Восстановление изображений в задачах дистанционного зондирования Земли с использованием геоинформационных данных тема диссертации и автореферата по ВАК РФ 05.13.17, кандидат наук Денисова, Анна Юрьевна

• Денисова, Анна Юрьевна
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Денисова, Анна Юрьевна

Оглавление

Список использованных сокращений

ВВЕДЕНИЕ

1 Задачи восстановления кусочно-однородных изображений с использованием дополнительной информации ГИС

1.1 Восстановление кусочно-однородных изображений с использованием данных ГИС

1.2 Модель наблюдения

1.3 Модель кусочно-постоянного изображения

1.4 Постановка задачи восстановления кусочно-постоянных изображений

1.5 Постановка задачи идентификации импульсной характеристики

1.6 Модель кусочно-однородного изображения

1.7 Постановка задачи восстановления кусочно-однородного изображения

1.8 Выводы и результаты

2 ВОССТАНОВЛЕНИЕ КУСОЧНО-ПОСТОЯННЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ ГИС

2.1 Итерационный метод восстановления кусочно-постоянных изображений с использованием данных ГИС

2.2 Правила остановки итерационного процесса

2.3 Экспериментальное исследование итерационного алгоритма восстановления кусочно-постоянных изображений

2.3.1 Экспериментальное обоснование применения итерационной процедуры для восстановления кусочно-постоянных изображений

2.3.2 Исследование качества работы алгоритма на синтезированных изображениях и выбор правила останова итерационного процесса

2.3.3 Исследование качества работы метода на реалистичных изображениях

2.4 Выводы и результаты

3 СПЕКТРАЛЬНО-ЭНЕРГЕТИЧЕСКИЙ МЕТОД ИДЕНТИФИКАЦИИ ИМПУЛЬСНОЙ ХАРАКТЕРИСТИКИ ИСКАЖАЮЩЕЙ СИСТЕМЫ

3.1 Спектрально-энергетический метод идентификации ИХ

3.2 Оценка АКФ и ЭС наблюдаемого изображения

3.3 Метод оценки дисперсии шума

3.4 Параметрический метод оценки ЭС исходного изображения

3.4.1 Общее описание параметрического метода оценки ЭС

3.4.2 Исследование точности спектрально-энергетической идентификации ИХ с использованием параметрической оценки ЭС входного изображения

3.5 Непараметрические методы оценки ЭС исходного изображения

3.5.1 Непараметрическая оценка ЭС с применением фильтрации наблюдаемого изображения

3.5.2 Экспериментальное исследование качества оценки ИХ с применением фильтрации наблюдаемого изображения для оценки ЭС исходного изображения

3.5.3 Непараметрическая оценка ЭС исходного изображения с использованием информации ГИС

3.5.4 Экспериментальное исследование качества оценки ИХ с применением информации ГИС для оценки ЭС исходного изображения

3.6 Эксперимент с восстановлением изображения при неизвестной ИХ искажающей системы

3.7 Выводы и результаты

4 ВОССТАНОВЛЕНИЕ КУСОЧНО-ОДНОРОДНЫХ ИЗОБРАЖЕНИЙ С ПРИМЕНЕНИЕМ ИНФОРМАЦИИ ГИС

4.1 Метод восстановления кусочно-однородных изображений с использованием данных ГИС

4.2 Технология спектрального разложения с использованием данных ГИС

4.3 Метод спектральной селекции сигнатуры малого объекта с использованием данных ГИС

4.4 Технология спектральной селекции сигнатуры малой области с использованием данных ГИС

4.5 Экспериментальное исследование предложенных технологий

4.5.1 Экспериментальное исследование алгоритма спектрального разложения на синтезированных изображениях

4.5.2 Экспериментальное исследование алгоритма спектрального разложения на реальных изображениях

4.5.3 Результаты экспериментальных исследований алгоритма спектральной селекции сигнатуры малой области на синтезированных изображениях

4.5.4 Результаты экспериментальных исследований алгоритма спектральной селекции сигнатуры малой области на реальных изображениях

4.6 Выводы и результаты

ЗАКЛЮЧЕНИЕ

Список использованной литературы

Приложение А Использование результатов диссертации

Приложение Б Алгоритмы линейного спектрального анализа и поиска чистых

пикселей

Приложение В Алгоритм оптимизации методом наименьших квадратов при

ограничениях

Приложение Г Алгоритм МБШБК

Список использованных сокращений

ДЗЗ дистанционное зондирование Земли

ГИС геоинформационная система

АКФ автокорреляционная функция ЛИС-система линейная инвариантная к сдвигу система

ИХ импульсная характеристика

ЧХ частотная характеристика

ИК инфракрасный

СКО среднеквадратичное отклонение

ЭС энергетический спектр

Введение диссертации (часть автореферата) на тему «Восстановление изображений в задачах дистанционного зондирования Земли с использованием геоинформационных данных»

ВВЕДЕНИЕ

Диссертация посвящена разработке алгоритмов восстановления изображений дистанционного зондирования Земли с использованием данных геоинформационных систем в рамках кусочно-однородной модели функции яркости.

Актуальность темы

Изображения, получаемые при аэрокосмическом дистанционном зондировании Земли (ДЗЗ), содержат огромный объем информации, необходимой для наблюдения и исследования изменений природной среды и хозяйственной деятельности под воздействием естественных и антропогенных факторов, мониторинга природных ресурсов, предупреждения, оценки и минимизации последствий чрезвычайных ситуаций, повышения эффективности управления экономическими и социальными процессами и т.д. Современные математические методы компьютерной обработки таких изображений позволяют решать широкий спектр научно-технических задач - от простого повышения качества получаемых данных до распознавания и классификации сложных объектов на поверхности Земли [1-6]. Одной из наиболее важных и широко распространённых задач обработки изображений ДЗЗ является их восстановление, т.е. приближение данных, получаемых при зондировании, к истинной информации о наблюдаемой поверхности Земли.

Вообще говоря, фильтрация и восстановление цифровых изображений является классической проблемой прикладной математики и информатики. На сегодняшний день известно множество методов ее решения, соответствующих вычислительных алгоритмов и программных средств. Однако далеко не всегда они отвечают требованиям практики, поэтому исследования в данном направлении не прекращаются. Перспективы улучшения известных методов восстановления изображений связываются с более полным учётом конкретных особенностей обрабатываемых данных и моделей их формирования, с возможностью привлечения при обработке какой-либо дополнительной информации.

