Алгоритмы сегментации объектов земной поверхности по данным гиперспектральной съемки тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Юдаков, Антон Александрович

• Юдаков, Антон Александрович
• кандидат технических наук
• 2013

Оглавление диссертации кандидат технических наук Юдаков, Антон Александрович

ОГЛАВЛЕНИЕ

Введение

1. Анализ методов сегментации и идентификации объектов земной поверхности по данным гиперспектральной съемки

1.1. Анализ отечественных и зарубежных систем гиперспектральной съемки Земли

1.2. Анализ методов сегментации гиперспектральных изображений

1.3. Анализ методов идентификации объектов по данным гиперспектральной съемки

1.4. Основные направления исследований по созданию алгоритмов идентификации объектов с использованием методов искусственного интеллекта

Основные результаты

2. Сегментация гиперспектральных изображений на основе алгоритмов нечеткой кластеризации, генетических алгоритмов и нейронных сетей

2.1. Алгоритмы кластеризации гиперспектральных изображений в условиях неопределенности

2.2. Генетические алгоритмы оптимизации результатов кластеризации

2.3. Алгоритмы уточнения результатов кластеризации с применением искусственных нейронных сетей

Основные результаты

3. Сегментация гиперспектральных изображений с применением ансамбля алгоритмов кластеризации

3.1. Подходы к формированию кластерного ансамбля с использованием векторов меток кластеров

3.2. Ансамбль алгоритмов кластеризации, основанных на применении генетического алгоритма для максимизации

количества взаимной информации

3.3. Ансамбль алгоритмов кластеризации, основанный на консолидированной матрице подобия векторов меток кластеров

3.4. Экспериментальные результаты

Основные результаты

4. Реализация и экспериментальные исследования системы сегментации объектов по данным гиперспектральной съемки

4.1. Информационные технологии формирования базы

данных эталонных объектов

4.2. Комплексирование разнородных баз данных эталонных спектральных характеристик объектов

4.3. Формирование оперативной БД объектов, нормирование спектральных характеристик получаемых из разных БД

4.4. Архитектура системы идентификации объектов

4.5. Процедуры повышения оперативности доступа к БД объектов гиперспектральных изображений

Основные результаты

Заключение

Список литературы

Приложение

Введение диссертации (часть автореферата) на тему «Алгоритмы сегментации объектов земной поверхности по данным гиперспектральной съемки»

ВВЕДЕНИЕ

Актуальность диссертации и степень разработанности темы.

Гиперспектральная съемка является приоритетным направлением развития систем дистанционного зондирования Земли (Д33)[4,29,33,72]. Она предполагает одновременное получение сотен и тысяч изображений одной и той же сцены, зафиксированных в очень узких соприкасающихся диапазонах спектра. В результате формируется многомерное гиперспектральное изображение (ГСИ), называемое гиперкубом. Каждой точке земной поверхности гиперкуб ставит в соответствие спектральную характеристику (СХ), которая описывает распределение энергии излучения по длине волны. Знание СХ для множества точек вполне определенных объектов позволяет автоматизировать процесс сегментации объектов и установить их физико-химические свойства. Поэтому материалы гиперспектральной съемки находят широкое применение во многих сферах человеческой деятельности: экологии, сельском и лесном хозяйствах, анализе атмосферы, поиске полезных ископаемых, военной сфере и др.

Гиперспектральная съемка начала внедряться в практику ДЗЗ совсем недавно. За рубежом работы в этом направлении начаты 12 лет назад и активно развиваются [4,29,84,91,97,156]. Создан ряд образцов гиперспектральной аппаратуры (ГСА) космического и авиационного базирования, лучшими из которых являются: Hyperion (TRW Inc., США, 2000 г.); CHRIS (Sira Technology Ltd, Великобритания; Verhaert Design and Development, Бельгия, 2001 г.); HICO (The Aerospace Corporation, Johnson Space Center, США, 2009 г.); HSI (Kayser-Threde GmbH, German Research Centre for Geosciences, Германия, планируется к использованию в 2015 г.). Каждая из указанных фирм-разработчиков ГСА включает десятки специализированных научно-производственных организаций.

В нашей стране впервые ГСА выведена на орбиту на спутнике МКА-

ФКИ (головной разработчик - НПО им. С. А. Лавочкина) в июле 2012 года. В

соответствии с Федеральной космической программой России на 2006-2015

4

годы в ближайшее время планируется запуск серии спутников, оснащенных ГСА: с 2013 г. - в составе космической системы «Ресурс-П» №1, №2, №3 (головной разработчик - Ракетно-космический центр «ЦСКБ-Прогресс»); с 2015 г. - в составе космической системы «Обзор-О» (головной разработчик -Космический научно-производственный центр им. М.В.Хруничева).

Широко известны в России научно-инженерные школы по созданию ГСА и средств обработки получаемой от нее информации: это предприятия ракетно-космической промышленности - Красногорский завод им. С.А. Зверева, Ракетно-космический центр «ЦСКБ-Прогресс», ЦНИИмаш, НПО им. С.А. Лавочкина, Корпорация «ВНИИЭМ», Центр Келдыша, НПО «Лептон», Н1111 «ЭЛАР», Госцентр «Природа», НИЦ «Планета»; это вузы и институты РАН - BKA им. А.Ф.Можайского, МФТИ, МГТУ им. Н.Э.Баумана, РГРТУ, НТЦ уникального приборостроения, ВНИИ физико-технических измерений, институт физики атмосферы, МГУ им. М.В. Ломоносова и др.

В то же время ГСИ - это принципиально новый вид информации о земной поверхности, развитие средств ее получения и обработки находятся в самой начальной стадии [4]. Особую актуальность приобретают вопросы создания методов и средств обработки этой специфичной информации. Основной задачей, для решения которой собственно и создается ГСА, является повышение уровня автоматизации процессов сегментации и последующей классификации объектов наблюдаемой сцены.

Анализ характерных свойств гиперспектральных изображений показывает наличие сильной корреляции между отдельными элементами гиперкуба как в пространственной, так и в спектральной области. Другой характерной особенностью ГСИ является значительной влияние на спектральные характеристики ряда искажающих факторов: условий съемки и освещенности земной поверхности, состояния атмосферы, сезонности наблюдений, погодных условий и др. Все это вносит некоторую неопределенность в отображение объектов, регистрируемых в различных спектральных диапазонах, и, кроме

того, приводит к размытию границ переходов от одного объекта к другому. В связи с этим автор считает, что наиболее перспективным направлением по сегментации объектов на ГСИ является совместное применение алгоритмов кластеризации в условиях неопределенности (в частности, FCM-, РСМ- и PFCM-алгоритмов), обеспечивающих разбиение на кластеры с учетом свойств кластерной относительности и/или кластерной типичности. Настоящая диссертационная работа посвящена исследованию комплексной применимости данных алгоритмов при решении задачи сегментации ГСИ.

