Вы находитесь на странице: 1из 68

1

Форма № Н-9.02

НАЦИОНАЛЬНЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ им. М.Е. ЖУКОВСКОГО


«Харьковский авиационный институт»
Факультет радиотехнических систем летательных аппаратов
Кафедра производства радиоэлектронных систем ЛА

К защите допускаю
Заведующий кафедрой,
_д.т.н., проф. Кортунов В.І._
(наук. степень, ученое звание, фамилия, инициалы)

_____________________________
(подпись, дата)

Пояснительная записка
дипломного проекта (работы)
бакалавр
(образовательно-квалификационный уровень)

Тема роботы «Картографирование чрезвычайных ситуаций»

Выполнил: студент 4 курса, группы 543


направления подготовки (специальности)
6.080101 Геодезия, картография и землеустройство
(шифр и название направления подготовки, специальности)

Кривонос Ю.С.
(фамилия и инициалы) (подпись, дата)

Руководитель Бутенко О.С


(фамилия и инициалы) (подпись, дата)

Рецензент
(фамилия и инициалы) (подпись, дата)

Харьков – 2015
2

СОДЕРЖАНИЕ

ВВЕДЕНИЕ………………………………………………………………………
1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ ЛОКАЛИЗАЦИИ ОБЪЕКТОВ НА
КОСМОСНИКАХ……………………………………………………………..
1.1 Анализ предметной области автоматизации обработки изображений для
выделения границ объектов…………………………………………………...
1.2 Выделение контуров водных объектов…………………………………
1.2.1 Методика выделения объектов по яркостным
характеристикам…………………………………………………………………
1.2.2 Методика выделения объектов по цвету…………………….
1.2.3 Методика выделения объектов по текстурным особенностям.
1.2.4 Методика ручного выделения объектов…………………….
1.3 Способы тематической обработки данных ДЗЗ для локализации
анализируемых объектов………………………………………………………….
1.3.1 Общая характеристика методов……………………………
1.3.2 Анализ особенностей цветовой модели RGB……………..
1.3.3 Анализ особенностей цветовой модели HSV…………………
1.3.4 Особенности формирования изображений…………………
1.3.5 Особенности получения индексных изображений……………..
1.3.6 Анализ главных компонентов (principal components analysis)..
1.3.7 Метод спектрального разделения (spectral unmixing)………
2 МЕТОДИКА ПОСТРОЕНИЯ КАРТОГРАФИЧЕСКИХ МОДЕЛЕЙ ЗОН
ВОЗМОЖНОГО ВОЗНИКНОВЕНИЯ ЧС…………………………………..
2.1 Постановка задачи……………………………………………………..
2.1.1 Особенности работы с изображениями………………………
2.2 Фильтрация изображения…………………………………………….
2.3 Выбор оптимального критерия повышения контрасности…………
2.3.1 Гистограммы основных цветов………………………………
2.3.2 Гистограммы яркости……………………………………….
2.3 Методы контрастирования изображения…………………………
2.3.1 Линейное контрастирование……………………………………
3

2.3.2 Кусочно-линейное повышение контраста………………….


2.4 Методика локализации анализируемых объектов на снимках……..
2.5 Определение значений площади объектов……………………….
3 РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ЛОКАЛИЗАЦИИ
ВЫЯВЛЕНИЯ ПОТЕНЦИАЛЬНО ОПАСНЫХ ЗОН ПО ДАННЫМ
ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ……………………………
3.1 Алгоритм программной реализации методики………………………
3.1.1 Блок предварительной обработки снимка…………………….
3.1.2 Блок сбора данных и их обработки………………………………
3.1.3 Блок локализации анализируемых объектов на снимке и
определение площади…………………………………………………………….
3.2 Руководство оператора…………………………………………………
4 ЭКОНОМИЧЕСКАЯ ЧАСТЬ……………………………………………………
4.1 Сегментация рынка ПО для разработки программного модуля для
выделения облаков на космических снимках…………………………………
4.2 Характеристика технических средств необходимых для создания
программного модуля………………………………………………………….
4.3 Разработка перечня работ……………………………………………….
4.4 Расчет сметы затрат на проект…………………………………………..
ВЫВОДЫ………………………………………………………………………..
СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ………………………………….

ВВЕДЕНИЕ

Опасность возникновения чрезвычайных ситуаций (ЧС) в современном


мире носит комплексный характер и для эффективного решения проблемы
защиты населения и территорий от ЧС необходимо оперативное создание и
использование соответствующего комплексного картографического
4

обеспечения, основанного на современных информационных технологиях и


базах картографических данных. Это важно не только для крупных
промышленных центров, где большая часть территории находится в зоне
повышенного риска, а и в случаях ЧС природного характера.
Ещё в середине XX века обработка изображений была по большей части
аналоговой и выполнялась оптическими устройствами. Подобные оптические
методы до сих пор важны, в таких областях как, например, голография. Тем не
менее, с резким ростом производительности компьютеров, эти методы всё в
большей мере вытеснялись методами цифровой обработки изображений.
Методы цифровой обработки изображений обычно являются более точными,
надёжными, гибкими и простыми в реализации, нежели аналоговые методы. В
цифровой обработке изображений широко применяется специализированное
оборудование, такое как процессоры с конвейерной обработкой инструкций и
многопроцессорные системы. В особенной мере это касается систем обработки
видео. Обработка изображений выполняется также с помощью программных
средств компьютерной математики, например, MATLAB, Mathcad, Maple,
Mathematica и др. Для этого в них используются как базовые средства, так и
пакеты расширения Image Processing.
Область компьютерного зрения может быть охарактеризована как
молодая, разнообразная и динамично развивающаяся. И, хотя существуют
более ранние работы, можно сказать, что только с конца 1970-х началось
интенсивное изучение этой проблемы, когда компьютеры смогли управлять
обработкой больших наборов данных, таких как изображения. Однако эти
исследования обычно начинались с других областей, и, следовательно, нет
стандартной формулировки проблемы компьютерного зрения. Также, и это
даже более важно, нет стандартной формулировки того, как должна решаться
проблема компьютерного зрения. Вместо этого, существует масса методов для
решения различных строго определённых задач компьютерного зрения, где
методы часто зависят от задач и редко могут быть обобщены для широкого
круга применения. Многие из методов и приложений все ещё находятся в
5

стадии фундаментальных исследований, а, следовательно, актуально


практическое приложение настоящего дипломного проекта.
Космический мониторинг предполагает получение регулярной
информации о состоянии окружающей природной среды на основе данных
дистанционного зондирования Земли (ДЗЗ). Использование методов
космического мониторинга является особенно актуальным для Шацкого
природного Национального парка, который находится на территории западной
Украины.
В состав Шацкого НПП входит группа из более 30 озёр. Озеро – Свитязь
- наибольшее и самое глубокое озеро карстового происхождения на Украине.
Сегодня главной проблемой считается, то, что Свитязь, как озеро может
обмелеть из-за разработки Хотиславского мелового карьера. Проведение
действий по добыче мела приводит к изменению гидрорежима Шацких озёр. За
последние несколько десятилетий большим изменениям подверглась береговая
линия оз. Свитязь.

Анализ изменений с течением времени

Наблюдая на карте, как и куда движутся объекты в определенный период


времени, можно глубже вникнуть в закономерности их поведения. Например,
метеоролог может определить маршруты ураганов для прогнозирования их
появления в будущем. Имея серию карт развития лесного пожара, можно
определить факторы, что задерживают или ускоряют его распространение, или
вовремя сконцентрировать силы в наиболее опасных местах.
Отображая на карте условия до и после события, можно оценить
эффективность примененных действий. Отображение на карте затопленных
территорий до и после строительства дамбы поможет оценить эффективность
гидротехнического сооружения. Определение частоты возникновения пожаров
до и после проведения противопожарных мероприятий поможет оценить их
влияние.
6

Эффективное управление природопользованием в Западно-Полесском


регионе базируется на оперативно-прогностической информации про
действующие и потенциальные факторы природных изменений и
антропогенной загрузки на гидрографическую сеть. Результаты космического
мониторинга и применение информационно-аналитических технологий,
обеспечивают оценку динамики морфометрических характеристик и
пространственного распределения таких исследований, интегральных
гидроэкологических параметров как форма и периметр береговой линии и
процессов эвтрофикации водоемов.
Синтезированная эколого-картографическая модель береговой линии
группы Шацких озер на основе космоснимков 1988, 2002, 2003 гг. и
топографической карты 1855, иллюстрирует отсутствие глобальных изменений
береговой линии и фиксирует только сезонные изменения (весна-осень)
контура водной поверхности. Это свидетельствует о том, что соотношение
компонентов природного водного баланса является решающим фактором
колебаний уровня воды исследуемых водоемов [1].
В результате гидроэкологических исследований и систематизации
литературных данных получена обобщенная Лимнологическая информация о
состоянии Шацких озер, включенных в охранную зону. Исследуемые озера
отличаются по многим показателям, представляющих широкий спектр от
олиготрофных к гиперевтрофних и от озер, которые находятся в естественном
состоянии, к озерам, которые испытывают существенное антропогенное
влияние. Можно выделить группы озер, которые позволяют
дифференцированно подходить как к их использованию, так и к охране [2].
По космическим снимкам, сделанным в разные годы, хорошо
прослеживается динамика пойменных, дельтовых и антропогенных
(образовавшихся в результате сбора вод с орошаемых земель) озер. Это
позволяет делать оценку изменения площади зеркала озер, уточнять водные
ресурсы озер. Хорошо прослеживается по космическим снимкам динамика, т.е.
изменение во времени береговой линии озер.
7