Одной из особенностей изображений ДЗЗ с точки зрения их обработки является то, что они имеют географическую привязку к местности. Наличие такой привязки позволяет использовать для обработки изображений различного рода картографические источники в качестве дополнительной априорной информации. В настоящее время широко распространены геоинформационные системы (ГИС) - комплексные программно-аппаратные средства для хранения, организации и анализа

пространственных (картографических) данных. Основная составляющая данных ГИС цифровая векторная карта [7], на которой отмечены различные географические особенности территории и объекты наземной инфраструктуры. Информация об объекте карты по видам делится на графическую - координаты контура объекта и семантическую, которая содержит описание значимых характеристик объекта. Карты сопровождаются классификаторами, которые объединяют однотипные объекты в классы с одинаковыми условными обозначениями. Цифровые карты предоставляют собой большой объём информации, который может быть использован в различных методах обработки изображений ДЗЗ.

Вопросами совместного анализа данных ДЗЗ и ГИС занимались многие исследователи в России и за рубежом: Ю.Г.Васин, Е.А.Лупян, В.П.Пяткин, В.В.Сергеев, Q.Weng, J.C. Hinton, G. G. Wilkinson, J. W. Merchant, G. Cámara, и другие [8-21]. Исчерпывающее описание существующих вариантов совместного использования таких данных представлено в монографии [8]. В обзорных работах [8-13] отмечено, что в задачах предобработки изображений можно выделить следующие, решаемые с использованием данных ГИС: геопривязку по векторным данным, использование цифровых моделей рельефа для повышения точности геометрической и радиометрической коррекции. В задачах классификации и сегментации в соответствии с обзорами, приведёнными в [8, 10, 22] можно выделить следующие уровни использования данных ГИС: дополнительная информация для улучшения согласованности данных ДЗЗ (применяется в задачах обнаружения изменений по серии изображений), источник новых признаков классифицируемых объектов (объектно-ориентированные методы классификации), применение на этапе пост-обработки попиксельных результатов классификации для переклассификации [23], для совместной классификации данных различных источников. Обзор методов классификации изображений ДЗЗ с использованием данных ГИС в рамках статистического подхода (предполагается, что содержание изображения может быть охарактеризовано с помощью некоторых вероятностных моделей) и общий подход классификации изображений на основе нейронных сетей описаны в работе [24].

Решение задач восстановления изображений ДЗЗ, опирающееся на геоинформационные данные, в научной литературе не встречается, что обусловливает актуальность настоящей диссертационной работы.

В настоящей работе данные ГИС используются, в первую очередь, как информация о границах областей, внутри которых поле яркости обладает свойствами некоторой однородности. Объекты цифровой карты можно рассматривать в качестве таких областей, если на изображении ДЗЗ они имеют одни и те же характеристики регистрируемого излучения по всей площади объекта (например, показатели поглощения, отражения и рассеяния света). Примерами могут служить многие «площадные» объекты: водные поверхности, леса, поля и т.д.

В данной диссертации рассматриваются два важных случая восстановления кусочно-однородных изображений, определяемые числом спектральных каналов системы ДЗЗ, соответственно, выделяются две математических модели таких изображений и два метода их восстановления.

Для одноканальных систем рассматривается модель изображений с кусочно-постоянной функцией яркости, где яркость в границах объекта, определенных по данным ГИС, считается постоянной.

Разработанный метод восстановления кусочно-постоянного изображения опирается на формальное применение разложения оператора искажений в ряд Неймана [25]. При этом использование данных ГИС позволяет производить восстановление изображения с более высоким разрешением, чем разрешение исходного изображения (т.е. достичь эффекта сверхразрешения). Так как для применения метода необходимо знание модели наблюдения, в частности, импульсной характеристики (ИХ) линейной искажающей системы, в диссертации отдельно рассматривается задача идентификации ИХ по наблюдаемому изображению и предлагается новый подход к ее решению.

В системах многоканального и, в частности, гиперспектрального ДЗЗ каждая точка наблюдаемой поверхности Земли характеризуется своей спектральной сигнатурой, т.е. вектором значений яркости в спектральных каналах. Модель кусочно-однородного изображения строится на основе модели линейной спектральной смеси [26], где спектральная сигнатура в каждой точке определяется как линейная комбинация спектральных сигнатур материалов, составляющих отражающую поверхность. Коэффициенты линейной спектральной смеси могут варьироваться в границах области, задаваемой контуром, получаемым из данных ГИС В данном случае помимо графической информации о границах объектов требуется использование семантической информации ГИС о материальном составе объектов в каждой однородной области.

Разработанная технология применения данных ГИС для восстановления многокомпонентных кусочно-однородных изображений производит восстановление в рамках классической задачи линейного спектрального анализа [26,27], которая заключается в определении оптимальных коэффициентов смеси спектральных сигнатур в каждой точке изображения. При этом наборы сигнатур считаются фиксированными для каждого объекта, они могут быть как известны заранее (из спектральных библиотек или семантических данных ГИС), так и оценены по изображению. Информация о контурах объектов в ГИС позволяет уточнить спектральное разложение на границах объектов. Кроме того, для объектов, которым не соответствует на наблюдаемом изображении ни одного целого пикселя, можно выполнить более точное извлечение спектральной сигнатуры объекта. При этом также возможно достижение эффекта сверхразрешения, т.е. восстановления изображения с более высоким разрешением, чем исходное.

Цель и задачи исследований

Целью диссертации является разработка и исследование методов восстановления кусочно-однородных изображений ДЗЗ, обеспечивающих повышенное качество восстановления за счёт использования данных ГИС.

Для достижения поставленной цели в диссертации решаются следующие задачи-.

1. Анализ модели наблюдения, моделей изображения и детализированная постановка задач диссертации.

2. Разработка и исследование метода восстановления кусочно-постоянных изображений с применением данных ГИС при известной модели наблюдения.

3. Разработка и исследование метода идентификации модели наблюдения по наблюдаемому изображению ДЗЗ.

4. Разработка и исследование метода восстановления многокомпонентных кусочно-однородных изображений с применением данных ГИС.

Поставленные задачи определяют структуру работы и содержание её разделов.

Краткое содержание диссертации

Формальное описание моделей изображений, модели их наблюдения, постановки задач восстановления кусоЧно-постоянных и кусочно-однородных изображений, приводятся в первом разделе.

ч

Описание метода восстановления изображения с кусочно-постоянной функцией яркости с применением данных ГИС приводится во втором разделе.

Спектрально-энергетический метод идентификации импульсной характеристики системы формирования изображения по наблюдаемому изображению, описывается в третьем разделе.

В четвёртом разделе рассматриваются методы и технологии восстановления кусочно-однородных изображений с применением данных ГИС и спектральной селекции сигнатуры малого объекта.

