Власов Виктор Викторович

Размер: px
Начинать показ со страницы:

Download "Власов Виктор Викторович"

Транскрипт

1 ФГБОУ ВО «ОРЛОВСКИЙ ГОСУДАРСТВЕННЫЙУНИВЕРСИТЕТ ИМЕНИ И.С. ТУРГЕНЕВА» На правах рукописи Власов Виктор Викторович МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ ФОТОПЛАНА МЕСТНОСТИ ПОСРЕДСТВОМ АЭРОФОТОСЪЕМКИ С ПОМОЩЬЮ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА Системный анализ, управление и обработка информации (строительство и ЖКХ) ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук Научный руководитель доктор технических наук, профессор Коськин Александр Васильевич Орел 2016

2 2 СОДЕРЖАНИЕ Введение Теоретические и технологические аспекты сбора и обработки материалов аэрофотосъемки для мониторинга строительных объектов Анализ возможностей применения беспилотных летательных аппаратов для проведения аэрофотосъемки Актуальность задачи оперативного обновления планов и карт Технология создания ортофотопланов по материалам аэрофотосъемки Основы сшивки изображений Получение изображений Проблемы, характерные для получения изображений Преобразование изображений Сравнение и сопоставление изображений Сопоставление ключевых точек Выводы Разработка подхода к автоматизированному построению фотоплана местности Выделение признаков на изображении Масштабно-инвариантная трансформация признаков Оценка гомографии Размытие изображение или блендинг Методика проведения аэрофотосъемки для решения задач строительства Анализ требования для планирования полета Планирование полета БПЛА Выводы Разработка и исследование алгоритмов построения фотопланов местности с помощью материалов аэрофотосъемки Анализ существующих алгоритмов автоматизированного поиска ключевых точек на фотоснимках для построения фотопланов местности Аффино-ковариантные детекторы Детекторы, основанные на аффиной нормализации Харрис и Гессиан Детекторы регионов, основанные на краях Детекторы экстремального значения регионов Детектор максимально стабильных регионов... 83

3 Детектор Кадира-Брейди Анализ сложности и необходимых вычислений времени Тестирование перекрытия детекторов Мера повторяемости детектора Повторяемость при различных преобразованиях Углубленные тесты детекторов Тестирование сопоставления детектируемых регионов Оценка сопоставления регионов Сопоставление относительно преобразований изображения Выводы Разработка алгоритма и методики классификации изображений по характеру рельефа местности Анализ существующих методов и подходов классификации Классификация изображений по визуальным признакам Методика применения математической морфологии для классификации изображений Проведение экспериментов по классификации изображений Выводы Проектирование распределенной системы для доступа к материалам аэрофотосъемки посредством веб-порталов Обратный прокси-сервер и его роль в системе Анализ и выбор протоколов взаимодействия распределенных компонентов подсистемы разграничения доступа в сети корпоративных порталов Основные результаты и выводы Список литературы Приложение А - Пример пары изображений для тестирования детекторов Приложение Б - Диаграмма развертывания системы

if ($this->show_pages_images && $page_num < DocShare_Docs::PAGES_IMAGES_LIMIT) { if (! $this->doc['images_node_id']) { continue; } // $snip = Library::get_smart_snippet($text, DocShare_Docs::CHARS_LIMIT_PAGE_IMAGE_TITLE); $snips = Library::get_text_chunks($text, 4); ?>

4 4 ВВЕДЕНИЕ Актуальность работы. В настоящее время существенно возросло использование беспилотных летательных аппаратов (БПЛА) для осуществления аэрофотосъемки строительной и жилищно-коммунальной территорий, что ведет к возникновению потребности в автоматизированной обработке результатов аэрофотосъемки. Одна из распространенных задач обработки это автоматическое нахождение области перекрытия и совмещение отдельных изображений, т.н. сшивка изображений в единый фотоплан местности. Полученная в результате сшивки информация об области перекрытия и взаимном расположении фотографий может быть использована для построения точных и актуальных планов местности, анализа каких-либо событий или изменений на местности. Эти данные являются важным средством информационного обеспечения принятия управленческих решений при реализации ряда практических задач планирование застройки территории, возведение и реконструкция строительных объектов различного назначения, организация эффективного функционирования их инженерной инфраструктуры (энерго-, тепло-, водоснабжение и т.п.), обеспечение техносферной безопасности, выявление незаконного использования энергетической инфраструктуры, незаконных свалок отходов. Применение космических средств дистанционного зондирования и традиционных методов аэрофотосъемки для решения подобных задач не всегда возможно и эффективно из-за недостаточности во многих случаях разрешения получаемых фотоснимков, чувствительности к погодным условиям, недостаточной оперативности при проведении мониторинга местности, сложности построения 3D-моделей местности, недостаточной гибкости при определении маршрутов полетного задания, довольно высокой стоимости работ. Эти недостатки значительно в меньшей степени проявляются при применении для целей дистанционного зондирования БПЛА. Проблемой проведения и интеллектуальной обработки фотоснимков занимались многие ученые, среди которых Родионов Б.Н., Быков Л.В., Гельман Р.Н., Антипов А.В., Архипов О.П., Волков А.А., которые, в том числе,

5 5 обосновывали возможность практического использования аэрофотосъемки для решения задач мониторинга и картографирования территорий. Усилиями известных ученых, таких как Трунин Ю.М., Смирнов С.А., Бобир Н.Я., Калантаров Е.И. и др., разработаны методы проективной фотограмметрии. Они подготовили теоретическую основу методов и предложили алгоритмы обработки изображений, полученных в результате аэрофотосъемки. Среди зарубежных ученых большой вклад в исследования внесли Пацифичи Ф., Шекелфорд А.К., Чжан И., Хуан Х., которые занимались проблемой классификации пространственных данных по типу рельефа местности. Под местностью в контексте исследования понимаются территории городской и сельской застройки, коммуникации (дороги, ЛЭП, трубопроводы и др.), и иные территории с наблюдаемыми признаками хозяйственной деятельности человека. Процесс построения фотопланов местности начинается с выделения ключевых точек на изображениях, благодаря чему становятся возможными поиск и сопоставление изображений, имеющих перекрытие. До настоящего времени полностью не решена проблема выбора типа, параметров и опциональных возможностей алгоритма детектирования ключевых точек, т.е. его профиля. В большинстве систем, используемых для построения фотоплана местности, используется один, задаваемый на этапе проектирования, профиль детектирования ключевых точек для всего множества изображений вне зависимости от их параметров. Однако данный профиль может быть не предпочтительным даже на множестве изображений одного типа и назначения. Также существуют системы с возможностью выбора профиля детектирования из множества нескольких возможных. При этом данная задача целиком возлагается на пользователя, обычно не являющегося специалистом в области построения фотопланов строительной местности из множества фотоснимков, полученных в результате проведения аэрофотосъемки, и, следовательно, не обладающего достаточной компетенцией для выбора предпочтительного профиля, т. е. обеспечивающего наилучший результат. Таким образом, оба

6 6 вышеуказанных подхода, в общем случае, не позволяют выбирать предпочтительный профиль детектирования. Следовательно, научная задача разработки подходов и алгоритмов, обеспечивающих выбор профиля сшивки для каждого конкретного аэрофотоснимка, независимо от опыта и интуиции, как разработчика, так и пользователя системы картографирования, является актуальной. Объектом исследования является процесс получения и обработки фотоснимков местности, полученных в ходе проведения аэрофотосъемки с помощью БПЛА. Предметом исследования являются методы и алгоритмы построения фотоплана местности посредством аэрофотосъемки с использованием БПЛА. Целью исследования является повышение качества фотоплана местности за счет выбора предпочтительного профиля детектирования ключевых точек для каждого множества изображений, полученных в результате выполнения аэрофотосъемки с помощью БПЛА. Для достижения сформулированной цели были поставлены и решены следующие задачи: 1. Обзор и сравнительный анализ основных известных алгоритмов детектирования ключевых точек на изображениях. 2. Разработка алгоритма выбора предпочтительного профиля детектирования. 3. Разработка методики получения аэрофотоснимков местности с помощью БПЛА. 4. Разработка алгоритма классификации изображений исследуемой местности для выбора предпочтительного профиля детектирования ключевых точек. 5. Разработка архитектуры и программного обеспечения автоматизированной системы построения фотопланов местности с помощью БПЛА в ходе проведения автоматической аэрофотосъемки местности. Методы исследования. В качестве основных средств теоретических исследований использовались методы системного анализа, линейной алгебры,

7 7 математической морфологии, классификации изображений посредством машинного обучения, анализа и цифровой обработки изображений. Научная новизна диссертационного исследования: 1. Разработан алгоритм поиска предпочтительных профилей детектирования ключевых точек на изображениях, полученных в результате проведения аэрофотосъемки, отличающийся учетом пространственных особенностей местности для подбора профиля на основе предварительной классификации данных о рельефе местности. 2. Разработана методика получения аэрофотоснимков с помощью БПЛА в ходе проведения аэрофотосъемки территорий жилищно-коммунальных хозяйств в автоматическом режиме, отличающаяся применением бортового вычислителя, позволяющего проводить необходимые для сшивки элементов изображений расчеты, причем обеспечивается возможность непрерывного мониторинга местности независимо от качества сигналов глобальных навигационных спутниковых систем. 3. Разработан алгоритм классификации изображений местности по рельефу для выбора предпочтительного профиля детектирования ключевых точек на изображениях, полученных в результате проведения аэрофотосъемки, отличающийся использованием модифицированного аппарата математической морфологии и данных из цифровой модели рельефа. Соответствие специальности: Выполненная работа соответствует следующим пунктам паспорта специальности : пункт 4 Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации; пункт 10 Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах; пункт 12 Визуализация, трансформация и анализ информации на основе компьютерных методов обработки информации. Практическая значимость результатов исследований заключается в том, что разработанные теоретические положения реализованы в виде комплекса алгоритмов и программ (свидетельства о государственной регистрации

