автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования

На правах рукописи

СЕЛИВАНОВ Павел Юрьевич

СПЕЦИАЛЬНОЕ ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ РАСПРЕДЕЛЕННОЙ АДАПТИВНОЙ ОБРАБОТКИ ВРЕМЕННЫХ СЕРИЙ ДАННЫХ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ

Специальность: 05.13.11 - Математическое и программное

обеспечение вычислительных машин, комплексов и компьютерных сетей

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

о 4 ОКТ 2012

Воронеж - 2012

005052896

005052896

Работа выполнена в ФГБОУ ВПО «Воронежский государственный технический университет».

Научный руководитель

Официальные оппоненты:

Подвальный Семен Леонидович,

доктор технических наук, профессор, ФГБОУ ВПО «Воронежский государственный технический университет», заведующий кафедрой автоматизированных и

вычислительных систем

Сирота Александр Анатольевич,

доктор технических наук, профессор, ФГБОУ ВПО «Воронежский государственный университет», профессор кафедры

информационных систем

Ведущая организация:

Богословский Евгений Андреевич,

кандидат технических наук, доцент, ФГКВОУ ВПО «Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж), докторант

ФГБОУ ВПО «Воронежская государственная лесотехническая академия»

Защита состоится «01» ноября 2012 г. в 1300 часов в конференц-зале на заседании диссертационного совета Д 212.037.01 ФГБОУ ВПО «Воронежский государственный технический университет» по адресу: 394026, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в научно-технической библиотеке ФГБОУ ВПО «Воронежский государственный технический университет».

Автореферат разослан «01» октября 2012 г.

Ученый секретарь диссертационного совета

Барабанов Владимир Федорович

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время для автоматизации пространственного мониторинга применяются постоянно развивающиеся интерактивные средства и человеко-машинные интерфейсы, обеспечивающие процессы моделирования объектов по разновременным сериям данных дистанционного зондирования (ДДЗ). Для построения трехмерных моделей местности (ТММ) и выявления пространственных изменений по сравнению с предшествующими моментами времени могут использоваться данные аэрокосмической съемки и лазерного сканирования.

Существенный вклад в исследование возможностей по обработке изображений внесли как отечественные, так и зарубежные ученые. Базовые результаты теории распознавания образов были получены У. Преттом, Р. Дудой, П. Хартом, а также отечественными учеными Ю.И. Журавлевым, А.Л. Гореликом и др. Разработкой методов обработки данных лазерного сканирования занимались как отдельные ученые (Е.М. Медведев, И.М. Данилин, И.Г. Журкин), так и целые организации («Оптен», «ТеггаяоИс!», «.¡прко»).

В рамках использования данных аэрокосмической съемки представляет интерес разработка методов распределенной адаптивной обработки изображений для выделения полей облачности, позволяющих оценивать различимость объектов на снимках сквозь полупрозрачную дымку. При этом распределенный характер обработки позволит ускорить проведение вычислений для большого объема разновременных данных.

Другой важной задачей анализа серий разновременных ДДЗ является автоматизация обработки данных лазерного сканирования. Представляет интерес разработка методов, позволяющих получать цифровые модели местности (ЦММ) с использованием, в том числе, человеко-машинных интерфейсов. При этом необходимо ускорить обработку данных, сохраняя требуемую точность моделирования.

Таким образом, актуальность темы диссертационного исследования продиктована необходимостью построения системы распределенной обработки данных дистанционного зондирования, применяемой для пространственного мониторинга по сериям разновременных данных.

Тематика диссертационной работы соответствует научному направлению ФГБОУ ВПО «Воронежский государственный технический университет» «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель работы состоит в создании специальных методов распределенной обработки временных серий данных дистанционного зондирования для их оперативной визуализации в рамках человеко-машинных интерфейсов адаптивной распределенной программной инфраструктуры.

Для достижения цели поставлены следующие задачи:

1. Провести анализ математического и программного обеспечения систем распределенной обработки данных, получаемых в результате накопления аэрокосмических снимков и точек лазерного сканирования.

2. Разработать распределенные методы обработки аэрокосмических снимков сверхвысокого разрешения на основе модифицированных методов определения полей облачности.

3. Разработать метод и технологию автоматизированной ускоренной обработки данных дистанционного зондирования для построения цифровых моделей местности.

4. Разработать специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования.

Методы исследования. В работе использовались методы теории распознавания образов, обработки изображений, теории вероятностей, математической статистики, а также методы пространственного моделирования и объектно-ориентированного программирования.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.11: п. 7 «Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения» и п. 9 «Модели, методы, алгоритмы и программная инфраструктура для организации глобально распределенной обработки данных».

Научная новизна работы. В работе получены следующие результаты, отличающиеся научной новизной:

1. Решение задачи пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования, отличающееся использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.

2. Метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий требуемую точность обработки.

3. Специальное математическое обеспечение реализации необходимой точности визуализации, отличающееся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.

4. Программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного методом К.Т. Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.

2

Практическая значимость. Практическая значимость диссертации заключается в реализации на базе предложенных методов программного обеспечения, позволяющего ускорить проведение пространственного мониторинга в ситуационных центрах.

Реализованный адаптивный механизм планирования распределенных вычислений, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяет автоматически принимать решение о переносе обработки данных дистанционного зондирования на сторону клиента, что снижает нагрузку на сервер обработки пространственных данных.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты внедренных в практическую деятельность Юго-Восточной железной дороги (филиал ОАО «РЖД»), использованы в НИР Федерального автономного учреждения «Государственный научно-исследовательский испытательный институт проблем технической защиты информации Федеральной службы по техническому и экспортному контролю» (ФАУ «ГНИИИПТЗИ ФСТЭК России») и ОКР Таганрогского технологического института Южного федерального университета (ТТИ ЮФУ).

Апробация работы. Основные результаты диссертационного исследования докладывались и обсуждались на следующих конференциях: II Всероссийской научной конференции ученых, специалистов и профессорско-преподавательского состава «Территориально распределенные системы охраны» (Калининград, 2009); IX Всероссийской школе-конференции молодых ученых «Управление большими системами» (Липецк, 2012); X Международной научно-технической конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание - 2012» (Курск, 2012); Всероссийской научно-практической конференции «Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем» (Воронеж, 2012).

Публикации. По результатам диссертационного исследования опубликовано 13 научных работ, в том числе 6 - в изданиях, рекомендованных ВАК РФ. В работе [11], выполненной в соавторстве, лично автором получен следующий результат: предложена параметрическая модель имитации облачности на изображениях.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 157 наименований и двух приложений. Основная часть работы изложена на 137 страницах, содержит 12 таблиц и 44 рисунка.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационного исследования, сформулированы цель и задачи, представлены научная новизна и практическая значимость работы, приведены сведения об апробации и внедрении основных результатов, а также о публикациях.

В первой главе анализируются методы сбора и обработки данных дистанционного зондирования, позволяющие проводить пространственный мониторинг.

Приводятся задачи, которые могут быть решены с применением разновременных серий данных аэрокосмической съемки. Рассматривается одна из основных проблем использования этого метода сбора данных - невозможность съемки при облачности. Далее анализируется математическое и программное обеспечение методов атмосферной коррекции и определения полей облачности на изображениях. По итогам обзора делаются следующие выводы:

• методы атмосферной коррекции полностью не решают задач восстановления изображений, в том числе и в случае полупрозрачной облачности;

• методы определения полей облачности к маске облаков относят участки с полупрозрачными аэрозольными образованиями. Однако обнаружение некоторых объектов на поверхности Земли сквозь такую дымку возможно, и эти участки должны быть изучены дополнительно.

Кроме того, в первой главе рассматривается лазерное сканирование как один из мощнейших дистанционных способов сбора данных для построения трехмерных моделей. Приводится анализ существующего математического и программного обеспечения обработки результатов лазерного зондирования. Делается вывод о том, что на настоящий момент реализовано только автоматическое выделение точек, принадлежащих поверхности Земли, а для классификации используется только расположение точек.

Анализируются ситуационные задачи, решаемые при использовании временных серий данных дистанционного зондирования, получаемых при помощи лазерного сканирования и аэрокосмической съемки.

В заключении главы приводятся особенности применения геоинформационных систем (ГИС) в ситуационных центрах в целях пространственного мониторинга. Сделан вывод о необходимости применения методов распределенной обработки; приводится структура системы распределенной обработки временных серий данных дистанционного зондирования, в рамках которой разработано математическое и программное обеспечение (см. рис. 1). Сформулированы цель и задачи диссертационного исследования.

Вторая глава посвящена распределенной обработке временных серий аэрокосмических снимков сверхвысокого пространственного разрешения. Рас-

сматривается одна из основных проблем этого способа сбора пространственных данных - невозможность проведения зондирования в условиях, когда объект закрыт облаками.