Методы исследований

В диссертационной работе используются методы цифровой обработки сигналов и изображений, теории вероятностей и математической статистики, методы оптимизации, математический анализ.

Научная новизна работы

1. Предложен метод итерационного восстановления кусочно-постоянных изображений ДЗЗ, в отличие от известных, использующий для восстановления данные ГИС в виде растровой маски областей.

2. Для метода итерационного восстановления кусочно-постоянных изображений предложен ряд новых правил остановки итерационного процесса.

3. Получены новые результаты экспериментальных исследований итерационного алгоритма восстановления, демонстрирующие его работоспособность и эффективность.

4. Предложен новый метод идентификации импульсной характеристики искажающей линейной системы на основе анализа энергетического спектра наблюдаемого изображения.

5. Предложены параметрический (основанный на модели экспоненциальной неразделимой автоковариационной функции изображения) и два непараметрических (на основе квазивосстанавливающей фильтрации и на основе информации ГИС) методы оценки энергетического спектра исходного изображения по наблюдаемому изображению при линейной модели наблюдения.

6. Получены новые результаты экспериментальных исследований различных модификаций спектрально-энергетического метода идентификации импульсной характеристики, демонстрирующие его работоспособность и достаточную точность.

7. Предложен метод восстановления кусочно-однородных гиперспектральных изображений, основанный на управляемом и неуправляемом линейном спектральном анализе, впервые использующий при восстановлении данные ГИС.

8. Предложен метод спектральной селекции сигнатур малых (меньше шага дискретизации) объектов на кусочно-однородных гиперспектральных изображениях, впервые использующий при селекции данные ГИС.

Практическая значимость работы

Предложенные в работе методы, алгоритмы и информационные технологии позволяют получить изображения с более высоким разрешением, чем наблюдаемые изображения, и качественными интегральными значениями яркости в пределах областей карты ГИС.

Реализация результатов работы

Результаты диссертации были использованы при выполнении ряда госбюджетных и хоздоговорных НИР:

- в Институте систем обработки изображений РАН (проект РФФИ 13-07-97006-р_поволжье_а, договор 02.Г36.31.0001 от 12.02.2013 г. в рамках постановления Правительства РФ от 09.04.2010 г. № 218, заказчик - Минобрнауки РФ);

- в ОАО «Самара-Информспутник» (договоры №21 от 21.10.2012 г., №4 от 28.05.2013 г., заказчик - Министерство сельского хозяйства и продовольствия Самарской области).

Апробация работы

Основные результаты диссертации были представлены на 7 научных конференциях: международной конференции «Перспективные информационные технологии для авиации и космоса» (ПИТ, Самара, 2010); 10-ой и 11-ой международных конференциях «Распознавание образов и анализ изображений: новые информационные технологии» («РОАИ», Санкт-Петербург, 2010 и Самара, 2013); 9-ой международной конференции «Интеллектуализация обработки информации» (ИОИ, Черногория, Будва, 2012); международной молодежной конференции «Системы, методы, техника и технологии обработки медиаконтента» (Москва, 2011), региональной научно-практической конференции, посвященной 50-летию первого полёта человека в космос (Самара, 2011); 4-ой всероссийской студенческой научно-технической конференции «Прикладная информатика и математическое моделирование» (Москва, 2010).

N

Публикации

По теме диссертации опубликовано 10 работ. Из них 3 работы опубликовано в изданиях, определённых в перечне ведущих рецензируемых научных журналов и изданий ВАК Министерства образования и науки РФ.

Структура диссертации

Диссертация состоит из четырёх разделов, заключения, списка использованных источников из 89 наименований; изложена на 116 страницах машинописного текста, содержит 58 рисунков, 8 таблиц, 4 приложения.

На защиту выносятся

1. Метод и алгоритм итерационного восстановления кусочно-постоянных изображений ДЗЗ с использованием данных ГИС.

2. Правила остановки итерационного процесса в рамках предложенного итерационного метода восстановления.

3. Метод идентификации импульсной характеристики искажающей линейной системы, основанный на анализе энергетического спектра наблюдаемого изображения.

4. Параметрический (основанный на модели экспоненциальной неразделимой автоковариационной функции изображения) и два непараметрических (на основе квазивосстанавливающей фильтрации и на основе информации ГИС) методы оценки энергетического спектра исходного изображения по наблюдаемому изображению.

5. Метод восстановления кусочно-однородных гиперспектральных изображений, основанный на управляемом и неуправляемом линейном спектральном анализе и использующий при восстановлении данные ГИС.

6. Метод спектральной селекции сигнатур малых (меньше шага дискретизации) объектов на кусочно-однородных гиперспектральных изображениях, впервые использующий при селекции данные ГИС.

7. Результаты экспериментальных исследований всех предложенных методов, разработанных алгоритмов и информационных технологий, демонстрирующие их работоспособность и эффективность.

1 Задачи восстановления кусочно-однородных изображений с использованием дополнительной информации ГИС

Рассматривается возможность использования данных ГИС в обработке изображений дистанционного зондирования Земли. Приводится описание используемой модели системы формирования изображений ДЗЗ. Рассматриваются постановки задач восстановления кусочно-постоянных и кусочно-однородных изображений, а также идентификации модели их наблюдения в системах ДЗЗ.

1.1 Восстановление кусочно-однородных изображений с использованием данных ГИС

По мере накопления данных в ГИС с каждым годом интерес к проблеме их совместного использования с данными ДЗЗ растёт. Тесная взаимосвязь данных выражается в том, что данные космического ДЗЗ высокого разрешения и аэрофотосъёмки являются распространённым источником информации для формирования и уточнения границ объектов в ГИС. Обратная связь, когда накопленные данные ГИС могут служить источником дополнительной априорной информации в методах обработки данных ДЗЗ, уже нашла отражение в работах по классификации и предобработке данных ДЗЗ [8-24] и продолжает развиваться как перспективное направление. Однако за исключением задач радиометрической и геометрической коррекции в литературе вопросы компенсации искажений с использованием данных ГИС ранее не рассматривались.

В работе рассматриваются два важных случая восстановления кусочно-однородных изображений, определяемые числом спектральных каналов системы ДЗЗ, соответственно, выделяются две математических модели таких изображений и два метода их восстановления.

Для одноканальных систем рассматривается модель изображений с кусочно-постоянной функцией яркости, где яркость в границах областей, определенных по данным ГИС, считается постоянной.