8 8 программы для ЭВМ ). Результаты работы были использованы в ходе деятельности НОЦ «СЦУиСУ» и ООО «Квадрион». Ее применение в системах мониторинга местности позволяет проводить эксперименты по построению фотопланов местности получением количественных данных процесса сшивки. Участие в научных и инновационных программах. 1. Работа выполнена автором в качестве руководителя проекта в рамках НИОКР Фонда содействия развитию малых форм предприятий в научнотехнической сфере проект 10336ГУ2/2015 «Создание программного обеспечения для построения фотопланов местности при аэрофотосъемке с помощью беспилотного летательного аппарата» гг. 2. Результаты работы были использованы в ходе проекта по Соглашению о предоставлении субсидии от с Минобрнауки России в рамках федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на годы» «Исследования и разработка новой цифровой портативной фото/видео аппаратуры для панорамной съемки». 3. Результаты работы были использованы в ходе проекта по Соглашению о предоставлении субсидии от с Минобрнауки России в рамках федеральной целевой программы «Исследования и разработки по приоритетным направлениям развития научно-технологического комплекса России на годы» «Исследование и разработка технологии построения закрытых виртуальных сред организации распределенных информационновычислительных ресурсов в глобальном сетевом пространстве в форме защищенной сети порталов на основе открытых протоколов сетевого взаимодействия и безопасной аутентификации пользователей с использованием компонентов с открытым программным кодом». Апробация работы. Основные положения диссертационной работы докладывались и получили положительные отзывы на следующих конференциях:

9 9 1. Первой международной научной конференции Electronic governance and open society: challenges in Eurasia (EGOSE-2014) 2014, г.санкт-петербург. 2. Международной научно-технической Интернет-конференции «Информационные системы и технологии (ИСиТ-2015)». Публикации. Основные научные результаты диссертации опубликованы в 8 работах, в том числе 2 статьи в журналах, входящих в перечень ВАК РФ, 2 статьи в журналах, рецензируемых в Scopus. По результатам исследований получено 1 свидетельство о государственной регистрации программ для ЭВМ.

10 10 1.ТЕОРЕТИЧЕСКИЕ И ТЕХНОЛОГИЧЕСКИЕ АСПЕКТЫ СБОРА И ОБРАБОТКИ МАТЕРИАЛОВ АЭРОФОТОСЪЕМКИ ДЛЯ МОНИТОРИНГА СТРОИТЕЛЬНЫХ ОБЪЕКТОВ 1.1 Анализ возможностей применения беспилотных летательных аппаратов для проведения аэрофотосъемки Беспилотные летательные аппараты, находящие применение до недавнего времени в основном в военной сфере, находят свое место в гражданских областях. Одной из такой отрасли является строительство. С помощью БПЛА становится возможным оперативное проведение работ по мониторингу строительных объектов, а также аэрофотосъемке исследуемой территории. В настоящее время существенно возросло использование беспилотных летательных аппаратов (БПЛА) для осуществления аэрофотосъемки местности. В результате возникает потребность в автоматизированной обработке результатов съемки. Одна из распространенных задач обработки это автоматическое нахождение области перекрытия и совмещение отдельных изображений (сшивка изображений). Данная задача возникает не только при аэрофотосъемке (АФС), но и при микросъемке медицинских препаратов или микросъемке длинной детали. Полученная в результате сшивки информация об области перекрытия и взаимном расположении фотографий может быть использована для построения точных и актуальных планов местности, анализа каких-либо событий или изменений на местности. Данная задача принадлежит к задачам компьютерного зрения, которые в настоящее время является одной из быстроразвивающихся отраслей информационных технологий. Аэрофотосъемочный беспилотный летательный аппарат запускается, взлетает и совершает посадку в полуавтоматическом режиме, так называемый «автопилот», по загруженному предварительно маршруту и, пролетая по заранее спланированному в ГИС маршруту, выполняет цифровую съемку местности, результатом которой являются снимки высокого разрешения на запрограммированных точках по глобальным географическим координатам. Выполнив аэрофотосъемочный маршрут, БПЛА приземляется в точку взлета и

11 11 передает полученные данные в ходе аэрофотосъемки на наземную станцию. Для каждого снимка получается полный набор цифровой информации географические координаты центральной точки снимка, высота съемки, полный набор телеметрических данных для переноса и использования в общепринятых ГИС системах, таких как ArcView и MapInfo. Таким образом, все фотографии являются геопривязанными с помощью одно- или двухчастотных глобальных навигационных спутниковых систем (ГНСС) приемника и появляется возможность сшивки фотоснимков в единый ортофотоплан местности. Аэрофотосъемка с БПЛА может заменить спутниковые снимки высокого разрешения для строительной сферы и ЖКХ. Контроль «с воздуха» с использованием снимков может внести качественные изменения в мониторинг местности, поможет предотвратить несвоевременное принятие решений в виду недостаточной информационной базы или несвоевременного получения данных для экспертного анализа. Применение БПЛА в сфере строительства и ЖКХ дает возможность: Создавать актуальные электронные карты местности; оценивать объем работ и контролировать их выполнение; вести оперативный мониторинг состояния строительных объектов и территорий (БПЛА позволяет быстро и эффективно строить карты местности); определять индекс NDVI (Normalized Difference Vegetation Index - нормализованный вегетационный индекс), который позволит получить оценку качества почвенного покрова исследуемой территории; проверять качество выполнения земельных работ. Научный и технический прогресс позволяет сегодня широко использовать в строительстве и ЖКХ современные технологии во время планирования и выполнения работ. Такими технологиями, несомненно, являются беспилотные летательные аппараты. Так, точное строительство включает в себя большое количество элементов, которые делятся на три основных этапа: 1. Сбор информации о строительных объектах и исследуемой территории. 2.Анализ информации и принятие решения. 3.Выполнение решений проведение строительных операций.

12 12 Перед тем, как приступить к строительству объектов, необходимо провести мониторинг территории, чтобы составить точный план затрат на обрабатываемые площади и получить данные о состоянии почвенного покрова и рельефа местности. В результате измерений составляется электронная карта исследуемой местности. Преимущества электронной карты заключаются в: возможности ведения учета и контроля всех строительных операций за счет базирования на точных данных: площади территории и ее рельефе, расстоянии дорог, населенных пунктов и т.д; помощи проведения полного анализа условий, влияющих на рост растительности на данном поле; оптимизации процесса производства с целью получения максимального дохода, а также рационального использования ресурсов; учете и анализе последствий при различных неблагоприятных погодных условиях и других показателей посредством беспилотной авиации; формировании статистических справок и отчетов. После получения электронной карты поля возможно проводить обследование исследуемой территории «с земли» и вносить дополнительную информацию (например, карты путей водоснабжения, карты содержания основных элементов N, P, K, Ca, Mg, S, Ph в почве) о местности в существующие базы данных. 1.2 Актуальность задачи оперативного обновления планов и карт Для целей рационального управления территориями, предназначенными под строительство, необходимо иметь полную и достоверную информацию о состоянии природного и хозяйственного комплекса страны в целом, субъекта Федерации или муниципалитета. Информацию о состоянии территорий получают путем отслеживания изменений и отражения их в текущих документах, базах данных и на картографических материалах. В последнее время этот процесс называют мониторингом тех или иных явлений, объектов,

13 13 процессов. Особое значение имеет мониторинг земель, который находит отражение в создании и ведении государственного земельного кадастра. Земельный кадастр является информационной основой государственного управления земельными ресурсами, экономического и юридического регулирования земельных отношений [1, 2]. Государственный земельный кадастр представляет собой систематизированный свод документированных сведений о местоположении, целевом назначении и правовом положении земель Российской Федерации, сведений о территориальных зонах, наличии расположенных на земельных участках и прочно связанных с ними объектов недвижимости [3]. В государственный земельный кадастр включается информация о субъектах и видах права на земельные участки. Земельный кадастр состоит из комплекса различных юридических, экономических, технических, организационных процессов, объединенных целью информационного обеспечения земельных отношений. В процессе хозяйственного использования земельных ресурсов постоянно происходят изменения в составе, качестве и продуктивности земель, а также изменения собственников земли и границ землепользовании. Поэтому возникает необходимость ведения текущего земельного кадастра, главной задачей которого является своевременное выявление и внесение в земельнокадастровую документацию всех законных изменений в распределении и использовании земель, а также выявление и устранение ранее допущенных ошибок. Для поддержания данных земельного кадастра на уровне современных требований такие изменения должны быть оперативно внесены не только в земельно-кадастровую документацию, но и отображены на кадастровых планах и картах. Таким образом, возникает потребность в поддержании картографических кадастровых материалов в актуальном состоянии, а задача совершенствования методики мониторинга земель является актуальной. В практике топографо-геодезического производства решение о необходимости обновления принимается в зависимости от количества изменений, происшедших на местности с момента создания карты, а также в

14 14 зависимости от важности районов. Считается, что период обновления составляет: в наиболее важных обжитых районах 5-7 лет; на прочих территориях лет. За это время на местности происходят существенные изменения, которые приходится оценивать не только количественно. Необходимо учитывать важность изменений, и существенность связанных с этими изменениями событий. При ведении земельного кадастра, например, требуется удостоверить целостность границ земельного участка [4] при любом изменении учетной информации, будь то изменение собственника, правоустанавливающих документов или разрешенного использования. При этом нет необходимости в обновлении планов и карт всей территории. Обновлению подлежат только локальные участки, в границах которых произошли существенные изменения. Обновление крупномасштабных планово-картографических материалов эффективно выполняется по материалам аэрофотосъемки. Дальнейшее развитие дежурного картографирования и ведения локального мониторинга территорий по аэрофотоснимкам сдерживает излишняя централизация аэрофотогеодезических работ. Специализированные авиаотряды, оснащенные самолетами класса не ниже АН-30, не приспособлены для оперативных съемок локальных участков местности. Выход просматривается в децентрализации выполнения аэросъемки на основе малой авиации с использованием современных цифровых съемочных систем и децентрализации обработки фотограмметрической информации в целях создания ортофотопланов на базе современных цифровых фотограмметрических комплексов. Для выборочного обновления планов и карт предлагается использовать материалы оперативной аэрофотосъемки (ABC), которая может занять промежуточное положение между наземной инструментальной съемкой и космической съемкой местности при решении задач картографирования. Аэрофотосъемка обладает рядом достоинств. Такая съемка не требует профессиональной подготовки пилота и экипажа летательного аппарата. ABC выполняется практически с любых летательных аппаратов, начиная с пилотируемых самолетов и вертолетов и заканчивая беспилотными