_Систем1Ц?асгреде^е1111ой об£а6отш дат!ых_

Рис. 1. Структура распределенной обработки данных дистанционного зондирования

Предлагается параметрическая модель имитации облачности, отличающаяся возможностью получать искаженные изображения, имеющие пространственное разрешение более 1 м; она позволяет:

1) задавать плотность облаков на снимках;

2) выбирать область изображения, которая будет искажена.

При моделировании облачности предполагается, что искажение, которому подвергается функция изображения «(д:,^), вызвано только наложением шума, что может быть записано в виде

Х'(*,>0 = К(*,>>)+ Т.

У = 1

^"тО)хк О)

(1)

ХхУ

... 0)

где - номер изображения в сумме; У - количество изображений, ис-

пользованных при построении функции шума.

т(Л » Ю) - равномерные дискретные случайные величины, принимающие значения из множеств 1,х и 1, у соответственно; показывают координаты ненулевого пикселя функции шума с номером у.

7(у) - нормально распределенная случайная величина, принимающая значения из множества [(),£]; показывает интенсивность пикселя функции шума с номером j. £ - максимальное значение яркости пикселя изображения к (.г, у).

Таким образом, функция шума будет состоять из суммы изображений, каждое из которых содержит нулевые пиксели, кроме одного. Плотность облаков моделируется кратностью наложения различных шумовых матриц.

Далее предлагается алгоритм построения растровой карты минимальной облачности на основе проанализированных в первой главе методов определения полей облачности. Описываемая процедура использует разновременную серию изображений, обладающих следующими свойствами:

• все снимки содержат данные об интересующей территории;

• снимки имеют пространственную привязку;

• снимки имеют различное пространственное разрешение;

• каждому снимку соответствует временная метка.

Предлагаемый алгоритм можно представить в виде четырех последовательных шагов:

Шаг 1. Для каждого из обрабатываемых растров строится булева маска облачности с использованием метода, предложенного К.Т. Протасовым.

Шаг 2. Для каждого снимка получаем изображение с нулевыми пикселями на месте облаков. Для этого умножаем поэлементно матрицы изображения и инвертированную маску облачности, полученную на предыдущем шаге.

Шаг 3. Строим нулевой растр с пространственным разрешением самого крупномасштабного снимка из множества изображений, полученных на предыдущем шаге и не равных нулю.

Шаг 4. Получаем итоговое изображение. Значение пикселя искомого растра вычисляется следующим образом:

1. Выбирается такой снимок из множества изображений, полученных на шаге 2, который имеет непустое пересечение с пространственной областью, описывающей искомый пиксель и обладающий наибольшим пространственным разрешением. Если таких растров несколько, выбирается тот, который имеет наиболее позднюю временную метку.

2. Значение искомого пикселя принимается равным среднему между значениями тех пикселей выбранного растра, которые имеют непустое пересечение с пространственной областью, описывающей искомый пиксель. Таким образом, результатом преобразований является синтезированное

изображение, мозаично составленное из областей, свободных от облаков, принадлежащих различным разновременным снимкам.

Далее во второй главе предлагается распределенный метод адаптивного определения полей облачности для серий разновременных снимков = .....К„,_..,}, nGl,N. Его отличительной особенностью является использование априорной информации об объектах на снимке, которые для этого разделяются на статические и динамические.

Статические объекты описываются при помощи растровой карты. Каждому статическому элементу сопоставляются следующие дескрипторы:

1. Привязанное бинарное изображение к £ 1, АГ (Х- количество статических объектов), единичные значения которого соответствуют пикселям объекта.

2. Трехмерный вектор 1,А', где //,,//, - второй и третий центральные моменты яркостей пикселей области объекта, в - энтропия.

Эталоны классов динамических объектов предлагается описывать при помощи остовов областей изображений Оз1т, те \,М, М — количество выделенных классов динамических элементов.

Предлагаемый метод может быть представлен в виде пятиступенчатой процедуры (см. рис. 2), в результате выполнения которой будут найдены все элементы Ракеп - множества, на котором функция С!оис!п(х,у) принимает нулевые значения:

("1, если (х,у)& Ракеп\ [О, если (х,у)е РаЫеп.

С1оис111(х,у) =

(2)

Шаг 1

1 2 п ЛГ'

Шаг 31 ■

Растровая карта

Вычисления выполняются на стороне сервера

0п=(А01\и'п)п у

ке1К

Принятие решения о переносе вычисле-_ний на сторону клиента

_ £ У прЛ1±я1РЛ>ся на сто/юне_сс^^спя.

Шаг 4

Вычисления

Шаг 5

Сегментация

а стороне клиента р

Шаг 2

Априорная инф. об объектах

М — количество

ке 1 ,К классов дина-

К - количество мических объ-

статических ектов

объектов

Вычисления выполняются на У стороне клиента

Распознавание статических объектов по вектору

Распознавание динамических объектов с использованием остова

Вычисл^шя выполняются на стороне к-]}№Н1И<2_

Рис. 2. Распределенный метод выделения полей облачности

Шаг 1. Построение растровой карты минимальной облачности.

7

Построение изображения минимальной облачности по серии разновременных снимков согласно предложенному алгоритму. В результате выполнения

этого шага будут получены области нулевой облачности Un, nel,N; все элементы множества U„ добавляются в Falsen. Вычисления проводятся на стороне сервера.

Шаг 2. Описание области интересов.

Построение бинарных изображений Statk, ке. 1 ,К и остовов

Ostm, те 1,Мдля описания статических и динамических объектов проводится на стороне клиента.

ШагЗ. Выделение анализируемых областей изображений и принятие решения о переносе вычислений на сторону клиента.

0„=(A0I\U'Jn nelJV. /Зч

Рассмотрение только этой части снимка объясняется следующими соображениями: во-первых, пиксели, свободные от облаков, выявлены ранее; во-вторых, статические элементы определяют все возможные места нахождения динамических элементов.

Если Оп — 0, то Falsen определена полностью и выполнение метода прекращается. Иначе дальнейшие вычисления выполняются на стороне клиента согласно структуре распределенной обработке данных (см. рис. 1).

Шаг 4. Сегментация изображений К„,ие 1,jV в выбранной области Оп.

Шаг 5. Принятия решения об отнесении областей к полю облачности.

Если в результате сегментирования была получена единственная область, то благодаря имеющейся априорной информации о месте расположения статических элементов может быть сделан однозначный вывод о возможности их распознавания сквозь полупрозрачную облачность.

Если в результате сегментирования было получено несколько областей, то каждая из них будет проверяться на принадлежность классам динамических объектов. Пусть область распознана как динамический объект класса т , тогда все ее точки должны быть включены в множество False,.

Области, не отнесенные к динамическим объектам, необходимо проверить на принадлежность к соответствующим статическим элементам. Если в результате сравнения статистических параметров с эталоном область будет распознана как статический объект, то все ее точки следует включить в множество Falsen.

Распределенный характер вычислений, представлен двумя свойствами предложенного метода:

1. Возможностью выполнения шагов 2 и 3 независимо и параллельно на сторонах клиента и сервера соответственно.

2. Принятие решения на шаге 3 о переносе всех оставшихся вычислений на сторону клиента, используя признак наличия пересечения бинарных масок статических объектов и поля облачности, построенного на шаге 1.

Далее описывается исследование, позволяющее оценить эффективность алгоритмов обработки изображений, используемых в предложенном методе. Проанализированы результаты работы следующих алгоритмов:

1. Методы фильтрации: на основе контргармонического среднего; на основе минимума; итерационный алгоритм Люси-Ричардсона.

2. Методы сегментации: метод сегментации по водоразделам с применением маркеров; метод ^-среднего; метод выращивания областей.

Эффективность пар алгоритмов оценивалась, используя подсчет ошибок первого и второго рода при выделении области изображения, описывающей динамический объект. Испытания проводились с использованием имитации облаков при помощи предложенной в этой главе модели. Была исследована эффективность работы выбранных методов на 50 ООО изображений. Результаты исследования приведены в табл. 1.

Таблица 1

Результаты исследования эффективности

методов ( шльтрации и сегментации для снимков искаженных облачностью

Кол-во шумовых точек, х 105 Приоритетный метод фильтрации Приоритетный метод сегментации

Без облаков 0 - 0,27 без фильтрации любой метод

Небольшая плотность 0,27 - 0,4 фильтр контр гармоническое среднее любой метод

0,4 - 0,65 фильтр минимизации любой метод

0,65 - 0,95 фильтр контргармоническое среднее любой метод

Средняя плотность 0,95-1,15 фильтр минимизации или Люси-Ричардсона к - среднее

1,15-1,25 фильтр минимизации к - среднее

Высокая плотность 1,25 - 2 фильтр Люси-Ричардсона к - среднее

Далее во второй главе описывается сравнение эффективности предложенного метода со следующими известными:

1) методом, основанным на многомодальности гистограмм.

2) методом, предложенным К.Т. Протасовым.

3) методом, предложенным Ю.В. Гридневым.

Испытания проводились на 3 500 изображений, искаженных облаками различной плотности.