В системах многоканального и, в частности, гиперспектрального ДЗЗ каждая точка наблюдаемой поверхности Земли характеризуется своей спектральной сигнатурой, т.е. вектором значений яркости в каждом спектральном канале. Модель кусочно-однородного изображения строится на основе модели линейной спектральной смеси [26], где спектральная сигнатура в каждой точке определяется как линейная комбинация

спектральных сигнатур материалов, составляющих отражающую поверхность. Коэффициенты линейной спектральной смеси могут варьироваться в границах области, задаваемой контуром, получаемым из данных ГИС. В данном случае помимо графической информации о границах объектов требуется использование семантической информации о материальном составе объектов в каждой однородной области с целью получения сигнатур, составляющих спектральную смесь в данной области.

Обе рассматриваемые в работе модели предполагают, что область определения изображения можно разбить на подобласти, в рамках которых яркость можно положить постоянной или медленно меняющейся функцией. Математической моделью границ областей на изображении, используемой далее, является разбиение непрерывной области определения изображения О на конечное число I замкнутых, ограниченных, односвязных, непересекающихся между собой подобластей :

т-о. ™

г=1

В качестве источника данных о границах такого разбиения предлагается использовать информацию, хранящуюся в цифровых картах ГИС.

Цифровая карта объединяет в себе семантические и графические данные объектов на поверхности Земли. Графические данные представляют собой информацию о координатах объектов карты и хранятся в векторном виде. Семантические данные содержат описание характеристик объекта, например: площадь, периметр, материал и т.п.

Средствами ГИС можно построить карту, границы объектов которой, будут соответствовать областям разбиения (1.1). В рамках данной работы считается, что такое разбиение известно. Отметим, что данные ГИС, используемые для построения разбиения (1.1), должны иметь графическое представление в виде площадных (пространственно-протяжённых) объектов. В настоящей работе будем предполагать, что:

1) геометрическая привязка изображения к карте выполнена точно,

2) используемые векторные данные имеют точность представления границ выше, чем разрешение восстанавливаемого изображения.

Заметим, что в рамках рассматриваемых задач совмещение векторных границ с изображением необходимо осуществлять переводом векторных границ областей в систему координат изображения, а не наоборот, как обычно принято в ГИС-технологиях. Это позволяет сохранить изопланатичность (пространственную инвариантность) модели наблюдения изображения в системе ДЗЗ и, как следствие, сделать возможным или существенно упростить решение задач восстановления.

Сопоставление данных можно производить в векторной и растровой форме. При использовании векторной формы представления границ, каждый пиксель изображения рассматривается как векторный объект и сопоставляется с помощью пространственных операций с контурами областей векторной карты. При растровом способе совмещения границ векторная карта в результате растеризации представляется в виде изображения-маски, на котором пиксели, относящиеся к одной области, «закрашиваются» (маркируются) уникальным номером данной области. Маска границ областей может быть сформирована с любым сколь угодно высоким разрешением. В дальнейшем, ввиду простоты реализации будет рассматриваться использование данных ГИС в виде растровой маски границ областей (см. рисунок 1.1).

Векторная карта в ГИС

Растеризация

Рисунок 1.1 - Схема использования информации о контурах объектов ГИС для

восстановления изображения Использование информации о границах областей при восстановлении позволяет получить изображения с чёткими контурами и уточнить значения яркости в каждой области изображения. В случае, когда разрешение изображения-маски превышает

разрешение исходного изображения, при восстановлении достигается полезный эффект сверхразрешения.

1.2 Модель наблюдения

В настоящей работе будем следовать традиционному в литературе [1, 6] по обработке изображений ДЗЗ подходу к описанию системы формирования изображений в виде линейной модели наблюдения с последующей дискретизацией. Будем полагать, что во всех каналах модель наблюдения одинакова. Далее модель наблюдения приводится для однокомпонентного изображения. Пусть - непрерывное

изображение, tx,t2 - непрерывные координаты. Наблюдаемое дискретное изображение у{пх,п2), 0<п{,п2 <N-1 формируется независимо от других каналов в результате воздействия линейной инвариантной к сдвигу (ЛИС) системы и дискретизации по обеим координатам с шагом Т :

y(tl,t2)=h{rl,T2)**x{iг,,t2) = \\h{т,,т2)к(tx -Tl,t2-r2)drxdr2 , (1.2)

со

где /z(xj,T2) - ИХ системы формирования изображения, ** - оператор свёртки;

у(щ,п2) = y(tx,t2}h=nxT + v(nx,n2), (1.3)

t2=n2T

v{n{, п2 ) - аддитивный статистически независимый от сигнала белый шум.

Общая модель регистрации изображения ДЗЗ, описанная в [1], предполагает, что регистрируемое излучение фокусируется оптической системой в плоскость детекторных элементов. Существующий дифракционный предел, аберрации и/или неточная фокусировка оптической системы приводит к размытию регистрируемого изображения в плоскости детектора. Поскольку детектор обладает конечными размерами, регистрируемое излучениё в каждой точке изображения представляет собой усреднённые по апертуре детекторного элемента значения. Эти искажения присутствуют в любой оптической системе дистанционного зондирования. Помимо них для ряда систем учитывается смаз, возникающий в результате движения платформы съемочного аппарата в процессе сканирования. Примером является съемочная система MODIS (космические аппараты Terra и Aqua, США) [1]. В литературе для некоторых систем, например, ЕТМ+ (Landsat-7, США) также рассматриваются линейные искажения, вызываемые электронной схемой усиления регистрируемого сигнала, однако

м

rect » (1.5)

на практике они малы и ими можно пренебречь. Упомянутые искажения традиционно моделируются с помощью следующих ИХ:

1) гауссова ИХ соответствует линейным искажениям в реальной оптической системе.

2 7i су [ 2а

2) прямоугольная ИХ — характеризует усреднение функции яркости по апертуре детекторного элемента:

h2{x1,x2)= rect

где w - ширина прямоугольного импульса, соответствующая размеру центральной проекции апертуры детекторного элемента на поверхность на поверхность Земли.

3) прямоугольная ИХ - соответствует смазу изображения из-за движения платформы:

Ьъ(тх,т2)= rect^~ j, или hi(rl,T1) = rect — j, (1.6)

где s - величина смаза. Как правило, w=T и s=w.

Общая ИХ системы формирования изображения моделируется как:

/г(т1,т2)=Л1(х1,т2)**/г2(т1,т2)**/гз(т1,т2). (1.7)

Предполагается, что для ИХ выполняется условие нормировки:

ЯЛ(т1,т2)Л1Л2=1, (1.8)

00

В таблице 1.1 перечислены различные мультиспектральные и гиперспектральные съемочные системы ДЗЗ, параметры которых использовались при определении типичных искажений для систем ДЗЗ разного класса.