15 15 авиамоделями. Невысокая стоимость аппаратуры и аренды малых летательных аппаратов делает аэрофотосъемку доступной для многих неспециализированных предприятий. Вопросам применения видеосъемки для картографирования территорий посвящено большое количество теоретических и экспериментальных исследований. В научных работах[9, 10, 15] обосновывается принципиальная возможность корректной фотограмметрической обработки материалов аэрофотосъемки. Первые работы по телерепортажной съемке сельскохозяйственных и строительных территорий были выполнены под руководством проф. Родионова Б.Н. [5]. В своих работах ученые Родионов Б.Н., Быков Л.В., Гельман Р.Н., Антипов А.В. [5, 6, 7] и другие обосновывают возможность практического использования аэрофотосъемки для решения задач мониторинга и картографирования территорий. Известны публикации по экологическому мониторингу с использованием аэрофотосъемки [9]. Ряд работ посвящен методике создания ортофотопланов по материалам аэрофотосъемки [6, 7, 8, 11]. Элементы внутреннего ориентирования видеокамеры неизвестны и могут произвольно изменяться в процессе съемки. Усилиями известных ученых, таких как Трунин Ю.М., Смирнов С.А., Бобир Н.Я., Калантаров Е.И. [15, 16, 17, 18] и др. разработаны методы проективной фотограмметрии. Они подготовили теоретическую основу методов и предложили алгоритмы обработки неметрических изображений. Обработка аэрофотоснимков выполняется с использованием алгоритмов проективной фотограмметрии, инвариантных относительно элементов внутреннего ориентирования снимков. Другой особенностью является необходимость выбора такого масштаба съемки, при котором разрешающая способность снимка на местности соответствует графической точности масштаба создаваемого плана. Это обстоятельство, наряду с малым размером видеокадра и его низкой разрешающей способностью, приводит к покрытию снимком на местности незначительной площади, резкому увеличению количества кадров и объема камеральных работ. Например, для создания ортофотоплана масштаба 1:2000

16 16 на 1 кв. км местности необходимо обработать около аэроснимков. Решать подобную задачу без максимальной автоматизации традиционных фотограмметрических процессов нецелесообразно. В последнее время на строительном и добывающем рынках наметилась тенденция более глубокого использования БПЛА за счет того, что разрабатываются облачные веб-платформы для контроля качества и стоимости строительства с помощью визуального интерфейса и высокоэффективных аналитических алгоритмов на основе данных, собранных в ходе аэрофотосъемки. Для эффективного и простого решения для полного цикла строительства необходимо вовлечение беспилотной авиации во все блоки работ, представленных на рисунке 1, а именно: проектирование; земляные и дорожные работы; возведение сооружений; благоустройство; эксплуатация. Рисунок 1 Процесс мониторинга цикла строительных этапов Данный подход позволяет решать следующие задачи: Мгновенное измерение расстояний, площади, объемов, а также профилей высот с геодезической точностью. Сравнение фактического фотоплана с плановым. Накладывание генплана, плана земляных работ, архитектурного плана, плана сетей или любого другого плана позволяет оценить соответствие плана и факта. Наблюдение изменений, произошедших на строительной площадке за любой интервал времени, с помощью алгоритмов автоматического отслеживания изменений.

17 17 Отслеживание важных параметров хода работ или возведения сооружений, земляных работ или работ по благоустройству. Контролирование статуса и состояния строительных объектов. Взаимодействие с коллегами и прочими участниками проекта. Необходимость привлечения БПЛА для строительных работ обуславливается эффективностью и выгодой данного подхода, т.к. достигаются следующие результаты такого взаимодействия: Ускорение проектирование до 4 раз Ускорение полевых работ при предварительных изысканиях до 5 раз Сокращение затрат на подрядчиков до нескольких десятков миллионов рублей в месяц Регулярное выявление несоответствия факта плану Улучшенная связь между участниками проекта Однако применение БПЛА для решения задач строительства является весьма актуальным за счет своего относительно «небольшого порога вхождения». На ниже приведенном рисунке отображено сравнение трех больших классов методов для воздушного мониторинга объектов. Рисунок 2 Сравнение классов воздушного мониторинга Из рисунка 2 видно, что БПЛА обладают самой низкой степенью покрытия исследуемой территории, однако, удобство использования, невысокие требования к квалификации оператора, низкая стоимость аппарата,

18 18 отсутствие особых требований к взлетно-посадочной полосе делают данный класс мониторинга наиболее оперативным. Таким образом, использование БПЛА для проведения аэрофотосъемки является весьма актуальным направлением развития методов сбора геопространственных данных в сфере строительства и ЖКХ. 1.3 Технология создания ортофотопланов по материалам аэрофотосъемки Основы сшивки изображений В разделе приведены основные методы работы по сшиванию ортофотопланов строительной местности. Сшивание или склейка изображений, представляет собой одну из часто используемых форм монтажа аэрофотоснимков; особенно широко она применима при создании панорамных изображений. Склейка применяется при интерактивном панорамном просмотре изображений, интерпретации объектов архитектуры и в других ситуациях, связанных с трехмерным моделированием окружающей среды с использованием изображений реального мира. Панорама это изображение, созданное путем комбинирования серии фотографий в одну широкоформатную картинку. Путем соединения нескольких фотографий обеспечивается полноценный обзор области или конкретного местоположения, который невозможен с одним фотоснимком. Склейка панорамного изображения это процесс, направленный на создание панорамного снимка путем наложения нескольких изображений меньшего размера. На первом шаге к созданию такого изображения необходимо определить место и получить изображения, заранее определив, изображения какого вида должны быть получены. В зависимости от этого выбирают один из методов получения изображения. Перед дальнейшей обработкой должны быть исправлены все искажения, вызванные объективом камеры, и потому к полученным изображениям иногда необходимо применять определенные корректирующие процедуры. В области обработки изображений не существует

19 19 общепринятого термина для ключевых точек, имеющих ненулевую площадь. В данной работе используется понятие «регион», являющееся одним из вариантов перевода англоязычного термина region. Обычно процесс склейки изображений делят на два этапа: сравнение и блендинг. На первом этапе сравниваются сегменты смежных изображений и ищутся сдвиги, необходимые для выравнивания картинки. После сравнения наложенные изображения должны быть присоединены друг к другу таким образом, чтобы сформировать единое панорамное изображение. Процесс сравнения при этом должен производиться таким образом, чтобы переход между смежными изображениями был визуально незаметным. Наконец, путем склейки всех изображений создается панорамное изображение. Для его получения изображения могут быть получены с использованием относительно недорогих камер и углов обзора, определенных пользователем. «Сшитое» изображение это панорамное изображение с большим разрешением Получение изображений В зависимости от необходимого типа и пригодности оборудования, для получения входных изображений могут применяться разные методы. Состав оборудования для создания панорамного изображения, детально описанный ниже, относится к случаю, когда камера помещена на аппарат, плавно двигающийся параллельно поверхности земли. На изображениях, полученных камерой во время движения (захват снимка производится при смещении камеры), содержится вид земли с высоты полета. Захват изображений, производимый через каждые 5 секунд, осуществляется двумя камерами, установленными на борт БПЛА, который двигается с почти постоянной скоростью по относительно горизонтальной траектории. На рисунке 3 приведена координатная система камеры, где ось Z направлена на исследуемый объект, ось Yсовпадает с оптической осью камеры, а ось Х параллельна поверхности Земли.

20 20 Рисунок 3 Координатная система камеры Углы обзора камеры в горизонтальном и вертикальном направлении определяют охват каждого изображения по горизонтали и вертикали. Углы обзора отображены на рисунке 4, где углы α и β соответствуют углам камеры по вертикали и горизонтали. Рисунок 4 Горизонтальные и вертикальные углы обзора При таком методе захвата изображений камера двигается в направлении, параллельном плоскости изображения. Предполагается, что расстояние между БПЛА и землей существенно не изменяется. Камеру направляют на исследуемый объект (земную поверхность) и с каждым сдвигом камеры делают новые снимки до тех пор, пока не будет получена серия изображений, охватывающая всю желаемую область. На рисунке 5 показана схема указанного подхода. Камера находится на линии, по которой движется БПЛА. При этом аппарат двигается таким образом, чтобы находиться параллельно поверхности изображения для наилучшего расположения камеры.