Цель диссертации заключается в создании высокоэффективных алгоритмов сегментации объектов земной поверхности по данным гиперспектральной съемки с использованием методов искусственного интеллекта: алгоритмов кластеризации на основе нечетких множеств, искусственных нейронных сетей и генетических алгоритмов.

Для достижения поставленной цели решаются следующие основные задачи:

• проводится анализ отечественного и зарубежного опыта создания математических и технических средств сегментации объектов на гиперспектральных изображениях;

• разрабатываются алгоритмы сегментации гиперспектральных изображений с использованием методов искусственного интеллекта;

• создаются алгоритмы субоптимальной сегментации объектов на гиперспектральных изображениях с использованием ансамбля алгоритмов нечеткой кластеризации;

• проводятся экспериментальные исследования на натурной информации от различных систем гиперспектральной съемки разработанных алгоритмов сегментации, оценка их качественных характеристик и определение области использования.

Научная новизна работы заключается в том, что впервые предлагаются гибридные алгоритмы, основанные на методах искусственного интеллекта, для комплексного решения задачи сегментации объектов на гиперспектраль-

6

ных снимках, а так же алгоритмы поиска в базе данных эталонных гиперспектральных объектов в условиях неопределенности.

Основные положения выносимые на защиту:

• алгоритмы повышения качества сегментации гиперспектральных изображений путем комплексного использования алгоритмов нечеткой кластеризации, генетических алгоритмов и искусственных нейронных сетей;

• алгоритм субоптимальной сегментации гиперспектральных изображений, основанный на максимизации с помощью генетических алгоритмов совокупной информации, полученной с использованием различных подходов нечеткой кластеризации;

• алгоритм повышения точности сегментации гиперспектральных изображений за счет обобщенного анализа результатов нечеткой кластеризации на основе формирования консолидированной матрицы подобия меток кластеров;

• алгоритм разбиения графа, соответствующего матрице подобия меток кластеров объектов, основанный на применении спектральной фильтрации и алгоритма нечетких с-средних;

• результаты экспериментальной оценки показателей качества сегментации гиперспектральных изображений с применением разработанных алгоритмов нечеткой кластеризации и с привлечением информации от различной ГСА отечественного и зарубежного производства.

Практическая ценность работы состоит в том, что на базе предложенных в диссертации алгоритмов разработаны программные комплексы, используемые при обработке гиперспектральных изображений от космических систем «Ресурс-П» в Научном центре оперативного мониторинга Земли Корпорации «Российские космические системы» и в Институте систем обработки изображений РАН. Результаты работы также используются в учебном процессе в дисциплинах «Элементы теории нечетких множеств» и «Системы искусственного интеллекта».

Апробация работы. Основные положения диссертации докладывались и обсуждались на Международной и Всероссийских научно-технических конференциях. Всего сделано 15 докладов. На Международной конференции «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций» (Рязань, 2012). На Всероссийских научно-технических конференциях: «Актуальные проблемы ракетно-космического приборостроения и информационных технологий» (Москва, 2012); «Новые информационные технологии в научных исследованиях и в образовании» (Рязань, 2011, 2012); «Гиперспектральные приборы и технологии» (Красногорск, 2013); «Современные проблемы дистанционного зондирования Земли из космоса» (Москва, 2011, 2012); «Актуальные проблемы ракетно-космической техники» (Самара, 2011).

Публикации. По результатам диссертационных исследований опубликованы 29 работ: 12 статей (3 статьи в изданиях по списку ВАК), 15 тезисов докладов на международной и всероссийских конференциях, 2 свидетельства на регистрацию программ.

Внедрение результатов работы. Диссертационная работа выполнена в Рязанском государственном радиотехническом университете в рамках ОКР 9-09, ОКР 10-10, ОКР 3-11, НИР 15-12Г. Результаты работы в виде алгоритмов и программного обеспечения внедрены в Институте систем обработки изображений РАН, в Научном центре оперативного мониторинга Земли Корпорации «Российские космические системы», в учебном процессе РГРТУ, что подтверждается актами.

Личный вклад соискателя в опубликованных материалах состоит в следующем:

- в работе [59] автором предложен алгоритм классификации объектов на гиперспектральных снимках, основанный на оценке мер схожести элементов изображений в различных зонах спектра;

- в работе [24] автором предложен алгоритм комплексирования гиперспектральных изображений, основанный на выявлении уникальных свойств спектральных характеристик наблюдаемых объектов;

- в работе [7] автором рассмотрены меры сходства точек гиперспектральных изображений;

- в работе [25] автором разработан алгоритм выделения границ объектов на ГСИ с применением частотно-пространственных мер сходства;

- в работе [42] автором предложен генетический алгоритм кластеризации гиперспектральной информации;

- в работе [34] автором предложен подход к оценке качества выделения объектов на ГСИ путем сравнения результатов автоматизированной и автоматической кластеризации;

- в работе [64] автором проведены экспериментальные исследования алгоритмов кластеризации ГСИ в условиях неопределенности на реальной спутниковой информации;

- в работе [26] автором предложена технология автоматического выделения границ объектов на ГСИ на основе анализа спектральных характеристик;

- в работе [56] автором рассмотрены алгоритм нечеткой кластеризации БСМ в задаче сегментации ГСИ;

- в работе [62] автором спроектирован алгоритм классификации объектов на ГСИ, основанный на максимизации с помощью генетических алгоритмов совокупной информации, полученной с использованием различных подходов нечеткой кластеризации;

- в работе [58] автором предложено проводить классификацию объектов ГСИ путем комплексного использования алгоритмов нечеткой кластеризации, генетических алгоритмов и искусственных нейронных сетей;

- в работе [20] автором разработан алгоритм сегментации ГСИ с применением ансамбля алгоритмов кластеризации;

- в работе [3] автором предложен алгоритм выделения объектов по ГСИ на основе сопоставления реально наблюдаемых и эталонных спектральных характеристик;

- в работе [61] автором разработан алгоритм идентификации наблюдаемых объектов сцены с использованием искусственных нейронных сетей;

- в работе [23] автором рассмотрено влияние различных искажающих факторов на спектральные характеристики объектов, что является основной причиной неопределенности в обработке ГСИ;

- в работе [60] автором предложен спектрально-разностные меры для автоматической сегментации элементов ГСИ;

- в работе [35] автором рассмотрены вопросы комплексирования ГСИ с видеоданными от других съемочных систем с целью повышения дешифри-руемости наблюдаемых объектов;

- в работе [41] автором предложен подход к сегментации ГСИ на основе РСМ-алгоритма;

- в работе [36] автором разработан алгоритм статистической атмосферной коррекции ГСИ;

- в работе [40] автором рассмотрены генетические алгоритмы выделения границ объектов земной поверхности;

- в работе [6] автором предложена технология классификация ГСи на основе сопоставления спектральных характеристик объектов;

- в работе [66] автором разработана реляционная база данных эталонных спектральных характеристик типовых объектов;

- в работе [57] автором разработан алгоритм кластеризации ГСИ с использованием искусственных нейронных сетей Кохена.