Береговая зона морей и океанов – один из динамично развивающихся


природных образований, на её формирование указывают влияние
климатические факторы, гидродинамические условия моря, геолого-
геоморфологические условия побережья, техногенные факторы и др. С
изменением уровня Мирового океана в условиях глобального потепления
проблема изучения динамики береговых границ становиться особенно
актуальной.
Традиционные методы топографической съемки не в состоянии
оперативно отобразить информацию изменчивости береговых границ и во
многом уступают современным дистанционным методам. В основном в
дистанционных исследованиях береговой зоны используются космические
снимки. К аэрофотосъемке и лазерному сканированию из-за их высокой
стоимости прибегают в единичных случаях при детальных исследованиях
береговых и подводных процессов. Преимущество применения современных
космических снимков (КС) состоит в том, что при сопоставимых с
аэрофотосъемкой величинах пространственного разрешения КС обеспечивают
значительно больший по площади охват территории. Кроме того, в последние
годы благодаря прогрессу в развитии информационно-космических технологий
существенно возросло пространственное разрешение КС, что создает
возможность детально изучить изменения береговых процессов.
Таким образом, целью данной работы является повышение точности
выявления потенциально опасных зон по данным дистанционного
зондирования Земли.
Объектом исследований – поиск оптимальных характеристик для
автоматизации процесса локализации потенциально опасных зон.
Предметом исследований – методы построения картографических
моделей чрезвычайных ситуаций.
Для достижения поставленной цели в работе были решены следующие
частные задачи:
- выбор оптимального цветового канала;
- выбор оптимальной функции контрастирования;
8

- локализация объектов на снимках;


- определение площади объектов;
- автоматизация процесса обработки изображения.

1 ОБЗОР СУЩЕСТВУЮЩИХ МЕТОДОВ ЛОКАЛИЗАЦИИ ОБЪЕКТОВ НА


КОСМОСНИКАХ

Анализ и классификация изображений – задача, широко востребованная


во многих областях. Нередко возникает потребность в обработке и
исследовании таких изображений, которые не содержат объектов четко
определенной формы. Такие изображения содержат случайно расположенные
протяженные фигуры (объекты) разной формы, ориентации и яркости.
Конкретное применение анализа изображений реализовано в системе
выделения водных объектов для дальнейшего определения площади объекта.

1.1 Анализ предметной области автоматизации обработки изображений


для выделения границ объектов

Любая форма обработки информации, для которой входные данные


представлены изображением, например, фотографиями или видеокадрами
называется обработкой изображений. Обработка изображений может
осуществляться как для получения изображения на выходе (например,
подготовка к полиграфическому тиражированию, к телетрансляции и т.д.), так
и для получения другой информации (например, распознание текста, подсчёт
числа и типа клеток в поле микроскопа и т.д.).
Свет, излучаемый или отражаемый объектами и проецируемый на
участок сетчатки нашего глаза, имеет сложное спектральное распределение.
Сетчатка глаза состоит из рецепторов трёх видов, чувствительных к разным
областям видимого света. Поэтому набора из трёх чисел достаточно, чтобы
описать цвет. Плоское изображение – это функции зависимости цвета от
координат, причём координаты принимают дискретные значения. Известны два
9

основных подхода к формированию и хранению изображений: растровая


графика и векторная графика, также существуют их комбинации [10].
Редактирование изображений проводится в основном на компьютере
растровыми редакторами в цифровом виде. Современные редакторы не лишены
недостатков, однако грамотное их использование позволяет решить
большинство задач, возникающих при редактировании изображений.
Для определения границ контрастных объектов может использоваться
один из следующих методов: комбинаторный метод или метод порогового
градиента, метод выделения контура путем применения оператора Лапласа и
фильтра Гаусса, метод, использующий оператор Собела.

1.2 Выделение контуров водных объектов

Для того чтобы получать количественную информацию по объектам


изображения с помощью анализатора, необходимым условием является
их выделение относительно фона или посторонних элементов. Выделение,
распознавание объектов изображения - наиболее критический этап обработки
изображения, являющийся залогом выполнения анализатором своей задачи.
Стандартные методы выделения объектов включают:
 Выделение по яркости.
 Выделение по цвету.
 Выделение по текстурным признакам.
 Ручное выделение.

1.2.1 Методика выделения объектов по яркостным характеристикам

Наиболее простым и часто использующимся методом выделения


объектов является выделение по яркостным характеристикам. При
использовании этого метода выделения объектов или фаз производится выбор
всех точек изображения, попадающих в определенный интервал яркости. Такой
отбор осуществляется по гистограмме яркости для данного изображения.
10

Оцифрованное изображение представляет собой набор точек, яркость которых


(для 8ми битных изображений) лежит в интервале от 0 (абсолютно черный
цвет) до 255 (абсолютно белый). Гистограмма яркости изображения показывает
процентное содержание точек определенной яркости. Выделение объектов по
яркости обычно производится методом установки пороговых значений яркости,
и все точки изображения, лежащие в пределах данных значений, будут
выделены на изображении как маски объектов, которые и будут затем
измеряться.

1.2.2 Методика выделения объектов по цвету

Выделение объектов по цвету производится с использованием цветовых


моделей, оно по характеру своему является более сложным, чем простое
выделение по яркости, но позволяет добиться лучших результатов в тех
случаях, когда объекты с одинаковыми яркостными характеристиками
отличаются по цвету. В современных анализаторах изображений выделение
объектов изображения по цвету реализуется с использованием метода
обучения, когда пользователь системы указывает участки изображения,
которые необходимо выделять. Обученная таким образом система на
следующем изображении будет автоматически выделять объекты,
соответствующие по цвету указанным участкам.

1.2.3 Методика выделения объектов по текстурным особенностям

Выделение по текстурным особенностям наиболее близко по сути тем


механизмам дискриминации объектов, которые использует человеческий мозг
при их распознавании. Этот принцип состоит в опознании объекта или фазы не
по яркости или цветовым характеристикам, а по внешним признакам или
текстурным особенностям. Это относится к таким ситуациям, когда
необходимо выделить слой (участок) с ориентированной структурой внутри
однородной структуры, которая не отличается от слоя ни по яркости, ни по
11

цвету, но отличается исключительно по внешнему виду. Этот способ выделения


наиболее сложен для реализации, и далеко не все существующие в настоящее
время анализаторы изображений способны решать задачу выделения по
текстурным признакам.

1.2.4 Методика ручного выделения объектов

Ручное выделение объектов или фаз используется в тех случаях, когда


их не удается выделить ни одним из описанных способов. При ручном
выделении основным действующим лицом становится пользователь системы,
который указывает ей, что считать объектом, а что - нет.

1.3 Способы тематической обработки данных ДЗЗ для локализации


анализируемых объектов

1.3.1 Общая характеристика методов

Тематическая обработка космических снимков – это процесс


дешифрирования или распознавания объектов и явлений на космических
снимках.
Способы тематической обработки:

- Цветовые преобразования;

- Индексные изображения;

- Анализ главных компонентов;

- Метод спектральное разделение;

- Классификации.
12

1.3.2 Анализ особенностей цветовой модели RGB

В основе одной из наиболее распространенных цветовых моделей,


называемой RGB моделью, лежит воспроизведение любого цвета путем
сложения трех основных цветов: красного (Red), зеленого (Green) и синего
(Blue). Каждый канал - R, G или B имеется свой отдельный параметр,
указывающий на количество соответствующей компоненты в конечном цвете.
Например: (255, 64, 23) – цвет, содержащий сильный красный компонент,
немного зелёного и совсем немного синего. Естественно, что этот режим
наиболее подходит для передачи богатства красок окружающей природы. Но он
требует и больших расходов, так как глубина цвета тут наибольшая – 3 канала
по 8 бит на каждый, что  дает в общей сложности 24 бита.
Поскольку в RGB модели происходит сложение цветов, то она
называется аддитивной (additive). Именно на такой модели построено
воспроизведение цвета современными мониторами.
Цветовым пространством RGB модели является единичный куб.
 
 

Рисунок 1.1 - Цветовое пространство RGB модели

За основные приняты цвета, соответствующие монохроматическим


излучениям с длиной волны 0.7 мкм (красный - R); 0.5461 мкм (зеленый - G);
13

0.4358 (синий - B). Такое представление цвета называют цветовой моделью


RGB (рис.2.1) [3].
В файле цветного изображения, для каждого пиксела записано три
числа, которые означают интенсивности трех основных цветов, диапазон
значений от 0 до 255.

Рисунок 1.2 – Представление цветовой модели RGB

Практически любой цвет, видимый человеком, может быть представлен


как сумма трех основных цветов.
Если значения яркости R=250, G=0, B=0, то пиксель будет окрашен в
красный цвет.
Если значения яркости равны между собой R=G=B, пиксель будет
окрашен в серый цвет.
Если значение яркости R, G, B не равны между собой, то в зависимости
от значений яркости R, G, B пиксел будет окрашен в определенный цвет.