21 21 Рисунок 5 Геометрия получения изображения при движении камеры С заданным сдвигом камеры t, расстоянием от объекта до камеры d и горизонтальным углом обзора ʋ, где L является шириной захваченного изображения, а l шириной наложения между смежными изображениями., отношение между областью наложения для целого изображения, может вычислено так, как отражено в формуле (1): ( ) (1) Формула (1) показывает отношение между областью наложения для целого изображения. Однако фактическая величина области наложения между двумя следующими друг за другом изображениями определяется точностью настроек камеры. При получении изображений в ходе сдвига важно быть уверенным в том, что плоскости изображения параллельны направлению движения камеры. В противном случае в ходе движения камеры будут меняться размеры объектов на изображении, что неизбежно вызовет проблемы при их склейке. Недостаток данного метода проявляется в том, что необходимость сдвига t увеличивает расстояние от камеры до исследуемого объекта, если съемка производится для одной и той же области. Следовательно, получение изображений, на которых исследуемый объект удален от камеры, намного сложнее из-за числа необходимых сдвигов. Фотоснимки высокого разрешения, полученные в ходе проведения аэрофотосъемки, могут быть использованы для построения ортофотоплана и

22 22 топографический карты, а также для реконструкции 3D-модели местности. Существуют два основных подхода для решения данных задач: прямая и обратная геопривязка. В случае прямой привязки задействованы бортовые датчики БПЛА для задания внешней ориентации фотоснимка, но с другой стороны, методика обратной геопривязки основана на так называемых контрольных реперных точках (GCP, ground control point), позиции которых заранее известны и определены. Безусловно, преимущество прямой геопривязки заключается в том, что является необязательным взаимодействие с исследуемой территорией, что является полезным в случае ограниченного доступа к области или при опасных условиях для жизни и здоровья человека. На данный момент существует множество разновидностей БПЛА, но в данной работе представлены результаты, полученные с так называемых «дронов», т.е. мультироторных БПЛА. Данные аппараты способны размещать на борту различные датчики в зависимости от типа миссии. Большинство современных БПЛА управляются удаленно оператором, но значительный интерес для построения фотопланов исследуемой местности представляет «полет по миссии», в ходе которого маршрут заранее определяется пользователем в специальном программном обеспечении. Рисунок 6 МР БПЛА, используемый для получения фотоснимков Малые БПЛА могут эффективно применяться для картографирования небольших территорий. МР БПЛА являются более подходящими для построения локальных карт городских территорий до 10 км в длину. Карта двумерной размерности, как правило, содержит серию фотоснимков, полученных с определенной высоты полета, которая откалибрована в координатную систему WGS-84, используя бортовой ГНСС-приемник или за

23 23 счет точек GCP в процессе постобработки. GCP представляют собой физические маркеры (искусственные или натуральные), распределенные в исследуемой области, позиция которых заранее установлены. В целях обеспечения точной оценки существуют маркеры, называемые CP (checkpoint) и TP (testpoint), которые не задействованы в процессе калибровки. Откалиброванные фотографии затем соединяются вместе подобно мозаике (см рис. 7) и могут быть использованы для построения ортофотоплана или топографической карты в геоинформационной системе (ГИС). Рисунок 7 Пример построенного ортофотоплана из набора фотоснимков Фотограмметрия имеет дело с реконструкцией форм и измерением размера и позиции объектов, видимых на фотоснимке. Иными словами, фотограмметрия представляет собой ответвление науки, объектом исследования которой является процесс обработки информации, извлеченной из фотоснимка, используя при этом данные, полученные в результате космической либо аэросъемки, а также наземных данных. Стерео фотограмметрия основывается на таком геометрическом методе как триангуляция, используемом для измерения расстояния и пространственных

24 координат объектов. Принцип данного метода представлен на ниже приведенном рисунке Рисунок 8 Базовый принцип триангуляции на плоскости Если известны высота треугольника d и его углы α и β, то расстояние е между точками F a и F b (фокальные точки) может быть рассчитано следующим образом: (2) Главным образом, решена обратная задача, когда высота треугольника неизвестна, но известно расстояние между фокальными точками или их положение в пространстве. В данном случае используется следующее равенство: ( ) (3) Этот метод в прошлом широко использовался для измерения положения таких важных элементов топографического пейзажа как холмы, башни и т.д.. В то время, когда еще не было глобальной навигационной спутниковой системы данный подход подходил более всего для измерения углов и в меньшей степени для расстояния, однако, на данный момент является возможным измерение пространственного положения объектов с высокой степенью точности,

25 размещая приемные GNSS-антенны, но необходимо бесконтактное измерение расстояний. 25 Рисунок 9 Процесс получения фотоснимков с различных позиций БПЛА В соответствии с формулой (2) должны быть измерены два угла и расстояние между фокальными точками. Измерение углов происходит за счет использования бортовой камеры, где угол рассчитывается на основании положения объекта на фотоснимке. Приведем необходимые формулы: (4) (5) где CCD S тип матрицы камеры; CCD R разрешение матрицы; l f фокальная длина объектива; ppmm отношение CCD R и CCD S; a px,, b px представляют положение объекта в пикселях относительно центра сенсора камеры. Данные параметры являются константными величинами и могут быть получены согласно технической документации фотокамеры или в ходе проведения калибровки. Позиция точки С рассчитывается следующим образом: (6)

26 26 На практике применяется одна фотокамера, которая получает фотоснимки из различных положений БПЛА с разной ориентацией в пространстве и разных промежутках времени. Стоит отметить, что ситуация, представленная на рисунке 8, является достоверной в том случае, если высота полета является постоянной величиной и ось съемки перпендикулярна поверхности исследуемой местности. При этом позиция измеряемого объекта не должна меняться, т.е. объект должен быть статическим. Так как камера прикреплена к корпусу БПЛА, то ее положение и ориентацию в пространстве можно вычислить, используя бортовой ГНССприемник и инерциальный блок IMU. Напомним, что подход фотограмметрии, использующий внешние датчики для установления положения объектов, называется прямой геопривязкой. Преимуществом данного решения является то, что нет необходимости во взаимодействии с исследуемой области, т.е. бесконтактный способ. Камеры, используемые на большинстве БПЛА, представляют собой малогабаритные устройства, не предназначенные для измерений, следовательно, некоторые параметры данных камер являются заранее известными и неизменяемыми. Например, ошибка фокальной длины может значительно повлиять на точность определения позиции. Для большинства таких камер присущ смещенный оптический центр и широкий угол объектива, что ведет к значительной радиальной дисторсии. Данные параметры могут быть определены и компенсированы. Как было сказано выше, позиция и ориентация БПЛА обычно измеряется ГНСС-приемником и блоком IMU. Таким образом, точность определения местоположения зависит от типа ГНСС-приемника и условий внешней среды (атмосферные явления, локация расположения объекта). С другой стороны, ошибка определения угла сильно зависит от блока IMU, так как показания акселерометров дают свою погрешность измерений. Отметим, что матрица фотокамеры никогда не совпадает с позицией ГНСС-приемника, т.к. БПЛА постоянно вращается относительно оси Yaw «угол рыскания». Данная ошибка

27 27 может быть определена и компенсирована в процессе постобработки изображений. Точность определения позиции точки, расположенной на исследуемой местности, рассчитывает, используя выше приведенные ошибки. Используя основные понятия описательной статистики, можно выполнить точную оценку прямой геопривязки.,, (7) (8) Большинство современных БПЛА оснащены ГНСС-приемниками, точность которых является невысокой и составляет несколько метров. Существуют также РТК ГНСС-приемники, которые повышают точность, используя измерение несущей фазы, что делает возможным использование данных устройств для прямой геопривязки. Данные приемники являются относительно дорогостоящими, тяжелыми и габаритными, однако, прогресс в данной области ведет к уменьшению массогабаритных показателей таких устройств. Для данной задачи использовался РТК ГНСС-приемник Trimble BX982, имеющий горизонтальную точность 8мм и вертикальную 15мм. Приемник поддерживает GPS L1/L2/L5 и ГЛОНАСС L1/L2 сигналы, а двойная антенна определяет отклонение поворота в горизонтальной плоскости до десятых долей градуса. Для получения фотоснимков используется камера Canon Power Shot G7, которая благодаря своим массе и габаритам является подходящей для данного БПЛА. Технические параметры камеры приведены в таблице ниже согласно документации производителя. Дисторсия объектива является незначительной за счет фокальной длины 7,4 мм. Параметры данной фотокамеры представлены в таблице 1.

28 28 Таблица 1 Параметры камеры CanonPowerShot G7 Параметр Значение Тип сенсора 1/1.8 CCD Размер матрицы x mm Разрешение 3648 x 2736 px (10.0 Mpix) Плотность пикселей px/mm (ppmm) Объектив mm (35-210mm 35 mmequiv.) Для измерения точности на поверхности земли были выбраны три тестовых точки, согласно рисунку 10. Позиция данных точек известна благодаря РТК ГНСС-приемнику. Тестовые точки был сфотографированы с 8 различных мест, в ходе съемки которых были получены логи (журналы эксперимента) пространственного положения и направления полета. а) б) Рисунок 10 - а). Тестовые точки с высоты 50 м; б). Пример двух фотоснимков, содержащих тестовые точки Пространственное положение трех точек было рассчитано на основе измеренной ориентации фотографии. На первом этапе все фотографии были повернуты на требуемый угол, за счет чего было компенсировано смещение между матрицей фотокамеры и ГНСС-приемников. На следующем шаге позиции тестовых точек были рассчитаны, используя формулы триангуляции. Для каждой тестовой точки были рассчитано 28 пространственных позиций из всего набор фотографий, а также их внешняя ориентация. Результаты вычислений с применением стандартных методов математической статистики приведены в таблице 2. Может показаться, что средняя ошибка (смещение) для северной и восточной осей является относительно небольшой,

29 29 порядка 0,09 м и 0,18 м соответственно. С другой стороны, ошибка для вертикальной оси Z является достаточно высокой и составляет примерно 1,7 м. Причина данного явления может быть порождена неточными техническими параметрами фотокамеры, в частности, малая ошибка фокальной длины может вызвать значительную ошибку в вычислении расстояния (в данном случае речь идет об оси Z). Результаты тестирования представлены в таблице 2. Таблица 2 Результаты определения пространственной позиций Направление RMSE[m] Север 0,085 0,313 0,319 Восток 0,183 0,162 0,245 Верх -1,733 1,5819 2,367 Север-восток 0,200 0,351 0,412 Север-восток-верх 1,745 1,620 2,354 С другой стороны, стандартное отклонение описывает дисперсию и некоторую изменчивость данных. Это, как правило, не вызвано ошибкой константных параметров, и в данном случае речь идет об измерении позиции и ориентации в пространстве, которые могут считаться незначительными, однако, крен и тангаж, как и предполагалось, не являются строго фиксированными. Эти результаты отображены на рисунке 11. Рисунок 11 Результаты вычисления позиции тестовой точки плоскости север-восток и вертикальной оси