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка литературы и приложения. Основной текст работы содержит 147 стр., 22 рисунка и 17 таблиц. Список литературы содержит 17 стр. и включает 161 наименований. В приложении приведены акты о внедрении результатов диссертации.

1. АНАЛИЗ МЕТОДОВ СЕГМЕНТАЦИИ И ИДЕНТИФИКАЦИИ ОБЪЕКТОВ ЗЕМНОЙ ПОВЕРХНОСТИ ПО ДАННЫМ ГИПЕРСПЕКТРАЛЬНОЙ СЪЕМКИ

1.1. Анализ отечественных и зарубежных систем

гиперспектральной съемки земли

1.1.1. Основным принципом построения гиперспектральной аппаратуры является принцип «push broom» - это сканирование подстилающей поверхности оптико-электронным преобразователем (ОЭП) в виде матрицы приборов с зарядовой связью (ПЗС-матрицы). Лучистая энергия, пройдя через узкую щель объектива, попадает на дисперсионное устройство, которое расщепляет в пространстве излучение по мере изменения длины волны. Расщепленное излучение попадает на ПЗС-матрицу. Каждая ПЗС-линейка матрицы преобразует лучистую энергию из вполне определенного узкого спектрального диапазона. Таким образом отдельная линия на земной поверхности преобразуется в набор строк (по числу спектральных каналов, ПЗС-линеек), каждая из которых характеризует распределение интенсивности излучения во вполне определенном спектральном диапазоне. В результате движения спутника на вход аппаратуры поступает излучение от новой линии на поверхности Земли и в конечном счете формируется гиперкуб - набор изображений зафиксированных в различных спектральных диапазонах. Основным функциональным узлом, отличающим гиперспектральную аппаратуру от других типов съемочных систем, является дисперсионное устройство. В настоящее время применяется два вида таких устройств: спектроделительная призма и дифракционная решетка.

Для расширения рабочего спектрального диапазона в гиперспектральной аппаратуре часто используются несколько ОЭП, каждый из которых обслуживает вполне определенный спектральный диапазон. Обычно разделяют датчики, фиксирующие видимое и ближнее инфракрасное (400 - 1000 нм) и инфракрасное излучение (1000 - 2500 нм).

Пример построения гиперспектральной съемочной аппаратуры (ГСА), которая входит в состав КА «Ресурс-П», представлена на рис. 1.1 [4]. ГСА состоит из общего изображающего объектива и двух каналов. Каждый канал включает собственный объектив, призму и зеркало.

оэп 1 оэп 2

Рис. 1.1. Прохождение излучения на вход датчика

Различные гиперспектральные съемочные устройства могут иметь существенно отличающиеся схемы расположения функциональных элементов. Однако общая структура гиперспектрометра обычно включает входной объектив, щель, коллимационный объектив, дисперсионное устройство, проекционный объектив и ПЗС матрицу.

1.1.2. В настоящее время ведутся активные разработки гиперспектральной аппаратуры как космического, так и авиационного базирования.

Впервые гиперспектральная аппаратура космического базирования Hyperion со спектроделительной призмой была использована на американском спутнике ЕО-1 (Earth Observing - 1) [29, 33]. КА был выведен на орбиту 21.11.2000 г. Параметры ГСА Hyperion приведены в таблице 1.1.

Таблица 1.1. Основные характеристики ГСА Hyperion КА ЕО-1

Наименование характеристики Значение характеристики

Спектральный диапазон, мкм 0,4-1,0 0,9-2,5

Количество спектральных каналов 60 160

Всего - 220

Спектральное разрешение, нм (среднее) 10

Пространственное разрешение, м 30

Ширина полосы захвата, км 7,5

Длина полосы съемки (маршрута), км 100

Размер матрицы чувствительных элементов, элем. 768x384 256x256

Размер чувствительного элемента, мкм 10x10 60x60

Материал (тип) чувствительного элемента кремний HgCdTe

В состав аппаратуры Hyperion входят следующие блоки:

- оптическая схема с телескопом;

- аппаратура фокальной плоскости с отдельными коротковолновым и длинноволновым блоком;

- криохолодильник для охлаждения чувствительных элементов. Гиперспектрометр Hyperion создан для решения следующих задач:

- изучение сложных экосистем (береговые линии, леса, города, сельскохозяйственные районы);

- оценка и прогнозирование урожая;

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Юдаков, Антон Александрович

Основные результаты

При работе над реализацией и экспериментальных исследованиях системы идентификации объектов по данным гиперспектральной съемки было выявлено, что:

- для разработки БД хранения эталонов оптимальным решением является использование реляционной СУБД;

- система должна строиться на основе архитектуры клиент-сервер;

- значения входной ГСХ перед проведением исследований необходимо нормировать и интерполировать в пределах исследуемого волнового диапазона;

- при анализе ГСХ необходимо использовать разные типы алгоритмов идентификации, результаты работы которых нужно дополнительно анализировать.

Представленный вариант системы идентификации объектов по данным гиперспектральной съемки позволяет создать уникальную базу данных спектральных эталонов объектов земной поверхности, позволяет наглядно решать задачу идентификации объектов по их гиперспектральных характеристикам и проводить научные исследования в данной области.

ЗАКЛЮЧЕНИЕ

В диссертации решена важная научно-техническая задача, связанная с разработкой алгоритмов сегментации объектов земной поверхности по данным гиперспектральной съемки. Основные результаты работы состоят в следующем.

1. Выполнен анализ отечественных и зарубежных систем гиперспектральной съемки Земли. Рассмотрены параметры, принципы построения и функционирования наиболее передовой гиперспектральной аппаратуры. Показано, что это принципиально новый тип аппаратуры, который требует разработки соответствующих методов, алгоритмов и программных средств обработки гиперспектральных данных.

2. По результатам выполненного анализа определена необходимость в проведении научных исследований по трем направлениям: исследование различных подходов к сегментации ГСИ на основе алгоритмов нечеткой кластеризации, генетических алгоритмов и искусственных нейронных сетей; сегментация объектов на ГСИ с использованием ансамбля алгоритмов кластеризации; реализация и экспериментальное исследование программных средств сегментации объектов по ГСИ с привлечением материалов гиперспектральной съемки от различных зарубежных и отечественных систем наблюдения Земли.

3. Разработаны алгоритмы повышения качества сегментации гиперспектральных изображений путем комплексного использования алгоритмов нечеткой кластеризации, генетических алгоритмов и искусственных нейронных сетей.