Анализ результатов проведенного исследования эффективности показал, что разработанный метод маскирует область изображения в качестве облака

9

при более сильном искажении по сравнению с другими известными методами, что показывает его большую эффективность для решения задач пространственного мониторинга и обусловлено использованием априорной информации об объектах на снимках.

Таким образом, разработанный распределенный метод определения полей облачности совместно с алгоритмом построения растровой карты минимальной облачности позволяют решить задачу пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования. Предложенное решение отличается использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.

Третья глава посвящена разработке автоматического ускоренного метода обработки данных, полученных в результате проведения лазерного зондирования. В начале главы проводится анализ особенностей данных лазерной съемки. Выделяются свойства, детектируемые при проведении зондирования, которые можно использовать в качестве классификационных признаков: координаты точек; номер отражения лазерного импульса; интенсивность отражения лазерного импульса.

Далее приведен анализ особенностей данных, полученных при съемке сканерами воздушного и наземного базирования. Обоснован подход совместной обработки данных, полученных различными типами оборудования, приводятся ограничения, позволяющие сделать это.

Далее приводится описание автоматического метода обработки данных лазерного зондирования для построения ЦММ.

Шаг 1. Классификация точек лазерного сканирования (см. рис.3).

Шаг 2. Построение тематического растра и преобразование его в векторный формат, что можно описать в виде следующей процедуры:

1. Построение географически привязанного изображения К (/и, и):

тах

2, если {точки (х,у,г): (х,у)е пикселю(т,п)}*0-,

К(т,и) =

(4)

о,

если [точки (х,у,г): пикселю(т,п)} = 0.

2. Преобразование К(т,и) к бинарному виду:

если Щт,п)Ф 0; если К (т, и) = 0.

3. Преобразование изображения Ха(т,п) в векторный формат.

ю

Необработанные точки ЛС

Рис. 3. Алгоритм классификации точек ЛС

Эффективность метода оценивалась по следующим параметрам:

1. Площадь территории, которая была ошибочно отнесена к одному из слоев.

2. Площадь территории, которая ошибочно не была отнесена ни к одному из слоев.

3. Отношение площади территории, которая должна быть отнесена к одному из целевых слоев, к общей площади участка.

4. Время работы приложения, реализующего метод.

Анализ полученных экспериментальных данных (см. табл. 2) позволяет сделать вывод, что предложенный метод ускоряет обработку данных лазерного сканирования, сохраняя требуемую точность.

Таблица 2

Оценка эффективности метода автоматизированного построения ЦММ

Вид местности Средняя полнота покрытия территории целевыми слоями метода Среднее отношение площади неверно распознанной территории, к общей площади участка Среднее отношение площади территории, которая была ошибочно не распознана, к общей площади участка Средняя длительность выполнения для 1 кв. км.

территория с рекой 0,9 0,017 0,15 10 мин 12 сек

территория, покрытая лесом 0,9 0,015 0,001 10 мин 36 сек

территория, занятая низкой растительностью и свободная от растительности 0,55 0,015 0,001 7 мин 23 сек

Далее описывается распределенная ускоренная технология применения предложенного метода обработки данных лазерного зондирования (см. рис. 4). При выполнении вычислений автоматическая обработка данных дистанционного зондирования проводится на стороне сервера, а ручная корректировка - на стороне клиента.

Рис. 4. Технология получения ЦММ 12

Применение распределенной технологии обработки серий данных лазерной съемки открывает возможность получения ЦММ территории в 20 кв. км., за один рабочий день (8 часов) коллективом сотрудников из 10 человек. Таким образом, предложен метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий требуемую точность.

В завершении главы приводится описание исследований точности построения трехмерных моделей. В результате исследования сделан вывод, что построение взаимно однозначного соответствия между средней плотностью проведения лазерной съемки и точностью трехмерных моделей провести невозможно. Однако экспериментально получена зависимость точности трехмерных моделей и количества отражений лазерного импульса от поверхности объекта (см. табл. 3). Используя эти данные, необходимо осуществлять планирование съемки местности с целью получения ее трехмерной модели.

Таким образом, предложено специальное математическое обеспечение реализации необходимой точности визуализации, отличающееся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.

Таблица 3

Зависимость точности модели плоскости от количества точек, отраженных от нее

Количества отражений лазерного импульса Точности трехмерной модели

ДО 50 0,15 м

до 150 ОД м

до 200 0,08 м

более 200 0,05 м

Четвертая глава посвящена разработке специального программного обеспечения распределенной обработки временных серий данных дистанционного зондирования. Рассматривается структура программного комплекса, в рамках которого предполагается использовать разработанное ПО (см. рис. 5)

Предлагается автоматическая система планирования, использующая признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного методом К. Т. Протасова. То есть, если при выполнении шага 3 предложенного метода определения полей облачности (см. главу 2) Оп ф 0 , то дальнейшие вычисления проводятся на стороне клиента. Кроме того, система планирования обладает свойством адаптивности, а именно: позволяет проводить перераспределение вычислений на сторону клиента в зависимости от загрузки сервера.

Клиент

_Браузер

Клиент

_Браузер

<Г

Ethernet

Настольная

система

•••

Настольная

система

Множество

выделенных клиентов

Аэрокосмич. съемка

Лазерная съемка

••• Сбор

Рис. 5. Структура программного комплекса распределенной адаптивной обработки пространственных данных

Приводится описание реализации клиентской и серверной частей ПО. Разработанная серверная часть состоит из двух подсистем, в работе приводится набор их основных функций, рассматриваются некоторые части исходного кода.

Подсистема обработки данных лазерного сканирования состоит из следующих компонентов (см. рис. 6): основной модуль; модуль классификации; модуль векторизации; модуль работы с базой данных.

I Основной модуль 1 Модуль работы БД

TopoFrom Point ClassUdarPoint GetPoint SavePoint

GetlsomRelfMod GetSHP SaveSHP

1 1

i

I Модуль классификации Модуль векторизации

IsolatePoint EarthClass Point2Grid

Build_C!ass Veg class Point2SHP VegSHP

Point2Contour Contour2HPoint

Рис. 6. Структура подсистемы обработки данных лазерного сканирования

Подсистема обработки данных аэрокосмической съемки включает в себя (см. рис. 7): основной модуль; модуль работы с динамическими объектами; модуль работы со статическими объектами; модуль построения растровой карты; модуль обработки изображений.

Модуль построения растровой карты

ВиИсШаБ^Мар

та5кРго1а$оу | | та5к6пс1пеу

Модуль работы со статическими объектами

Се151аг0езс СтрБгаЮЬ]

Ви1^Б1а1Агеа

Основной модуль

та5кВуТазк С1оис15Сеп

веШага Бауе0а1а

Модуль работы с динамическими объектами

СтрС^оу

веЮ^ОУ

Модуль обработки изображений

БекСгоуу II эеяКМЕАМ

РЛ^гГУИГМ

ЫМВ

FiltrCHMEAN

Рис. 7. Структура подсистемы обработки данных аэрокосмической съемки

Для основных модулей обеих подсистем был разработан графический интерфейс (см. рис. 8).

}:■» Адаптивный метод о

I Ь Иза6(ижения дпя

Директория с остовами ажанических о6ье|

^ Директорий с описанием статических обьектоз

Результат. Полученная маска облачности

= в! а I 5-Полу ■ - • диоси на оснеое точек Я

±1

а:

±1

Ж

Сапсе!

:••> Результат. Низкая растительность

Результат. Средняя растительность

й, Результат. Высокая растительность

; Результат. Здания

> Результат. Горизонтали

Результат. Отметкз-1 высот

Щ

ш

«I

о®)

Рис. 8. Графический интерфейс разработанного программного обеспечения

Таким образом, предложена программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Предложено решение задачи пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования, отличающееся использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.

2. Разработан метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий необходимую точность обработки.

3. Предложено специальное математическое обеспечение реализации необходимой точности визуализации, отличающиеся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.

4. Разработана программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.

5. Реализован адаптивный механизм планирования распределенных вычислений, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода Протасова, позволяющий автоматически принимать решение о переносе обработки данных дистанционного зондирования на сторону клиента.

6. Разработано специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования, позволяющее ускорить проведение пространственного мониторинга.

Основные результаты диссертации опубликованы в следующих работах:

Публикации в изданиях, рекомендованных ВАК РФ

1. Селиванов П.Ю. Адаптивный метод выделения полей облачности на космических снимках высокого разрешения / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2011. Т.7. №6.-С. 188-193.

2. Селиванов П.Ю. Цифровая модель местности на основе данных лазерной съемки / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2011. Т.7. №6. - С. 202-208.

3. Селиванов П.Ю. Анализ известных методов определения полей облачности. Автоматизированная технология построения растровой карты нулевой облачности / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2012. Т.8. №4. - С. 44-49.