30 30 Таким образом, прямая геопривязка применима в случае, когда является невозможным использование контрольных реперных точек. Следовательно, высокоточный РТК ГНСС-приемник выступает в роли датчика позиции и ориентации в пространстве. Как показал эксперимент, прямая геопривязка не является достаточно точкой из-за ряда технических ошибок камеры Проблемы, характерные для получения изображений Одна из наиболее часто встречающихся проблем в захвате изображений разница освещенности соседних изображений. В идеале, область или объект должны иметь ту же освещенность, что и смежные изображения. Тем не менее, в силу изменений интенсивности света, а также угла между камерой и источником света, значения освещенности для одного и того же участка или области в соседних изображениях различаются. Также различия в интенсивности между контрастными изображениями могут быть выявлены в ходе разработки или сканирования (обработки) фотографий; в обоих случаях проблема может быть решена напрямую с использованием цифровой камеры. Еще одна проблема, связанная с освещением это свет, отраженный от таких участков, как, например, стекла или блестящий металл. На рисунке 12 представлен процесс получения изображений в ходе проведения аэрофотосъемки. Рисунок 12 Процесс построения панорамного снимка В течение времени, необходимого для адаптации оборудования к следующему положению после захвата изображения, объекты, находящиеся в

31 31 пределах снимка, могут переместиться относительно их предыдущей позиции. Таким образом, это необходимо учитывать, когда в последовательность снимков включены движущиеся объекты. На деле получить правильное изображение очень сложно, если объект на нем сместился со своей начальной точки. Также изображения «страдают» от искажений объектива в зависимости от конкретного используемого объектива. Такие искажения можно скорректировать, сняв тем же объективом снимок опорной сетки. Используя известные параметры опорной сетки, можно найти преобразование, исказившее оригинальное изображение. Это преобразование можно применить к каждому из имеющихся изображений для корректирования искажений. В частном случае фотографии, снятые с борта БПЛА, могут быть сняты в условиях сильной вибрации винтомоторной группы, что также вызывает искажения кадра. Во избежание этого группа необходимо использовать демпфирующие площадки, уменьшающие резонанс аппарата в местах, где установлена камера. На эффективность выполнения целевых задач существенное влияние оказывает точность позиционирования МР БПЛА. Основой большинства навигационных систем МР БПЛА является глобальная спутниковая навигационная система (ГНСС). ГНСС отличает высокая точность локации в условиях открытого неба, обеспечиваемая сравнительно недорогими одночастотными приемниками навигационных сигналов. Тем не менее, условия плотной городской застройки накладывают существенные ограничения на точность определения местоположения спутниковыми навигационными системами ГЛОНАСС и GPS, которые не преодолеваются применением даже дорогих двухчастотных приемников ГНСС. Причинами этого является затенение сигналов, их отражение и многолучевое распространение. Следовательно, в реальных условиях эксплуатации в плотной городской застройке велика вероятность недостоверного определения координат по сигналу ГНСС. Таким образом, актуальной и практически важной является задача оценки координат МР БПЛА в условиях отсутствия либо искажения сигнала ГНСС.

32 32 Оценка координат МР БПЛА в подобных условиях может быть выполнена с использованием: дополнительного бортового и/или наземного оборудования; штатного оборудования МР БПЛА. Использование дополнительного оборудования ведет к снижению мобильности МРБЛА в целом и увеличению стоимостных и массогабаритных показателей. Последнее существенно влияет на дальность и время полета МР БПЛА. Использование штатного оборудования лишено подобных недостатков, но в настоящее время недостаточно проработано. В состав штатного оборудования МР БПЛА входят интегральные датчики угловых скоростей, акселерометры, приемники ГНСС, вычислители, магнитометры, высотомеры, а также система наблюдения, включающая в свой состав визирные устройства, вычислители, приводы и пр. Высокая скорость накопления ошибки в инерциальных системах позиционирования, вызванная погрешностью измерений используемых интегральных акселерометров и необходимостью вычисления первообразной, приводит к умножению ошибок и не позволяет получать точности позиционирования, сопоставимые с точностью ГНСС. Учитывая вышесказанное, в работе рассматривается возможность оценки координат и ориентации МР БПЛА с использованием дополнительной информации от бортовой системы наблюдения (рис. 13). Позиционирование МР БПЛА в работе предлагается проводить на основе анализа расположения наземных объектов и заранее разработанной модели среды. На представленной схеме блок «Летное задание и контроль» отвечает за сбор и обработку 2D-изображений, полученных благодаря бортовой камере, и решает три важные задачи: корректировка координат инерциальной системы позиционирования; стабилизация относительно заданной позиции; безопасная посадка МР БПЛА.

33 33 Рисунок 13 Схема позиционирования МР БПЛА в условиях отсутствия сигналов ГНСС на основе целевого бортового оборудования Функциональный блок «Локальная навигация» отвечает за самопозиционирование и 3D-моделирование окружающей среды относительно локальной системы координат. На данном этапе происходит формирование 3Dинформации на основе набора плоских изображений, таким образом, формируется 3D-карта исследуемой поверхности. В непосредственной связи с данным блоком находится «Глобальная навигация», в котором происходит позиционирование МР БПЛА с помощью построенной 3D-модели внешней среды. Данная техника позволяет решить проблему позиционирования в условиях отсутствия сигналов ГНСС. На рисунке 14 показано взаимодействие функциональных блоков МР БПЛА в условиях отсутствия сигнала ГНСС.

34 34 Рисунок 14 Система контроля МР БПЛА при отсутствии сигналов ГНСС Система локального позиционирования учитывает показания бортовых датчиков, внешних датчиков и данные изменения положения, полученные с камеры, которые после обработки фильтром Калмана-Бьюси позволяют решить проблему ориентации в пространстве плотной городской застройки. Для реализации предложенного механизма локальной навигации была выбрана двухуровневая архитектура, представленная на рисунке 15. За стабилизацию МР БПЛА и сбор информации с датчиков IMU отвечает блок на базе платформы управления МР БПЛА MultiWii. Набор датчиков MultiWii: accelerometer+gyroscope (MPU6050), magnetometer (HMC5883L), barometer (MS5611). Данные собранные с датчиков IMU также передаются в блок UAV Navigation на базе процессора ARM Cortex FS 6.

35 35 Рисунок 15 Структурная схема прототипа блока управления с локальной системой навигации В блоке «БПЛА навигация» при помощи библиотек компьютерного зренияopencv проводится определение ключевых точек на изображении, полученном с камеры, и определяются допустимые области изменения положения МР БПЛА. За счет использования бортовой авионики в виде сонара и видеокамеры становится возможным использования принципов эпиполярной геометрии для обеспечения стереоскопического зрения. В ходе выполнения полета над исследуемой территорией осуществляется сбор данных о текущей высоте БПЛА, его географических координатах и скорости перемещения. Используя ранее упомянутые методы, становится возможным построение 3D-модели местности. Данная модель в будущем используется как априорная информация о местности, помогающая ориентироваться БПЛА в пространстве для облета препятствий. Для практической реализации предложенного алгоритма выбора предпочтительного профиля детектирования необходимо обеспечить адекватность технологического процесса получения фотоснимков с помощью БПЛА. Для этого оказалось необходимым разработать методику. Существенные

36 36 отличия данной методики заключаются в использовании бортового 4- процессорного векторного вычислителя, обеспечивающего обработку фотоснимков. Данное вычислительное ядро также обеспечивает автоматический полет БПЛА в случае отсутствия приема данных ГНСС, ориентируясь на показания инерциального блока, включающего в себя комбинацию акселерометров и гироскопов. Для обработки данных от датчиков, отвечающих за позиционирование, использовалась итерационная формула для вычисления коэффициента Калмана-Бьюси: (9) где квадрат ошибок в k и k+1 момент времени соответственно; ( ) ( ) - математическое ожидание квадрата ошибки в в k и k+1 момент времени соответственно; дисперсия значений инерциального блока позиционирования и приемника сигналов ГНСС соответственно. За счет хранения в автоматизированной системе ретроспективных пространственных данных возможно задание полетной миссии указанием только названия исследуемой местности. Применяя к полученным областям и данным IMU фильтр Калмана-Бьюси, можно существенно повысить точность инерциальной системы навигации за счет полной независимости погрешностей измерений этими методами. Уравнения фильтра Калмана-Бьюси можно решать, параллельно используя OpenCL возможности ARM Cortex FS 6. В пространство измерений по возможности включается координата GPS, передаваемая из MultiWii, что позволяет компенсировать долговременный дрейф координат инерциальной системы навигации. Внешние датчик (например лидар) позволяют локально определить препятствия и, зная уточненную на предыдущем шаге координату, внести изменения в модель среды, скорректировав летное задание с учетом новых данных. Применение двухуровневой схемы для реализации прототипа позволило реализовать безопасный режим отладки, т.к. MultiWii позволяет МР БПЛА

37 37 зависнуть, либо вернуться на точку запуска по элементарному маршруту в случае сбоя в работе блока «БПЛА навигация». Применение в этом режиме ультразвуковой датчик позволяет избежать столкновения с препятствием на пути элементарного маршрута. Оперативная корректировка параметров происходит по радиоканалу или GPRS в полете. В момент расположения МР БПЛА на взлетно-посадочной площадке осуществляется загрузка начального летного задания и выгрузка собранной информации на наземной станции по сети WiFi Преобразование изображений В этом разделе описываются основные методы для сравнения изображений, приведенные в [7]. Перед применением алгоритма, представленного далее в работе, изображения должны быть преобразованы. Реализованное решение заключалось в конвертации изображения из RGB цветовой схемы в снимок с градациями серого. Это позволяет работать в дальнейшем с меньшим количеством информации, так как RGB-изображение есть трехмерная матрица, а изображение с градациями серого одномерная матрица. Следующий шаг применить оператор детектор границ Кэнни. Этот фильтр возвращает границы изображения, используя вариационное исчисление (рис. 16) [13]. Рисунок 16 а) RGB-изображение; б) изображение в градации серого; в) изображение, подвергнутое оператору Кэнни,г) бинарное изображение

38 38 На последнем этапе необходимо вернуть результирующий снимок в бинарное изображение. Это значит, что область значений пикселя, определенная ранее в пределах от 0 до 255, теперь приобретает значения из диапазона от 0 до 1. Очевидно, что преобразование к бинарному изображению, показанное на рисунке 16, ведет к потере информации, но проведение таких предварительных изменений необходимо для повышения скорости работы алгоритма Сравнение и сопоставление изображений Для формирования большого изображения из серии частично перекрывающихся снимков, необходимо определить сдвиги, необходимые для их выравнивания. Предполагается, что в процессе склейки изображений ищутся сдвиги, необходимые для того, чтобы выровнять два или более перекрывающихся изображений таким образом, чтобы проекция пикселей оставалась неизменной для любого положения. Необходимые шаги приведены в схеме на рисунке 14. Исходя из предполагаемого отношения зоны перекрытия определяется окно, показанное на рисунке 17. Правая сторона левого изображения должна занимать 50% от ширины и высоты входного изображения для того, чтобы быть уверенным, что она находится в пределах входной зоны наложения. Наблюдение за первым изображением по левой стороне означает, что зона наложения между и это по правой стороне и по левой. находится на правой части и вертикально сосредоточено в середине изображения. Запомнив компоненты и свойства окна, далее детально описан метод записи изображений.