1.3.3 Анализ особенностей цветовой модели HSV


14

Модель HSV (Hue, Saturation, Value — Оттенок, Насыщенность,


Значение) не смешивает основные цвета при моделировании нового цвета, как в
случае с RGB, а просто изменяет их свойства. Это очень напоминает принцип,
используемый художниками для получения новых цветов — подмешивая к
чистым цветам белую, черную или серую краски. Пространство цветов этой
модели задается пирамидой с шестиконечным основанием, так называемый
Нехсоnе (рис. 3.8).
1. Оттенок (Hue) — это "цвет" в общеупотребительном смысле этого
слова, например: красный, оранжевый, синий и т. д., который задается углом в
цветовом круге, изменяющимся от 0 до 360 градусов;
2. Насыщенность (Saturation) обозначает наличие белого цвета в оттенке.
Значение насыщенности может изменяться в диапазоне от 0 до 255. Значение
равное 255, в целочисленном числовом представлении, либо единице, в
вещественном представлении, соответствует полностью насыщенному цвету,
который не содержит оттенков белого. Частично насыщенный оттенок светлее,
например, красный оттенок с насыщенностью равной 128 либо 0.5 в
вещественном представлении соответствует розовому оттенку;
3. Значение (Value) или яркость — определяет интенсивность цвета.
Цвет с высокой интенсивностью является ярким, а с низкой — темным. Значе-
ние этого параметра может изменяться в диапазоне от 0 до 255 в цело-
численном числовом представлении (либо от 0 до 1 в вещественном
представлении) [3].
15

Рис. 1.3 - Цветовая модель HSV

1.3.4 Особенности формирования изображений

Если вывести на экран дисплея изображение одного канала


многоспектрального снимка, то оно будет окрашено в серые тона (полутоновое
изображение).
Чтобы получить цветное изображение нужно сложить вместе три канала
многоспектрального снимка. Один, из которых, будет красный (R), другой
зеленый (G), третий синий (B) (рис.1.4).
16

Рисунок 1.4 – Процесс получения многоспектрального изображения

1.3.5 Особенности получения индексных изображений

Для получения индексного изображения, значение яркости каждого


пиксела вычисляется путем применения арифметических операций над
значениями яркости этого пиксела из разных каналов снимка (рис.1.5). Такое
изображение предоставляет при изучении объектов по многозональным
снимкам часто важны не абсолютные значения, а характерные соотношения
между значениями яркости объекта в различных спектральных зонах. На таких
изображениях более яро и контрастно выделяются искомые объекты по
сравнению с исходным снимком.

Рисунок 1.5 - Результат применения вегетационного индекса для данных


MODIS

1.3.6 Анализ главных компонентов (principal components analysis)


17

Анализ главных компонент - это метод анализа многоспектральных


коррелированных данных. 
Понятие коррелированные данные означает, что при возрастании
значения яркости пикселов в одном спектральном канале возрастают значения
яркости и в других спектральных каналах.
Возможности анализа главных компонент.
Если снимок содержит более трех спектральных каналов, можно создать
цветное изображение из трех главных компонент, поскольку в типичном
многозональном изображении обычно первые два или три компонента
способны описать практически всю изменчивость спектральных характеристик.
Остальные компоненты чаще всего подвержены шумовым воздействиям.
Отбрасывая эти компоненты можно уменьшить объем данных без заметной
потери информации.
Если объекты малого размера и низкого контраста плохо
дешифрируются на исходных снимках, часто хорошо выявляются на
изображениях отдельных спектральных компонент.
Такое преобразование проводят для серии разновременных снимков,
приведенных в единую систему координат, для выявления динамики, которая
ярко проявляется в одной или двух компонентах.

1.3.7 Метод спектрального разделения (spectral unmixing)

Один пиксел снимка может отображать от нескольких квадратных


метров до тысяч квадратных метров поверхности Земли, и содержать
информацию не об одном объекте, а о группе объектов, которые расположены
на соответствующей территории.
Метод спектрального разделения (рис.1.6) применяют для
распознавания на снимках объектов, размер которых значительно меньше
размера пиксела.
18

Рисунок 1.6 – Пример спектрального распределения

Суть метода состоит в следующем: смешанные спектры анализируют,


сравнивая их с известными чистыми спектрами, например, из спектральных
библиотек чистых материалов. Происходит количественная оценка
соотношения данного известного (чистого) спектра и примесей в спектре
каждого пиксела. После выполнения такой оценки может быть получено
изображение, раскрашенное так, что цвет пикселя будет означать, какой
компонент преобладает в спектре это пикселя (рис.1.7).
19

Рисунок 1.7 – Пример раскраски изображения в зависимости от


спектрального распределения
2 МЕТОДИКА ПОСТРОЕНИЯ КАРТОГРАФИЧЕСКИХ МОДЕЛЕЙ
ЗОН ВОЗМОЖНОГО ВОЗНИКНОВЕНИЯ ЧС

2.1 Постановка задачи

В последние десятилетия поверхность Земли интенсивно изучается с


космоса с помощью целого комплекса дистанционных методов: от фото- и
телесъемки до радиолокационного и лазерного зондирования её поверхности.
Перспективными считаются космические методы изучения водных объектов.
На основе космических фотоснимков составляются крупномасштабные карты,
а, следовательно, наносятся даже самые мелкие озера, отслеживаются в
динамике положение береговой линии.
На данный момент существует большое количество методик построения
картографических моделей зон возможного возникновения ЧС. Но
20

большинство из них достаточно трудоемкие, они занимают большое


количество времени и требуют участия более чем одного специалиста из
данной области. Основной задачей является создание такого программного
продукта, с помощью которого можно было бы оперативно анализировать
отдельные участки территорий для обнаружения возможных угроз, для того
чтобы в дальнейшем мониторить именно выбранную территорию, использую
более сложные и точные программные комплексы. Данная методика
достаточно проста в применении и является начальным этапом анализа
отдельных участков на предмет возможного возникновения ЧС.

2.1.1 Особенности работы с изображениями

Изображение можно определить как двумерную функцию f (x, y) , где x и


y – координаты в пространстве (конкретно, на плоскости), и значение f которой
в любой точке, задаваемой парой координат (х, у), называется интенсивностью
или уровнем серого изображения в этой точке. Если величины x , y и f
принимают конечное число дискретных значений, то говорят о цифровом
изображении [4].

Тематической обработкой изображений называется обработка цифровых


изображений с помощью цифровых вычислительных машин (компьютеров).
Цифровое изображение состоит из конечного числа элементов, каждый из
которых расположен в конкретном месте и принимает определенное значение.
Эти элементы называются элементами изображения или пикселями. Зрение
является наиболее совершенным из наших органов чувств, поэтому
неудивительно, что зрительные образы играют важнейшую роль в
человеческом восприятии.
Во всем диапазоне от обработки изображений до машинного зрения нет
четких границ, тем не менее, различают компьютеризованные процессы
низкого, среднего и высокого уровня. Процессы низкого уровня касаются
21

только примитивных операций типа предобработки с целью уменьшения шума,


повышения контраста или улучшения резкости изображений.
Для низкоуровневых процессов характерен тот факт, что на входе и на
выходе присутствуют изображения.
Обработка изображений на среднем уровне включает в себя
сегментацию (разделение изображения на области или выделение на нем
объектов), описание объектов и сжатие их в удобную для компьютерной
обработки форму, а также классификацию (распознавание) отдельных
объектов. Для таких задач характерно наличие изображений только на входе, на
выход же поступают признаки и атрибуты, извлекаемые из этих изображений
(например, границы областей, линии контуров, отличительные признаки
конкретных объектов).
Высокоуровневая обработка включает в себя «осмысление» набора
распознанных объектов, как это делается в анализе изображений, и, в пределе,
осуществление познавательных функций, которые принято связывать со
зрением [5].
2.2 Фильтрация изображения

Обычно изображения, сформированные различными информационными


системами, искажают действие помех. Это затрудняет как их визуальный
анализ человеком-оператором, так и автоматическую обработку в ЭВМ. При
решении некоторых задач обработки изображений в роли помех могут
выступать те или иные компоненты самого изображения. Например, при
анализе космического снимка земной поверхности может стоять задача
определения границ между ее отдельными участками: лесом и полем, водой и
сушей и т.п. С точки зрения этой задачи, остальные детали изображения внутри
разделяемых областей являются помехой.
Ослабление действия помех достигаются фильтрацией. При фильтрации
яркость (сигнал) каждой точки исходного изображения, искаженного помехой,
заменяется некоторым другим значением яркости, которое признается в
наименьшей степени искаженным помехой. Изображение часто представляет
22

собой двумерную функцию пространственных координат, которая изменяется


по этим координатам медленнее (иногда значительно медленнее), чем помеха,
также являющаяся двумерной функцией. Это позволяет при оценке полезного
сигнала в каждой точке кадра принять во внимание некоторое множество
соседних точек, воспользовавшись определенной похожестью сигнала в этих
точках. В других случаях, наоборот, признаком полезного сигнала являются
резкие перепады яркости. Однако, как правило, частота этих перепадов
относительно невелика, так что на значительных промежутках между ними
сигнал либо постоянен, либо изменяется медленно. В этом случае свойства
сигнала проявляются не только при наблюдении его в локальной точке, но и
при анализе ее окрестности. Окрестность может быть образована лишь
ближайшим по кадру соседям, но могут быть окрестности, содержащие сильно
удаленные точки кадра. В последнем случае степень влияния ближних и
дальних точек на решения, которые принимаются фильтром в данной точке
кадра, будет различная [6].
Таким образом, процесс фильтрации основывается на рациональном
использовании данных, как из рабочей точки, так и из ее окрестности.
Задача заключается в том, чтобы найти такую рациональную вычислительную
процедуру, которая позволяла бы достигать наилучших результатов. При
решении этой задачи обычно принято опираться на использование
вероятностных моделей изображения и помехи, а также на применение
статических критериев оптимальности. Причинами этого могут быть
случайный характер, как информационного сигнала, так и помехи.
Многообразие методов и алгоритмов связано с большим разнообразием
методов фильтрации. При совпадении моделей и критериев очень часто из-за
математических трудностей не удается найти оптимальную процедуру.
Сложность нахождения точных решений порождает различные варианты
приближенных методов и процедур.
В программной реализации метода анализа и тематической обработки
изображения, описанного в данной работе, используется фильтр Гаусса.
23

Размытие по Гауссу — это характерный фильтр размытия изображения,


который использует нормальное распределение (также называемое Гауссовым
распределением, отсюда название) для вычисления преобразования,
применяемого к каждому пикселю изображения. Уравнение распределения
Гаусса в N измерениях имеет вид:

или, в частном случае, для двух измерений:

где r — это радиус размытия, ,

σ — стандартное отклонение распределения Гаусса.