4. Спроектирован алгоритм субоптимальной сегментации гиперспектральных изображений, основанный на максимизации с помощью генетических алгоритмов совокупной информации, полученной с использованием различных алгоритмов нечеткой кластеризации.

5. Разработан алгоритм повышения точности сегментации гиперспектральных изображений за счет обобщенного анализа результатов нечеткой кластеризации на основе формирования консолидированной матрицы подобия меток кластеров объектов.

6. Предложен алгоритм разбиения графа, соответствующего матрице подобия меток кластеров объектов, основанный на применении спектральной фильтрации и алгоритма нечетких с-средних.

7. Представлены структурные решения комплекса сегментации и идентификации объектов земной поверхности по ГСИ. Разработана реляционная база данных эталонных спектральных характеристик типовых объектов.

8. Выполнены экспериментальные исследования натурной гиперспектральной информации от отечественных и зарубежных систем наблюдения Земли, получены достоверные оценки точности работы предложенных алгоритмов. Наилучший результат дал ансамбль алгоритмов кластеризации, обеспечивающий долю ложных сегментаций порядка 5 %.

Список литературы диссертационного исследования кандидат технических наук Юдаков, Антон Александрович, 2013 год

СПИСОК ЛИТЕРАТУРЫ

1. Аверкин А.Н., Батыршин И.З., Блишун А.Ф., Силов В.Б., Тарасов

B.Б. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Д.А.Поспелова. - М.: Наука, 1986. - 312 с.

2. Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях: Монография. - Тюмень: Изд-во Тюменского государственного университета, 2000. - 352 с.

3. Антонушкина C.B., Еремеев В.В., Макаренков A.A., Москвитин А.Э., Юдаков A.A. Новые возможности анализа объектов земной поверхности на основе гиперспектральной съемки // Тез. докл. всерос. науч.-техн. конф. «Актуальные проблемы ракетно-космической техники». Самара: СамНЦ РАН. 2011. С. 26-27.

4. Аппаратура гиперспектральная ГС А РП. Руководство по эксплуатации. БЛ 1.725.069 РЭ.

5. Архипов С.А., Линько В.М., Лукашевич Е. Л. Бортовой видеоспектрометр «Сокол-ГЦП». Сборник тезисов Шестой всероссийской открытой ежегодной конференции «Современные проблемы дистанционного зондирования Земли из космоса». - Москва, ИКИ РАН, 10-14 ноября 2008 г.

6. Ахметов Р.Н., Везенов В.И., Еремеев В.В., Стратилатов Н.Р., Юдаков A.A. Основные направления исследований по созданию технологий обработки данных гиперспектральной съемки Земли // Тез. докл. всерос. науч.-техн. конф. «Гиперспектральные приборы и технологии». Красногорск, 2013.

C. 23-25.

7. Ахметов Р.Н., Стратилатов Н.Р., Юдаков A.A., Везенов В.И., Еремеев В.В. Модели формирования и некоторые алгоритмы обработки гиперспектральных изображений // Исследование Земли из космоса. 2013. №4. С. 35-39.

8. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. - Воронеж: Изд-во ВГТУ, 1995. - 217 с.

9. Башмаков А.И., Башмаков И.А. Интеллектуальные информационные технологии: Учеб. пособие. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. -304 с.

10. Беллман Р., Заде J1. Принятие решений в расплывчатых условиях. В кн.: Вопросы анализа и процедуры принятия решений. - М.: Мир, 1976. - С. 172-215.

11. Борисов В.В., Круглов В.В., Федулов A.C. Нечеткие модели и сети. - М: Горячая линия-Телеком, 2007. - 284 е.: ил.

12. Бровкина О.В., Григорьева О.В., Груздев В.Н., Чапурский Л.И. и др. Аппаратура, методики и результаты использования материалов видеоспектральной и тепловой аэросъемки для экологического мониторинга территорий и акваторий // Сборник научных статей «Современные проблемы дистанционного зондирования Земли из космоса: Физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений и объектов», выпуск 4, том 1, 2007. - С. 209-215.

13. Вучков И., Бояджиева Д., Солаков Е. Прикладной линейный регрессионный анализ. - М.: Финансы и статистика, 1987. - 240 с.

14. Габидулин Э.М., Пилипчук Н.И. Лекции по теории информации. -М.: МФТИ, 2007.-214 с.

15. Демидова Л. А., Титов С.Б. Подход к проблеме нечеткой кластеризации в условиях неопределенности выбора целевой функции // Вестник РГРТУ. - Рязань, 2009. - №3 (выпуск 29). - С. 54-60.

16. Демидова Л.А., Кираковский В.В., Пылькин А.Н. Алгоритмы и системы нечеткого вывода при решении задач диагностики городских инженерных коммуникаций в среде MATLAB / Л.А. Демидова, В.В. Кираковский, А.Н. Пылькин. - М.: Радио и связь, Горячая линия - Телеком, 2005. - 365 е.: ил.

17. Демидова JI.А., Кираковский В.В., Пылькин А.Н. Принятие решений в условиях неопределенности. - М.: Горячая линия - Телеком, 2012. -288 с.

18. Демидова J1.A., Коняева Е.И. Кластеризация объектов с использованием FCM-алгоритма на основе нечетких множеств второго типа и генетического алгоритма // Вестник РГРТУ. - Рязань, 2008. - № 4 (выпуск 26). - С. 46-54.

19. Демидова JI.A., Нестеров Н.И., Тишкин Р.В. Сегментация спутниковых изображений с применением аппарата теории нечетких множеств // Вестник РГРТУ. - № 3 (выпуск 41).- Рязань, 2012. - С. 11 -17.

20. Демидова JI.A., Юдаков A.A. Сегментация гиперспектральных изображений с применением ансамбля алгоритмов кластеризации // Программные информационные системы : межвуз. сб. науч. тр. Рязань: РГРТУ, 2013. С. 33-49.

21. Джонс М.Т. Программирование искусственного интеллекта в приложениях. / М. Тим Джонс; пер. с англ. Осипов А.И. - М.: ДМК Пресс, 2004. - 312 е.: ил. (ПРО ГА И ТНМ).

22. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. - М.: ФИЗМАТ ЛИТ, 2003. - 432 с.

23. Еремеев В.В., Макаренков A.A., Москвитин А.Э., Юдаков A.A. Вопросы анализа гиперспектральных изображений и их комплексирования с материалами спектрозональной съемки // Тез. докл. всерос. науч.-техн. конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: Институт космических исследований РАН, 2011.

24. Еремеев В.В., Макаренков A.A., Москвитин А.Э., Юдаков A.A. Повышение четкости отображения объектов на данных гиперспектральной съемки земной поверхности // Цифровая обработка сигналов. 2012. №3,С.35-39.