39 39 Рисунок 17 Блок-схема действий по сравнению изображений это изображение, полученное из средней интенсивности красного, зеленого и голубого каналов k-того изображения последовательности входных изображений, где k изменяется от 1 до числа изображений в серии. определяется как окно размерами m*nв, чья левая верхняя точка находится в (a,b) изображения, как показано на рисунке 18. Изображение справа - преобразовано способом, выбранном в множестве поиска. Окно с теми же размерами, что и, определено в Положение в получено путем применения к (a,b) преобразования, обратного ранее выбранному. Рисунок 18 окно на в точке (a,b) с размерами m и n Указанный метод сшивки изображений обычно состоит из четырех основных компонент: набор признаков, который определяет то, что нужно для сравнения изображений;

40 40 степень сходства, с помощью которой оценивается мера подобия изображений; поисковые множества, то есть ряд возможных с изображениями преобразований; поисковая стратегия, которая показывает, каким образом осуществляется выбор следующего преобразования, основываясь на оценке степени сходства. Варьируя значения данных четырех компонент, можно построить различные методы регистрации с различными поведениями. Набор признаков совокупность признаков, используемых для сравнения изображения, таких как значения интенсивности цвета, контуров, текстур и т.д. Совокупность признаков должна быть выбрана для каждого метода регистрации изображения. Характеристики, выбираемые в соответствии с используемым алгоритмом, извлекаются из изображений и сравниваются в их записи. Степень сходства представляет собой функцию, возвращающую скалярное значение, означающее степень похожести двух признаков. Сходство характеристик есть не что иное, как сходство атрибутов положения, размера и цвета. Значения интенсивности выбранных признаков изображений используются для вычисления степени сходства и выбора преобразования для выравнивания изображений. Поисковое множество множество возможных преобразований для выравнивания изображений. Оно содержит такие преобразования, как перемещения по горизонтали или вертикали, вращение, а также более сложные преобразования, полученные путем комбинации указанных выше действий. Изменения в поисковом множестве оцениваются по степени сходства для того, чтобы выбрать наилучшее преобразование (то есть лучшее значение степени сходства), необходимое для выравнивания заданных изображений. Поисковая стратегия это алгоритм, решающий, каким образом выбрать следующее преобразование из поискового множества.

41 41 За последние годы было предложено большое число методов для записи изображений. Обычно эти методы содержат шаблон для определения преобразования, необходимого для выравнивания изображений [16, 17, 18]. Также следует заметить, что центр изображения обычно содержит больше информации, и центральные области с меньшей вероятностью будут обладать однородными значениями интенсивности. Таким образом, с помещением окна ближе к центру изображения, степень сходства, вычисляемая исходя из содержимого окна, обеспечивает более надежный признак сходства окон. Степень сходства между двумя окнами это сумма разницы абсолютных значений двух окон. (10) После вычисления степени сходства для всех возможных положений оптимальная точка для сопоставления, обозначаемая как, выбирается путем исследования значениявеличины в { } (11) Интуитивно правильно выбирать в качестве лучшей точки для сопоставления точку, в которой значение степени сходства минимально. Причина проста сумма различий абсолютных значений двух окон, используемая в качестве степени сходства, а меньшее различие обычно подразумевает наивысшую степень похожести между двумя окнами. Следовательно, выбирается такое положение, в котором значение степени сходства наименьшее из всех рассчитанных степеней сходства Сопоставление ключевых точек Следующим этапом в нахождении взаимного расположения полученных изображений является сопоставление точек интереса (matching). Необходимо установить, какие точки на разных изображениях соответствуют одной реальной точке в трехмерном пространстве. На основании этих соответствий задача нахождения взаимного расположения камер сводится к решению системы уравнений. Поиск близких друг к другу многомерных векторов является одним из самых дорогостоящих с вычислительной точки зрения. На

42 42 фотографии 0,5 Мп находится в среднем около 6000 точек интереса, которые и нужно сопоставить с примерно таким же числом точек на другой фотографии. По сути, задача сводится к нахождению ближайшего вектора из некоторого множества к некоторому вектору образцу. Рассматриваемое пространство многомерных векторов можно в данном случае считать евклидовым. Эффективное решение, хорошо подходящее для данной задачи, предлагает статья [7]. В этой статье описан быстрый способ поиска приблизительно ближайшего соседа. Предложенный метод превосходит по быстродействию линейный поиск. В основе метода лежит использование k-мерных деревьев, которые в классическом виде эффективны для малых размерностей пространства. В случайных же k-мерных деревьях разбиение на поддеревья происходит по измерению, которое выбирается случайно из D измерений с наибольшей дисперсией. При этом будем использовать i-арные деревья, чтобы обеспечить большую гибкость алгоритма. При построении дерева точки рекурсивно разбиваются на кластеры и размещаются в дереве, на каждом шаге кластер делится на i новых кластеров. Данный алгоритм зависит от ряда параметров: размерность и арность деревьев, искомая точность аппроксимации ближайшего соседа. Одним из важных вопросов в общем случае работы с детекторами точек является установление пороговых значений: расстояний между векторамидескрипторами, при котором пару точек на разных фотографиях можно сопоставить одной точке в пространстве. Однако при аэрофотосъемке этот вопрос не столь актуален, так как дескрипторы точек интереса в данной задаче получаются достаточно уникальными. Но при этом проявляется одна из проблем детектора SURF: меньшая устойчивость его дескрипторов к смене угла обзора (повороту изображения). В процессе работы детекторов возникает конфликт «качества» работы алгоритма и его быстродействия. Выбор детектора зависит от типа решаемой задачи. В критичных по времени задачах, таких как сшивка изображений в реальном времени, SURF кажется более приоритетным вариантом. В других задачах использование SIFT может избавить от ряда серьезных проблем, связанных с недостаточностью статистической выборки.

43 43 Основным недостатком SURF в данной задаче является плохая устойчивость к повороту изображения (несмотря на то, что во многих источниках сказано обратное). Далее приведен вычислительный эксперимент, подтверждающий это. В нем рассмотрены две последовательных фотографии, полученные при АФС. При этом точки на фотографиях будут сопоставляться двумя способами: непосредственно на двух последовательных снимках и в случае, когда вторая фотография развернута на 90. Далее построен график зависимости отношения количества сопоставленных пар от пороговых значений в SIFT и SURF. При этом крайние на графиках пороговые значения выбраны так, что число сопоставленных точек при них у SIFT и SURF примерно равно на двух последовательных изображениях. Очевидно, что чем ближе данный коэффициент к единице, тем устойчивей полученные дескрипторы к повороту. SIFT значительно лучше SURF по этому показателю. Другой существенной проблемой является наличие различных шумов на изображении. Чтобы теоретически решить задачу о взаимном расположении камер, достаточно восьми пар точек [41]. Однако шум приводит к тому, что решение, полученное в чистом виде по восьми точкам, может быть ошибочным. Для решения этой проблемы приходится использовать статистические методы обработки выбросов. Алгоритмы детекторов и сопоставления позволяют получить достаточное число пар точек Выводы Было замечено большое время выполнения алгоритма, так как в нем происходит последовательное сравнение пикселя с пикселем. В случае изображения с большим разрешением тратится неприемлемо большое количество времени. Тем не менее, этот метод может вернуть неверные преобразования в силу различных причин. Одна из них в местоположении, где мера подобия для окон обычно минимальна, предполагается преобразования для оптимального выравнивания изображений. В случае, если интенсивность между смежными изображениями существенно отличается, абсолютные значения различий

44 44 средней интенсивности может не служить достаточным признаком для похожести изображений. Как результат, вышеописанная методология не привела к значительным результатам в опыте, при котором съемка изображений производилась с мультироторного БПЛА. Однако, существует альтернативный алгоритм, который может быть использован и дает хорошие результаты с достаточной точностью, но его задержка влияет на производительность системы. 1.4 Разработка подхода к автоматизированному построению фотоплана местности Сшивка панорамного изображения широко представлена в исследовательской литературе и коммерческом применении [51].Методы автоматического выравнивания и монтажа аэрофотоснимков обычно разделяются на два типа: прямые и основанные на свойствах. Прямые методы направлены на многократную оценку параметров камеры путем минимизации функции ошибок, основанной на разнице интенсивности в области наложения. Их преимущество заключается в использовании всех доступных данных изображения, и потому они предоставляют достаточно аккуратные записи, но требуют, как уже было отмечено, весьма тщательной инициализации. Базовая геометрия достаточно понятна и включает оценку матрицы камеры 3 3 (гомография) для каждого изображения [34]. Данный процесс требует оценки инициализации, обычно вводимую пользователем, для грубого выравнивания или упорядочения изображений. Например, для некоторого программного обеспечения необходимо горизонтальное или вертикальное сканирование, квадратная матрица изображений или пользовательский интерфейс для получения приблизительного местоположения изображений с мышью, используемой для автоматического сравнения (comparation). Для сшивки изображений использовался фреймворкaccord.net, расширенный вариант фреймворка AForge.NET (фреймворк на С# с открытым исходным кодом, созданный для разработчиков и исследователей в области компьютерного зрения и искусственного интеллекта обработка изображений,

