компьютерная томография первого поколения без изменений переняла модель данных - коллекцию плоских снимков из своего докомпьютерного прошлого. Каждое снятое трехмерное тело представляло собой коллекцию плоских изображений. И восстановление изображений также проводилось послойно, с использованием двумерных интегральных преобразований для каждого слоя отдельно.

Такая организация данных очень сильно сужала область применения томографии. В самом деле, в таком методе предполагалось, что коэффициент поглощения излучения данной ячейкой не зависит от направления, что просто неверно для многих материалов. То есть, послойная двумерная томография ограничивалась исследованием аморфных материалов, а анизотропия металлов вычислялась на основании других методов. И только истинно трехмерная томография, более не связанная плоскими снимками, дала возможность исследовать анизотропные материалы прямо на основании данных просвечивания.

Как было показано, проблемы возникают даже в том случае, когда размерность многоракурсного снимка на единицу больше, чем размерность объектов, на которые он нарезан. Естественно ожидать, что в тех случаях, когда размерность многоракурсного снимка больше чем на единицу превышает размерность объекта нарезки, то появляются новые проблемы. И они действительно появляются, при том, что старые проблемы сохраняются и приобретают большую остроту из-за большего размера многоракурсного снимка. Выше было показано, что описанные проблемы монотонно зависят от размера снимка, поэтому изложение ситуации с большим различием размерностей описывать нет необходимости.

Итак, во многих реальных приложениях появляются массивы с результатами физических измерений, которые зависят от четырех и более параметров. Во многом из-за того, что понятие многоракурсного снимка корректно не определено, с этими объектами обычно работают в разрезанном виде. Эти проблемы уже были рассмотрены выше. Но более высокие размерности добавляют свою специфику к вышерассмотренным случаям. В дальнейшем предполагаем, что для хранения многоракурсного снимка используется файлово-каталожная структура. Также предположим, что в этой системе нет очень значительных ограничений на имена файлов и каталогов. На практике так скорее всего и будет. Ну и, наконец, будем считать, что пользователь осознает этот многоракурсный снимок как нечто внутренне связанное и хочет иметь относительно быстрый доступ ко всем его частям.

В таком случае пользователь будет разрабатывать структуру многоракурсного снимка приблизительно следующим способом. Он создаст корневой каталог, который назовет в соответствии со своими представлениями о том, что собой представляет этот снимок. В этом каталоге будет храниться информация составляющая этот снимок и только она. Дальше он выберет главную переменную из области определения - главную на его взгляд. В корневом каталоге он создаст множество каталогов, имена которых будут нести информацию о значениях переменной данного уровня, слой со значением которой находится в этом каталоге.

Здесь уже автоматически появляется некоторый элемент произвола - в способе кодирования значения переменной. Обычно значение переменной представляет собой число с плавающей точкой с некоторым количеством знаков до и после запятой, например, время для разновременной информации. Далеко не все операционные системы дадут возможность создать файл с таким экзотическим именем, как произвольное значение числа с плавающей точкой. Поэтому пользователь будет вынужден разрабатывать и программно реализовывать процедуру установки взаимно однозначного соответствия между возможными значениями переменной (времени съемки) и допустимыми в данной операционной системе именами каталогов (например, числовые коды). В различных операционных системах эти правила будут несовпадающими, что сразу же сделает невозможным простой перенос метафайла с многоракурсным снимком из одной операционной системы в другую.

Для того, чтобы такой перенос стал возможным, потребуется написать конвертер для установления взаимно однозначного соответствия между допустимыми именами каталогов этих операционных систем. При этом преобразования в этой диаграмме должны быть такими, чтобы она была коммутативной. Такие же условия наложены и на другие преобразования -результат преобразований должен зависеть только от исходного метафайла и места на диаграмме, куда его преобразовывают. Результат преобразования не должен зависеть от пути, по которому производится преобразование. Если этого не будет, то результат преобразования в общем случае будет невоспроизводим, то есть операция передачи данных может стать только частично воспроизводимой.

Вторая трудность связана не с наличием какой-то требующей решения проблемы, а с неотъемлемыми свойствами иерархических информационных систем.

Подобно тому, как плоским снимкам ставится в соответствие функция двух переменых, многоракурсному снимку разумно сопоставить функцию нескольких переменных, в качестве которых использованы параметры проведения физических измерений. В качестве переменных области определения используются измеряемые величины. То есть многракурсные снимки можно приближать множествами точек вида {щ,'--,ит,%1,.,%п) где и - условия проведения измерений, а % - результаты измерений при этих условиях.

Переменные из области определения и области значений могут иметь самую различную природу и совмещаться в весьма различном составе. Про такой массив данных заранее нельзя сказать ничего, кроме того, что он обладает указанным выше видом. Мыслимы достаточно экзотические на первый взгляд объекты, которые попадают под это определение многоракурсного снимка, их примеры даны в следующем разделе.

202

В случае плоских снимков задача создания формата решается достаточно просто: разрабатывается специальный файл, в который записываются такие кортежи, которые образуют плоский снимок. Но этот подход, будучи достаточно хорошим при разработке формата плоских снимков, становится неприемлемым при работе с многоракурсными.

Полная неопределенность как состава переменных, так и областей их допустимых значений делает бессмысленными попытки разработка! сколько-нибудь универсальных файлов для хранения многоракурсных снимков. Характер этих трудностей станет ясным после прочтения раздела СУБД, где излагаются не трудности разработки соответствующего формата файла, а конструктивное решение этих проблем с использованием СУБД.

Поэтому дальше описывается не разработка одного файла, содержащего многоракурсный снимок, а использование иерархической файлово-каталожной структуры, как это было описано выше. Все это также относится и к старым иерархическим СУБД, которые продолжают использоваться в настоящее время из-за своей эффективности при решении некоторых классов задач.

Многоракурсный снимок с четырьмя и более переменными и является уже достаточно большим объектом. Разумно предположить, что это весьма значительные и важные данные, которые будут использоваться более чем одним человеком. Здесь не рассматривается проблема конкурентного доступа, неизбежно возникающая в этом случае. Будем считать, что она решена, и во многих случаях она действительно решаема без использования СУБД. В частности, если пользователи только читают эти данные, а изменять их может только один из них, то никаких проблем возникнуть не может - для таких задач и используются файловые серверы.