Класс систем низкого разрешения представлен съемочной аппаратурой MODIS, установленной на борту космических аппаратов Terra и Aqua. К системам среднего разрешения относятся ЕТМ+, установленная на борту спутника Landsat-7, и система, установленная на борту спутника UK DMC-2 (Великобритания). Гиперспектральные системы представлены спектрометрами Hyperion и AVTRIS (США). Все эти системы производят съёмку в оптическом или ближнем инфракрасном диапазоне и

ч.

соответствуют используемой линейной модели наблюдения. Параметры, указанные в таблице 1.1, используются в работе при экспериментальном моделировании искажений.

Таблица 1.1 — Параметры некоторых оптических съёмочных систем

Съёмочная система Число каналов Спектральные диапазоны Шаг дискретизации, м Диапазоны отношений сигнал/шум в видимом и ИК диапазонах Ссылки на источники

моэга 36 - 250, 500, 1000 128, 201 Г28Ш91

ЕТМ+ 8 - 30 15-35 [30],[311,[32]

ЦКБМС 3 - 22 120 [33],[341

Нурепоп 220 0,4-2,5 мкм 30 40-161 [351

АУШБ 224 0,4-2,4 мкм 20 >50 [361,[371

Основываясь на параметрах искажений, приведённых для различных датчиков в работах [1, 28-32], будем использовать при моделировании следующие ИХ, описанные в таблице 1.2.

Таблица 1.2 - Параметры ИХ для моделируемых систем

Название модели ИХ системы Система (пример) С7 ,М м?, м м

ИХ 1 моога 123,5 250 250 в поперечном направлении

ИХ 2 ЕТМ+ 30 30 -

Экспериментальное моделирование системы формирования изображений на компьютере предполагает использование квазинепрерывного изображения с шагом дискретизации Тх < Т меньшим, чем шаг дискретизации наблюдаемого изображения,

Список литературы диссертационного исследования кандидат наук Денисова, Анна Юрьевна, 2014 год

Список использованной литературы

1. Шовенгердт, Р. А. Дистанционное зондирование. Модели и методы обработки изображений/Р. А. Шовенгердт-М.: Техносфера, 2010.-560 с.

2. Jensen, J. R. Introductory digital image processing: a remote sensing perspective. Ed. 2. / J.R.Jensen -Prentice Hall, 1995. -316 p.

3. Dougherty, E. R. Digital image processing methods. / E.R.Dougherty - CRC Press, 1994.-504 p.

4. Lim, J. S. Two-dimensional signal and image processing/ J.S. Lim - Englewood Cliffs, NJ, Prentice Hall, 1990. - 710 p.

5. Lillesand, T.M. Remote Sensing and Image Interpretation, 6th Edition/T.M.Lillesand , R.W.Kiefer, J. Chipman - Wiley,2008. - 804 p.

6. Методы компьютерной обработки изображений/ под ред. Сойфера В. А. - М.: Физматлит. - 2003. -784. с.

7. Бугаевский, JI. М. Геоинформационные системы: Учебное пособие для вузов/ Л.М.Бугаевский, В.Я. Цветков - М:2000. - 222 с.

8. Weng, Q. Remote sensing and GIS integration: theories, methods, and applications/ Q.Weng - New York : McGraw-Hill, 2010. - 416 p.

9. Hinton, J. C. GIS and remote sensing integration for environmental applications/ J. C. Hinton //International Journal of Geographical Information Systems. - 1996. - V. 10. — №. 7.-P. 877-890.

10. Hinton, J. C. Image classification and analysis using integrated GIS/ J. C. Hinton //Advances in remote sensing and GIS analysis. - John Wiley and Sons, 1999. — P. 207218.

11. Wilkinson, G.G. A review of current issues in the integration of GIS and remote sensing data/ G.G. Wilkinson //International Journal of Geographical Information Science. -1996.-V. 10.-№. l.-P. 85-101.

12. Camara, G. SPRING: Integrating remote sensing and GIS by object-oriented data modelling/ G. Camara, R.C.M. Souza, U.M. Freitas, J. Garrido, F. M. Ii //Computers & graphics. - 1996. - V. 20. - №. 3. - P. 395-403.

13. Merchant, J. W. Narumalani S. Integrating remote sensing and geographic information systems/ J. W. Merchant - SAGE Publications Ltd: London, UK, 2009. - C. 257-268.

14. Савиных, В. П. Интеграция технологий ГИС и систем обработки данных дистанционного зондирования Земли/ В.П.Савиных, В.Я.Цветков //Исследование Земли из космоса. - 2000. - №. 2. - С. 83-86.

15. Савиных, В. П. Геоинформационный анализ данных дистанционного зондирования/ В.П.Савиных, ВЛ.Цветков - М.: Картгеоцентр-Геодезиздат, 2001. — 228 с.

16. Rozenstein, О. Comparison of methods for land-use classification incorporating remote sensing and GIS inputs/ O.Rozenstein, A.Karnieli //Applied Geography. - 2011. - V. 31.-№.2.-P. 533-544.

17. Jha, M. K. Groundwater management and development by integrated remote sensing and geographic information systems: prospects and constraints/ M.K.Jha, A.Chowdhury, V.M.Chowdary, S. Peiffer //Water Resources Management. - 2007. - V. 21.-№. 2.-P. 427-467.

18. Saraf, A. K. Integrated remote sensing and GIS for groundwater exploration and identification of artificial recharge sites/ A.K.Saraf, P.R. Choudhury //International Journal of Remote Sensing. - 1998.-V. 19.-№. 10.-P. 1825-1841.

19. Blaschke, T. Collective Sensing: Integrating Geospatial Technologies to Understand Urban Systems / T.Blaschke, G.J. Hay, Q. Weng, B.Resch — An Overview. Remote Sensing. 2011 - V. 3(8). - P.1743-1776.

20. Weng, Q. Land use change analysis in the Zhujiang Delta of China using satellite remote sensing, GIS and stochastic modelling/ Q.Weng //Journal of environmental management. - 2002. - T. 64. - №. 3. - C. 273-284.

21. Weng, Q. Modeling urban growth effects on surface runoff with the integration of remote sensing and GIS/ Q.Weng //Environmental management. - 2001. - V. 28. - №6. -P. 737-748.

22. Ablin, R. A Survey of Hyperspectral Image Classification in Remote Sensing/ R.Ablin, C. H.Sulochana //International Journal of Advanced Research in Computer and Communication Engineering - 2013. -V. 2(8). - P.2986-3000.

23. Aplin, P. Fine spatial resolution simulated satellite sensor imagery for land cover mapping in the United Kingdom/ P.Aplin, P.M.Atkinson, P.J.Curran //Remote Sensing of Environment. - 1999. -V. 68. -№. 3. - P. 206-216.