25. Еремеев В.В., Макаренков A.A., Юдаков A.A. Выделение границ объектов на данных дистанционной гиперспектральной съемки Земли с применением пространственных и частотно-пространственных мер сходства // Информатика и прикладная математика: межвуз. сб. научн. тр. Рязань: РГУ. 2011. Вып. 17. С. 46-49.

26. Еремеев В.В., Макаренков A.A., Юдаков A.A. Новые технологии автоматического выделения границ объектов на гиперспектральных изображениях земной поверхности // Информационные технологии в научных исследованиях: межвуз. сб. науч. тр. Рязань: РГРТУ, 2012. С. 56-61.

27. Заде JT. Понятие лингвистической переменной и его применение к принятию приближенных решений. -М.: Мир, 1976. - 160 с.

28. Змитрович А.И. Интеллектуальные информационные системы. -М.: НТООО «ТетраСистемс», 1997. - 368 с. (ТНМ)

29. Космическая съемка Земли. Космическая оптоэлектронная съемка поверхности Земли со средним и низким разрешением (том 2). Справочно-аналитическое издание под ред. Ю.А. Сорокина. - М.: Радиотехника, 2008 -2009.

30. Кофман А. Введение в теорию нечетких множеств. - М.: Радио и связь, 1982.-432 с.

31.Курейчик В.В. Эволюционные, синергетические и гомеостатиче-ские методы принятия решений. Монография. - Таганрог: Изд-во ТРТУ, 2001. -221 с.

32. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. - СПб.: БХВ-Петербург, 2003. - 736 е.: ил.

33. Лисов И. ЕО-1 - экспериментальный аппарат наблюдения Земли. -Новости космонавтики, 2001, № 1, с. 26-29.

34. Макаренков А.А, Юдаков А.А, Ялымов Д.В. Показатели качества выделения объектов на гиперспектральных изображениях земной поверхно-

сти // Информатика и прикладная математика: межвуз. сб. научн. тр. Рязань: РГУ. 2012. Вып. 18. С. 48-50.

35. Макаренков A.A., Москвитин А.Э., Юдаков A.A. Технологии ком-плексирования данных гиперспектральной съемки Земли с информацией от других съемочных систем // Тез. докл. всерос. науч.-техн. конф. «Современные проблемы дистанционного зондирования Земли из космоса». М.: Институт космических исследований РАН, 2012.

36. Макаренков A.A., Юдаков A.A. Статистическая коррекция атмосферных искажений на гиперспектральных спутниковых снимках земной поверхности // Тез. докл. всерос. науч.-техн. конф. «Актуальные проблемы ракетно-космического приборостроения и информационных технологий». М.: Корпорация «Российские космические системы». 2012. С. 54-55.

37. Малышев Н.Г., Бернштейн Л.С., Боженюк A.B. Нечеткие модели для экспертных систем в САПР. - М.: Энергоатомиздат, 1991. - 136 с.

38. Мелихов А.Н., Бернштейн Л.С., Коровин С.Я. Ситуационные советующие системы с нечеткой логикой. - М.: Наука. Гл. ред. Физ.-мат. Лит, 1990.-272 с.

39. Мясников A.C. Островной генетический алгоритм с динамическим распределением вероятностей выбора генетических операторов // Наука и образование: электронное научно-техническое издание, 2010 (январь). С. 34.

40. Нестеров Н.И., Тишкин Р.В., Юдаков A.A. Использование эволюционных вычислений для повышения качества сегментации изображений земной поверхности // Тез. докл. XVII всерос. научн.-техн. конф. «Новые информационные технологии в научных исследованиях». Рязань: РГРТУ, 2012. С. 185-186.

41. Нестеров Н.И., Тишкин Р.В., Юдаков A.A. Кластеризация гиперспектральной информации на основе инструментария теории нечетких множеств // Тез. докл. XVII всерос. научн.-техн. конф. «Новые информационные технологии в научных исследованиях». Рязань: РГРТУ, 2012. С. 184-185.

42. Нестеров Н.И., Юдаков A.A. Возможностная кластеризация гиперспектральной информации с использованием генетических алгоритмов // Математическое и программное обеспечение вычислительных систем: меж-вуз. сб. науч. тр. Рязань: РГРТУ, 2012. С. 12-14.

43. Нечеткие множества в моделях управления и искусственного интеллекта / под ред. Поспелова Д.А. - М.: Наука, 1986. - 312 с.

44. Нечеткие множества и теория возможностей. Последние достижения / под ред. Р. Ягера. - М.: Радио и связь, 1986. - 391 с.

45. Ногин В.Д. Принятие решений в многокритериальной среде: количественный подход. - М.: Физматлит, 2002. - 176 с.

46. Обработка нечеткой информации в системах принятия решений / А.Н. Борисов, A.B. Алексеев, Г.В. Меркурнева и др. - М.: Радио и связь, 1989.-304 с.

47. Орловский С.А. Проблемы принятия решений при нечеткой исходной информации. -М.: Наука, 1981. -208 с.

48. Пестунов И.А., Бериков В.Б., Синявский Ю.Н. Сегментация многоспектральных изображений на основе ансамбля непараметрических алгоритмов кластеризации // Вестник Сибирского государственного аэрокосмического университета имени академика М. Ф. Решетнева. - Т. 31. - № 5. - 2010. -С. 56-64.

49. Прикладные нечеткие системы: Пер. с япон. / К. Асаи, Д. Ватада, С. Иваи и др. Под редакцией Т. Тэрано, К. Асаи, М. Сугено. - М.: Мир, 1993. -368 с.

50. Растригин JI.A. Адаптация сложных систем. Рига: Зинанте, 1981. -

375 с.

51. Ротштейн А.П. Интеллектуальные технологии идентификации. -Винница: Континент-Прим, 2004. - 270 с.

52. Ротштейн А.П., Штовба С.Д. Нечеткая надежность алгоритмических процессов. - Винница: Континент-Прим, 1997. - 142 с.

53. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы, нечеткие системы: Пер. с польск. И.Д. Рудинского. -М.: Горячая линия - Телеком, 2004. - 452 с.

54. Свами М., Тхуласираман К. Графы, сети и алгоритмы: Пер. с англ. -М.: Мир, 1984.-455 е.: ил.

55. Тишкин Р.В. Мягкие вычисления в задачах сегментации космических изображений. - Цифровая обработка сигналов, №3, 2010. - С. 25-29.

56. Тишкин Р.В., Шлыков Е.А. Юдаков A.A. Алгоритм нечеткой кластеризации CSIFCM в задаче сегментации гиперспектральных и мультиспек-тральных изображений // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр. Рязань: РГРТУ, 2012. С. 43-48.

57. Тишкин Р.В., Юдаков A.A. Классификация объектов земной поверхности по данным гиперспектральной съемки на основе методов искусственного интеллекта // Тез. докл. всерос. науч.-техн. конф. «Гиперспектральные приборы и технологии». Красногорск, 2013. С. 109-110.