Проблема возникнет в другом месте. Дело в том, что при разработке иерархической системы из-за самой ее природы необходимо выстроить иерархию переменных, то есть отсортировать их по важности. При этом отношение нейтральности между переменными возможно. Например, в одном из каталогов имена вложенных объектов составляются таким способом, что имя каталога несет информацию не об одной, а о нескольких переменных. В самом простейшем случае имя каталога получается конкатенацией (сложением строк путем приписывания второго слагаемого к первому) переменных.

В принципе этого желательно избегать, поскольку в таком случае в одном каталоге появится слишком много объектов - столько, сколько точек в

203 кодируемом таким способом боксе. К тому же это создаст трудности при разработке процедуры чтения данных снимка - потребуется предусмотреть эту сложную форму кодирования переменных. Так что сохранение нейтральности или же просто отказ от упорядочивания переменных весьма нежелателен.

Но проблема в том,что условия измерений сами по себе не дают никаких оснований для их ранжирования. Нет никаких универсальных правил, которые однозначно давали бы ранжировку для любого множества переменных - здесь понятия главности и подчиненности являются бессмысленными. Эти переменные дают только уникальность каждого конкретного измерения, определяя ее с помощью уникальных сочетаний неуникальных значений. Для определения этой уникальности никакой ранжировки переменных не нужно. Никакая ранжировка не изменит многоракурсный снимок - она может изменить только способ его записи.

В отсутствие объективных критериев пользователи будут применять субъективные. Главным недостатком такого подхода будут расхождения между пользователями по вопросу о ранжировке переменных. Этот вопрос далеко не праздный, поскольку он связан с определением структуры многоракурсного снимка. Если среди пользователей будут разногласия в ранжировании переменных (не исключается случай, когда сам факт введения ранжирования негативен для пользователя, пример рассматривается в СУБД), то потребуется разработка процедур переранжировки для удобства пользовательского доступа.

Не рассматривая детально ее программную реализацию можно уверенно утверждать, что в нее будет входить копирование десятков тысяч и более файлов в случае четырехмерного снимка. Это в случае перестановки местами двух переменных съемки. В случае более сложной переранжировки потребуется кроме того как-то сформировать эти десятки тысяч файлов или же скопировать количество файлов, равное количеству пикселей снимка - сотни миллионов. И это только для того, чтобы сделать возможной работу пользователя с этим снимком. Не стоит забывать, что пользователей много, и у каждого из них свои специфические потребности доступа к данным. Эта проблема может израсходовать все ресурсы вычислительной системы только на переранжировки.

5.2. Основные определения многоракурсных изображений.

Выше было дано определение многоракурсного изображения, из которого следует, что это данные физических измерений, соединенные в одну

204 информационную единицу и представленные в виде конечномерного отображения для проведения их обработки.

Из данного определения многоракурского изображения следует, что оно представляет собой массив данных физических измерений. Каждый элемент массива представляет собой множество параметров, которые сгруппированы в два подмножества С/ и К. В С/ входят те параметры, которые описывают условия проведения данного измерения и1,и2,.,ит, (в частном случае координаты их-х, и, = у, и3 - время съемки, и4 - высота полета, и.,. параметры освещенности и т.д.), а в К = (к^.,^) - собственно результаты измерения при этих условиях.

Простейшим примером многоракурсного изображения является стереопара, где данные физических измерений выполненны из двухточечного множества. Естественным обобщением стереопары является множество изображений с непустым попарным пересечением, сделанных из некоторого множества точек.

Определение 2. Пространство вложения многообразия определения многоракурсного изображения и е^О,^]® [0,£/2]®.®[0,£/т] - это прямое произведение областей изменения параметров измерения и1,и2,.,ит. Если в точке и1 с координатами (и1=х1,и2=у^ и направлением сканера (и3 = а1,и4 = Р1?и5 = у было получено изображение, то пространство вложения - прямое произведение (х,® (а,(3,у) .

Определение 3. Многообразие определения многоракурсного изображения -множество допустимых сочетаний условий проведения измерений или множество точек, координаты которых являются параметрами физических измерений. Многообразие определения многоракурсного изображения представляет собой т-арное отношение, соответствующее подмножеству в множестве В разных точках физические измерения зависят от различных параметров. Существует множество, п = 1,М, %„(

205 являющееся списком всех таких параметров, в котором они взяты однократно без повторов.

Определение 4. Пространство вложения многоракурсного изображения U® К - это прямое произведение параметров из области определения U и области значений К (в общем случае - результаты физических измерений, например, яркость во всех спектральных зонах, поляризация электромагнитных колебаний в данной точке и так далее).

Определение 5. Многоракурсное изображение с произвольной областью определения и произвольной областью значений может быть определено, как (т + п) -арное отношение (предикат), соответствующее подмножеству в множестве ®fr^®.®^}. Это задание отношения на соответствующем прямом произведении, следовательно многоракурсное изображение может быть представлено в виде поверхности в своем пространстве вложения.

5.3. Представление многоракурсных изображений в СУБД.

Отношения, как они описаны выше, имеют реализацию на компьютерах в виде различных систем логического программирования и, в первую очередь, реляционных СУБД, где отношениям (предикатам) соответствуют таблицы СУБД.

Заключение

В диссертации сформулированы результаты проведенных исследований, направленные на развитие нового направления теоретической информатики -теории построения систем понимания изображений на основе данных дистанционного зондирования. Решена проблема разработки теоретических основ и технологии создания систем понимания изображений на основе данных дистанционного зондирования. Предложена методология обобщенной модели сегментации мультиспектраьного изображения, включающая в себя выделение ядра «понимания изображений». Сформулирована концепция формализованной модели семантической интерпретации изображений, основанная на базе знаний о пространственных объектах.

В качестве обоснования положений, выносимых на защиту диссертации, получены следующие результаты.

1. Разработаны теоретические и методические основы представления данных дистанционного зондирования в виде многоракурсного изображения и ветвящегося растра.

1.1. Сформулирована проблема интерпретации сложных изображений и обоснованы цели создания многоракурсного изображения.

1.2. Проведен анализ существующих методов структурирования пространственной информации и разработан новый подход к концептуальному анализу разнородных мультиспектральных изображений.

1.3. Предложена новая структура представления мультиспектральных ихображений, позволяющая разрабатывать промышленные процедуры обработки новых, более сложных пространственных объектов.