Пиксели, где распределение отлично от нуля используются для


построения матрицы свертки, которая применяется к исходному изображению.
Значение каждого пикселя становится средне взвешенным для окрестности.
Исходное значение пикселя принимает наибольший вес (имеет наивысшее
Гауссово значение), и соседние пиксели принимают меньшие веса, в
зависимости от расстояния до них [7].
В теории, распределение в каждой точке изображения будет ненулевым,
что потребовало бы вычисление весовых коэффициентов для каждого пикселя
изображения. Но, на практике, когда рассчитывается дискретное приближение
функции Гаусса, не учитывают пиксели на расстоянии свыше 3σ, т.к. они
достаточно малы. Таким образом, программе, фильтрующей изображение,
достаточно рассчитать матрицу [6σ]×[6σ], чтобы гарантировать достаточную
точность приближения распределения Гаусса.
24

К тому же имеется круговая симметрия, и размытие Гаусса может быть


применено к двухмерному изображению как два независимых одномерных
преобразования — это свойство называется линейной сепарабельностью
(linearly separable). То есть эффект от применения двухмерной матрицы
аналогичен применению двух одномерных матриц: сначала одну по всем
горизонтальным направлениям, а потом другую — по вертикальным. Это
довольно полезное свойство, так как благодаря ему вычисление может быть
произведено всего за O(n × M × N) + O(m × M × N), а не за O(m × n × M × N) в
случае несепарабельной матрицы свертки (ядра), где M, N — это размеры
фильтруемого изображения и m, n — размер ядра фильтра [5].

Рисунок 2.1 – Исходное изображение - снимок BingMaps


25

Рисунок 2.2 – Результат применения Гауссового размытия снимка


BingMaps(σ = 1.3)

Для подтверждения правильности полученных результатов были


обработаны еще 2 дополнительных космических снимка. Примеры обработки
представлены на рис. 2.3-2.6.
26

Рисунок 2.3 – Исходное изображение - снимок HereSatelite

Рисунок 2.4 – Результат применения Гауссового размытия снимка


HereSatelite (σ = 1.3)

Рисунок 2.5 – Исходное изображение - снимок Satelite-DG


27

Рисунок 2.2 – Результат применения Гауссового размытия снимка


Satelite-DG(σ = 1.3)

2.3 Выбор оптимального критерия повышения контрастности

2.3.1 Гистограммы основных цветов. В данной работе выделение


объектов на снимке проводится по принципу разделения пикселей
сравнительно с эталоном. Для того чтобы получить некоторое эталонное
значение необходимо набрать значения для обучающей выборки. В данном
случае это фрагменты водных объектов на снимке, характеристики которых,
записываются в отдельный файл, а пользователь может увидеть гистограммы
каналов R, G и B.
Гистограмма — это функция, приближающая плотность вероятности
некоторого распределения, построенная на основе выборки из него.
Гистограммы применяются в основном для визуализации данных на
начальном этапе статистической обработки.
Построение гистограмм используется для получения эмпирической
оценки плотности распределения случайной величины. Для построения
28

гистограммы наблюдаемый диапазон изменения случайной величины


разбивается на несколько интервалов и подсчитывается доля от всех
измерений, попавшая в каждый из интервалов. Величина каждой доли,
отнесенная к величине интервала, принимается в качестве оценки значения
плотности распределения на соответствующем интервале.
Существенным для построения гистограммы является выбор
оптимального разбиения, поскольку при увеличении интервалов снижается
детализация оценки плотности распределения, а при уменьшении падает
точность ее значения [8].
Гистограмма изображения позволяет оценить количество и разнообразие
оттенков изображения, а также общий уровень яркости изображения.

Рисунок 2.3- Гистограмма основных цветов

Проанализировав гистограмму основных цветов, было принято решение


перейти в цветовое пространство HSV и работать с гистограммой яркости.
2.3.2 Гистограммы яркости. Гистограммы яркости более точны, чем
гистограммы RGB в описании воспринимаемого распределения яркости или
«освещённости» в изображении. Яркость принимает во внимание тот факт, что
человеческий глаз более восприимчив к зелёному свету, чем красному и
синему. Уровни интенсивности зелёного цвета наиболее сходны с
29

распределением яркости полноцветного изображения. Яркость точно


показывает, что следующий ступенчатый градиент становится последовательно
светлее, в то время как простое прибавление каждого из значений RGB дало бы
аналогичную интенсивность в каждой ступени.
Гистограмма яркости строится таким образом, что каждый пиксель
преобразуется так, чтобы представлять яркость, основанную на взвешенном
усреднении всех трёх цветов в этом пикселе. Важное отличие состоит в том,
что гистограммы яркости сохраняют значение в каждом пикселе, тогда как в
гистограмме RGB такой информации нет.
Если на изображении нет пикселей абсолютно белого, гистограмма RGB
показывает сильные засветки, настолько большие, что если бы это была
фотография, она была бы значительно переэкспонирована. Это происходит
потому, что гистограмма RGB не принимает во внимание тот факт, что все три
цвета никогда не достигают максимума в одной точке.

Рисунок 2.4 – Визуальное различие между гистограммами основных


цветов и яркости на одном изображении
30

Рисунок 2.5 - Гистограмма яркостей

2.3 Методы контрастирования изображения

Методы цифровой обработки снимков, подробно описанные во многих


учебниках [4], подразделяют на две группы: 
1) методы, обеспечивающие яркостные и геометрические
преобразования снимков, используются для облегчения и повышения
объективности и достоверности визуального дешифрирования, для
преобразования снимков с целью устранения яркостных или геометрических
искажений, трансформирования их в заданную систему координат и
подготовки к последующему дешифрированию и созданию карты; 
2) методы автоматизированной классификации объектов по снимкам с
использованием априорной информации о признаках выделяемых классов или
без нее.
Яркостные преобразования предусматривают: квантование диапазона
спектральных яркостей снимка (аналог шкалирования); цветной синтез и
цветокодирование, выделение контуров заданной контрастности, фильтрацию
значений яркости (сглаживание) и другие приемы. Такие процедуры есть во
многих растровых ГИС-пакетах (Erdas, Idrisi и др.)
31

Методы улучшающих преобразований обычно применяют в качестве


первого шага в использовании снимков: для идентификации изобразившихся
областей и объектов, определения их местоположения и для извлечения
информации об их изобразительных свойствах и признаках.
Методы спектрального улучшения изображений реализуют с учетом
только индивидуальных значений яркости пикселей в пределах каждой зоны
спектра. В их основе лежит анализ и преобразование гистограмм —
графического представления распределения спектральных яркостей снимка в
радиометрическом диапазоне. При этом новой информации не образуется, а
исходная информация перераспределяется, с тем, чтобы подчеркнуть
спектральные свойства объектов. Среди наиболее часто используемых методов
следует выделить следующие: 
• повышение контраста — линейное, нелинейное и кусочно-линейное
преобразование гистограммы; 
• эквализация гистограммы — перераспределение значений всех пикселей
в пределах радиометрического диапазона; 
• подгонка гистограмм — согласование значений пикселей изображений в
двух зонах по их гистограммам;
• инверсия изображения — получение изображений с обратным
контрастом относительно исходного.
Контраст является измерением разницы яркостей между светлыми и
тёмными частями изображения. Широкие гистограммы отражают сцены со
значительным контрастом, тогда как узкие гистограммы означают, что
контраст снижен. Поэтому следующим шагом было выполнение изменения
контраста.

2.3.1 Линейное контрастирование


32

Изображения, вводимые в ЭВМ, часто являются малоконтрастными, т.е.


у них вариации функции яркости малы по сравнению с ее средним значением.

Реальный динамический диапазон яркостей , для таких

изображений оказывается намного меньше допустимого диапазона (шкалы


яркости). Задача контрастирования заключается в «растягивании» реального
динамического диапазона на всю шкалу. Контрастирование можно осуществить
при помощи линейного поэлементного преобразования

g = af + b (2.3)

Параметры этого преобразования - a , b - нетрудно определить, исходя из


требуемого изменения динамического диапазона. Если в результате обработки
нужно получить шкалу [gmin, gmax], то, как следует из (2.3)

Отсюда

В частном случае, если gmin=0, gmax= 255 , имеем:

; .
33

Этот способ удобен еще тем, что позволяет не рассматривать истинные


экстремальные значения яркости – fmin, fmax, , а назначать их с некоторыми
доверительными вероятностями. Эффект контрастирования в этом случае
получается сильнее, хотя, естественно, маловероятные элементы, вышедшие
после преобразования за пределы шкалы [gmin, gmax], будут потеряны (их
значения будут приняты равными gmin или gmax ).
Оценку плотности распределения яркостей в виде гистограммы получают
в результате предварительного анализа изображения.
После того как было проведено линейное повышение контраста, было
принято решение использовать метод кусочно-линейного повышения
контраста. Т.к. в первом случае результаты были неудовлетворительными (рис.
2.7, 2.9, 2.11).