58. Тишкин Р.В., Юдаков A.A. Сегментация гиперспектральных изображений с применением алгоритмов кластеризации в условиях неопределенности, генетических алгоритмов и нейронных сетей // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр. Рязань: РГРТУ, 2013. С. 124-138.

59. Тишкин Р.В., Юдаков A.A. Субпиксельная классификация объектов на космических гиперспектральных изображениях // Цифровая обработка сигналов. 2012. №3. с. 49-51.

60. Тишкин Р.В., Юдаков A.A., Ялымов Д.В. Спектральные разностные меры для автоматической четкой классификации гиперспектральных изображений поверхности Земли // Тез. докл. XVII всерос. научн.-техн. конф. «Новые информационные технологии в научных исследованиях». Рязань: РГРТУ, 2012. С. 181-182.

61. Труханов C.B., Юдаков A.A. Идентификация объектов земной поверхности по гиперспектральным снимкам // Тез. докл. 17-й междунар. науч.-техн. конф. «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань: РГРТУ, 2012. С. 33-34.

62. Труханов C.B., Юдаков A.A. Классификация объектов гиперспектральных изображений в условиях неопределенности // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр. Рязань: РГРТУ, 2012. С. 58-64.

63. Труханов C.B., Юдаков A.A. Программа интеллектуальной обработки данных гиперспектральной съемки. М.: ОФАП, 2012 (свидетельство о регистрации № 2013610619 от 04.12.2012).

64. Труханов C.B., Юдаков A.A. Реализация и экспериментальные исследования системы идентификации объектов по данным гиперспектральной съемки // Математическое и программное обеспечение вычислительных систем: межвуз. сб. науч. тр. Рязань: РГРТУ, 2012. С. 28-33.

65. Труханов C.B., Юдаков A.A. Создание структуры базы данных системы интеллектуальной обработки материалов гиперспектральной съемки. М.: ОФАП, 2012 (свидетельство о регистрации № 2013611036 от 28.11.2012).

66. Труханов C.B., Юдаков A.A. Формирование базы данных спектральных эталонов // Тез. докл. XVII всерос. научн.-техн. конф. «Новые информационные технологии в научных исследованиях». Рязань: РГРТУ, 2012. С. 43-44.

ч 67. Усков A.A., Кузьмин A.B. Интеллектуальные технологии управле-

ния. Искусственные нейронные сети и нечеткая логика. - М.: Горячая линия -Телеком, 2004. - 143 е., ил.

ч 68. Цикритзис Д, Лоховски Ф. Модели данных. - М.: Финансы и стати-

стика, 1985.-343 с.

ч 69. Цифровая обработка изображений // Гонсалес Р., Вудс Р.: Техно-

сфера, 2005. - 1072 с.

70. Чапурский Л.И., Алексеев A.A., Астахова Е.И., Григорьева О.В. и др. Опыт использования призменного видеоспектрометра «Лептон» для измерения отражательных свойств элементов наземной тестовой мишенной обстановки. - Сборник тезисов докладов научно-технической конференции «Гиперспектральные приборы и технологии». - Красногорский завод им. С.А.Зверева, 2013 г. - 146 с.

71. Шеннон Р. Имитационное моделирование систем: искусство и наука.-М.: Мир, 1978.-418 с.

72. Шовенгердт P.A. Дистанционное зондирование. Модели и методы обработки изображений. - М.: Техносфера, 2010. - 560 с.

73.Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. - Винница: Континент-Прим, 2003. - 198 с.

74. Штовба С.Д. Проектирование нечетких систем средствами MATLAB. - М.: Горячая линия - Телеком, 2007. - 288 е., ил.

75. Штойер Р. Многокритериальная оптимизация. Теория, расчет и приложения: Пер. с англ. - М.: Радио и связь, 1992. - 512 с.

76. Щеглов И.Н. Алгоритм формирования репрезентативной обучающей выборки искусственной нейронной сети / И.Н. Щеглов, С.А. Демченко, A.B. Богомолов, A.A. Подлесских // Материалы V Всеросс. конф. «Нейрокомпьютеры и их применение». - Москва, 1999. с. 405-407.

77. Эддоус М., Стенсфилд Р. Методы принятия решения / Пер. с англ. под ред. член-корр. РАН И.И. Елисеевой. - М.: Аудит, ЮНИТИ, 1997. 590 с.

78. Юдаков A.A. Кластеризация гиперспектральных изображений земной поверхности с использованием искусственной нейронной сети // Тез. докл. XVII всерос. научн.-техн. конф. «Новые информационные технологии в научных исследованиях». Рязань: РГРТУ, 2012. С. 55-56.

79. Юдаков A.A. Коррекция атмосферных искажений на данных гиперспектральной съемки Земли // Тез. докл. 17-й междунар. науч.-техн. конф.

«Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань: РГРТУ, 2012. С. 48-49.

80. Юдаков А.А. Новые направления работ по анализу космических гиперспектральных снимков поверхности Земли // Тез. докл. XVI всерос. науч.-техн. конф. «Новые информационные технологии в научных исследованиях». Рязань: РГРТУ, 2011. С. 237-238.

81. Юдаков А.А. Оценка качества сегментации гиперспектральных данных дистанционного зондирования Земли // Тез. докл. 17-й междунар. науч.-техн. конф. «Проблемы передачи и обработки информации в сетях и системах телекоммуникаций». Рязань: РГРТУ, 2012. С. 61-62.

82. Ярушкина Н.Г. Основы теории нечетких и гибридных систем: Учеб. пособие. - М.: Финансы и статистика, 2004. - 320 с.

83. Advances in Spectral-Spatial Classification of Hyperspectral Images. Fauv el et al. Proceedings of the IEEE.

84. Anger C.D., Babey S.I. Compact Airborne Spectrographic Imager (CASI): A Progress Review, SPIE Conference, 1993.

85. Basedow R., Landers M., Rickard L.J., Silverglate P., Zalewski E. HYDICE: An Airborne System for Hyperspectral Imaging // SPIE Proceedings, Imaging Spectrometry of the Terrestrial Environment, vol. 1937, pp.173 1993.

86. Bezdek J.C. Cluster Validity with Fuzzy Sets // Journal of Cybernetics, 1974.-Vol. 3.-P. 58-72.

87. Bezdek J.C., Ehrlich R., Full W. FCM: Fuzzy C-Means Algorithm // Computers and Geoscience, 1984.-Vol. 10. -№ 2. - P. 191-203.

88. Bezdek J.C., Keller J.M., Pal N.R., Pal K. A Possibilistic Fuzzy c-Means Clustering Algorithm // IEEE Transactions on Fuzzy Systems, 2005. - Vol. 13 (4).-P. 517-530.

89. Bezdek J.C., Pal N.R. On cluster validity for the fuzy c-means model // IEEE Transactions on Fuzzy Systems, 1995. - Vol. 3. -№ 3. - P. 370-379.