2. Поставлена проблема и разработана обобщенная модель сегментации мультиспектрального изображения.

2.1. Сформулирована задача и построена технология создания шкалы информативности парного признакового пространства с открытым множеством параметров и расширяемой размерностью пространства признаков мультиспектральных изображений.

2.2. Разработаны теоретические основы и практические методы определения кластеров неразличимых мод признакового пространства мультиспектральных изображений.

223

2.3. Теоретически обоснован и разработан новый способ эталонных описаний пространственных объектов, основанный на получении инвариантных статистических оценок мультиспектральных изображений.

2.4. В рамках реализации технологии разработаны методы получения универсальной структурируемой границы разделимых мод в пространстве признаков и ее уровней в пространстве /?".

3. Сформулирована задача и проверены алгоритмы позиционирования пространственных объектов на панхроматических и мультиспектральных изображениях.

3.1. Теоретически обоснован и проверен на большом материале метод декоррелирующего преобразование изображения, повышающий точность позиционирования распознаваемого объекта.

3.2. Разработаны практические методы позиционирования пространственных объектов, обладающие значительным быстродействием.

4. Выявлены и исследованы теоретические аспекты разработки формализованной модели семантической интерпретации изображений.

4.1. Построено дерево вывода на базе знаний фреймового типа для задач анализа физико-географических условий ведения боевых действий.

4.2. Сформулирована проблема построения нечетких отношений пространственных объектов при построении дерева вывода.

5. Исследован и предложен новый подход обработки экспертной информации с целью создания дедуктивных баз данных, содержащий постановку и методы решения задачи систематизации экспертной информации

5.1. Полученные выше результаты проверены на совокупности задач получения обобщенных критериев состояния среды для построения оценочно-прогнозных экологических карт в интересах Санэпиднадзора Ленинградской области.

6. Разработанная теория и методы послужили базисом курса «Построение и практическое использование интеллектуальных ГИС» на кафедре информационной безопасности ИКСИ, а также на кафедре прикладной математики Военно-инженерного университета.

1. Адлер Ю.П., Грановский Ю.В., Маркова Е.В. Теория эксперимента: прошлое, настоящее, будущее. М.: Знание. Математика Кибернетика, 1982Y2.

2. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985.

3. Александров В.В., Горский Н.Д. Алгоритмы и программы структурного метода обработки данных. Ленинград: Наука, 1983.

4. Александров В.В., Горский Н.Д. Представление и обработка изображений. Рекурсивный подход. Ленинград: Наука, 1985.

5. Анисимов Б.В., Курганов В.Д., Злобин В.К. Распознавание и цифровая обработка изображений. М.: Высшая школа, 1983.

6. Арене X., Лёйтер Ю. Многомерный дисперсионный анализ. М.: Финансы и статистика, 1985.

7. Астахов А.Д., Пронина Г.Е. Пути создания математической модели системы ТГО. НТС №9, часть 3, ВИА, Москва, 1984.

8. Астахов А.Д., Пронина Г.Е. Оценка эффективности системы ТГО. Учебное пособие. ВИА. Москва, 1984.

9. Астахов А.Д., Пронина Г.Е. Применение методов системного анализа для оценки эффективности системы ТГО. Монография. Москва. Воениздат. 1986.

10. Афифи А., Эйзен С. Статистический анализ. Подход с использованием ЭВМ. М.: Мир, 1982.

11. Бадалян П.Г., Котляров В.П., Пронина Г.Е. Экспертиза в создании информационных геосистем и электронных карт. III международная конференция по компьютерной графике и визуализации. Санкт-Петербург, 1993.

12. Балин Б.М., Василевский A.A., Пронина Г.Е. Методика идентификации участков местности по (ЦМР) цифровым моделям рельефа. НТС №4, часть 2, ВИА, Москва, 1978.

13. Балин Б.М., Пронина Г.Е. Методика определения оптимального шага дискретизации при построении ММР (моделей местности рельефа). НТС №5, часть 2, ВИА, Москва, 1980.

14. Балин Б.М., Корсаков В.В., Пронина Г.Е. Устройство идентификации участков местности. Бюллетень изобретений №3, Авт. свидетельство №160458. 1981.

15. Барзилович Е.Ю. Модели технического обслуживания сложных систем. -М.: Высшая школа, 1982.

16. Батшцев Д.И. Поисковые методы оптимального проектирования. М.:1. Высшая школа. 1975.

17. Бендат Дж. , Пирсол А. Применения корреляционного и спектрального анализа,- М.: Мир, 1983.

18. Берлянт. A.M. Геоиконика. М.: «Астрея», 1996.

19. Берлянт. A.M. Образ пространства: карта и информация. М.: Мысль, 1986.

20. Беспалов H.A., Голубцов А.И., Синдеев A.A. Экономико-математические методы в топографо-геодезическом производстве. М.: Недра, 1983.

21. Большев JI.H., Смирнов Н.В. Таблицы математической статистики. М.: Наука, 1983.

22. Борисов А.Н., Вилюмс Э.Р., Сукур Л.Я. Диалоговые системы принятия решений на базе МИНИ-ЭВМ. Рига: Знание ,1986.

23. Боровков A.A. Математическая статистика. Дополнительные главы. М.: Наука, 1984.

24. Братко И. Программирование на языке ПРОЛОГ для искусственного интеллекта. М.: Мир, 1990.

25. Брахман Т.Р. Многокритериальность и выбор альтернативы в технике. М.: Радио и связь , 1984.

26. Вальд А. Последовательный анализ. М.: Физматгиз, 1960.

27. Вапник В.Н. (под редакцией). Алгоритмы и программы восстановления зависимостей. М.: Наука, 1984.

28. Вапник В.Н., Червоненкис А.Я. Теория распознавания образов. М.: Наука, 1974.

29. Васильев В.И. Распознающие системы. Киев.: Наукова думка. 1969.

30. Васильев В.И., Реуцкий В.Е. Инвариантные описания плоских зрительных образов. «Автоматика», АН УССР, № 4. 1966.

31. Верхаген К., Дейн Р. и др. Распознавание образов: состояние и перспективы М.: Радио и связь. 1985.

32. Веселова Г.П., Грибанов Ю.И. Статистическая погрешность оценки корреляционной функции нецентрированных случайных процессов. М.: Автометрия. 1. 1970.