4. Селиванов П.Ю. Анализ эффективности методов сегментации для снимков сверхвысокого пространственного разрешения, полученных при полупрозрачной облачности / П.Ю. Селиванов // Вестник Воронежского государственного технического университета. 2012. Т.8. №4. - С. 61-65.

5. Селиванов П.Ю. Параметрическая модель искажения цифрового изображения для имитации полупрозрачной облачности на аэрокосмических снимках / П.Ю. Селиванов // Системы управления и информационные технологии. -Москва-Воронеж: «Научная книга», 2012. №2.1 (48). - С. 179-183.

6. Селиванов П.Ю. Автоматическая классификация точек лазерного сканирования для пространственного моделирования / П.Ю. Селиванов // Системы управления и информационные технологии. — Москва-Воронеж: «Научная книга», 2012. №2(48). - С. 74-78.

Статьи и материалы конференций

7. Селиванов П.Ю. Применение лазерного сканирования для построения трехмерных моделей охраняемых объектов / П.Ю. Селиванов // Территориально распределенные системы охраны: науч. сб.- Калининград, 2009. № 2. Ч. 1. — С. 23-25.

8. Селиванов П.Ю. Моделирование полей облачности на аэрокосмических снимках сверхвысокого пространственного разрешения / П.Ю. Селиванов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2012: сб. материалов X Междунар. научн.-техн. конф.— Курск: Юго-Зап. гос. ун-т,2012.-С. 58-59.

9. Селиванов П.Ю. Эффективность сегментации космических снимков, полученных при полупрозрачной облачности / П.Ю. Селиванов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2012: сб. материалов X Междунар. научн.-техн. конф - Курск: Юго-Зап. гос. ун-т, 2012. -С. 61-63.

10. Селиванов П.Ю. Построения растровой карты нулевой облачности по серии разновременных снимков / П.Ю. Селиванов // Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавание-2012: сб. материалов X Междунар. научн.-техн. конф,-Курск: Юго-Зап. гос. ун-т, 2012. - С. 59-61.

11. Подвальный С.Л. Имитация полупрозрачной облачности на аэрокосмических снимках. / С.Л. Подвальный, П.Ю. Селиванов // Управление больши-

17

ми системами: материалы IX Всерос. школы-семинара молодых ученых. - Тамбов* Липецк: Издательство Першина Р.В., 2012. - С. 227-228.

12. Селиванов П.Ю. Исследование эффективности методов фильтрации и сегментации аэрокосмических снимков / П.Ю. Селиванов // Управление большими системами: материалы IX Всерос. школы-семинара молодых ученых. -Тамбов-Липецк: Издательство Першина Р.В., 2012. - С. 232-234.

13. Селиванов П.Ю. Опыт применения технологии лазерного сканирования для анализа состояния железнодорожной природно-технической системы / П.Ю. Селиванов // Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем: материалы Всерос. науч.-практ. конф. - Воронеж: Воронежский институт МВД России, 2012. — С. 164-165.

Подписано в печать 28.09.2012. Формат 60x84/16. Усл. печ. л. 1,0. Заказ № 64. Тираж 85 экз. Типография ООО "Генезис" 119571 Москва, пр-т Вернадского, д. 86

тел. 8 (495) 434-83-55

Сокращения и обозначения.

Введение.

Глава I. Анализ математического и программного обеспечения систем распределенной обработки данных, получаемых в результате накопления аэрокосмических снимков и точек лазерного сканирования

1.1. Анализ математического и программного обеспечения распределенной обработки аэрокосмических снимков.

1.1.1. Аэрокосмические снимки в работе ситуационных центров.

1.1.2. Анализ особенностей данных, полученных в результате проведения аэрокосмической съемки. Анализ математического и программного обеспечения атмосферной коррекции снимков.

1.1.3. Анализ математического обеспечения определения полей облачности на аэрокосмических снимках.

1.2. Анализ математического и программного обеспечения распределенной обработки данных лазерного сканирования.

1.2.1. Трехмерные модели местности. Лазерная съемка.

1.2.2. Анализ математического и программного обеспечения обработки данных лазерного сканирования.

1.3. Ситуационные задачи, решаемые при совместном использовании лазерного сканирования и аэрокосмической съемки.

1.3.1. Прогнозирование и мониторинг развития ситуации в условиях паводка.

1.3.2. Выявление мест и времени незаконного ввоза наркотических веществ на территорию России.

1.3.3. Прогнозирование и мониторинг изменения состояния железнодорожной инфраструктуры.

1.4. Структура распределенной обработки пространственных данных в целях пространственного мониторинга.

1.5. Выводы по главе 1.

Глава 2. Распределенные методы обработки аэрокосмических снимков сверхвысокого пространственного разрешения на основе модифицированных методов определения полей облачности.

2.1. Параметрическая модель цифрового изображения, предназначенная для имитации полупрозрачной облачности на снимках сверхвысокого пространственного разрешения.

2.2. Алгоритм построения растровой карты минимальной облачности

2.4.1. Постановка задачи.

2.4.2. Алгоритм построения растровой карты минимальной облачности

2.3. Распределенный метод адаптивного определения полей облачности на снимках сверхвысокого пространственного разрешения.

2.3.1. Формальное описание задачи.

2.3.2. Описание области интересов.

2.3.3. Распределенный метод адаптивного выделения полей облачности

2.3.4. Анализ эффективности методов сегментации для снимков сверхвысокого пространственного разрешения, полученных при полупрозрачной облачности.

2.3.5. Лабораторные испытания метода адаптивного определения полей облачности.

2.4. Выводы по главе 2.

Глава 3. Метод и технология автоматизированной ускоренной обработки данных дистанционного зондирования для построения цифровых моделей местности.

3.1. Анализ особенностей данных, полученных в результате проведения лазерной съемки. Существующие методы классификации точек.

3.2. Технология совместного использования точек наземного и воздушного лазерного сканирования.

3.3. Метод автоматизированного построения ЦММна основе данных лазерного сканирования. Построение изометрической модели рельефа.

3.3.1. Постановка задачи.

3.3.2. Метод автоматизированного построения ЦММ на основе данных лазерного сканирования.

3.3.3. Оценка эффективности метода.

3.3.4. Построение изометрической модели рельефа на основе данных лазерного сканирования.

3.3.5. Технология построения цифровой модели местности на основе данных лазерного сканирования.

3.4. Позиционирование трехмерных объектов. Оценка точности моделирования по результатам проведения лазерного сканирования.

3.4.1. Оценка точности моделирования по результатам проведения лазерного сканирования.

3.4.2. Задача планирования лазерной съемки при заданной точности моделирования.

3.5. Выводы по главе 3.

Глава 4. Специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования.

4.1 Архитектура программного комплекса, в рамках которого реализованы разработанные методы.

4.2 Реализация клиентского программного обеспечения.

4.3 Реализация программного обеспечения на стороне сервера.

4.4 Выводы по главе 4.

Традиционное представление географических данных в виде топографических планов местности, выполненных на бумаге, не позволяет оперативно решать актуальные пространственные задачи. Трудоемкость анализа данных о местности, невозможность быстрого внесения в них изменений (например, связанных с выявлением ошибок или актуализацией), ограниченность количества объектов, нанесенных на один план, невозможность трехмерного отображения делают такой способ представления неприемлемым для решения задач мониторинга территорий. Переход к цифровым моделям местности (ЦММ) и использование в работе специализированных программ, обладающих богатым набор средств по анализу и представлению пространственных данных (в том числе возможностями по визуализации и анализу трехмерных моделей местности (ТММ)), является необходимым условием эффективной обработки информации о местности.

Современный уровень технических средств вычислительной техники позволяет проводить обработку и анализ временных серий данных дистанционного зондирования (ДДЗ). При этом наиболее эффективными для автоматизации пространственного мониторинга являются постоянно развивающиеся интерактивные средства и человеко-машинные интерфейсы, обеспечивающие процессы моделирования объектов по вновь поступившим актуальным данным. Для построения трехмерных моделей местности и выявления пространственных изменений по сравнению с предшествующими моментами времени могут использоваться данные аэрокосмической съемки и лазерного сканирования.

Большой вклад в исследование возможностей по обработке изображений внесли как отечественные, так и зарубежные ученые. Базовые результаты теории распознавания образов были получены У. Преттом, Р. Дудой, П. Хартом, а также отечественными учеными Ю.И. Журавлевым, А.Л. Гореликом и др. Разработкой методов обработки данных лазерного сканирования занимались как отдельные ученые (Е.М. Медведев, И.М. Данилин, И.Г. Жур-кин), так и целые организации («Оптен», «ТеггаяоПсЬ, «1прко»).

В рамках использования данных аэрокосмической съемки представляет интерес разработка методов распределенной обработки изображений для выделения полей облачности, позволяющих оценивать различимость объектов на снимках сквозь полупрозрачную дымку. При этом распределенный характер обработки позволит ускорить проведение вычислений для большого объема разновременных данных.