2.3.2 Кусочно-линейное повышение контраста

Кусочно-линейное повышение контраста состоит в том, что интервал


значений яркости необходимо разбить на несколько частей и диапазон
значений яркостей на каждом из интервалов будет растянут в соответствии с
масштабом для каждого интервала. Коэффициент растягивания для каждого из
диапазонов рассчитывается по формуле:

где mi – масштаб, для каждого из диапазонов;


i - количество диапазонов;
k - коэффициент, равный (gmax - gmin)/i;
n2 – конечное значение в диапазоне;
n1 – начальное значение в диапазоне.
34

В данной работе было принято решение о разбиении гистограммы


яркости на 4 интервала. Повышение контраста также было произведено в
цветовом пространстве HSV в канале S. Результаты кусочно-линейного
повышения контраста представлены на рис. 2.8, 2.10, 2.12.

Рисунок 2.7 – Снимок BingMaps, обработанный методом линейного


повышения контраста
35

Рисунок 2.8 – Снимок BingMaps, обработанный методом кусочно-


линейного повышения контраста

Рисунокv2.9 – Снимок HereSatelite, обработанный методом линейного


повышения контраста
36

Рисунок 2.10 – Снимок HereSatelite, обработанный методом кусочно-


линейного повышения контраста

Рисунок 2.11 – Снимок Satelite-DG, обработанный методом линейного


повышения контраста
37

Рисунок 2.12 – Снимок DG-Satelite, обработанный методом кусочно-


линейного повышения контраста

2.4 Методика локализации анализируемых объектов на снимках

Развитие компьютерных технологий позволяет упростить процедуры


выявления и распознавания объектов местности на космических снимках и
перейти от визуального дешифрирования к автоматизированному, что ускоряет
проведение географического анализа изображений. В настоящее время
разработано большое число алгоритмов автоматизированного дешифрирования
(классификации космических снимков), под которым понимается процесс
разбиения пикселей изображения на классы, т. е. на однородные по некоторому
критерию области. Первичным признаком при классификации объектов
космических снимков служит яркость пикселей в различных спектральных
диапазонах съемки. В качестве вторичных признаков используются
характерный размер, форма и текстура объектов. Полученное в результате
изображение называется тематической картой, на которой каждому цвету
соответствует определенный класс объектов.
38

В данной работе выделение объектов производится по принципу


сравнения с эталонным значением. После того, как снимок обрабатывается
фильтром Гаусса, при необходимости повышается контраст. Затем необходимо
набрать статистику, некое эталонное значение. Если необходимо выделить
водные объект на снимке эталонными значениями являются пиксели,
принадлежащие именно водным объектам. Как результат, объект выделяется
красным цветом, что дает возможность в дальнейшем работать с выделенными
объектами, анализировать их и проводить всевозможные расчеты или же
сравнивать их с другими значениями.

2.5 Определение значений площади объектов

Существует множество различных способов анализа выделенных


объектов на снимке. Например, можно сравнивать только контуры
изображения, для наглядности изменения формы выделенного объекта.
В данной работе было принято решение о подсчете площади
выделенных объектов. Для этого необходимо знать масштаб снимка. Обычно
при использовании космоснимков вместе со снимком предоставляется файл
привязки, в котором указаны основные необходимые данные, такие как
масштаб снимка, предположительно дату и время снимания, спутник, с
которого производилась съемка, а также множество другой информации.
В данной программной реализации метода анализа водных объектов на
снимке необходимо пользователю указать количество метров в одном пикселе
на изображении для подсчета площади. Затем эти данные могут использоваться
для анализа данных объектов.
В данной работе было произведено сравнение площадей выделенных
объектов на снимках разных годов, для того чтобы можно было сравнить
изменение береговой линии, посредством изменения площади водных
объектов. Результаты локализации объектов представлены на рис. (2.13-2.15).
39

Рисунок 2.13 – Результат локализации объектов и определения площади


на космическом снимке BingMaps
40

Рисунок 2.14 - Результат локализации объектов и определения площади


на снимке HereSatelite
41

Рисунок 2.15 - Результат локализации объектов и определения площади


на снимке SateliteDG

На изображениях, показанных выше, представлены результаты


локализации анализируемых объектов на космических снимках BingMaps,
HereSatelite и SateliteDG . Небольшие фрагменты леса, окрашенные в красный
цвет, а также участки озера, не окрашенные в красный цвет, свидетельствуют
об ошибках локализации. Это в некоторой мере влияет на определение
площади озера. Но даже по этим данным можно сделать выводы об изменении
во времени береговой линии озера Свитязь.
Определенная площадь, являющаяся результатом методики построения
картографических моделей зон возможного возникновения ЧС для каждого из
космических снимков равна:
- BingMaps = 19,96701км.кв;
- HereSatelite = 22,37438 км.кв;
- SateliteDG = 20,102 км.кв.
3 РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ЛОКАЛИЗАЦИИ
ВЫЯВЛЕНИЯ ПОТЕНЦИАЛЬНО ОПАСНЫХ ЗОН ПО ДАННЫМ
ДИСТАНЦИОННОГО ЗОНДИРОВАНИЯ ЗЕМЛИ

3.1 Алгоритм программной реализации методики

Данный алгоритм условно разделяется на 3 блока:


- блок предварительной обработки снимка;
- блок сбора данных и их обработки;
- блок локализации анализируемых объектов на космическом
снимке и определение площади.

В блоке предварительной обработки снимка изображение тематически


обрабатывается фильтром Гаусса, а также повышается контраст, используя
42

кусочно-линейную функцию. На выходе будет получен снимок, обработанный


и готовый для дальнейшего анализа.
Во втором блоке происходит сбор данных и их обработка,
анализируются гистограммы яркостей. На выходе имеется файл статистики, в
котором записаны эталонные значения, необходимые для дальнейшего анализа
космического снимка.
В блоке локализации анализируемых объектов производится перекраска
пикселей, в соответствии с файлом статистики. Также производится подсчет
площади выделенных объектов.
Блок-схема реализации разработки программного обеспечения
представлена на рис. 3.1.
Фрагменты листингов по каждому из блоков описаны ниже.

Загрузка RGB - изображения (1)

Обработка фильтром Гаусса (размытие)


(1.1)

Повышение контраста
(1.2)

1 БЛОК ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ СНИМКА

Запись значений в файлы(2.1) Набор статистики данных(2.2)

2 БЛОК СБОРА ДАННЫХ И ИХ ОБРАБОТКИ

Чтение значений из файлов (2.3)


43

Перекраска пикселей по файлу


статистики(3.1)

3 БЛОК ВЫДЕЛЕНИЯ ОБЪЕКТОВ НА СНИМКЕ


Определение площадиИвыделенного
ОПРЕДЕЛЕНИЕ ПЛОЩАДИ
объекта(3.2)

Рисунок 3.1 – Блок-схема реализации разработки программного


обеспечения

3.1.1 Блок предварительной обработки снимка

В данном блоке производится размытие изображение по Гауссу


(Листинг 3.1) и кусочно-линейное повышение контраста (Листинг 3.2). Так как,
операции с контрастированием производятся в цветовом пространстве HSV,
необходимо дополнительно использовать функцию преобразования от HSV к
RGB (Листинг 3.3).

Листинг 3.1

1. SIGMA = double.Parse(textBox1.Text);
2. int win2 = (int)(3 * SIGMA);
3. int win = 2 * win2 + 1;
4. double[,] O1 = new double[win, win];
5. Image_new = new Bitmap(Image_mem);
6. int i, j;
7. double const1 = (System.Math.Sqrt(2 * System.Math.PI) * SIGMA);
44

8. for (i = -win2; i <= win2; i++)


9. { for (j = -win2; j <= win2; j++)
10. { double const2 = System.Math.Pow(System.Math.E, -(i * i + j * j) / (2 * SIGMA *
SIGMA);
11. O1[i + win2, j + win2] = const2 / const1; } }
12. double K = 0;
13. for (i = -win2; i <= win2; i++) {
14. for (j = -win2; j <= win2; j++) {
15. K += O1[i + win2, j + win2]; } }
16. double R = 0, G = 0, B = 0;
17. progressBar1.Maximum = (X2 - X1);
18. for (i = X1 + win2; i < X2 - win2; i++) {
19. progressBar1.Value = (i - X1);
20. for (j = Y1 + win2; j < Y2 - win2; j++) {
21. R = 0; G = 0; B = 0;
22. . for (int i1 = -win2; i1 <= win2; i1++){
23. for (int j1 = -win2; j1 <= win2; j1++) {
24. Color color = Image_mem.GetPixel(i + i1, j + j1);
25. R += (O1[i1 + win2, j1 + win2] * color.R);
26. G += (O1[i1 + win2, j1 + win2] * color.G);
27. B += (O1[i1 + win2, j1 + win2] * color.B) }}
28. R /= K; G /= K; B /= K;
29. Image_mem.SetPixel(i, j, Color.FromArgb(255, (int)R, (int)G, (int)B)); }}
30. pictureBox1.Image = Image_mem;