33. Виленкин С.Я. Статистические методы исследования систем автоматического регулирования. М.: Сов. радио, 1967.

34. Вознесенский В.А., Ковальчук А.Ф. Принятие решений по статистическим моделям. М.: Статистика, 1978.

35. Волгин В.В., Каримов Р.Н. Оценка корреляционных функций в промышленных системах управления. М.: Энергия, 1979.

36. Волик Б.Г., Буянов Б.Б., Лубков Н.В., Максимов В.И., Степанянц A.C. Методы анализа и синтеза структур управляющих систем. М.:1. Энергоатомиздат, 1988.

37. Воронин Ю.А. Теория классифицирования и ее приложения. Н.: Наука 1985.

38. Галушкин А.И., Зотов Ю.Я., Шикунов Ю.А. Оперативная обработка экспериментальной информации. М.: Энергия. 1972.

39. Гарбук C.B., Гершензон В.Е. Космические системы дистанционного зондирования земли. М.: СканЭкс, 1997.

40. Гафт М.Г. Принятие решений при многих критериях. Москва.: Знание Математика Кибернетика, 1979.

41. Герасимов И.П. Экологические проблемы в прошлой, настоящей и будущей географии мира. М.: Наука, 1985.

42. Глаз А.Б. Параметрическая и структурная адаптация решающих правил в задачах распознавания. Рига.: Зинатне, 1988.

43. Говорухин A.M., Куприн A.M., Коваленко А.Н., Гамезо М.В. Справочник по военной топографии. Москва.: Военное издательство, 1980.

44. Головкин Б.А. Машинное распознавание образов. М. Советское радио 1973.

45. Горелик А. Д., Скрипкин В.А. Методы распознавания. М.: Высшая школа 1989.

46. Гренандер У. Лекции по теории образов. 1. Синтез образов. М.: Мир, 1979.

47. Гренандер У. Лекции по теории образов. 2. Анализ образов. М.: Мир, 1981.

48. Гренандер У. Лекции по теории образов. 3. Регулярные структуры. М.: Мир, 1983.

49. Гурвич В.А., Меньшиков И.С. Институты согласия. Москва.: Знание. Математика Кибернетика, 6/1989.

50. Дегтярев Ю.И. Методы оптимизации. Москва.: Советское радио, 1980.

51. Дейт К. Введение в системы баз данных. М.: Наука, I960.

52. Денисов A.A., Колесников Д.Н. Теория больших систем управления. -Ленинград: Энергоиздат, 1982.

53. Диде Э., Методы анализа данных. (Подход, основанный на методе динамических сгущений). М.: Финансы и статистика, 1985.

54. Доорс Дж., Рейблейн А.Р., Вадера С. ПРОЛОГ язык программирования будущего. - М.: Финансы и статистика, 1990.

55. Дубров A.M. Математико-статистическая оценка эффективности в экономических задачах. М.: Финансы и статистика, 1982.

56. Дубров A.M. Обработка статистических данных методом главных компонент. М.: Статистика, 1978.

57. Дубровский С.А. Прикладной многомерный статистический анализ. М.: Финансы и статистика, 1982.

58. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976.

59. Дюбин Г.II, Суздаль В.Г. Введение в прикладную теорию игр. М.: Наука,1981.

60. Елисеева И.И., Рукавишников В.О. Логика прикладного статистического анализа. М.: Финансы и статистика, 1982.

61. Елкина В.Н., Загоруйко Н.Г. Количественные критерии качества таксономии и их использование в процессе принятия решений. В сб. Трудов ИМ СО СН СССР «Вычислительные системы», Новосибирск, вып. 36. 1969.

62. Ермаков С.М. (под ред.). Математическая теория планирования эксперимента. М.: Наука, 1983.

63. Ермаков С.М., Михайлов Г.А. Статистическое моделирование. М.: Наука,1982.

64. Жовинский А.Н., Жовинский В.Н. Инженерный экспресс-анализ случайных процессов. М.: Энергия, 1979.

65. Завалишин Н.В., Мучник И.Б. Модели зрительного восприятия и алгоритмы анализа изображений. М.: Наука, 1974.

66. Загоруйко Н.Г. Методы распознавания и их применение. М.: Сов.радио, 1972.

67. Закревский А.Д. Логика распознавания. Минск.: Наука и техника, 1988.

68. Закс Ш. Теория статистических выводов. М.: Мир, 1975.

69. Ибрагимов И.А., Хасьминский Р.З. Асимптотическая теория оценивания. -М.: Наука, 1979.

70. Ивченко Г.И., Медведев Ю.И. Математическая статистика. М.: Высшая школа, 1984.

71. Ивченко Г.И., Медведев Ю.И., Чистяков A.B. Сборник задач по математической статистике. М.: Высшая школа, 1989.

72. Иголкин В.Н., Ковригин А.Б., Старшинов А.И. и др. Статистическая классификация, основанная на выборочных распределениях. Л.: ЛГУ, 1978.

73. Ильичев A.B., Волков В.Д., Грущанский В.А. Эффективность проектируемых элементов сложных систем. М.: Высшая школа, 1982.

74. Калашников В. В. Организация моделирования сложных систем. М.: Знание, Математика Кибернетика, 3/1982.

75. Кашьяп Р.Л., Pao А.Р. Построение динамических стохастических моделейпо экспериментальный данным. М.: Наука, 1983.

76. Кендалл М. Дж. Ранговые корреляции. М.: Статистика, 1975.

77. Кендалл М., Стьюарт А. Статистические выводы и связи. М.: Наука, 1973,

78. Кендалл М., Стьюарт А. Многомерный статистический анализ и временные ряды: Перевод с англ./Под ред. А.Н. Колмогорова, Ю.В. Прохорова. М.: Наука, 1976.

79. Кибрик А.Е., Нариньяни A.C. (Под. ред.) Моделирование языковой деятельности в интеллектуальных системах. М.: Наука, 1987.

80. Кильдишев Г.С., Аболенцев Ю.И. Многомерные группировки. М.: Статистика, 1978.

81. Классификатор топографической информации. М.: РИО ВТУ ГШ, 1985.

82. Классификация и кластер/ Под ред. Дж. Вэн Райзина: Пер. с англ./Под ред. Ю.И.Журавлева. М.: Мир, 1980.