90. Bezdek J.C., Pal N.R. Some new indexes of cluster validity // IEEE Transactions on Systems, Man and Cybernetics, 1998. - Vol. 28. - Part B. - № 3. -P. 301-315.

91. Birk, R.J.; McCord, T.B. Airborne hyperspectral sensor systems. Aerospace and Electronic Systems Magazine, IEEE , vol.9, no. 10, pp.26,33, Oct. 1994.

92. Bollacker K.D., Ghosh J. Effective supra-classifiers for knowledge base construction // Pattern Recognition Letters, 20(11-13), 1999. - PP. 1347 - 1352.

93. Bradley P.S., Fayyad U.M.. Refining initial points for K-means clustering // In Proc. Int'l Conf. on Machine Learning (ICML-98), 1998. - PP. 91 - 99.

94. Chakaravathy S.V., Ghosh J. Scale based clustering using a radial basis function network. IEEE Transactions on Neural Networks, 2(5), 1996. - PP. 1250 - 1261.

95. Chen D., Li X., Cui D-W. An adaptive validity index for the fuzzy C-means // International journal of computer science and network security, 2007. -Vol. 7. - № 2 - P. 146-156.

96. Choi T.-M., Kim S.Y. Fuzzy Types Clustering for Microarray Data // Proceedings of world academy of science, engineering and technology, 2005. -Vol. 4.-P. 12-15.

97. Chrien T.G., Conel J.E., Green R.O. Airborne Visible-Infrared Imaging Spectrometer (AVIRIS): Sensor System, Inflight Calibration and Reflectance Calculation // International Space Year Proceedings of the International Symposium on Spectral Sensing Research, vol.1, 1992. pp.198-214.

98. Corson M.R., Korwan D.R., Lucke R.L., Snyder W.A., Davis C.O. The Hyperspectral Imager For The Coastal Ocean (HICO) On The International Space Station, IEEE Proceedings of the International Geoscience and Remote Sensing Symposium, 2008. - pp. 101-104.

99. Dave R.N. Characterization and detection of noise in clustering // Pattern Recognition Letters, 1991. - Vol. 12. - P. 657-664.

100. Dave R.N. Validating fuzzy partitions obtained through c-shells clustering // Pattern Recognition Letters, 1996. - Vol. 17. - P. 613-623.

101. Dave R.N., Krishnapuram R. Robust clustering methods: a unified review // IEEE transactions on Fuzzy Systems, 1997. - Vol. 5. - № 2. - pp. 67-75.

102. Davies D.L., Bouldin D.W. A Cluster Separation Measure // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1979. - Vol. 1. - № 2. -P. 224-227.

103. Dubois D., Prade H. Fuzzy sets in approximate reasoning. Part I: Inference with possibility distributions // Fuzzy sets and Systems, 1991. - № 40. - P. 143-202.

104. Dunn J.C. A fuzzy relative of the ISODATA process and its use in detecting compact well-separated clusters // Journal of Cybernetics, 1973. - Vol. 3. -P. 32-57.

105. Dunn J.C. Well separated clusters and optimal fuzzy partitions // Journal of Cybernetics, 1974. - Vol. 4. - P. 95-104.

106. EnMAP - the hyperspectral earth observing satellite. - Проспект германской компании Kayser-Threde.

107. Fukuyama Y., Sugeno M. A New Method of Choosing the Number of Clusters for the Fuzzy C-means Method // Proceedings of the Fifth Fuzzy Systems Symposium, 1989. - P. 247-250.

108. Fuzzy Sets and Systems: Theory and Applications / Ed. by D. Dubois, H. Prade. - New-York: Acad. Press, 1980. - 394 p.

109. Galda H. Development of segmentation method for dermoscopic images based on color clustering. Kobe University, Graduate school of science and technology, 2003.-79 p.

110. Gath I., Geva A.B. Unsupervised optimal fuzzy clustering // IEEE Transaction Pattern Analysis and Machine Intelligence, 1989. - Vol. 11. - № 7. -P. 773-781.

111. Georgieva O., Klawonn F. Cluster analysis via dynamic data assigning assessment algorithm // Information Technologies and Control, 2006. - № 2. - P. 14-21.

112. Gillis D.B., Bowles J.H.. Hyperspectral image segmentation using spatial-spectral graphs.

113. Guha S., Rastogi R., Shim K. An Efficient Clustering Algorithm for Large Databases // Proceedings of the ACM SIGMOD Conference, 1998. - Vol. 27. - № 2. - P. 73-84.

114. Gunderson R. Application of fuzzy ISODATA algorithms to star tracker pointing systems // Proceedings of 7th Triennial World IF AC Congress, 1978.-P. 1319-1323.

115. Gupta A., Karypis G., Kumar V. Highly scalable parallel algorithms for sparse matrix factorization // IEEE Trans. Parallel and Distributed Systems, № 8, 1997.-PP. 502 -520.

116. Gustafson D.E., Kessel W.C. Fuzzy clustering with fuzzy covariance matrix // Proceedings of the IEEE Conference on Decision and Control, 1979. - P. 761-766.

117. Guta M., Sinha K. Intelligent Control System. Concepts and Applications // IEEE PRESS, 1996. - 820 p.

118. Hachouf F., Zeggari A. Genetic optimization for unsupervised fuzzy classification // 17 Congres Mondial IMACS, 2005. - P. 27-32.

119. Halkidi M., Batistakis Y., Vazirgiannis M. Cluster validity methods: part I, SIGMOD Record, 2002. - Vol. 31. - № 2. - P. 40-45.

120. Halkidi M., Batistakis Y., Vazirgiannis M. Clustering Validity Assessment: Finding the Optimal Partitioning of a Data Set // Proceedings of ICDM, 2001.-P. 187-194.

121. Hoppner F., Klawonn F. What is Fuzzy About Fuzzy Clustering? Understanding and Improving the Concept of the Fuzzifier // Advances in Intelligent Data Analysis, 2003. - P. 254-264.

122. http://speclab.cr.usgs.gov/spectral.lib06/ds231/

123. http://speclib.jpl.nasa.gov/

124. Hwang C., Rhee F.C.-H. Uncertain fuzzy clustering: interval type-2 fuzzy approach to C-means // IEEE Transactions on fuzzy systems, 2007. - Vol. 15,- № l.-P. 107-120.

125. Indrajit Saha, Ujjwal Maulik, Sanghamitra Bandyopadhyay, and Dariusz Plewczynski. SVMeFC: SVM Ensemble Fuzzy Clustering for Satellite Image Segmentation // IEEE Geoscience and Remote Sensing Letters, Vol. 9, № 1, 2012.-PP. 52- 55.