Листинг 3.2

1. { for (int i = 0; i < 360; i++) {


2. masH[i] = 0; }
3. for (int i1 = 0; i1 < 255; i1++){
4. masS[i1] = masV[i1] = 0;}
5. double H, S, V;
6. Color color;
7. Image_new = new Bitmap(Image_mem);
8. progressBar1.Maximum = (X2 - X1) * 2;
9. for (int i = X1; i < X2; i++){
45

10. progressBar1.Value = i - X1;


11. for (int j = Y1; j < Y2; j++){
12. color = Image_mem.GetPixel(i, j);
13. H = color.GetHue();
14. S = (color.GetSaturation() * 255);
15. V = (color.GetBrightness() * 255);
16. masH[(int)H]++;
17. masS[(int)S]++;
18. masV[(int)V]++;}}
19. int N = (X2 - X1) * (Y2 - Y1);
20. int N_25 = N / 4;
21. int N_50 = N_25 * 2;
22. int N_75 = N_25 * 3;
23. int sum = 0, i_25 = 0, i_50 = 0, i_75 = 0;
24. for (int i = 0; i < 256; i++) {
25. sum += masS[i];
26. if (sum > N_25) {
27. i_25 = i; break;}}
28. sum = 0;
29. for (int i = 0; i < 256; i++) {
30. sum += masS[i];
31. if (sum > (N_50)){
32. i_50 = i; break; } }
33. sum = 0;
34. for (int i = 0; i < 256; i++)
35. { sum += masS[i];
36. if (sum > (N_75)) {
37. i_75 = i; break;}
38. int minS = 0, maxS = 0;
39. for (int i = 0; i < 256; i++)
40. { if (masS[i] != 0)
41. { minS = i;
42. break; } }
43. for (int i = 255; i > 0; i--){
44. if (masS[i] != 0) {
45. maxS = i;
46

46. break;} }
47. double m1, m2, m3, m4;
48. if (minS != i_25) {
49. m1 = 63 / (i_25 - minS); }
50. else m1 = 1;
51. if (i_25 != i_50) {
52. m2 = 63 / (i_50 - i_25); }
53. else m2 = 1;
54. if (i_50 != i_75){
55. m3 = 63 / (i_75 - i_50); }
56. else m3 = 1;
57. if (i_75 != maxS) {
58. m4 = 63 / (maxS - i_75); }
59. else m4 = 1;
60. for (int i = X1; i < X2; i++) {
61. progressBar1.Value = (i - X1) + (X2 - X1);
62. for (int j = Y1; j < Y2; j++)
63. { color = Image_mem.GetPixel(i, j);
64. S = (color.GetSaturation() * 255);
65. H = (color.GetHue());
66. V = (color.GetBrightness() * 255);
67. if ((double)S <= i_25) {
68. S = (S - minS) * m1;}
69. if ((double)S > i_25 && S <= i_50) {
70. S = (S - i_25) * m2 + 63; }
71. if ((double)S > i_50 && S <= i_75)
72. { S = (S - i_50) * m3 + 126;
73. } if ((double)S > i_75 && S <= maxS)
74. { S = (S - i_75) * m4 + 189; }
75. FromHSV_To_RGB(H, S, V, ref R, ref G, ref B);
76. Image_mem.SetPixel(i, j, Color.FromArgb(255, R, G, B));
77. }} pictureBox1.Image = Image_mem;
78. progressBar1.Value = 0; }

Листинг 3.3
47

1. void FromHSV_To_RGB(double H, double S, double V, ref int R, ref int G, ref int B){
2. if (S == 0) { R = (int)V; G = (int)V; B = (int)V; return; }
3. int ii;
4. double fr;
5. int c1, c2, c3;
6. while (H >= 360) H -= 360;
7. ii = (int)(H /= 60.0);
8. fr = H - ii;
9. c1 = (int)(V * (255 - S)) / 255;
10. c2 = (int)(V * (255 - S * fr)) / 255;
11. c3 = (int)(V * (255 - S * (1.0 - fr))) / 255;
12. switch (ii)
13. {case 0: R = (int)V; G = c3; B = c1; break;
14. case 1: R = c2; G = (int)V; B = c1; break;
15. case 2: R = c1; G = (int)V; B = c3; break;
16. case 3: R = c1; G = c2; B = (int)V; break;
17. case 4: R = c3; G = c1; B = (int)V; break;
18. case 5: R = (int)V; G = c1; B = c2; break;}}

3.1.2 Блок сбора данных и их обработки

В этом блоке производится запись значений в файл(2.1), набор


статистики данных. Набор статистики производится способом выделения
небольшого фрагмента изображения (2.2). После каждого прочтения файла
статистики данные отображаются в виде гистограммы(2.3) (Листинг 3.4).

Листинг 3.4

1. for (int i = 0; i < 360; i++)


2. {masH[i] = 0; }
3. for (int i1 = 0; i1 < 255; i1++) {
4. masS[i1] = masV[i1] = 0; }
5. double H, S, V;
6. Color color;
7. for (int i = X1; i < X2; i++) {
48

8. for (int j = Y1; j < Y2; j++) {


9. color = Image_mem.GetPixel(i, j);
10. H = color.GetHue();
11. S = (color.GetSaturation() * 255);
12. V = (color.GetBrightness() * 255);
13. masH[(int)H]++;
14. masS[(int)S]++;
15. masV[(int)V]++; }}
16. FileStream fs = new FileStream(file_1, FileMode.OpenOrCreate, FileAccess.ReadWrite);
17. StreamWriter sw = new StreamWriter(fs, Encoding.UTF8);
18. int min1_H = 0;
19. for (int i = 0; i < 360; i++){
20. if (masH[i] > 0){
21. min1_H = i;
22. break;}}
23. int max1_H = 0;
24. for (int i = 359; i > 0; i--) {
25. if (masH[i] > 0)
26. { max1_H = i;
27. break; } }
28. int n = 0;
29. double M_H = 0, D_H = 0;
30. for (int i = 0; i < 360; i++)
31. {M_H = M_H + i * masH[i];
32. n = n + masH[i];
33. } M_H = M_H / n;
34. for (int i = 0; i < 360; i++)
35. {D_H = D_H + ((M_H - i) * masH[i] * (M_H - i) * masH[i]);
36. } D_H = D_H / n;
37. int min1_S = 0;
38. for (int i = 0; i < 255; i++) {
39. if (masS[i] > 0) {
40. min1_S = i;
41. break; } }
42. int max1_S = 0;
43. for (int i = 254; i > 0; i--)
49

44. {if (masS[i] > 0)


45. { max1_S = i;
46. break; } }
47. int n_S = 0;
48. double M_S = 0, D_S = 0;
49. for (int i = 0; i < 255; i++)
50. {M_S = M_S + i * masS[i];
51. n_S = n_S + masS[i]; }
52. M_S = M_S / n_S;
53. for (int i = 0; i < 255; i++)
54. { D_S = D_S + ((M_S - i) * masS[i] * (M_S - i) * masS[i]);}
55. D_S = D_S / n_S;
56. int min1_V = 0;
57. for (int i = 0; i < 255; i++)
58. {if (masV[i] > 0)
59. {min1_V = i;
60. break; } }
61. int max1_V = 0;
62. for (int i = 254; i > 0; i--)
63. { if (masV[i] > 0)
64. { max1_V = i;
65. break; }
66. int n_V = 0;
67. double M_V = 0, D_V = 0;
68. for (int i = 0; i < 255; i++)
69. { M_V = M_V + i * masV[i];
70. n_V = n_V + masV[i]; }
71. M_V = M_V / n_V;
72. for (int i = 0; i < 255; i++)
73. { D_V = D_V + ((M_V - i) * masV[i] * (M_V - i) * masV[i]); }
74. D_V = D_V / n_V;
75. string str = "Минимум_H " + min1_H.ToString() + " Максимум_H " + max1_H.ToString()
+" Мат.ожидание_H " + M_H.ToString() + " Дисперсия_H " + D_H.ToString() + " Минимум_S
" + min1_S.ToString() + " Максимум_S " + max1_S.ToString() + " Мат.ожидание_S " +
M_S.ToString() + " Дисперсия_S " + D_S.ToString() + " Минимум_V " + min1_V.ToString() + "
50

Максимум_V " + max1_V.ToString() + " Мат.ожидание_V " + M_V.ToString() + "


Дисперсия_V " + D_V.ToString();
76. fs.Seek(0, SeekOrigin.End);
77. sw.WriteLine(str);
78. sw.Close();
79. fs.Close();
80. int maxH = 0;
81. for (int i = 0; i < 360; i++)
82. {if (maxH < masH[i]) maxH = masH[i];}
83. double mH;
84. mH = (double)BMP_R.Height / maxH;
85. Graphics gr_H = Graphics.FromImage(BMP_R);
86. DialogResult dr = colorDialog1.ShowDialog();
87. if (dr == DialogResult.OK)
88. { color = colorDialog1.Color;}
89. else
90. {color = System.Drawing.Color.Black; }
91. Pen Pen1 = new Pen(color, 1);
92. Point[] poiH = new Point[360];
93. for (int i = 0; i < 360; i++){
94. poiH[i].X = i;
95. poiH[i].Y = BMP_R.Height - (int)(masH[i] * mH);}
96. gr_H.DrawLines(Pen1, poiH);
97. Gist = new Form_гистограмма();
98. Gist.PB_R.Image = new Bitmap(BMP_R);
99. Gist.Show();
100. int maxS = 0;
101. for (int i = 0; i < 255; i++)
102. {if (maxS < masS[i]) maxS = masS[i];}
103. double mS;
104. mS = (double)BMP_G.Height / maxS;
105. Graphics gr_S = Graphics.FromImage(BMP_G);
106. if (dr == DialogResult.OK)
107. {color = colorDialog1.Color;}
108. else
109. { color = System.Drawing.Color.Black;}
51

