ISSN 2070-7401 (Print), ISSN 2411-0280 (Online)
Современные проблемы дистанционного зондирования Земли из космоса
физические основы, методы и технологии мониторинга окружающей среды, потенциально опасных явлений
и объектов

  

Современные проблемы дистанционного зондирования Земли из космоса. 2015. Т. 12. № 6. С. 145-153

Методы анализа данных дистанционного зондирования Земли

Н.П. Лаверов 1 , В.В. Попович 2 , Л.А. Ведешин 3 , Ф.Р. Гальяно 4 
1 Институт геологии рудных месторождений, петрографии, минералогии и геохимии РАН, Москва, Россия
2 Санкт-Петербургский институт информатики и автоматизации РАН, Санкт-Петербург, Россия
3 Институт космических исследований РАН, Москва, Россия
4 ЗАО «СПИИРАН-НТБВТ», Москва, Россия
В статье рассмотрены методы анализа данных дистанционного зондирования (Земли) - ДДЗ. Актуальность разработки данных методов обусловлена острой необходимостью глубокой автоматизации процесса обработки ДДЗ для их оперативного использования при решении самых различных задач: мониторинг природных ресурсов, борьба с морским пиратством, пожарами и другими стихийными бедствиями, управление бизнесом, мегаполисом и целый ряд других актуальных задач. Дан анализ существующих методов обработки изображений, сегментации и классификации и предложены оригинальные методы, повышающие эффективность процесса анализа ДЗЗ. Теоретические результаты подтверждены компьютерными экспериментами и практической реализацией в системе анализа ДДЗ.
Ключевые слова: данные дистанционного зондирования, обработка изображений, сегментация и классификация, сингулярное разложение матриц
Полный текст

Список литературы:

  1. Гальяно Ф.Р. Алгоритм классификации участков поверхности Земли на основе сингулярного разложения матриц. «Информационные технологии». 2010. № 12. С. 35-37.
  2. Харинов М. Запоминание и адаптивная обработка информации цифровых изображений. СПб.: Издательство Санкт-Петербургского университета, 2006. 138 с.
  3. Харинов М.В. Адаптивное встраивание водяных знаков по нескольким каналам: Патент 2329522 РФ. 20.07.2008. Бюл. №20. 41 с.
  4. Харинов М.В., Гальяно Ф.Р. Распознавание изображений посредством представлений в различном числе градаций // Сборник докладов четырнадцатой Всероссийской конференции «Математические методы распознавания образов». М.: МАКС Пресс, 2009. С. 465–468.
  5. Aksoy S., Chen C.H. Spatial Techniques for Image Classification // Signal and Image Processing for Remote Sensing. Boca Raton: Taylor & Francis, 2006. P. 491-513.
  6. Galjano Ph., Popovich V. Intelligent Images Analysis in GIS // Proceedings of IF&GIS-2007. Berlin: Springer, 2007. P. 325.
  7. Golub G.H., Van Loan C.F. Matrix Computations. Baltimore: Johns Hopkins University Press, 1996. 728 p.
  8. Nock R., Nielsen F. Statistical Region Merging // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2004. No. 11. P. 1–7.
  9. Robinson D.J., Redding N.J., Crisp D.J. Implementation of a fast algorithm for segmenting SAR imagery. Edinburgh: DSTO Electronics and Surveillance Research Laboratory, 2002. P. 41.
  10. Sleator D.D., Tarjan R.E. Self-Adjusting Binary Search Trees // Journal of the ACM. 1985. Vol. 32. No. 3. P. 652–686.
  11. Storvik G., Fjortoft R., Solberg A.H.S. A Bayesian approach to classification of multiresolution remote sensing data // IEEE Trans. Geosci. Rem. Sens. 2005. Vol. 43. No. 3. P. 539–547.
  12. Tarakanov A.O., Skormin V.A., Sokolova S.P. Immunocomputing: Principles and applications. New York: Springer, 2003. 230 p.
  13. Tarjan R.E. A Data Structure for Dynamic Trees // Journal of Computer and System Sciences. 1983. Vol. 26. No. 3. P. 362–391.