83. Клоксин У., Меллиш. Программирование на языке ПРОЛОГ. М.: Мир, 1987.

84. Кобринский Н.Е., Кузьмин В.И. Точность экономико-математических моделей. М.: Финансы и статистика, 1981.

85. Ковальски Р. Логика в решении проблем. М.: Наука, 1990.

86. Кожарский Л.А. Экспертные системы интеллектуальное ядро ЭВМ пятого поколения. - М.: Знание, Радиоэлектроника и связь, 1/1984.

87. Козубовский С.Ф. Корреляционные экстремальные системы. Киев.: Наукова думка, 1973.

88. Кокс Д., Хинкли Д. Задачи по теоретической статистике с решениями. М.: Мир, 1981.

89. Колмогоров А. Н., Фомин С. В. Элементы теории функций и функционального анализа. М.: Наука, 1976.

90. Кондаков Н.И. Логический словарь-справочник. М.: Наука, 1975.

91. Кораблев В.И. (под ред.) Пособие по фотограмметрии. М.: Недра, 1971.

92. Корсаков В.В., Муравская Е.А., Пронина Г.Е. Исследование возможностей использования ММР для автоматической оценки и районирования территорий. НТС №5, часть 2, ВИА, Москва, 1980.

93. Коршунов Ю.М. Математические основы кибернетики. М.: Энергия, 1980.

94. Котляков В.М. и др. Подходы к составлению экологических карт СССР. Рациональное природопользование и охрана окружающей среды. 4.1990.

95. Котюк А.Ф., Цветков Э.И. Спектральный и корреляционный анализ нестационарных случайных процессов. М.: Комитет стандартов при СМ СССР, 1970.229

96. Котюков В.И. Многофакторные кусочно-линейные модели. М.: Финансы и статистика, 1984.

97. Краснощеков П.С. Математические модели в исследовании операций. М.: Знание. Математика Кибернетика. 7/1984.

98. Краснощеков П.С., Петров A.A. Принципы построения моделей. М.: Изд. МГУ, 1983.

99. Кудрявцев Е.М. Исследование операций в задачах, алгоритмах и программах. М.: Радио и связь, 1984.

100. Кузин Л.Т. Основы кибернетики. Том 2. Основы кибернетических моделей. -М.: Энергия, 1979.

101. Левин Б.Р. Теоретические основы статистической радиотехники. М.: Сов.радио, кн. 1 - 552с., кн. 2 - 392с., кн. 3 - 288с. 1976.

102. Левин В.И. Структурно-логические методы исследования сложных систем с применением ЭВМ. М.: Наука, 1987.

103. Лимно А.Н., Пронина Г.Е. Анализ системы ИО и описание модели ее функционирования. Сборник статей по прикладным задачам математики. ВИА. Москва, 1990.

104. Липатов Е.П. Теория графов и ее применения. М.: Знание. Математика Кибернетика, 2/1986.

105. Макаров И.М., Виноградская Т.М. , Рубчинский A.A. , Соколов В.Б. Теория выбора и принятия решений. М.: Наука, 1982.

106. Максимей И.В. Имитационное моделирование на ЭВМ. М.: Радио и связь, 1988.

107. Маслов Ю.С. Теория дедуктивных систем и ее применение. М.: Радио и связь. 1986.

108. Математическая энциклопедия. М. : Советская энциклопедия ,1985.

109. Медлев Л.С., Пронина Г.Е. Определение очередности выполнения инженерных задач на основе экспертных оценок. Сборник статей по прикладным задачам математики. ВИА. Москва, 1985.

110. МелникМ. Основы прикладной статистики. М.: Энергоатомиздат, 1983.

111. Миленький A.B. Классификация сигналов в условиях неопределенности. -М.: Сов. радио, 1975.

112. Минский М. Фреймы для представления знаний. М: Энергия. 1979.

113. Миркин Б.Г. Проблема группового выбора. М.: Наука, 1974.

114. Мирский Г.Я. Характеристики стохастической взаимосвязи и их измерения. М.: Энергоиздат, 1982.

115. Михалевич B.C., Волкович В.Л. Вычислительные методы исследования и проектирования сложных систем. М.: Наука, 1982.

116. Михалевич B.C., Кукса А.И. Методы последовательной оптимизации в дискретных сетевых задачах оптимального распределения ресурсов. М.: Наука, 1983.

117. Моисеев Н.Н. Математические задачи системного анализа. М.: Наука,1981.

118. Никитин А.А. Теоретические основы обработки геофизической информации. М.: Недра, 1986.

119. Нильсон Н. Принципы искусственного интеллекта. М.: Радио и связь, 1985.

120. Обухов A.M. Статистическое описание непрерывных полей. М.: Труды геофизического института АН , №24 (151) 1954.

121. Осуги С., Оаэки Ю. (Под. ред.) Приобретение знаний. М.: Мир, 1990.

122. Патрик Э. Основы теории распознавания образов: Пер. с англ./Под ред. Б.Р.Левина. М.: Сов. радио, 1980.

123. Перегудов Ф.И., Тарасенко Ф.Н. Введение в системный анализ. М.: Высшая школа, 1989.

124. Пересада В.П. Автоматическое распознавание образов. Л.: Энергия,1982.

125. Пинскер И.Ш. (под ред.) Опознавание и описание линий. М.: Наука, 1972.

126. Подиновский В.В. Математическая теория выработки решений в сложных ситуациях. М.: Мин. обороны СССР, 1981.

127. Подиновский В.В., Гаврилов В.М. Оптимизация по последовательно применяемым критериям. М.: Сов. радио, 1975.

128. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритери-альных задач. М.: Наука, 1982.

129. Полшцук Ю.М., Хон В.Б. Теория автоматизарованных банков информации. М.: Высшая школа, 1989.

130. Попов Э.В. (под ред.) Справочник. Искусственный интеллект. Книга I. Системы общения и экспертные системы. М.: Радио и связь, 1990.

131. Поспелов Д.А. (под ред.) Справочник. Искусственный интеллект. Книга 2. Модели и методы. М.: Радио и связь, 1990.

132. Поспелов Д.А. Логико-лингвистические модели в системах управления. -М.: Энергоиздат, 1981.

133. Поспелов Д.А. Моделирование рассуждений. М.: Радио и связь, 1989.