45 45 нейронные сети, генетические алгоритмы, нечеткая логика, машинное обучение, робототехника и т.д.). Accord.NET реализует инструменты и возможности, недоступные в AForge.NET: среди прочего, для разработки программ по автоматической склейки изображений и для автоматического создания панорам. В приведенных ниже примерах будет наглядно продемонстрировано, как использовать возможности Accord.NET для склейки двух изображений и создания небольшой и несложной панорамы Выделение признаков на изображении Методы, основанные на признаках, начинаются с установления соответствия между точками, линиями или другими геометрическими вхождениями. Местные инвариантные особенности используются для нахождения совпадений между всеми изображениями. Последнее делает работу невосприимчивой: порядок, ориентация, масштаб и освещение входных изображений, а также невосприимчивость к шумам изображения, не являющимся частью ландшафта. Также существует возможность распознания многочисленных панорам из множества неупорядоченных изображений. Выделение характерных точек на изображении может привести к получению различных результатов, зависящих от используемых методов. Принимая во внимание скорость и точность нахождения указанных точек, можно выделить большое число различных алгоритмов, каждый из которых обладает своими достоинствами и недостатками. В дальнейшем опишем три алгоритма, примененных для выделения характерных точек. Реализация некоторых алгоритмов инвариантна к масштабу, вращению или смене освещенности; последнее предполагает улучшенный выбор характерных точек, и, соответственно, большие возможности достичь подходящего смешивания. Обнаружение корректных характерных точек играет важную роль для правильной склейки. Это самый первый шаг, таким образом, крайне важно выбрать правильный детектор таких точек. В качестве примера рассмотрим детектор Харриса, который был изобретен Крисом Харрисом и Майком

46 46 Стивенсом в 1988 г. [10]; это была только фаза обработки, направленная на анализ окружающей робота среды, представленной изображениями. Детектор Харриса ищет в соседних областях точки с большими изменениями интенсивности. Отличительная черта этого алгоритма ведет к нахождению в большинстве случаев углов и границ. Целью является выявление признаков углов и использование нормированной взаимной корреляции значений локальной интенсивности в конкретных точках для поиска соответствий. Прототип детектора Харриса был разработан Моравеком; позднее Харрис и Стивенс усовершенствовали его, предположив, что дифференциал угла наиболее полезен, в отличие от непосредственного направления движения. Для создания панорамы, имея уже определенные значения исследуемых точек между двумя изображениями, одно изображение проецируется поверх другого. Для получения более детальной информации о виде указанных характерных точек Вы можете изучить исходный код для детектора углов Харриса, разработанный Сезаром Де Суза. Ниже, на рисунке 19, представлен реальный пример характерных точек, полученный с помощью детектора углов Харриса. Здесь использованы два изображения различного размера, на которых изображен вид земли сверху. Рисунок 19 Изображения, на которых не отмечены исследуемые точки Данный алгоритм достаточно быстр (0,28 секунды на обнаружение приблизительно 2500 исследуемых точек), что является отличительной особенностью данного алгоритма. Данным атрибутом не стоит пренебрегать, особенно в случае с системами реального времени, где существуют жесткие ограничения на время отклика. Однако поразительное быстродействие

47 47 алгоритма не может сравнено с его надежностью; на деле данный детектор может вернуть различные результаты в зависимости от ориентации и размера изображения. Программный код был реализован с использованием С# фреймворка Accord.NET расширением отличного фреймворкаaforge.net Масштабно-инвариантная трансформация признаков Работа с проблемой полностью автоматического смешения многократных изображений, содержащих вид сверху, рассматриваются в отчете профессора Дэвида Г.Лоу из Британского Колумбийского университета (Ванкувер, Канада). Лоу в своей публикации описал особенность алгоритма масштабноинвариантной трансформации признаков [19], используемого в машинном зрении для обнаружения локальных особенностей по изображениям. Основанный на признаках метод начинается с установления соответствия между точками, линиями или другими геометрическими объектами. Они не требуют инициализации, однако традиционные методы (такие как корреляция частей изображений по углам Харриса) не обладают инвариантными свойствами, необходимыми для достоверного соответствия произвольной последовательности панорамных изображений. Подход масштабно-инвариантной трансформации признаков (SIFT) основан на инвариантных особенностях [20] для достижения «стыка» полностью автоматического панорамного изображения. По сравнению с предыдущим подходом он обладает несколькими преимуществами: использование инвариантных особенностей позволяет провести надежное соответствие последовательностей изображения и панорам, несмотря на вращение, изменение масштаба и изменение освещения на входных изображениях; рассматривая склейку изображений как проблему совмещения нескольких изображений, является возможным автоматически обнаруживать отношения соответствия между изображениями и распознанными ландшафтами в неупорядоченном множестве данных;

48 48 алгоритм может привести к получению высококачественных результатов с использованием многополосного сопряжения для отображения бесшовных панорам. Алгоритм SIFT обнаруживает большее число характерных точек, чем детектор Харриса, который сокращает вероятность ошибки локальных вариаций средних ошибок среди всех ошибок совпадения признаков. Лоу был необходим метод для отождествления объектов с изображениями, и, даже в случае, если данный объект частично перекрыт другим объектом, его алгоритм достаточно мощен для того, чтобы распознать искомый объект. Также алгоритм SIFT обладает недостатком, вытекающим из преимущества. Стоимость поиска нескольких характерных точек такова, что оказывает влияние на время, потраченное на выполнение алгоритма, что является большим компромиссом между качеством характерных точек и быстродействием системы. Представленный Гербертом Беем в 2006 году [12] алгоритм ускоренного обнаружения устойчивых признаков (SURF) является дескриптором и детектором характерных точек, инвариантных к повороту и масштабированию, используемым в работах по машинному зрению, таких как трехмерная реконструкция и распознавание объектов. Также он является улучшением алгоритма SIFT, гарантирующее лучшую эффективность. Реализация алгоритмаsurf во много раз быстрее, чем SIFT, этот алгоритм демонстрирует большую устойчивость к различным преобразованиям изображения, чем SIFT. Для обнаружения признаков рассматривают величину, являющуюся суммой откликов Хаара Вейвлета [21], применяемую многократно вокруг точек. У каждой исследуемой точки имеется окружение, для которого вычисляется дескриптор. Область должна иметь форму квадрата и разделяется на несколько подобластей. Число таких дескрипторов также влияет на число производимых вычислений. В самом простом случае, нормированный по масштабу детерминант Гессианы, вычисленный из волн Хаара, используется в

49 49 качестве базисного оператора для исследуемой точки в дескрипторе SURF. Гессиана является важным фактором; на практике точка становится характерной только в случае, если значение гессианы больше порогового. Далее представлен результат, полученный с помощью алгоритма SURF, на котором извлечены только характерные точки с гессианой, превосходящей 500 и базисными дескрипторами (по 64 элемента каждый). Для проведения сравнения с детектором Харриса использовался для обоих методов одинаковые изображения, и, в данном конкретном случае, число полученных характерных точек отличалось несущественно. Сразу стало ясно, что время, затраченное на выявление исследуемых точек в два раза больше, чем по методу Харрису. Это приемлемо, так как найденные характерные точки устойчивы к шуму, и, как уже было отмечено выше, инварианты к масштабированию и повороту. После получения характерных точек методами, описанными выше, необходимо проанализировать их для того, чтобы найти соответствующие друг другу точки на двух различных изображениях. Цель итерационно рассматривать пиксели вокруг характерной точки первого изображения и коррелировать их с пикселями вокруг всех остальных точек второго изображения. Важно устанавливать однозначное соответствие между характерными точками. Взаимная корреляция [14] сравнивает локальное окружение исследуемых точек и возвращает величину меры подобия, вычисляемую как (12) Данное значение является величиной корреляции между двумя точками и, и - значения интенсивности в данных точках, и среднее значение интенсивности рассматриваемой области, Nпредставляет собой величину данной области. С помощью указанной формулы взаимная корреляция рассчитывается для каждой возможной комбинации. Наибольшее значение двунаправленной корреляции означает, что пара точек согласована. Однако, существуют случаи, когда множество точек были соотнесены неверно, и потому необходим

50 50 механизм, с помощью которого можно будет понять, какая пара точек была соотнесена ошибочно. Число характерных точек, найденных на предыдущем шаге, влияет на результаты данного метода. Для получения оптимального решения необязательно иметь несколько характерных точек, однако только с несколькими точками число ошибочных пар становится большей долей, и использование RANSAC4.3 может скорректировать ложную связь между двумя точками. RANSAC аббревиатура от RANdom Sample Consensus. Данный метод был опубликован Фишлером и Боллесом в 1981 году [8,9]. Это недетерминированный алгоритм, так как он не гарантирует получение приемлемых результатов, а вероятность успеха возрастает с числом проделанных итераций. RANSAC различает два типа данных «инлайеры» и «аутлайеры». «Инлайеры» данные, сравненные с набором данных, следующие определенному правилу, которое может быть представлено в виде математической модели. «Аутлайеры» ошибочные данные, которые не удовлетворяют данной модели и статистическому критерию «инлайеров». В нашем случае данный тип данных является следствием ошибочной корреляции. Проанализированные методом RANSAC данные являются гомографией коррелируемых характерных точек. «Аутлайеры» ошибки взаимной корреляции интенсивности, а «инлайеры» хорошая связь между исследуемыми точками. RANSAC алгоритм, который итеративно следуя по множеству результатов измерений, оценивает параметры математической модели и пытается найти «аутлайер» и разъединить их (исключить его). RANSAC пытается отыскать наилучшую модель, тестируя различную взаимосвязь между характерными точками; гомография, возвращающая самое большое число корректных совпадений, выбирается в качестве решения. Как видно из рисунка X «аутлайеры» это диагональные линии, которые не следуют статистическому направлению «инлайер». Эти неверные