110. Point[] poiS = new Point[255];


111. for (int i = 0; i < 255; i++)
112. { poiS[i].X = i;
113. poiS[i].Y = BMP_G.Height - (int)(masS[i] * mS);}
114. gr_S.DrawLines(Pen1, poiS);
115. Gist.PB_G.Image = new Bitmap(BMP_G);
116. Gist.Show();
117. int maxV = 0;
118. for (int i = 0; i < 255; i++)
119. { if (maxV < masV[i]) maxV = masV[i];}
120. double mV;
121. mV = (double)BMP_B.Height / maxV;
122. Graphics gr_V = Graphics.FromImage(BMP_B);
123. if (dr == DialogResult.OK)
124. { color = colorDialog1.Color;}
125. else
126. {color = System.Drawing.Color.Black;}
127. Point[] poiV = new Point[255];
128. for (int i = 0; i < 255; i++)
129. { poiV[i].X = i;
130. poiV[i].Y = BMP_B.Height - (int)(masV[i] * mV}
131. gr_V.DrawLines(Pen1, poiV);
132. Gist.PB_B.Image = new Bitmap(BMP_B);
133. Gist.Show();

3.1.3 Блок локализации анализируемых объектов на снимке и


определение площади

В данном блоке производится выделение объектов по сформированному


ранее файлу статистики (Листинг 3.5). А также подсчитывается площадь
выделенного объекта (Листинг 3.6).

Листинг 3.5

1. DialogResult dr;
52

2. OpenFileDialog openFileDialog2 = new OpenFileDialog();


3. dr = openFileDialog2.ShowDialog();
4. if (dr == DialogResult.OK)
5. { FileStream fs = new FileStream(openFileDialog2.FileName, FileMode.Open,
FileAccess.Read);
6. StreamReader sr = new StreamReader(fs, Encoding.UTF8);
7. string[] Line;
8. string strArr = "";
9. j = 0;
10. while (sr.EndOfStream != true)
11. { strArr = sr.ReadLine();
12. j++; }
13. fs.Position = 0;
14. min_H = new int[j];
15. max_H = new int[j];
16. M_H = new double[j];
17. D_H = new double[j];
18. for (int i = 0; i < j; i++)
19. { min_H[i] = 0;
20. max_H[i] = 0;
21. M_H[i] = 0;
22. D_H[i] = 0; }
23. j = 0;
24. double var;
25. while (sr.EndOfStream != true)
26. { strArr = sr.ReadLine();
27. Line = strArr.Split(' ');
28. min_H[j] = int.Parse(Line[1]);
29. var = min_H[j];
30. max_H[j] = int.Parse(Line[3]);
31. var = max_H[j];
32. M_H[j] = double.Parse(Line[5]);
33. D_H[j] = double.Parse(Line[7]);
34. j++; }

Листинг 3.6
53

1. mashtab = double.Parse(textBox2.Text);
2. for (int i = 0; i < 100000000; i++){
3. masPL[i] = 0;}
4. Color col1;
5. double PL=0;
6. for (int i = 0; i < Image_mem.Width; i++){
7. for (int j = 0; j < Image_mem.Height; j++){
8. col1 = Image_mem.GetPixel(i, j);
9. PL = col1.R;
10. if (col1 == Color.Red)
11. masPL[(int)PL]++;} }
12. string inf;
13. inf = " Площадь равна "+PL*mashtab*mashtab*0.001+" км.кв.";
14. MessageBox.Show(inf);

3.2 Руководство оператора

Для обработки снимка данным методом необходимо запустить


компиляцию программы, в открывшемся окне нажать левой кнопкой мыши по
меню «Файл / Открыть» (рис 3.2) и выбрать файл, который будет
обрабатываться (рис.3.3).

Рисунок 3.2 – Меню программы «Файл»


54

Рисунок 3.3 – Диалоговое окно «Открыть»

После того, как изображение загружено, необходимо приступить к


обработке снимка. Если на изображении большое количество мелких
фрагментов, то желательно использовать размытие по Гауссу
«Предварительная обработка / Фильтр Гаусса (размытие)» (рис.3.4)
Стандартное отклонение распределения Гаусса пользователь вводит
самостоятельно, таким образом, подбирая наиболее подходящее число.
55

Рисунок 3.4 – Меню «Предварительная обработка снимка», выбор


функции «Фильтр Гаусса»

После размытия изображения необходимо повысить контраст. Для этого


в меню «Предварительная обработка» необходимо выбрать функцию
«Контрастирование». После этого необходимо набрать эталонные значения.
выделив небольшие фрагменты на интересующем объекте, нужно кликнуть по
меню «Гистограмма / HSV» (рис. 3.5). Количество данных для статистики
определяется в зависимости от поставленного задания и снимка.

Рисунок 3.5 – Меню «Гистограмма / HSV»

После проведенных действий можно непосредственно выделять объекты


на снимке. За это отвечает меню «Предварительная обработка снимка /
Перекрасить пиксели» (рис.3.6). При это появится диалоговое окно, в котором
нужно выбрать файл статистики, набранной ранее. В данном программном
модуле этот файл называется «HSV» (рис.3.7).
56

Рисунок 3.6 – Меню «Предварительная обработка снимка / Перекрасить


пиксели»

Рисунок 3.7 – Диалоговое окно выбора файла статистики для выделения


объектов на снимке

Для того чтобы посчитать площадь выделенного объекта необходимо


ввести на основной форме в поле «Разрешение» количество метров в 1 пикселе,
затем кликнуть на меню «Площадь» (рис.3.8).
57

Рисунок 3.8 – Меню «Площадь»

4 ЭКОНОМИЧЕСКАЯ ЧАСТЬ

В данной работе велась разработка программного алгоритма для


выделения водных объектов на космических снимках. В разделе экономическая
часть будет проведен расчет затраченных средств на проектирование, создание
и оборудование, необходимое для разработки алгоритма и дальнейшего
создания программного модуля (ПМ).
Для разработки алгоритма и создания данного программного продукта
использовались:
-космические снимки (низкого разрешения);
-среда разработки Microsoft Visual Studio 13.0.

4.1 Сегментация рынка ПО для разработки программного модуля для


выделения облаков на космических снимках
58

На сегодняшний день существует несколько программных средств,


предоставляющих инструментарий для идентификации облаков на снимке.
Стоимостные показатели соответствующих программных продуктов приведены
в таблице 4.1.
Таблица 4.1 — Стоимость основных материалов и программных продуктов
для разработки ПМ
№ Наименование Назначение Количество, Цена за
п/п материала шт. единицу,
грн.

1. Microsoft Создание 1 13
Visual Studio программы 888,00
13.0

2. Пакет Создание 1 5 400,00


офисных документации
программ
Microsoft
Office

3. Ноутбук HP Работа с 1 9 777,00


Pavilion 15- программной
p125nr средой

4. Принтер Распечатка 1 2 464,00


Epson документации
Expression и карт
Home XP-100

Итого

Вывод: для выполнения работы необходимо оборудование и


программные средства, стоимость которых составляет 31 529,00 грн.
Для разработки программного модуля использовалась среда разработки
Microsoft Visual Studio 13.0, космические снимки интересуемой территории.
Космические снимки были взяты с архива снимков NOAA, которые
распространяются бесплатно.

4.2 Характеристика технических средств необходимых для создания


программного модуля
59

Для разработки программного модуля выдвигаются следующие


требования к характеристикам компьютера (Табл. 4.2).

Таблица 4.2 - Характеристики компьютера


Название Характеристики системы
Операционная система Windows 7 Professional, Windows 8.1

Тип процессора Двухъядерный Intel Core i7-4600U (2.1 -


3.3 ГГц)

ОЗУ 4-8 Гб

Оптические приводы DVD+/-RW SuperMulti DL

Жесткий диск 100-500 Гб

Дисплей 15.6" (1920x1080) Full HD LED


Графика AMD Radeon HD8750M, 1 ГБ
выделенной памяти

Беспроводные технологии Wi-Fi 802.11 a/b/g/n


Bluetooth 4.0
Gigabit Ethernet

4.3 Разработка перечня работ

В данном разделе необходимо составить перечень этапов работ по


разработке методики определения территории для строительства сооружений и
рассчитать трудоемкость и продолжительность работ над проектом.
Продолжительность каждого этапа определяется по формуле:

где – продолжительность этапа в рабочих днях;

– трудоемкость этапа, человеко-дни;


60

– принятое количество исполнителей, одновременно занятых на


определенном этапе работы.
Результаты расчета трудоемкости представлены в табл.4.1. Согласно этим
подсчетам, на разработку методики потребуется 23 рабочих дня.

Таблица 4.3 – Перечень работ


№ Этапы работ Трудоемкость, чел./день Продолжительно
п/ Руково Програм сть, дней
п дитель мист

1. Разработка 2 2 2
технического
задания

2. Постановка 1 1 1
задачи,
разработка
требований к
методике

3. Разработка 1 1 1
структурной
схемы работы

4. Работа с 0 1 1
данными,
просмотр
необходимой
документации

5. Скачивание 0 1 1
снимков

6. Разработка 2 6 6
методики

7. Формирование 5 10 10
отчета
(руководство по
разработке
методики)

8. Печать 1 1 1
руководства

Итого: 12 23 23
61

Вывод: для проведения данной работы необходимо 23 рабочих дня.