126. Jain A.K., Dubes R.C. Algorithms for Clustering Data. Prentice Hall, New Jersey, 1988.

127. Joao P. Hespanha. An Efficient MATLAB Algorithm for Graph Partitioning // Technical Report, 2004. - PP. 1-8.

128. Karypis G., Kumar V. A parallel algorithm for multilevel graph partitioning and sparse matrix ordering // Journal of Parallel and Distributed Computing, № 48, 1998.-PP. 71-95.

129. Karypis G., Kumar V. Analysis of Multilevel Graph Partitioning // Tech. rep. TR 95-037, Department of Computer Science, University of Minnesota, 1995.

130. Kim D.-W., Lee K.H., Lee D. On Cluster Validity Index for estimation of the optimal number of fuzzy clusters // Pattern Recognition, 2004. - Vol. 37.-P. 2009-2025.

131. Kovacs A., Abonyi J. Vizualization of fuzzy clustering results by modified sammon mapping // Proceedings of the 3rd International Symposium of Hungarian Researchers on Computational Intelligence, 2002. - P. 177-188.

132. Krishnaparum R., Frigui H. A comparison of fuzzy shell clustering methods for the detection of ellipses // IEEE Transactions on fuzzy systems, 1996. - № 4. - P.193-199.

133. Krishnaparum R., Frigui H. Fuzzy and possibilistic shell clustering algorithms and their application to boundary detection and surface approximation -part I: a new approach // IEEE Transactions on fuzzy systems, 1995. - Vol. 3. - № l.-P. 29-43.

134. Krishnaparum R., Nasraoui O., Frigui H. The fuzzy C spherical shells algorithm: a new approach // IEEE Transactions on neural networks, 1992. - Vol. 3. - № 5. - P. 663-671.

135. Krishnapuram R., Keller J. A possibilistic approach to clustering. -IEEE Transactions on Fuzzy Systems, vol. 1, 1993. - pp. 98-109.

136. Laplacian Eigenmaps for dimensionality reduction and data representation. Mikhail Belkin, Partha Niyogi. Neural Computation, June 2003; 15 (6): 1373-1396.

137. Lewis M.D., Gould, R.W., Arnone R.A., Lyon P.E., Martinolich P.M. The Hyperspectral Imager for the Coastal Ocean (HICO): Sensor and data processing overview, OCEANS 2009, MTS/IEEE Biloxi - Marine Technology for Our Future: Global and Local Challenges , vol., no., pp. 1,9, 26-29 Oct. 2009.

138. Milligan G.W., Cooper M.C. An Examination of Procedures for Determining the Number of Clusters in a Data Set // Psychometrika, 1985. - Vol. 50. -P. 159-179.

139. Milligan G.W., Soon S.C., Sokol L.M. The Effect of Cluster Size, Dimensionality and the Number of Clusters on Recovery of True Cluster Structure // IEEE Transactions on Pattern Analysis and Machine Intelligence, 1983. - Vol. 5. P. 40-47.

140. Morphological image segmentation of hyperspectral images // Guillaume Noyel, Jesus Angulo / Dominique Jeulin. Image Analysis and Processing, 2007. № 26. pp. 101-109.

141. Normalized Cuts and Image Segmentation // Jianbo Shi, Jitendra Malik / IEEE transactions on pattern analisis and machine intelligence, vol. 22, № 8, august 2000.

142. Pal N.R., Biswas J. Cluster validation using graph theoretic concepts // Pattern Recognition, 1997. - Vol. 30 (6). - P. 847-857.

143. Pal N.R., Pal S.K. A review on image segmentation techniques // Pattern Recognition, 1993. - Vol. 26. - P. 1277-1294.

144. Principal Component Analysis for Hyperspectral Image Classification. Craig Rodarmel and Jie Shan. Surveying and Land Information Systems, Vol. 62, No. 2, 2002, pp.115-000.

145. Reynolds D., Gomatam J. Stochastic modeling of genetic algorithms // Artificial Intellegence, 1996. - Vol. 82. -№ 1. - P. 303-330.

146. Rezaee R., Lelieveldt B.P.F., Reiber J.H.C. A New Cluster Validity Index for the Fuzzy c-Mean // Pattern Recognition Letters, 1998. - Vol. 19. - P. 237-246.

147. Rhee F.C.-H. Uncertain fuzzy clustering: insights and recommendations // IEEE Computational intellegence magazine, 2007. - Vol. 2. - № 1. - P. 4456.

148. Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers // Y. Tarabalka, J. Chanussot, J. A. Benediktsson / IEEE Trans. Syst. Man Cybern. B, Cybern, vol. 40, № 5, Oct. 2010. pp. 1267-1279.

149. Sharkey A. Combining Artifcial Neural Nets. Springer-Verlag, 1999.

150. SPECCHIO: a spectrum database for remote sensing applications. Stephan Bojinski, Michael Schaepman, Daniel Schlapfer, Klaus Itten. Computers & Geosciences 29 (2003) 27-38.

151. Spectral Correlation Mapper (SCM): An Improvement on the Spectral Angle Mapper (SAM). Osmar Abilio de Carvalho Jr, Paulo Roberto Meneses.

152. Strehl A., Ghosh J. Cluster ensembles - a knowledge reuse framework for combining partitionings // In Proceedings of AAAI 2002, Edmonton, Canada, AAAI, 2002.-PP. 93 -98.

153. Strehl A., Ghosh J. Cluster Ensembles A Knowledge Reuse Framework for Combining Multiple Partitions // Journal of Machine Learning Research. -№ 3.-2002.-PP. 583-617.

154. Supervised and Unsupervised Spectral Angle Classifiers. Youngslnn Sohn and N. Sanjay Rebello. Photogrammetric engineering & remote sensing, 2002.

155. The Airborne Imaging Spectrometer ROSIS. - Remote Sensing Technology Institute. - Oberpfaffenhofen, 2000. - 11 p.

156. The HyMap Airborne Hyperspectral Sensor: The System, Calibration and Performance by T. Cocks, R. Jenssen, A. Stewart, I. Wilson, T. Shields, 1998.

157. Thomas M. Cover, Joy A. Thomas. Elements of Information Theory. Wiley, 1991.

158. Timm H., Kruse R. A Modification to Improve Possibilistic Fuzzy Cluster Analysis // Proceedings of the 2002 IEEE International Conference on Fuzzy Systems, 2002. - Vol. 2. - P. 1460-1465.

159. Tipping M.E., Bishop C.M. Mixtures of probabilistic principal components analysis // Neural Computation, 1999. - № 11. - P. 443-482.

160. Using spectral distances for speedup in hyperspectral image processing. S. A. Robila. International Journal of Remote Sensing, Vol. 26, No. 24, 20 December 2005, 5629-5650.

161. Xei X.L., Beni G.A. Validity Measure for Fuzzy Clustering // IEEE Transactions on Pattern Analysis and Machine Intellegence, 1991. - № 3(8). - P. 841-846.