134. Поспелов Г.С., Поспелов Д.А. Искусственный интеллект. Прикладные системы, М.: Знание, 1985.

135. Пронина Г.Е. Прибор для автоматического опознавания идентичных точек на снимках стереопары. Бюллетень изобретений №3, Авт. свидетельство №457879. 1975.

136. Пронина Г.Е. Логический способ идентификации точек снимков стереопары. «Известия вузов», раздел «Геодезия и аэрофотосъемка», №1, с.101-106. 1976.

137. Пронина Г.Е. Математическая логика и ее применение для решения оперативных задач в ЭС. Учебное пособие. ВИА. Москва, 1982.

138. Пронина Г.Е. Применение корреляционных методов при обработке измерительной информации. Сборник статей по прикладным задачам математики. ВИА. Москва, 1983.

139. Пронина Г.Е. Измерение корреляционной функции стохастического поля по его значениям в случайно расположенных точках. Сборник статей по прикладным задачам математики. ВИА. Москва, 1983.

140. Пронина Г.Е. Математические методы анализа и оптимального проектирования сложных технических систем. Учебное пособие. ВИА. Москва, 1983.

141. Пронина Г.Е. К оценке точности методов цифровой фотограмметрии. НТС №9, часть 3, ВИА, Москва, 1984.

142. Пронина Г.Е. Выбор шага дискретизации и оценка точности линейного интерполирования случайных функций. Сборник статей по прикладным задачам математики. ВИА. Москва, 1985.

143. Пронина Г.Е. Об одном способе определения экстремума корреляционной функции. Сборник статей по прикладным задачам математики. ВИА. Москва, 1985.

144. Пронина Г.Е. Моделирование автоматического опознавания ориентирных меток на цифровых изображениях. НТС №9, часть 3, ВИА, Москва, 1986.

145. Пронина Г.Е. Корреляционный способ оценки точности трансформирования снимков цифровыми методами. НТС №9, часть 3, ВИА, Москва, 1986.

146. Пронина Г.Е. Регрессионный анализ и критерии эффективности сложных систем. НТС №12, ВИА, Москва, 1986.

147. Пронина Г.Е. Критерии эффективности сложных систем. Доклад на научном семинаре Института математики СО АН СССР. Новосибирск,1989.

148. Пронина Г.Е. Фреймовые структуры в логике предикатов первого порядка. Международный семинар по логическому программированию. Иркутск,1990.

149. Пронина Г.Е., Бахтиярова О.Н. О применении алгоритма Хастингса в имитационном моделировании. Сборник статей по прикладным задачам математики. ВИА. Москва, 1990.

150. Пронина Г.Е. Выделение подгрупп экспертов с согласованными мнениями с помощью метрики Хаусдорфа. Сборник статей по прикладным задачам математики. ВИА. Москва, 1990.

151. Пронина Г.Е., Бадалян П.Г. Извлечение знаний в экспертных системах для систематизации экспертной информации. Сборник научных трудов международной конференции «Создание и применение гибридных экспертных систем». Рига, 1990.

152. Пронина Г.Е., Бадалян П.Г. Методы и программные средства получения и систематизации экспертной информации. Сборник научных трудов «Методы и системы принятия решений. Экспертные системы». РТУ. рига;1991.

153. Пронина Г.Е., Бадалян П.Г. Разработка теоретических основ экспертной системы анализа физико-географических условий и оперативного оборудования ТВД. Отчет по теме НИР «Проба». ВИА. Москва, 1992.

154. Пронина Г.Е., Бадалян П.Г. Использование геоинформационных систем для создания экологических карт. Международная конференция «Экологическая безопасность регионов». Москва, 1993.

155. Пронина Г.Е., Бадалян П.Г. Элементы искусственного интеллекта в ГИС. Международная конференция «Восток-Запад. Искусственный интеллект: от теории к практике». Москва, 1993.

156. Пронина Г.Е., Бадалян П.Г. Геоинформационные системы и базы экспертных знаний. Межгосударственная конференция «Географические информационные системы. Теория и практика». Санкт-Петербург, 1993.

157. Пронина Г.Е. Получение обобщенных критериев состояния среды для построения оценочно-прогнозных карт. Международная конференция «Экологическая безопасность регионов». Москва, 1993.

158. Пронина Г.Е. Геоинформационная система дешифрирования аэроснимков. Немецко-русский семинар «Экологические проблемы военных объектов, пути их решения и инфраструктурное планирование». Москва, 1993.

159. Пронина Г.Е., Бадалян П.Г. Разработка исследовательского прототипа экспертной системы анализа физико-географических условий и оперативного оборудования стратегических районов и направлений. Отчет по теме НИР «Проба-2». ВИА. Москва, 1994.

160. Пронина Г.Е., Бадалян П.Г. Экспертиза в создании дедуктивных баз данных. IV Национальная конференция «Искусственный интеллект 94». Рыбинск, 1994.

161. Пронина Г.Е., Бадалян П.Г. Антропоэкологическая интеллектуальная ГИС как одна из составляющих мониторинга окружающей среды. Первая международная конференция пользователей ARC/INFO. Москва, Го лицыно,1994.

162. Пронина Г.Е. Способы и средства интеллектуализации ГИС. II научно-практическая конференция «Региональные геоинформационные системы». Рязань, 1995.

163. Пронина Г.Е., Бадалян П.Г. Использование ГИС для обработки результатов дистанционного зондирования с целью построения оценочно-прогнозных карт. Международная конференция "Цифровая фотограметрия и дистанционное зондирование-95." С-Петербург, 1995.

164. Пронина Г.Е., Бадалян П.Г. Геоинформационная система как система представления и систематизации знаний. Международная конференция «Искусственный интеллект в XXI веке». Москва, 1995.

165. Пронина Г.Е., Бадалян П.Г. Понимание изображений на основе нечеткой кластеризации мультиспектральной информации. V-ая национальная конференция по искусственному интеллекту. Казань. 1996.

166. Пронина Г.Е. О некоторых задачах построения систем понимания изображений на основе обработки мультиспектральной информации. VI-ая Международная конференция "Интеллектуальные системы и компьютерные науки" МГУ, Москва 1996.

167. Пронина Г.Е., Бадалян П.Г. Обнаружение знаний в данных дистанционного зондирования. Конференция «Искусственный интеллект 98», КИИ-98. 1998.