24. Benediktsson, J. Neural network approaches versus statistical methods in classification of multisource remote sensing data/ J.Benediktsson, P.H.Swain, O.K.Ersoy // IEEE Transactions on geoscience and remote sensing. - 1990. — V. 28. - №. 4. - P. 540-552.

25. Математическая энциклопедия./ под ред. И. М. Виноградова — М.: Советская энциклопедия. - 1982. - Т. 3: Координаты - Одночлен. - 592 с.

26. Keshava, N. Spectral unmixing / N.Keshava, J. F.Mustard //Signal Processing Magazine, IEEE. - 2002. - V. 19. - №. 1. - P. 44-57.

27. Chang, C.I. Hyperspectral Data Processing: Algorithm Design and Analysis. / C.I. Chang. - John Wiley & Sons, 2013. - 1164 p.

28. Justice, C. O. The Moderate Resolution Imaging Spectroradiometer (MODIS): Land remote sensing for global change research/ C.O.Justice, E.Vermote, J.R.G.Townshend, R.Defries, D.P.Roy //Geoscience and Remote Sensing, IEEE Transactions on. - 1998. -V. 36.-№.4.-P. 1228-1249.

29. Guenther, B. On-orbit performance of the Earth Observing System Moderate Resolution Imaging Spectroradiometer; first year of data/ B. Guenther, X. Xiong, V.V.Salomonson, W.L. Barnes,J. Young//Remote Sensing of Environment. - 2002. - V. 83. - №. 1. - P. 16-30.

30. Storey, J. C. Landsat 7 on-orbit modulation transfer function estimation/ J.C.Storey //International Symposium on Remote Sensing. — International Society for Optics and Photonics, 2001. - P. 50-61.

31. Park, S. K. Modulation-transfer-function analysis for sampled image systems/ S.K.Park, R.Schowengerdt, M.A.Kaczynski //Applied optics. - 1984. - V. 23. - №. 15. - P. 25722582.

32. Mika, A. M. Three decades of Landsat instruments/ A.M.Mika //Photogrammetric Engineering and Remote Sensing. - 1997. - V. 63. - №. 7. - P. 839-852.

33. de Groot, Z. Getting the Bigger Picture: More Bytes for your Buck./ Z. de Groot, J.Penson, A. Baker, P. Stephens. // Proceedings of the AIAA/USU Conference on Small Satellites, Coming Attractions, SSC08-III-4. - 2008. - 8 p.

34. Penson, J. In orbit results of the next generation disaster monitoring constellation satellite UK-DMC-2/ J. Penson, Z. de Groot, P. Stephens, M. Sweeting //61st International Astronautical Congress. Bl. Earth observation symposium. Earth Observation Applications and Economic Benefits - 2010, - ID:8267.

35. Folkman, M. A. EO-1/Hyperion hyperspectral imager design, development, characterization, and calibration/ M. Folkman, J. Pearlman, L. Liao, P. Jarecke //Proc. SPIE. - 2001. - V. 4151. - P. 40-51.

36. Macenka, S.A. Airbone Visible/Infrared imaging Spectrometer (AVIRIS) Spectrometer Design and Performance/ S. A. Macenka, M. P. Chrisp. //31st Annual Technical Symposium. - International Society for Optics and Photonics, 1987. - P. 32-43.

37. Green, R. O. Imaging spectroscopy and the airborne visible/infrared imaging spectrometer (AVIRIS)/ R.O. Green, M.L. Eastwood, C.M. Sarture, T.G. Chrien, M. Aronsson, B.J. Chippendale,J.A. Faust, B.E. Pavri, C.J. Chovit, M. Solis, M.R. Olah //Remote Sensing of Environment. - 1998. - V. 65. - №. 3. - P. 227-248.

38. Сергеев, Г.А. Статистические методы исследования природных объектов/ Г.А.Сергеев, Д.А.Янутш - Л.: Гидрометеоиздат. - 1973. - 300 с.

39. Сергеев, В.В. Алгоритм генерации тестовых мозаичных изображений/

B.В.Сергеев, О.Н.Сигунова // Автоматизация научных исследований: Межвуз. сб. науч. трудов. - Куйбышев: Куйбышевски авиационный институт, 1984, — С. 129134.

40. Modestino, J.W. Stochastic image models generated by random tesselations of the plane/ J.W.Modestino, R.W. Fries., A.L.Vickers // Comput. Graph. Image Processing -1980 - V.12, N 1. - P.74-98.

41. Ahuja, N. Some experiments with mosaic models for images/ N.Ahuja, T.Dubitzki, A.Rosenfeld // IEEE transactions on systems man and Cybernetics - 1980. - V. SMC-10 -№11.- P. 744-749

42. Буймов, А. Г. Мозаичное изображение с управляемой корреляцией / А.Г.Буймов,

C.П.Ильин //Автометрия. - 1987. - Т. 5. - С. 30-35.

43. Воробьева, Н.С. Разработка геоинформационной системы учета и контроля земель сельхозназначения/ Н.С.Воробьева, Е.И.Тимбай // Компьютерная оптика. — 2009. - Т. 33. - №3,- С. 340-344.

44. Чернов, А.В. Использование информации дистанционного зондирования Земли в региональной ГИС агропромышленного комплекса/А.В.Чернов, Н.С.Воробьева // Сборник тезисов Седьмой Всероссийской Открытой конференции «СОВРЕМЕННЫЕ ПРОБЛЕМЫ ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ ИЗ КОСМОСА», 16-20 ноября 2009 г. - М: ИКИ, 2009. - С. 10.

45. Воробьева, Н.С. Разработка геоинформационной системы учета и контроля земель сельхозназначения/ Н.С.Воробьева, Е.И.Тимбай // Сборник научных трудов Всероссийской конференции с элементами научной школы для молодежи «Проведение научных исследований в области обработки, хранения, передачи и защиты информации», 1-5 декабря 2009 г. - Ульяновск, 2009. - Т.2. - С. 410-418.

46. Belov, A.M. Application of gis technologies and space monitoring in management of samara region agro-industrial complex./ A.M. Belov , N.S. Vorobiova, A.Yu. Denisova, A.V. Kuznetsov, A.V. Chernov. //11th International Conference on Pattern Recognition and Image Analysis: New Information Technologies (PRIA-11-2013). Samara, September 23-28, 2013. Conference Proceedings. - Samara: IPSI RAS, 2013. - V.2. -P. 521 -524.