Другой важной задачей обработки серий разновременных ДДЗ является автоматизация обработки данных лазерного сканирования. Представляет интерес разработка методов, позволяющих получать цифровые модели местности, используя, в том числе, человеко-машинные интерфейсы. При этом необходимо ускорить обработку данных, сохраняя необходимую точность моделирования.

Таким образом, актуальность темы диссертационного исследования продиктована необходимостью построения системы распределенной обработки данных дистанционного зондирования, применяемой для пространственного мониторинга по сериям разновременных данных.

Тематика диссертационной работы соответствует научному направлению ФГБОУ ВПО «Воронежского государственного технического университета» «Вычислительные комплексы и проблемно-ориентированные системы управления».

Объектом диссертационного исследования являются процессы непрерывного накопления и обработки различных видов пространственной информации.

Предметом исследования являются методы автоматизации обработки данных, получаемых в результате проведения аэрокосмической и лазерной съемок местности.

Цель работы состоит в создании специальных методов распределенной обработки временных серий данных дистанционного зондирования для их оперативной визуализации в рамках человеко-машинных интерфейсов адаптивной распределенной программной инфраструктуры.

Для достижения цели поставлены следующие задачи:

1. Провести анализ математического и программного обеспечения систем распределенной обработки данных, получаемых в результате накопления аэрокосмических снимков и точек лазерного сканирования.

2. Разработать распределенные методы обработки аэрокосмических снимков сверхвысокого разрешения на основе модифицированных методов определения полей облачности.

3. Разработать метод и технологию автоматизированной ускоренной обработки данных дистанционного зондирования для построения цифровых моделей местности.

4. Разработать специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования.

Методы исследования. В работе использовались методы теории распознавания образов, теории вероятностей, математической статистики, а также методы пространственного моделирования и объектно-ориентированного программирования.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.11: п. 7 «Человеко-машинные интерфейсы; модели, методы, алгоритмы и программные средства машинной графики, визуализации, обработки изображений, систем виртуальной реальности, мультимедийного общения» и п. 9 «Модели, методы, алгоритмы и программная инфраструктура для организации глобально распределенной обработки данных».

Научная новизна работы. В работе получены следующие результаты, отличающиеся научной новизной:

1. Решение задачи пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования, отличающееся использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.

2. Метод повышения скорости распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий необходимую точность обработки.

3. Специальное математическое обеспечение реализации необходимой точности визуализации, отличающееся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.

4. Программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного методом Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.

Практическая значимость диссертации заключается в реализации на базе предложенных методов программного обеспечения, позволяющего ускорить проведение пространственного мониторинга в ситуационных центрах.

Реализованный адаптивный механизм планирования распределенных вычислений, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода К.Т. Протасова, позволяет автоматически принимать решение о переносе обработки данных дистанционного зондирования на сторону клиента, что снижает нагрузку на сервер обработки пространственных данных.

Реализация и внедрение результатов работы. Основные теоретические и практические результаты реализованы в виде программных средств, которые были внедрены в практическую деятельность Юго-восточной железной дороги (филиал ОАО «РЖД»), что позволило проводить эффективный мониторинг состояния железнодорожных путей, насыпи, габаритного состояния сооружений и межпутий, изменения рельефа в полосе отвода железной дороги.

Результаты диссертации также реализованы в Федеральном автономном учреждении «Государственный научно-исследовательский испытательный институт проблем технической защиты информации Федеральной службы по техническому и экспортному контролю» (ФАУ «ГНИИИПТЗИ ФСТЭК России») в рамках НИР «Растр-08». В частности, использование точных трехмерных моделей местности, построенных на основании данных лазерного сканирования, позволило моделировать зоны волновой видимости-невидимости при различных местах расположения источника излучения. Кроме того, использованы подходы, предложенной в диссертации параметрической модели искажения изображений для моделирования полупрозрачной облачности на снимках сверхвысокого пространственного разрешения. Указанные результаты учтены при разработке методического обеспечения оценки возможностей средств телевизионной разведки (ТВР) и вошли в Методику оценки возможностей ТВР, утвержденную приказом директора ФСТЭК России (№ 034 от 25.12.2010) и в проект сборника норм и методик по защите от ТВР.

Кроме того, результаты диссертационной работы реализованы в ходе выполнения в Таганрогском техническом институте Южного Федерального Университета (ТТИ ЮФУ) опытно-конструкторской работы «Адаптация аппаратных и программных средств каналов телекоманд и телеметрии КА Ямал-400 к протоколам ЕКА» при разработке методов и алгоритмов распределенной адаптивной обработки данных. Результаты позволили снизить вычислительную нагрузку на коммуникационную инфраструктуру, что позволило ускорить обработку большого объема разновременных данных.

Апробация работы. Основные результаты диссертационного исследования докладывались и обсуждались на следующих конференциях: II Всероссийской научной конференции ученых, специалистов и профессорско-преподавательского состава «Территориально распределенные системы охраны» (Калининград, 31 марта 2009); IX Всероссийской школе-конференции молодых ученых «Управление большими системами» (Липецк, 21-24 мая 2012); X Международной научно-технической конференции «Оптико-электронные приборы и устройства в системах распознавания образов, обработки изображений и символьной информации. Распознавние-2012» (Курск, 15-17 мая 2012); Всероссийской научно-практической конференции «Актуальные вопросы эксплуатации систем охраны и защищенных телекоммуникационных систем» (Воронеж, 5-7 июня 2012).

Публикации. По результатам диссертационного исследования опубликовано 13 научных работ, в том числе 6 - в изданиях, рекомендованных ВАК РФ.

Структура диссертации обусловлена предметом и объектом исследования, а также поставленной целью и задачами. Диссертация состоит из введения, четырех глав, заключения, списка литературы из 157 наименований и двух приложений. Основная часть работы изложена на 137 страницах, содержит 12 таблиц и 44 рисунка.

1.4. Выводы по главе 4

В главе 4 описаны следующие результаты диссертационной работы:

1. Разработана программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.

2. Реализован адаптивный механизм принятия решения о переносе обработки данных дистанционного зондирования на клиентскую сторону, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода Протасова.

3. Разработано специальной программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования, позволяющее ускорить проведение пространственного мониторинга.

Программное обеспечение успешно внедрено в практическую деятельность Юго-восточной железной дороги (филиал ОАО «РЖД»), Опыт его применения описан в работе [123] автора.

Заключение

Таким образом, была достигнута цель и решены все задачи поставленные перед диссертационным исследованием. Были получены следующие результаты:

1. Предложено решение задачи пространственного мониторинга на основе визуализации серий разновременных данных дистанционного зондирования, отличающееся использованием априорной информации об объектах на снимках, что позволяет повысить точность определения полей облачности на изображениях.

2. Разработан метод повышения скорости глубоко распределенной обработки данных дистанционного зондирования, отличающийся дополнительным использованием номера отражения и интенсивности отраженного импульса для классификации точек лазерного сканирования, сохраняющий необходимую точность обработки.

3. Предложено специальное математическое обеспечение реализации необходимой точности визуализации, отличающиеся учетом отклонений от средней плотности лазерного зондирования при планировании и проведении активного вычислительного эксперимента.

4. Разработана программная инфраструктура адаптивной распределенной обработки изображений, отличающаяся принятием решения о выполнении вычислений на клиентской стороне по признаку наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода Протасова, позволяющая снизить нагрузку на сервер и повысить скорость обработки.

5. Реализован адаптивный механизм планирования распределенных вычислений, использующий признак наличия пересечения бинарных масок статических объектов и поля облачности, полученного с использованием метода Протасова, позволяющий автоматически принимать решение о переносе обработки данных дистанционного зондирования на сторону клиента.

6. Разработано специальное программное обеспечение распределенной адаптивной обработки временных серий данных дистанционного зондирования, позволяющее ускорить проведение пространственного мониторинга.

1. Аврутин В.Д., Руденко В.Ю., Ломтев А.Ю. О трехмерной модели городского пространства Санкт-Петербурга // ArcReview. 2010 г., №4 (55). -Москва: Дата+. - С. 4-7.

2. Апраушева H.H., Горлач H.A., и др. Об опыте автоматического статистического распознавания облачности // Журнал вычислительной математики и математической физики. 1998 г., Т. 38, № 10, С. 1788-1792.

3. Аристов М. Быстрее, точнее, дешевле // Журнал «InternetGEO». 2008 г., №1 Киев - С. 10-24.

4. Аристов М. Космический снимок или аэросъемка для картографирования в крупных масштабах. Что выбрать? // Журнал «InternetGEO». 2011 г., №5 Киев. - С. 11-21.

5. Аристов М. Космические снимки сверхвысокого и высокого разрешения для мониторинга, картографирования, контроля // Журнал «InternetGEO». 2011 г., №1 Киев.-С. 21-24.

6. Асмус В.В., Пяткии В.П. Методические и прикладные задачи космического мониторинга природной среды // Моделирование географических систем: Материалы Всероссийской нучно-методической конференции. 2004 г. Иркутск. - С. 20-24.