168. Прохоров Ю.В. Многомерные распределения: неравенства и предельные теоремы. Итого науки и техники. Сер. Теория вероятностей, математическая статистика, теоретическая кибернетика, т. 10, 1973.

169. ПрэттУ. Цифровая обработка изображений. 1, 2 книга. М.: Мир, 1982.

170. Пугачев B.C. Теория вероятностей и математическая статистика. М.: Наука, 1979.

171. Рабочая книга по прогнозированию. Справочник. М.: Мысль, 1982.

172. Растригин JI.A. Статистические методы поиска. М.: Наука. 1968.

173. Растригин Л.А., Эренштейн Р.Х. Метод коллективного распознавания. М.: Энергоиздат, 1981.

174. Рахманкулов И.Ш. Многомерный статистический анализ качества функциони-рования сложных технических систем. Казань.: Изд. Казанского университета, 1984.

175. Реальность и прогнозы искусственного интеллекта. Сб. статей. М.: Мир, 1987.

176. Розанов Ю.А. Введение в теорию случайных процессов. М.: Наука, 1982.

177. Розенфельд А. Распознавание и обработка изображений. М.: Мир, 1972.

178. Романенко А.Ф., Сергеев Г.А. Вопросы прикладного анализа случайных процессов. М.: Сов. радио, 1968.

179. Свешников A.A. Прикладные методы теории случайных функций. М.: Наука, 1968.

180. Сергиенко И.В. Математические модели и методы решения задач дискретной оптимизации. Киев: Наукова думка, 1985.

181. Смирнов Н.В. Избранные труды по теории вероятностей и математической статистике. М.: Наука, 1970.

182. Смирнов Н.В., Дунин-Барковский И.В. Курс теории вероятностей и математической статистики для технических приложений. М.: Наука, 1969.

183. Советов Б.Я., Яковлев С.А. Моделирование систем. М.: Высшая школа, 1985.

184. Соколов B.C. О случайных полях оптических плотностей применительно к ! анализу аэрофотоизображения площадных топографических объектов. М.: Известия ВУЗов, раздел Геодезия и аэрофотосъемка, 1972. <

185. Соколов B.C., Пронин Б.В., Пронина Г.Е. Способ определения оценки { корреляционной функции неоднородного случайного поля оптических \плотностей. «Геодезия и картография», №8, 1972. it

186. Соколов B.C., Пронин Б.В., Пронина Г.Е. Способ измерения f корреляционной функции. Бюллетень изобретений № 32. Авт. | свидетельство №284450, 1970. ;|

187. Соколов B.C., Пронин Б.В., Пронина Г.Е. Устройство для измерения | корреляционной функции. Бюллетень изобретений № 18. Авт. f свидетельство № 305490, 1971. ■

188. Сочивко В.П. Опознающие устройства. М.: Судпромгиз, 1963.

189. Стерлинг Л., Шапиро Э. Искусство программирования на языке ПРОЛОГ. -М.: Мир, 1990.235

190. Столл Р. Множества. Логика. Аксиоматическое теории. М.: Просвещение. 1968.

191. Taxa X. Введение в исследование операций, том 1,2. М.: Мир, 1985.

192. Тихонов А.Н., Арсенин В.Я. Методы решения некорректных задач. М.: Наука, 1979.

193. Ту Дж., Гонсалес Р. Принципы распознавания образов: Пер с англ./Под ред. Ю.И.Журавлева. М.: Мир, 1978

194. Турбович И.Т. (под ред.) Нелинейные и линейные методы в распознавании образов. М.: Наука, 1975.

195. Турбович И.Т. (под ред.) Опознание образов. М.: Наука, 1968.

196. Турчак Л. И. Основы численных методов. М.: Наука, 1987.

197. УайлдДж. Методы поиска экстремума. М.: Наука, 1967.

198. Успенский А.Н., Громов B.C. Некоторые данные об отражательной способности ландшафта. М.: Труды ЦНИИГАиК, вып. №177, 1970.

199. Уотермен Д. Руководство по экспертным системам. М.: Мир, 1989.

200. Федорчук В.В., Филиппов В.В. Топология гиперпространств и ее приложения. М.: Знание. Математика Кибернетика, 4/1989.

201. Ферстер Э, Рёнц Б. Методы корреляционного и регрессионного анализа. -М.: Статистика, 1983.

202. Фомин Я.А., Тарловский Г.Р. Статистическая теория распознавания образов. М.: Радио и связь, 1986.

203. Фомин Я.А. Теория выбросов случайных процессов. М.: Связь, 1980.

204. Форсайт Р. ( под ред. ). Экспертные системы. Принципы работы и примеры. М.: Радио и связь, 1987.

205. Фу К. Структурные методы в распознавании образов: Пер. с англ./Под ред. М.А. Айзермана. М.: Наука, 1977.

206. Фукунага К. Введение в статистическую теорию распознавания образов. Пер.с англ./Под ред. A.A. Дорофеюка. М: Наука, 1979.

207. ХаркевичА.А. Спектры и анализ. М.: Физматгиз, 1962.

208. Чен Ш.К. Принципы проектирования систем визуальной информации. М.: Мир, 1994.

209. Чень Ч., Ли Р. Математическая логика и автоматическое доказательство теорем. М.: Наука, 1983.

210. Ченцов H.H. Статистические решающие правила и оптимальные выводы. -М.: Наука, 1972.

211. Четыркин Е. М., Калихман И. Л. Вероятность и статистика. М.: Наука, 1982.

212. Элти Дж., Кумбс М. Экспертные системы: концепции и примеры. М.: Финансы и статистика, 1987.

213. Энслейн К., Рэлстон Э., Уилф Г.С. Статистические методы для ЭВМ. М.: Наука, 1986.

214. Эренберг А. Анализ и интерпретация статистических данных. М.: Финансы и статистика, 1981.

215. Эфрос A. JI. Физика и геометрия беспорядка. М.: Наука, 1982.

216. Янутш Д.А. Микрофотометрирование как средство дешифрирования аэроснимков В кн.: Вопросы дешифрирования и фотограмметрической обработки аэроснимков. M-JL, Изд-во АН СССР, 1963.

217. Ярославский Л.П. Введение в цифровую обработку изображений. М.: Сов. Радио, 1979.