47. Кузнецов, А.В. Применение ГИС-технологий и космического мониторинга в управлении агропромышленным комплексом Самарской области/ А.В.Кузнецов, А.Ю.Денисова, А.В.Чернов, Н.С.Воробьёва // Геоинформационные технологии в

сельском хозяйстве : материалы международной научно-практической конференции. 27-28 мая 2013 г. - Оренбург, 2013 г. - С. 138-141.

48. Макс, Ж. Методы и техника обработки сигналов при физических измерениях: В 2-хт.:Пер. сфр./Ж. Макс-Мир, 1983.-Т. 1.-312 с.

49. Clark, R.N. The U. S. Geological Survey, Digital Spectral Library: Version 1: 0.2 to 3.0 microns, U.S. Geological Survey Open File Report 93-592 / Clark, R.N., G.A. Swayze, A.J. Gallagher, T.V.V. King, W.M. Calvin - 1993. - 1340 p.

50. Grana, M. A single individual evolutionary strategy for endmember search in hyperspectral images/ M.Grana, C.Hernandez, J.Gallego //Information Sciences. -2004.-V. 161. -№. 3,- P. 181-197.

51. Curran, P. J. Cover An image recorded by the Airborne Visible/Infrared Imaging Spectrometer (AVIRIS)/ P .J.Curran, J.L.Dungan //International Journal of Remote Sensing. - 1990. - V. 11. - №. 6. - P. 929-931.

52. Василенко, Г.И. Восстановление изображений. // Г.И. Василенко, A.M. Тараторин. - М.: Радио и связь, 1986. - 304 с.

53. Early, D. S. Image reconstruction and enhanced resolution imaging from irregular samples/ D. S. Early, D. G. Long //Geoscience and Remote Sensing, IEEE Transactions on. - 2001. - V. 39. - №. 2. - P. 291-302.

54. Grochenig, K. Reconstruction algorithms in irregular sampling/ K.Grochenig //Mathematics of Computation. - 1992. -V. 59. -№. 199. - P. 181-194.

55. Aldroubi, A. Non-uniform weighted average sampling and reconstruction in shift-invariant and wavelet spaces/ A.Aldroubi //Applied and Computational Harmonic Analysis.-2002.-V. 13.-№.2.-P. 151-161.

56. Aldroubi, A. Nonuniform sampling and reconstruction in shift-invariant spaces/ A.Aldroubi, K.Grochenig //SIAM review. - 2001. - V. 43. - №. 4. - P. 585-620.

57. Колючкин, В. Я. Модифицированный итерационный алгоритм восстановления изображений/ В. Я. Колючкин, А. С. Мачихин //Вестник Московского государственного технического университета им. НЭ Баумана. Серия: Приборостроение. - 2007. - №. 1. - С. 114-121.

58. Фурсов, В. А. Восстановление изображений КИХ-фильтрами, построенными путем непосредственной идентификации инверсного тракта/ В. А. Фурсов //Компьютерная оптика. - 1996. -№. 16. - С. 103-108.

59. Wise, В. М. Identification of finite impulse response models with continuum regression/ B. M.Wise, N. L.Ricker //Journal of Chemometrics. - 1993. - V. 7. - №. 1. -P. 1-14.

60. Ding, F. Identification of dual-rate systems based on finite impulse response models / F.Ding, T.Chen //International Journal of Adaptive Control and Signal Processing. -2004.-V. 18.-№.7.-P. 589-598.

61. Deng, H. Improving convergence of the PNLMS algorithm for sparse impulse response identification/ H.Deng, M.Doroslovacki //Signal Processing Letters, IEEE. - 2005. - V. 12.-№. 3.-P. 181-184.

62. Tong, L. Blind channel identification based on second-order statistics: A frequency-domain approach/ L.Tong, G.Xu, B.Hassibi, T.Kailath //Information Theory, IEEE Transactions on. - 1995. - V. 41. -№. 1. - P. 329-334.

63. Горячкин, О. В. Слепая идентификация информационного канала по многообразиям заданной корреляции, порожденным случайными полиномами/ О.В.Горячкин, Е.И.Эрина//Успехи современной радиоэлектроники. - 2008. - №. 8. -Р. 70-77.

64. Tong, L. A new approach to blind identification and equalization of multipath channels/ L.Tong, G.Xu, T.Kailath//Signals, Systems and Computers, 1991. 1991 Conference Record of the Twenty-Fifth Asilomar Conference on. - IEEE, 1991. - P. 856-860.

65. Tong, L. Blind identification and equalization based on second-order statistics: A time domain approach/ L.Tong, G.Xu, T.Kailath //Information Theory, IEEE Transactions on. - 1994. - V. 40. - №. 2. - P. 340-349.

66. Баврина, А. Ю. Метод параметрического оценивания оптико-электронного тракта системы дистанционного формирования оптического изображения/ А.Ю .Баврина,

B.В.Мясников, А.В.Сергеев // Компьютерная оптика. - 2011. - Т.35. - №. 4. - С. 500-507.

67. Sergeyev, V.V. Spectral-energy identification method of the linear observation model for remote sensing of the earth/ V.V.Sergeyev, A.Yu. Denisova // Pattern Recognition and Image Analysis - 2011. - V.21. - № 2 - P. 311 -313.

68. Марпл, С. JI. Цифровой спектральный анализ и его приложения: Пер. с англ. /

C.Л.Марпл - М: Мир, 1990 г. - 265 с.

69. Кривошеев, В.И. Современные методы цифровой обработки сигналов (цифровой спектральный анализ). Учебно-методический материал по программе повышения квалификации «Современные системы мобильной цифровой связи, проблемы помехозащищенности и защиты информации»/ В.И. Кривошеев- Нижний Новгород, 2006, -117 с.

70. Olsen, S. I. Estimation of noise in images: an evaluation/ S. I. Olsen //CVGIP: Graphical Models and Image Processing. - 1993. - V. 55. - №. 4. - P. 319-323.

71. Immerkaer, J. Fast noise variance estimation/ J.Immerkaer //Computer Vision and Image Understanding. - 1996. - V. 64. - №. 2. - P. 300-302.

72. Galatsanos, N. P. Methods for choosing the regularization parameter and estimating the noise variance in image restoration and their relation/ N. P.Galatsanos, A.K.Katsaggelos //Image Processing, IEEE Transactions on. - 1992. - V. 1. - №. 3. - P. 322-336.

73. Rank, K. Estimation of image noise variance/ K.Rank, M.Lendl, R.Unbehauen //Vision, Image and Signal Processing, IEE Proceedings. - IET, 1999. - V. 146. - №. 2. - P. 8084.

74. Sendur, L. Bivariate shrinkage with local variance estimation/ L.Sendur, I.W.Selesnick //Signal Processing Letters, IEEE.-2002.-V. 9.-№. 12. - P. 438-441.