4.4 Расчет сметы затрат на проект

Материалы, необходимые для данного проекта, а также их назначение,


необходимое количество и цена, представлены в табл.4.4.

Таблица 4.4 – Расходы на материалы


№ Наименование Назначение Количество, Цена за
п/п материала шт. единицу,
грн.

1. Флэш-карта Хранение 1 147,00


Transcend основной
JetFlash 330 информации
16GB и резервных
копий

2. Компьютерная Работа с 1 129,00


мышь Genius программной
DX-6010 средой
Black USB

Итого:

Таким образом, затраты на материалы для данного проекта составляют


276 гривен.
Заработная плата — вознаграждение за труд в зависимости от
квалификации работника, сложности, количества, качества и условий
выполняемой работы, а также компенсационные выплаты и стимулирующие
выплаты. 
Заработная плата исполнителя и руководителя состоит из основной и
дополнительной заработных плат.
В разработке программного модуля принимали участия менеджер
проекта и инженер-программист. Разработка длилась 24 рабочих дня. Рабочий
день – восьмичасовой.
62

Для данного проекта рассчитывается заработная плата руководителя


проекта, оклад которого составляет 15 000 грн/мес (23 рабочих дня в месяце) и
разработчика – программиста, оклад которого составляет 13 000 грн/мес
(табл.4.5).
Таблица 4.5 – Средняя месячная и дневная заработная плата
№ Должность Заработная плата/ Заработная плата/
п/п месяц(23 дня), день, грн.
грн.

1. Руководитель 15 000 652,17

2. Программист 13 000 565,22

Основная заработная плата ( ) состоит из суммы средней дневной


заработной платы руководителя и разработчика, умноженной на их
трудоемкость и рассчитывается по формуле:

, (4.2)

где , – дневная заработная плата руководителя и разработчика

соответственно;

– трудоемкость руководителя и разработчика;

Таким образом, основная заработная плата за месяц по формуле (4.2):

Следовательно, основная заработная плата составляет грн.

Далее производится расчет дополнительной заработной платы ( ),

которая составляет 25% от основной заработной платы и рассчитывается:

(4.3)
63

Следовательно, по формуле (4.3) дополнительная заработная плата равна:

В итоге, заработная плата составляет:

Начисления на заработную плату (единый социальный фонд – )

составляют 37,5% и рассчитывается по формуле:

(4.4)

Следовательно, по формуле (4.4) начисления на заработную плату:

Затем производится расчет амортизации (Ам) за месяц, которая равна


25% от стоимости оборудования и рассчитывается по формуле:

(4.5)

Следовательно, из формулы (4.5) амортизация равна:


64

Себестоимость — это стоимостная оценка используемых в процессе


производства продукции (работ, услуг) природных ресурсов, сырья,
материалов, топлива, энергии, основных фондов, трудовых ресурсов и других
затрат на ее производство и реализацию. Себестоимость равна сумме всех
расходов на разработку проекта и рассчитывается по формуле:

Следовательно, из формулы (4.6) себестоимость составляет:

Цена разработки рассчитывается по формуле:

где П – плановая прибыль (20% от себестоимости разработки);


НДС – налог на добавленную стоимость (17% от себестоимости и
плановой прибыли);
Налог на добавленную стоимость (НДС) — косвенный налог, форма
изъятия в бюджет государства части стоимости товара, работы или услуги,
которая создаётся на всех стадиях процесса производства товаров, работ и
услуг и вносится в бюджет по мере реализации.
Плановая прибыль равна:

Налог на добавленную стоимость (НДС) рассчитывается по формуле:


65

Следовательно, по формуле (6.7) цена разработки составляет:

Калькуляционные статьи на разработку методики автоматизации


локализации водных объектов представлены в табл.6.6.

Таблица 4.6 – Статьи калькуляции на разработку


№ Статья калькуляции Расходы,
п/п грн.

1. Материалы 31 529,00

2. Основная заработная плата 20 826,1

3. Дополнительная заработная плата 5 206,53

4. Общая заработная плата 26 032,63

5. Начисления на заработную плату 9 762,23

6. Амортизация 656,85

7. Себестоимость разработки 67 980,71

8. Плановая прибыль 13 596,14

9. Цена без НДС 85 576,85

10. Налог на добавленную стоимость (НДС) 16 315,37

11. Цена разработки 97 892,22

Таким образом, себестоимость разработки составляет


67 980,71 грн, цена с учетом НДС разработки составляет
97 892,22 грн.
Для расчета данных показателей были учтены все необходимые статьи
калькуляции: расходы на материалы, основные и дополнительные заработные
платы разработчика и руководителя, начисления на заработную плату,
амортизационные отчисления.
66

Перечисленные статьи дают полное представление о затратах,


необходимых на разработку данного проекта.

ВЫВОДЫ

Береговая зона морей и океанов – один из динамично развивающихся


природных образований, на её формирование указывают влияние
климатические факторы, гидродинамические условия моря, геолого-
геоморфологические условия побережья, техногенные факторы и др. С
изменением уровня Мирового океана в условиях глобального потепления
проблема изучения динамики береговых границ становиться особенно
актуальной.
Так как, целью данной работы является повышение точности выявления
потенциально опасных зон по данным дистанционного зондирования Земли, в
результате был выполнен поиск оптимальных характеристик для
автоматизации процесса локализации потенциально опасных зон.
1. В результате анализа цветовых моделей было определено, что
оптимальной является цветовая модель HSV.
Анализ цветовых моделей проводился на основе результатов сравнения
гистограмм, полученных в результате обработки изображений по каналам RGB
и HSV, была выбрана цветовая модель HSV, так как, гистограмма яркостей
более подробно описывает изображение и сохраняют значение в каждом
пикселе, тогда как в гистограмме RGB такой информации нет.
2. Эмпирическим путем было определено, что в качестве оптимальной
функции для повышения контраста целесообразно использовать кусочно-
линейные функции.
Данный вывод был сделан исходя из того, что задача контрастирования
заключается в «растягивании» реального динамического диапазона на всю
шкалу, то кусочно-линейная функция контрастирования более качественно
проводит повышение контраста.
67

3. Экспериментально было установлено, что локализацию объектов на


снимке лучше всего производить методом перекраски пикселей сравнивая их с
эталонным значением.
4. Для мониторинга анализируемых участков территорий, а именно
для оценки возможных изменений их геометрических характеристик,
предложено использовать площадь объектов на разновременных снимках.
5. Для повышения оперативности картографирования возникновения
возможных чрезвычайных ситуаций процесс обработки изображения был
автоматизирован.
Методика построения картографических моделей зон возможного
возникновения ЧС, описанная в данной работе, имеет как ряд преимуществ, так
и ряд недостатков. Один из них это погрешности при локализации
анализируемых объектов на снимке, что влечет за собой некорректное
определение площади объектов.
Причины неточного распознавания анализируемых объектов:
- снимки низкого разрешения;
- малое количество условий, обеспечивающих разделение пикселей на
те, которые принадлежат объекту и те которые «отбрасываются» при
перекраске;
Эти недостатки могут быть устранены путем улучшения методов
тематической обработки, увеличения и уточнения количества разделяющих
правил.

СПИСОК ИСПОЛЬЗУЕМОЙ ЛИТЕРАТУРЫ

1. Красовський Г.Я. Актуальность информационно-технического


обеспечения управления Шацьким национальным природным парком /
Красовський Г.Я., Мокрый В.И. // Екология и ресурсы : сб. наук. трудов
Института проблем национальной безопасности. – К.: ИПНБ, 2006. –№13.–
С.101-111.
68

2. Мокрый В.И. Информационные технологии мониторинга и эколого-


картографического моделирования процессов урбанизации природоохраняемых
територий Западного Полесья / В.И.Мокрый // Научный вестник НЛТУ
Украины : сб. наук.-техн. трудов.– Львов : Изд-во НЛТУ Украини, 2011. – Вып.
21.18. – С. 315-322.
3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М.:
Техносфера, 2005. С.812-850.
4. Прет У. Цифровая обработка изображений. М.: Мир,1982. С.499-512.
5. Яне Б. Цифровая обработка изображений. М.: Техносфера, 2007.
С.331-356.
6. Методы компьютерной обработки изображений / Под ред.
В.А.Сойфера. М.: Физматлит, 2003. С.192-203.
7. Цифровая обработка изображений в информационных системах:
Учеб. пособие / И.С. Грузман, В.С. Киричук и др. – Новосибирск : Изд-во
НГТУ, 2002- 352с.
8. Ищук О.О, Коржнев М.М., Кошляков О.Е. Пространственный анализ
и моделирование в ГИС: Учеб. пособие / Под ред. акад. Д.М.Гродзинского – К:
Издательско-полиграфический центр «Киевский университет», 2003. – 200с.
9. Использование данных дистанционного зондирования для
мониторинга экосистем ООПТ. Методическое пособие / Лабутина И.А.,
Балдина Е.А.; Всемирный фонд дикой природы (WWF России). Проект
ПРООН/ГЭФ/МКИ «Сохранение биоразнообразия в российской части Алтае-
Саянского экорегиона» – М., 2011. – 88 с.
10. Мясников В.В. Методы обнаружения и распознавания объектов на
цифровых изображениях: учеб. пособие / В.В.Мясников, Н.И.Глумов,
В.В.Сергеев.- Самара: Изд-во Самар. гос. аэрокосм. ун-та; 2006. – 168 с.:ил.