218. Anderson, J.R., et al. "A Land Use and Land Cover Classification System for Use with Remote Sensor Data." U.S. Geological Survey Professional Paper 964. 1976.

219. ArcScene USA Tour/ ESRI, Inc. 1993.

220. BITE, Special Issue on Prolog, 1985, 8.

221. Cowardin, Lewis M., et al. Classification of Wetlands and Deep-water Habitats of the United States. Washington, D.C.: U.S. Fish and Wildlife Service. 1979.

222. Enterprise GIS. Using GIS in the Corporate Environment. ESRI White Paper Series. May 1993.

223. Erdas Field Guide. Third Edition. Revised and Expanded. ERDAS Inc. Atlanta.1. GA. 1997. j

224. Erdas Field Guide. ERDAS Inc. Atlanta. GA. 1995. |s

225. Faust, Nickolas L. "Image Enhancement" Volume 20, Supplement 5 of | Encyclopedia of Computer Science and Technology, edited by Alien Kent and | James G. Williams. New York: Marcel Dekker, Inc. 1989. §

226. Florida Topographic Bureau, Thematic Mapping Section. Florida Land Use, I Cover and Forms Classification System. Florida Department of Transportation, f Procedure No. 550-010-001-a. 1985. j

227. Haues-Roth F., Waterman D.A., Lenat D.B. Building Expert System.

228. Addisonvesly publ. сотр., 1983. |I

229. Hord, R. Michael. Digital Image Processing of Remotely Sensed Data. New j York: Academic Press. 1982. f

230. Jensen, John R,, et al. "Urban/Suburban Land Use Analysis." Chapter 30 in | Manual of Remote Sensing, edited by Robert N. Colwell. Falls Church, Virginia: | American Society of Photogrammetry. 1983. |

231. Jensen, John R. Introductory Digital Image Processing: A Remote Sensing Perspective. Englewood Cliffs, New Jersey: Prentice-Hall. 1986.

232. Kloer, Brian R. "Hybrid Parametric/Non-parametric Image Classification." Paper to be presented at the ACSM-ASPRS Annual Convention, April 1994, Reno, Nevada. 1994.

233. Michigan Land Use Classification and Reference Committee. Michigan Land Cover/Use Classification System. Lansing, Michigan: State of Michigan Office of Land Use. 1975.

234. Multispectral Users Guide. August 1995.

235. Pronina Galina E. Topology of the Semantic Information in R". (Топология семантической информации в пространстве R") The International Seminar «Geoinformation & Relational DBMS». Redlands, California,USA., 1997.

236. Pronina Galina E. Images Understanding Systems Based of Principal Objects Allocation. (Опорные объекты для построения систем понимания изображений) The International Symposium on Spectral Sensing Research (ISSSR). San Diego, 1997.

237. Pronina Galina E. Universal boundary of division of objects in space of attributes.(Тальвег универсальная структурируемая граница объектов в пространстве признаков) The International Seminar on Remote Sensing. Atlanta, USA., 1997.

238. Pronina Galina E. Geometric Logic Engine (GLE) Storage of the Vector Information. (Геометрическая логическая машина - способ хранения векторной информации) The International Conference ARC/INFO-98. San Diego, 1998.

239. Pronina Galina E. Semantic Interpretation of Spatial Data. (Семантическая интерпретация пространственных данных) The International Seminar «Geoinformation & Artifical Intelligence». Redlands, California. USA., 1999

240. Star, Jeffrey, and John Estes. Geographic Information Systems: An Introduction. Englewood Cliffs, New Jersey: Prentice-Hall. 1990.238

241. The Ariti-Prolog Programming Language. Concord. Massachusetts : Arity Corporation, 1988.

242. Understanding GIS. The Arc/Info Method. ESRI. USA. 1993.

243. Zadeh L.A. Calculus of fuzzy restrictions// In "Fuzzy sets and its application to cognitive and decision processes" ed. by Zadeh L.A. Academic Press, 1975.

244. Zadeh L.A. Commonsense Knowledge Representation Based on Fuzzy Logic.T.5. 1995

245. Изложенные в диссертации методы анализа пространственных данных представлены в заинтересованные подразделения войсковой части 52684 и используются при анализе результатов конкретных прикладных задач.

246. Результаты диссертации неоднократно докладывались на совещаниях заинтересованных подразделений войсковой части 52684-А.1. Н.Саламахин1. А.Магера ' А.Нагало1. УТВЕРЖДАЮ»

247. Главный врач Центра Госсанэпиднадзора в Ленинградской области,зав. кафедрой социальной гигиены и организации са нэ пи делу жб ы ФДПО СПб Государственной меди цинскойчникова1. ЛУ^^У и Н Малеванныйоктября 2000 г.

248. АКТ О ВНЕДРЕНИИ РЕЗУЛЬТАТОВ НИР

249. Наименование внедренного предложения: Модель получения обобщенных критериев о состоянии здоровья населения Ленинградской области в связи с природными и антропогенными характеристиками среды обитания.

250. Ф.И.О. автора: Пронина Галина Евгеньевна.

251. Предложение реализует: Метод профилактики неблагоприятного факторов среды обитания на здоровье населения, основанный на изечении географических закономерностей природных и техногенных факторов эпидемического риска .

252. Сведения об эффективности внедрения: медико-социальный и социально-экономический.

253. Краткая оценка результатов внедрения: рекомендуется: к широкому внедрению.

254. Сведения о публикациях по внедренному предложению (методу, способу и др.): 14 научных публикаций, в т.ч. 3 защищенные диссертации на соискание ученой степени кандидата медицинских наук.

255. Зав. отделом санитарного надзора и эксперта кандидат медицинских наук1. С.А. Горбанев

256. Зав. отделом социально-гигиенического мониторинга кандидат медицинских наук1. УТВЕРЖДАЮ

257. Заместите%«а^ьника университета йО/Учебнойч^^учной работеполковник1. Ч ■лЛ4-''- //{5 » лоя^я:2р^года1. В.Черепанов1. АКТо реализации научных исследований кандидата технических наук Прониной Г.Е.

258. Методика позволяет оценивать эффективность решения планово-организационных задач по ТГО войск в существующих и прогнозируемых условиях обстановки.

259. Председатель комиссии нач полковник

260. Члены комиссии: профессор кафедры № 4афедры № 41. В.Иванов0ЛААпреподаватель кафедры № 41. ААстахов Лебедев