7. Афонин C.B., Соломатов Д.В. Методика учета оптико-метеорологического состояния атмосферы для решения задач атмосферной коррекции спутниковых ИК-измерений // Оптика атмосферы и океана. 2008 г., Т. 21, № 02. Томск - С. 147-153.

8. Афонин C.B., Белое В.В., Гриднев Ю.В. Пассивное спутниковое зондирование земной поверхности в оптическом диапазоне длин волн // Оптика атмосферы и океана. 2009 г., Т. 22,, № 10. Томск - С. 945-949.

9. Бабич Е.А., Титов Г.А. Математические модели разорванной облачности со случайной геометрией отдельных облаков // Оптика атмосферы и океана. 1992 г., №7. Томск - С. 757-766.

10. Баранов Ю.В., Берлянт А.Ми др. Геоинформатика. Толковый словарь. М.: ГИС-Ассоциация. 1999 г. - 205 с.

11. Батраков A.A. Цифровые модели путевого развития для целей автоматизации станционных процессов: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2006 г. — 166 с.

12. Белов В.В. Молчунов Н.В., Протасов К.Т. Восстановление космических снимков Земли с использованием картографической информации // Оптика атмосферы и океана. 1997 г., Т. 10, № 7. Томск - С. 800-805.

13. Волкович Е. В. Разработка технологии получения электронных крупномасштабных планов сложных инженерных сооружений по результатам наземной лазерной съемки: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2007 г. - 117 с.

14. Головко В.А. Современные технологии устранения влияния атмосферы на многоспектральные измерения высокого пространственного разрешения из космоса // Исследование земли из космоса. 2006 г., №2. С. 11-23.

15. Геоинформационная система «Зеленоград». Электронный ресурс: hítp://giszelao. га/.

16. Горелик А.Л., Гуревич И.Б., Скрипкин В.А. Современное состояние проблем распознавания: Некоторые аспекты. М.: Радио и связь, 1985 г. — 162 с.

17. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Мир цифровой обработки. М: Техносфера, 2006 г. - 1073 с.

18. Гостев И.М. Системный подход к обработке изображений и идентификации графических образов в реальном масштабе времени: Диссертация на соискание ученой степени доктора технических наук. — Москва, 2005 г. -273 с.

19. Грановский В.А., Сирая Т.Н. Методы обработки экспериментальных данных при измерениях. Ленинград: Энергоатомиздат. Ленинградское отделение, 1990 г. - 288 с.

20. Гриднев Ю.В. Выделение облачных полей на космических снимках алгоритмом сегментации, основанным на свойствах локальной однородности данных // Оптика атмосферы и океана. 1998 г., Т. 11, № 04. Томск - С. 430434

21. ДеМерс, Майкл Н. Географические информационные системы. -М.: Дата+, 1999 г.-490 с.

22. Денисов Д.А., Низовский В.А. Сегментация изображений на ЭВМ // Зарубежная радиоэлектроника. 1985 г., №10. С. 5-30.

23. Дуда Р., Харт П. Распознавание образов и анализ сцен. М.: Мир, 1976 г.-510 с.

24. Дьяков В., Абраменкова И. MATLAB сигналов и изображений. Специальный справочник. С.-Петербург: Питер, 2002 г. - 608 с.

25. Еремина А. Ульяновск в 3D // Ульяновская правда. 2010 г., №85 (22.955)-С. 14.

26. Жигалов К. Ю. Векторизация и конвертация данных лазерной локации в ГИС-технологиях: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2007 г. - 155 с.

27. Журавлев Ю. И. Никифоров В.В. Алгоритмы распознавания, основанные на вычислении оценок // Кибернетика. 1971 г., №3 С. 1-11.

28. Журавлев Ю.И. Экспериментальные задачи, возникающие при обосновании эвристических процедур // Проблемы прикладной математики и механики. 1971 г. М.: Наука. - С. 67-75.

29. Журавлев Ю.И. Об алгебраическом подходе к решению задач распознавания и классификации // Проблемы кибернетики. 1978 г. № 33. Москва: Наука - С. 5-68.

30. Журавлев Ю.И. Корректные алгебры над множеством некорректных (эвристических) алгоритмов. Часть I // Кибернетика. 1977 г., № 4. С. 14 -21.

31. Журавлев Ю.И. Корректные алгебры над множеством некорректных (эвристических) алгоритмов. Часть II // Кибернетика. 1977 г., № 6. С. 21 -27.

32. Журавлев Ю.И. Корректные алгебры над множеством некорректных (эвристических) алгоритмов. Часть III // Кибернетика. 1978 г., № 2. -С. 35-43.

33. Журавлев Ю.И. и др. Задачи распознавания и классификации со стандартной обучающей информацией // Журнал вычислительной математики и математической физик. 1980 г., Т. 20, № 5. С. 41 - 43.

34. Журкгш И.Г., Волкович Е.В., Жигалов К.Ю. Обновление картографического материала с помощью данных, полученных методом лазерной локации // Журнал «Геодезия и картография». 2007 г., № 5. Москва - С.35-37.

35. Журкгш И.Г., Волкович Е.В., Жигалов К.Ю. Технология обработки данных лазерной локации для получения крупномасштабных планов сложных инженерных сооружений // Материалы международного промышленного форума Geoform+. 2007 г. Москва - С. 20.

36. Зейлер М. Моделирование нашего мира. Руководство ESRI по проектированию базы геоданных. Москва: Дата+, 1999 г. - 254 с.

37. Злобин В.К., Еремеев В.В., Кузнецов А.Е. Обработка изображений в геоинформационных системах. Рязань: РГРТУ, 2006 г. - 264 с.

38. Злобин В.К, Еремеев В.В., Кузнецов А.Е. Региональные геоинформационные технологии получения и использования многозональных космических карт // Геологический вестник. 2000 г., №3. С. 52-66.

39. Злобин В.К, Кочергин A.M. Колорометрический подход к сегментации облачных образований на многозональных снимках // Тезисы докладов международной научно-технической конференции «Космонавтика. Радиоэлектроника. Геоинформатика». 2003 г. Рязань. - С. 314.

40. Злобин В.К. Кочергин A.M. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования Земли // Вестник РГРТУ. 2008 г., № 23. Рязань. -С. 5-14.

41. Злобин В.К, Кочергин A.M. Предварительная обработка данных ДЗЗ при их каталогизации // Тезисы докл. международной научн.-техн. конференции «Космонавтика. Радиоэлектроника. Геоинформатика». 2007 г. Рязань.-С. 240-241.

42. Иванов Д., Кузьмин Е. Эффективный алгоритм построения остова растрового изображения // Int. conference Graphicon. 1998 г. Москва. -Электронный ресурс: http://www.graphicon.ru/l998/ImageProcessing&% 20ComputationalGeometiy/DIvanovKuzmin%20.pdf

43. Канаишн Н. В. Разработка технологии наземной сканерной съемки железнодорожных станций: Диссертация на соискание ученой степени кандидата технических наук. С.-Петербург, 2009 г. - 160 с.

44. Кандидов В.П., Чесноков С.С., Шленов С.А. Компьютерное моделирование формирования изображения протяженного объекта в турбулентной атмосфере. Часть I. Метод. // Оптика атмосферы и океана. 1998 г., Т. 11, №04.-С. 401-405.

45. Кандидов В.П., Чесноков С.С., Шленов С.А. Компьютерное моделирование формирования изображения протяженного объекта в турбулентной атмосфере. Часть II. Алгоритм, примеры // Оптика атмосферы и океана. 1998 г., Т. 11, №05.-С. 517-521.

46. Кандидов В.П., Чесноков С.С., Шленов С.А. Компьютерное моделирование формирования изображения протяженного объекта в турбулентной атмосфере. Часть III. Оценка качества // Оптика атмосферы и океана. 1998 г., Т.11, № 05. С. 522-525.

47. Капралов Е.Г., Кошкарев A.B., Тикунов B.C. Основы геоинформатики: в 2-х кн. Кн. 1. М.: Издательский дом «Академия», 2004 г. - 352 с.

48. Капралов Е.Г., Кошкарев A.B., Тикунов B.C. Основы геоинформатики: в 2-х кн. Кн. 2. М.: Издательский дом «Академия», 2004 г. - 480 с.

49. Книэ1сников Ю.Ф., Кравцова В.И., Тутубалина О.В. Аэрокосмические методы географических исследований: учебник для студ. высш. учебн. заведений. М.: Издательский дом «Академия», 2004 г. - 336 с.

50. Козулгш Ю.А. Численное моделирование ID-реконструкции облачных структур по данным аэрокосмической стереосъемки: Диссертация насоискание ученой степени доктора технических наук. Москва, 2005 г. -350 с.

51. Колкер А. Б. Разработка методов и алгоритмов цифровой фильтрации и обработки изображений: Диссертация на соискание ученой степени кандидата технических наук. Новосибирск, 2004 г. - 129 с.