75. Тахтамышев, Г. Г. Метод Монте-Карло. Физическая энциклопедия. В 5-ти томах./ Г. Г. Тахтамышев - М.: Советская энциклопедия, 1988, т. III. - 669 с.

76. Маслов, А. М. Идентификация линейной искажающей системы с использованием ранговой обработки сигналов/А. М. Маслов, В. В. Сергеев // Компьютерная оптика. - 1989. - №. 06. - С. 97-102.

77. Мину, М. Математическое программирование: Теория и алгоритмы: Пер. с фр. и предисловие А.И. Штерна./ Мину М. - М.: Наука. Гл. ред. физ.-мат. лит. — 1990. -488 с.

78. Haskell, К. Н. An algorithm for linear least squares problems with equality and nonnegativity constraints/ Haskell К. H., Hanson R. J. // Mathematical Programming. -1981.-V. 21(1). -P. 98-118.

79. Bro, R. A fast non-negativity-constrained least squares algorithm/ R. Bro, S. De Jong //Journal of chemometrics. - 1997. -V. 11. -№. 5. - P. 393-401.

80. Winter, M. E. N-FINDR: an algorithm for fast autonomous spectral end-member determination in hyperspectral data/ M. E. Winter// SPIE's International Symposium on Optical Science, Engineering, and Instrumentation. - International Society for Optics and Photonics, 1999. - V. 3753. - P. 266-275.

81. Chang, С. I. Estimation of number of spectrally distinct signal sources in hyperspectral imagery/ Chang С. I., Du Q.// Geoscience and Remote Sensing, IEEE Transactions on. - 2004. - V. 42. - №. 3. - P. 608-619.

82. Chang, C.I. Hyperspectral data exploitation: theory and applications / C.I. Chang. -Wiley-Interscience, 2007. - 456 p.

83. Chang, C.I. Hyperspectral imaging: techniques for spectral detection and classification / C.I. Chang. - Springer, 2003. - 370 p.

84. Chang, C. I. Constrained subpixel target detection for remotely sensed imagery/ C. I. Chang, D. C. Heinz // Geoscience and Remote Sensing, IEEE Transactions on. - 2000. -V. 38(3).-P. 1144-1159.

85. Heinz, D. C. Fully constrained least squares linear spectral mixture analysis method for material quantification in hyperspectral imagery/ D. C. Heinz, C. I. Chang // Geoscience and Remote Sensing, IEEE Transactions on. - 2001. - V. 39 (3). - P. 529-545.

86. Keshava, N. A Survey of Spectral Unmixing Algorithms / N. Keshava // Lincoln Laboratory Journal. - 2003. - V. 14 (1) - P.55-78.

87. Plaza, A. A quantitative and comparative analysis of endmember extraction algorithms from hyperspectral data/ A. Plaza, P. Martinez, R. Pérez, J. Plaza// Geoscience and Remote Sensing, IEEE Transactions on. - 2004. - V. 42. - №. 3. - P. 650-663.

88. Chang, C. I. A fast iterative algorithm for implementation of pixel purity index /

C.I. Chang, A. Plaza// Geoscience and Remote Sensing Letters, IEEE. - 2006. - V. 3. -№. l.-P. 63-67.

89. Plaza, A. Fast implementation of pixel purity index algorithm / A, Plaza, C.I. Chang // Proc. of the SPIE conference on Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XI. - 2005. - V. 5806. - P. 307-317.

108

Приложение А Использование результатов диссертации

АКТ

об использовании результатов диссертационной работы А.Ю. Денисовой "Восстановление изображений в задачах дистанционного зондирования Земли с использованием геоинформационных данных" в Институте систем обработки изображений РАН

Комиссия в составе заведующего лабораторией лазерных измерений ИСОИ РАН, ученого секретаря ИСОИ РАН, д.ф-м.н. В.В. Котляра и научного сотрудника лаборатории ММОИ ИСОИ РАН, к.т.н. В.А.Митекина, рассмотрев диссертацию стажёра-исследователя. А.Ю. Денисовой "Восстановление изображений в задачах дистанционного зондирования Земли с использованием геоинформационных данных", подтверждает, что результаты диссертации были использованы в научных разработках ИСОИ РАН, в частности:

- Итерационный метод восстановления кусочно-постоянных изображений с использованием данных ГИС - в проекте по гранту РФФИ № 13-07-97006-р_поволжье_а "Создание новых методов и информационных технологий анализа данных дистанционного зондирования Земли, их исследование и применение для решения задач агропромышленного комплекса Самарской области";

- Технология спектрального разложения с использованием данных ГИС и Технология спектральной селекции сигнатуры малой области с использованием данных ГИС - в рамках работ по договору для Министерства образования и науки Российской Федерации (в рамках постановления Правительства Российской Федерации от 09.04.2010 г. № 218: договор № 02.Г36.31.0001 от 12.02.2013).

Указанные научные результаты были использованы при разработке новых, более эффективных по сравнению с существующими, алгоритмов и программных средств обработки и анализа изображений.

Ученый секретарь

ИСОИ РАН, д.ф-м.н.

В.В. Котляр

Научный

сотрудник лаборатори ММОИ ИСОИ РАН, к.т.н.

АКТ

об использовании результатов диссертации А.Ю. Денисовой

"Восстановление изображений в задачах дистанционного зондирования Земли с использованием геоинформационных данных"

в открытом акционерном обществе «Самара-Информспутник»

Комиссия в составе ведущего инженера, к.т.н, A.B. Чернова, и инженера-математика, к.ф-м.н. А.М.Белова и, рассмотрев диссертацию А.Ю. Денисовой "Восстановление изображений в задачах дистанционного зондирования Земли с использованием геоинформационных данных", подтверждает, что разработанные в диссертационной работе алгоритмы были использованы в рамках хоздоговорных работ:

- № 4 от «28» мая 2013г. "Выполнение работы по развитию геоинформационной системы агропромышленного комплекса с использованием космического мониторинга для контроля и учета земель сельскохозяйственного назначения Самарской области" (Заказчик - Министерство сельского хозяйства и продовольствия Самарской области);

№ 21 от «21» ноября 2012г. "Выполнение работы по развитию геоинформационной системы агропромышленного комплекса с использованием космического мониторинга для контроля и учета земель сельскохозяйственного назначения Самарской области в министерстве сельского хозяйства и продовольствия Самарской области" (Заказчик - Министерство сельского хозяйства и продовольствия Самарской области).

Применение указанных программных средств позволило повысить эффективность решения задач обработки изображений по сравнению с известными методами.

Инженер-математик, к.ф.-м.н.

Ведущий инженер, к.т.н.

110