52. Колодникова Н.В. Алгоритмы и программное обеспечение тематического анализа многоспектральных аэрокосмических снимков земных покровов: Диссертация на соискание ученой степени кандидата технических наук. Томск, 2005 г. - 200 с.

53. Комиссаров А.В. Методика исследования метрических характеристик сканов: Диссертация на соискание ученой степени кандидата технических наук. Новосибирск, 2007 г. - 201 с.

54. Комиссаров А.В. Исследование точности построения цифровой модели рельефа // Геодезия, картография, маркшейдеров: Сборник материалов научного Конгресса «ГЕО-Сибирь-2006». 2006 г., Том 1, 4.2 Новосибирск: СГГА.-С. 150-153.

55. Комиссаров Д.В., Широкова ДА. Перспективы развития и внедрения трехмерных ГИС // Сб. материалов научн. Конгресс "ГЕО-Сибирь-2006". 2006 г. Новосибирск: СГГА. - С. 132-135.

56. Комисаров Д.В., Середович A.B., Дементьева O.A. Технология топографической съемки технологических объектов с применением наземного лазерного сканирования // Сб. материалов научн. Конгресс. "ГЕО-Сибирь 2005". 2005 г. Новосибирск-С. 221-228.

57. Копылов В.Н. Разработка программно-технологического комплекса регионального центра космического мониторинга окружающей среды: Диссертация на соискание ученой степени доктора технических наук. Ханты-Мансийск, 2006 г. - 229 с.

58. Королева Н.В. Разработка и исследование методов и алгоритмов обработки космических снимков с целью оценки степени повреждения лесов: Диссертация на соискание ученой степени кандидата технических наук. -Томск, 2009 г. —140 с.

59. Кочергин A.M. Алгоритмы и технологии предварительной обработки изображений в системах каталогизации данных дистанционного зондирования Земли: Диссертация на соискание ученой степени кандидата технических наук. Рязань, 2008 г. - 172 с.

60. Кочергин A.M. Концепция создания генерального каталога данных ДЗЗ // Тезисы Доклада международной научн.-техн. конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». 2008 г. Рязань. - С. 117.

61. Кривцов O.A., Кориков A.M. Инверсно-композитный алгоритм регистрации изображений // RSDn Magazine. 2010г., №1 Электронный ресурс: http://www. rsdn.ru/article/multimedia/lmerseCompositionalAlgorithm.xml.

62. Крылов А.Б. Модуль предварительной векторизации растровых монохромных изображений гибридного редактора SpotLight. Электронный ресурс: http://it-claim.ru/Libraiy/Books/ITS/wwwbook/ist4b/its4/byilov.htm.

63. Куваева Н. Л. Технология создания электронных ортофотокарт при комплексном использовании аэрокосмических снимков и геоинформационных систем: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2010 г. - 135 с.

64. Кузнецов А.Е. Математическое и программное обеспечение систем обработки данных дистанционного зондирования Земли: Диссертация на соискание ученой степени доктора технических наук. Рязань, 2003 г. - 355 с.

65. Кузнецов А.Е., Кочергин A.M. Обработка изображений в задаче каталогизации данных дистанционного зондирования // Известия вузов: геодезия и аэрофотосъемка. 2002 г., №1. С. 166-172.

66. Лазерко М. М. Совместная обработка материалов аэрокосмических и наземных съемок для создания 3D моделей городских территорий: Диссертация на соискание ученой степени кандидата технических наук. Новосибирск, 2010 г. - 127 с.

67. Левин Б.А., Круглое В.М., Матвеев С.И. Геоинформатика транспорта. М.: ВИНИТИ РАН, 2006 г. - 336 с.

68. Левшин В.Л. Обработка информации в оптических системах пеленгации. -М.: Машиностроение, 1978 г. 168 с.

69. Левшин В.Л. Пространственная фильтрация в оптических системах пеленгации. -М.: Сов. Радио, 1971. -200 с.

70. Лобанов A.A. Анализ совершенствование и разработка современных методов создания крупномасштабных топографических планов застроенных территорий: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2005 г. - 92 с.

71. Макриденко JI.A. и др. Системы и технологии приема, обработки и распространения данных ДДЗ Росавиакосмоса // Исследование Земли из космоса. 2001 г. №6.-С. 31-40.

72. Маслаков A.A. Разработка геоинформационной технологии построения ЗО-моделей объектов по данным лазерной локации: Диссертация на соискание ученой степени кандидата технических наук. Москва, 2009 г. -102 с.

73. Матвеева С.И. Геоинформационные системы и технологии на железнодорожном транспорте: Учебное пособие для вузов ж.-д. транспорта. -М.: УМК МПС России, 2002. 288 с.

74. Медведев Е.М. В поисках "Истинной Земли".Часть I // Геопрофи. 2004 г., № 2. М: "Проспект" - С. 35-37.

75. Медведев Е.М. В поисках "Истинной Земли". Часть II // Геопрофи. 2004 г., № 3. М: "Проспект" - С. 25-26.

76. Медведев Е.М. В поисках "Истинной Земли". Часть III // Геопрофи. 2004 г., № 4. М: "Проспект" - С. 19-21.

77. Медведев Е.М. Лазерный сканер — не роскошь, а средство дистанционного зондирования. Часть I // Геопрофи. 2003 г., № 4. М: "Проспект" -С. 16-18.

78. Медведев Е.М. Лазерный сканер — не роскошь, а средство дистанционного зондирования. Часть II // Геопрофи. 2003 г., № 5. М: "Проспект"-С. 19-21.

79. Медведев Е.М. Лазерный сканер — не роскошь, а средство дистанционного зондирования. Часть III // Геопрофи. 2003 г., № 6. М: "Проспект" - С. 23-24.

80. Медведев Е.М. Лазерный сканер — не роскошь, а средство дистанционного зондирования. Часть IV // Геопрофи. 2004 г., № 1. М: "Проспект" - С. 30-32.

81. Медведев Е.М., Данилин И.М., Мельников С.Р. Лазерная локация земли и леса. Красноярск: Институт леса им. В.Н. Сукачева СО РАН,2007 г. 230 с.

82. Медведев Е.М., Мельников С.Р. Преимущества применения лазерных сканирующих систем наземного и авиационного базирования // Горн. Пром. 2002 г., №5.-С. 18-23.

83. Мельник А.-В., Мышко C.B., Шевцов Д.В. Проблема скелетизации при проектировании систем распознавания цифровых изображений // Вестник Донецкого национального университета. Сер. А: Природные науки.2008 г., № 2. С. 502 - 509.

84. Михайлов В. В. Модели принятия решений при управлении организационно-техническими системами в условиях метеорологической неопределенности: Диссертация на соискание ученой степени доктора технических наук. Воронеж, 2006 г. - 350 с.

85. Мицель A.A., Колодникова Н.В., Протасов К. Т. Непараметрический алгоритм текстурного анализа аэрокосмических снимков // Известия ТПУ. 2005 г., №1. С. 65-70.

86. Межеловский Н.В., Рамм И.С., Шварев В.В. Аэрокосмический мониторинг геологической среды // Сер. «Космонавтика и астрономия», 1988 г., №6. М: «Знание» №6. -64 с.

87. Муравьев B.C. Модели и алгоритмы обработки и анализа изображений для систем автоматического сопровождения воздушных объектов:

88. Диссертация на соискание ученой степени кандидата технических наук. Рязань, 2010 г.- 155 с.

89. Неволим А. Г., Хатоум Т. С. Трехмерная карта города Новосибирска // Международный научный конгресс «ГЕО-Сибирь. Геодезия, геоинформатика, картография, маркшейдеров». 2006 г., Т. 1,4. 1. Новосибирск: СГГА.-С. 208-211.

90. Павленко А. В. Разработка методики создания фотограмметрических 3D-моделей местности по аэрокосмическим снимкам: Диссертация на соискание ученой степени кандидата технических наук. Новосибирск, 2006 г. - 185 с.

91. Павлидис Т. Алгоритмы машинной графики и обработки изображений. М.: Радио и связь, 1986 г. - 400 с.

92. Падве В.А. Показатель точности геопространственных данных // Геодезия и картография. 2005 г., № 1. С. 18-19.

93. Подвальный С.Л., Селиванов П.Ю. Имитация полупрозрачной облачности на аэрокосмических снимках // Материалы IX Всероссийской школы-семинара молодых ученых «Управление большими системами». 2012 г. -Тамбов-Липецк: Издательство Першина Р.В. С. 227-228.

94. Подоприхин Р.В., Григорьев A.B. Новинки технологии: за мобильным лазерным сканеров будущие // Геодезия и картография. 2008 г., № 3. -С. 63.

95. Прибытков Ю.Н. Статистический анализ пространственных не-однородностей случайных гауссовских полей: Диссертация на соискание ученой степени кандидата физико-математических наук. Воронеж, 2002 г. -186 с.

96. Пригарин С.М., Маршак A.JT. Численная имитационная модель разорванной облачности, адаптированная к результатам наблюдений // Оптика атмосферы и океана. 2005 г., Т. 18, № 3. С. 256-263.

97. Пронина Г.Е. Способы и средства интеллектуализации ГИС // II научно-практическая конференция «Региональные геоинформационные системы». 2005 г. Рязань. - С. 31-35.

98. Протасов К.Т. Выделение полей облачности на космических снимках алгоритмом сегментации, основанным на классификации и распознавании образов // Оптика атмосферы и океана. 1998 г., Т. 11, № 1. С.79-85.

99. Протасов К. Т. Выделение полей однородности на космических снимках непараметрическим алгоритмом сегментации в пространствах информативных признаков // Оптика атмосферы и океана. 1998 г., Т. 11, № 7. -С. 787-795.

100. Протасов К.Т., Артамонов Е.С. Восстановление космических снимков подстилающей поверхности земли на участках затенения дымкой и фрагментами облаков // Оптика атмосферы и океана. 1999 г., Т. 12, № 12. -С. 1140-1145.

101. Протасов К.Т., Белов В.В., Артамонов Е.С. Адаптивное восстановление космических снимков подстилающей поверхности Земли с использованием априорной информации // Вычислительные технологии. 2000 г., том 5, спец. выпуск. С. 69-81.

102. Протасов К. Т. Математические методы и алгоритмы обработки данных аэрокосмического зондирования земных покровов: Информационно-статистический подход: Диссертация на соискание ученой степени доктора технических наук. Томск, 2005 г. — 350 с.

103. Прэтт У. Цифровая обработка изображений: пер. с англ. под ред. Лебедева Д.С., Т. 1. М.: Мир, 1982 г. - 312 с.

104. Селиванов П.Ю. Адаптивный метод выделения полей облачности на космических снимках высокого разрешения // Вестник ВГТУ. 2011 г., Т.7, №6. Воронеж: ВГТУ. - С. 188-193.

105. Селиванов П.Ю. Цифровая модель местности на основе данных лазерной съемки // Вестник ВГТУ. 2011 г., Т.7, №6. Воронеж: ВГТУ. - С. 202-208.

106. Селиванов П.Ю. Анализ известных методов определения полей облачности. Автоматизированная технология построения растровой карты нулевой облачности // Вестник ВГТУ. 2012 г., Т.8, №4. Воронеж: ВГТУ. -С. 44-49.

107. Селиванов П.Ю. Анализ эффективности методов сегментации для снимков сверхвысокого пространственного разрешения, полученных при полупрозрачной облачности // Вестник ВГТУ. 2012 г., Т.8, №4, Воронеж: ВГТУ.-С. 61-65.

108. Селиванов П.Ю. Автоматическая классификация точек лазерного сканирования для пространственного моделирования // Системы управления и информационные технологии. 2012 г., №2(48). Москва-Воронеж: «Научная книга». - С. 74-78.

109. Селиванов П.Ю. Применение лазерного сканирования для построения трехмерных моделей охраняемых объектов // Территориально распределенные системы охраны. 2009 г., научный сборник № 2, Ч. 1. Калининград. - С. 23-25.

110. Середович А. В. Методика создания цифровых моделей объектов нефтегазопромыслов средствами наземного лазерного сканирования: Диссертация на соискание ученой степени кандидата технических наук. Новосибирск, 2007 г. - 165 с.

111. Середович В.А., Комиссаров A.B., Комиссаров Д.В., Широкова Т.А. Наземное лазерное сканирование: монография. Новосибирск: СГГА, 2009.-261 с.

112. Создание DLL и их использование. Электронный ресурс: http://matlab.exponenta.ru/matlabcompiler/bookl/steps.php.

113. Тишкин Р. В. Система идентификации облачных образований на космических многозональных изображениях с использованием методов искусственного интеллекта: Диссертация на соискание ученой степени кандидата технических наук. Рязань, 2008 -137 с.

114. Тишкин Р. В. Технология виртуального доступа к банкам изображений // Научно-технические ведомости СПбГПУ. 2007 г., N4-2(52). С. 113116.

115. Трифонов А.П., Прибытков Ю.Н. Оптимальная обработка гаус-совских изображений // Информационные технологии и системы. 1998 г., №2. Воронеж, - С. 89-94.

116. Трифонов А.П., Прибытков Ю.Н. Обнаружение гауссовского изображения при наличии фона // Материалы IV международной научно технической конференции "Радиолокация, навигация и связь". 1998 г., Т.2. Воронеж-С. 801 - 812.

117. Хатоум Т. С. Исследование методов обработки и моделирования геопространственных данных на основе геоинформационных систем и технологий: Диссертация на соискание ученой степени кандидата технических наук. Новосибирск, 2008 г. - 145 с.

118. Шовенгердт Р. А. Дистанционное зондирование. Модели и методы обработки изображений. Мир наук о Земле: пер. с англ. Кирюшина А.В., Демьяникова А.И. М: Техносфера, 2010 г. - 556 с.

119. ArcGIS Image Server. Электронный ресурс: http://www.dataplus.ru/ Soft/ESRI/ArcGIS/ImageServer/

120. ArcGIS Server. Электронный ресурс: http://www.dataplus.ru/Soft/ ESRI/ArcGIS/ImageServer/

121. ERDAS IMAGINE в военных приложениях. По материалам White Paper "ERDAS Imagine" and Military Application, 1998. // Arcreview. 1999 г., №2(9)-С. 14.

122. Снимок аэропорта в г. Сан-Пауло (Бразилия) со спутника Quick-Bird. Электронный ресурс: www.quickbird.ru/gallery/image/85.jpg

123. Ackerman F. Airborne laser scanning for Elevation Models // GIM international, 1997, № 6, V. 10. p. 12.

124. Akca D. Full automatic registration of laser scanning point clouds // Procs. 6th Conference on Optical 3-d Measurement Techniques, 2003. Zurich, Swizerland. - p. 330-337.

125. Atkinson P.M., Tatnall A.R.L. Neural Networks in Remote Sensing. // Int. J. of remote sensing. 1997, Vol.18, № 4. p. 699-709.

126. Axelsson P. DEM generation from laser scanner data using adaptive TIN models. // XIXISPRS Congress, Amsterdam, 2000.

127. Blum H. A transformation for extracting new descriptors of shape, In W. Wathen-Dunn, editor, Models for perception of speech and visual form, MIT Press, 1967.

128. Caprioli M. 3D modeling and metric analysis in architectural heritage: photogrammetry and laser scanning // 6 th Conference on Optical 3-d Measurement Techiques. 2003. Zurich, Switzerland. - p. 206-213,

129. Chavez, P.S. Jr. Image-based atmospheric corrections revisited and revised // Photogrammetric Engineering and Remote Sensing. № 62(9), 1996. -p. 1025-1036.

130. Chum O., Matas J. Matching with PROSAC Progressive Sample Consensus // Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. № 1, 2005. - p. 220-226.

131. Documentation for developers using ArcGIS 9.2. Электронный ресурс: http://edndoc.esri.com/arcobjects/9.2/welcome.htm.

132. Govaert G. Spatial Fuzzy Clustering using EM and Markov Random Fields Systems//Research and Information Systems. Vol. 8, 1998. p. 183-202.

133. Kaufman Y.J. Atmospheric effects on remote sensing of surface reflectance // SPIE. Remote sensing. 1984, Vol. 475. p. 20-33.

134. Kolodnikova N.V., Protasov K.T. The recognition of clouds fields types by nonparametric algorithm in textural feature space on cosmic data // Atmospheric and ocean optics. Atmospheric physics, XI Join International Symposium, 2006.-Tomsk.-p. 105-106.

135. Lee J. A Neural Network Approach to Cloud Classification // IEEE Trans, on geoscience and remote sensing. 1990, Vol. 28, № 5. p. 33-39.

136. Lichti D. Modeling of laser scanners NIR intensity for multi-spectral point cloud classification // Procs. 6th Conference on Optical 3-D Measurement Techniques, 2003. Zurich, Swizerland.-p. 282-289.

137. Morgan M., Tempfli K. Automatic building extraction from airborne laser scanning data. // XIXISPRS Congress, Amsterdam, 2000.

138. Rahman H., Dedieu G. SMAC: a simplified method for the atmospheric correction of satellite measurements in the solar spectrum // Int. J. Remote Sensing. 1994, Vol. 15, №1. p. 123-143.

139. Rosenfeld А., Как А.С. Digital picture processing. N.Y.: Academic Press, 1976.-349 p.

140. Starovoitov V., Samal D. Experimental study of color image similarity // Machine Graphics & Vision. 1998, Vol.7, № 1/2. p.447-454.

141. Weisensee M., Wendt A. Registration and integration of point clouds using intensity information // Procs. 6 th Conference on Optical 3-d Measurement Techniques. 2003. Zurich, Switzerland - p. 290-297.