51 корреляции могут вызвать затруднения на стадии сопряжения изображений, 51 таким образом, они должны быть удалены с RANSAC. Рисунок 20 Изображения с характерными коррелирующими точками, отмеченными белым («инлайер» и «аутлайер») Рисунок 21 Изображения после выполненияransac (белым отмечены только «инлайеры») Эффекты от RANSAC приведены на рисунке X, только верные совпадения на изображениях не исчезают. Это происходит потому, что RANSAC действительно находит матрицу гомографии, которая связывает большинство точек, и отвергает неверные совпадения как «аутлайеры». Фреймворки AForge.net и Accord.net предоставляют все инструменты для осуществления алгоритма RANSAC Оценка гомографии Коррелирование характерных точек двух изображений дает возможность определить модель, которая может преобразовать точки одного изображений к другому. В данном разделе речь идет о матрице гомографии, которая включает в себя много видов преобразований. Это дает возможность наложить два изображения согласно положению коррелированных характерных точек. В гомографии разрешается использовать проективные преобразования, которые

52 52 устанавливают соответствие линий (при этом необязательно сохраняет параллелизм). Применение матрицы гомографии позволяет использовать аффинные преобразования, которые изменяют форму изображений, и дает ощущение, что изменяется точка зрения наблюдателя. Аффинное преобразование соблюдает прямоту линий и отношения сторон, таким образом, сохраняя принцип параллельности. В основном, для того, чтобы применить преобразование, необходимо матричное умножение. Примерами аффинных преобразований являются масштабирование, смещение и вращение. Проблема состоит в том, что смещение не может быть представлено с помощью произведения матриц 2*2. Для решения данной проблемы является возможным добавить дополнительную координату k к каждой точке, таким образом, каждый пиксель изображения характеризуется как P(x,y,k) вместо P(x,y), kв таком случае гомогенная координата, коэффициент масштабирования. Два набора гомогенных координат обозначают одну и ту же точку, если они кратны друг другу. Например, P(3,2,5) и P(6,4,10)представляют одну и ту же точку. Если k отлично от 0, можно разделить на него x и y и получить декартовские координаты точки (x/k, y/k, 1). С k=0 точка называется бесконечно удаленной. Размеры матрицы гомографии матрица 3 на 3 с 8 степенями свободы, что вызвано гомогенными координатами. Гомогенные координаты важны, если Вы хотите использовать матрицу преобразований для аффинных преобразований; это означает, что добавление дальнейших координат расширяет двухмерную матрицу преобразований одним рядом и одной строкой. Таким образом, любое линейное преобразование может быть воспроизведено, как представлено на рисунке 4.4.1, общей матрицей преобразования, назначением нулей всем значениям последней колонки и ряда, за исключением нижнего правого угла. Значение данного элемента для упрощения вычислений всегда равно 1. { } (13)

53 53 Матрица гомографии, представленная должна быть итеративно множена на характерные точки первого изображения для обнаружения лучшей взаимосвязи между характерными точками другого изображения. { } (14) В формуле (14) отображена общая матрица гомографии. Очевидно, что гомогенные координаты характерной точки определяются кортежем <x,y,k>. { } { } { } (15) Произведение матрицы гомографии и гомогенных координат характерной точки определяет то, каким образом привести гомогенные координаты точки к ее оригинальным Декартовским. Для этого необходимо просто разделить каждую координату на масштабный коэффициент k, а затем, после деления, проигнорировать последнюю координату и принять во внимание только первые две компоненты. (16) (17) В формулах (16) и (17) отображен переход от гомогенных координат к декартовым координатам Размытие изображение или блендинг Благодаря матрице гомографии и извлечению точек по методу SURF, могут быть соединены изображения, имеющую равную общую зону. Поскольку SURFинвариантен к аффинным преобразованиям, чем пользуется матрица гомографии, два данных изображения могут масштабироваться, сдвигаться и вращаться. В то же время блендинг изображений должно проводиться в соответствии с матрицей гомографии. Для этого может использоваться линейный градиент альфа для того, чтобы сопрягать зоны, перекрытые двумя изображениями. Градиент управляет заключительным изображением согласно

54 54 положению пикселя с учетом средневзвешенной величины в соответствии с расстоянием от центров этих двух изображений. На рисунке 22исследовано поведение всего метода склейки изображений с использованием изображения, отличающегося от другого 70%-ным масштабированием и допустимым сдвигом. Рисунок 22 Изображения, подвергнутые операциям масштабирования и перемещения Как видно из рисунка 22, склейка прошла успешно и с 70%-ным масштабированием изображений алгоритм также справился. Преобразование масштабирования соответствует изменению высоты БПЛА; но между двумя изображениями, снятыми с разницей в 5 секунд, маловероятно существование большего масштабирования. Рисунок 23 Финальное наложение двух смещенных и масштабированных изображений Теперь рассмотрим на рисунках 23 и 24 производительность системы со смещением и сдвигом изображений, применен поворот на 10 градусов и 20%- ное смещение.

55 55 Рисунок 24 Финальное наложение двух смещенных и повернутых изображений Использование данного метода с углом вращения между двумя изображениями больше чем 10 градусов ведет к неудовлетворительному качеству заключительной картины. Это является следствием применения метода выделения признаков, так как на практике метод SURF частично инвариантен к аффинным преобразованиям. Это означает, что характерные точки, выделенные на различных изображениях, могут не быть теми же самыми, если угол вращения и длина сдвига существенны. Если выделенные точки различаются, тогда сшиваемое изображение частью ошибочно. Это в данном случае не является серьезной проблемой, так как происходит присоединение изображений с более или менее одинаковым углом поворота и небольшим сдвигом. Причиной таких явлений может быть то, что БПЛА движется по пути, который предварительно рассчитывается («автоматизированному» пути). На рисунке25 представлены направления, по которым движется БПЛА и, следовательно, какие зоны БПЛА просматривает и фотографирует. Для зоны со сменой направления решение может состоять во вращении на 90 градусов изображения в правильном направлении. Чтобы знать, изменяет ли БПЛА свое направление, он может воспользоваться данными телеметрии от автопилота AP04[18].

56 56 Рисунок 25 «Автоматизированный» путь БПЛА Как видно из рисунка 25, направление полета прямолинейно, за исключением мест смены направления, следовательно, учитывая небольшие изменения направлений, вызванные внешними процессами, данный метод склейки изображений остается надежным. 1.5 Методика проведения аэрофотосъемки для решения задач строительства Произведя обзор полного технологического процесса обработки изображений беспилотного летательного аппарата необходимо сконцентрироваться на трех основных аспектах. Во-первых, необходимо уделить внимание планированию полета БПЛА, которое может варьироваться в зависимости от продолжительности автономного полета, а также ввиду большого разнообразия ныне существующих БПЛА и комбинаций ближнего обзора и аэрофотограмметрии с классическим планированием полета широкоформатных аэрофотокамер. Во-вторых, необходимо заострить внимание на влиянии управляемого вручную и автономного полетов на производительность фотограмметрических полетов а, следовательно, и на качество результатов. В этом разделе будут представлены примеры управляемого полета, наглядно демонстрирующие необходимость в автономных фотограмметрических полетах. Наконец, говоря о третьем аспекте, необходимо сосредоточиться на последовательности и точности автономных полетов и рассмотреть метод для

57 57 анализа производительности и точности полетов по трехмерной траектории. Рассмотрев описанные аспекты автономных полетов, необходимо затем применить их в приложениях и продемонстрировать полученные улучшения, например, изменения в сборе данных от точек остановки до путевых точек. Все технологические операции сгруппированы в модули, связанные друг с другом через интерфейсы. Модули обладают атрибутами, которые могут быть определены или изменены в зависимости от процедуры для конкретной задачи. В определении интерфейсов также учтена возможность изменения атрибутов для каждого модуля в зависимости от параметров проекта. Более того, интерфейсы обладают функционалом для трансформации и форматирования данных. Следовательно, следуя предложенной технологии, можно управлять несколькими прикладными программами для БПЛА. Можно выделить следующие основные модули: параметры проекта (PP); планирование полета (FP); автономный фотограмметрический полет (APF); проверка качества данных; блок триангуляции БПЛА; цифровая модель поверхности, ортофотоплан, трехмерная модель. Отдельные процедуры модуля могут выступать в роли обработки или части обработки коммерческого ПО или ПО для внутреннего пользования. Для взаимодействия и передачи данных между модулями разработаны интерфейсы и определены рабочие процессы. Основное назначение интерфейсов ускорить взаимодействие между отдельными этапами работ. В зависимости от прикладной программы, интерфейсы предоставляют необходимую каждому модулю информацию Анализ требования для планирования полета Для автоматизированного получения изображения должна быть заранее вычислена траектория полета БПЛА. Такие параметры проекта, как тип объекта, выходные данные, датчик камеры, модель БПЛА и полетные

58 58 ограничения, являются стандартными. Они могут варьироваться от одного приложения к другому. Следовательно, при детальном планировании существенное значение имеют параметры задачи. Определим три возможных сценария работы модуля планирования полета: документирование поверхности с равнинным или умеренным ландшафтом; выявление пересеченной/ горной местностей как зон риска; 3D-моделирование строений и других объектов. Для автоматизации полета были произведены следующие изменения в системе: 1) автономное инициирование съемки и самостоятельные взлет и посадка; 2) функционал поворота камеры и измерения таких поворотов (вращений); 3) увеличение точности позиционирования и ориентации a) новые GPS и INS датчики с повышенной точностью и производительностью; b) запуск и хранение данных ориентации с данными изображений; Повышение точности параметров ориентации может сократить необходимое число наземных контрольных точек. Для областей, где нельзя распределить отмеченные контрольные точки, в их качестве применяются некоторые природные объекты, такие, как пересечения линий на уличных перекрестках. Эти точки могут быть определены как до, так и после полета с использованием полноценных данных о местоположении или же данных дифференциальной глобальной системы позиционирования. Проверка качества данных в режиме реального времени является немаловажной задачей в силу временных ограничений, часто налагаемых на сбор данных, а также из-за невозможности ее повтора. Для контроля качества обработки изображений обеспечены субдискретизированно сшитые обзорные изображения для быстрой проверки их качества.

59 59 Контроль качества состоит из: сравнения рассчитанных и полученных местоположений; получения первых результатов в ходе полевой работы или после нее. Расписание для дополнительных полетов будет создано, если новый полет завершен и выполнены следующие условия: полученное местоположение не совпадает с заранее рассчитанной точкой; изображение не было получено; в сравнении зон покрытия обнаружены промежутки или необходимый интервал перекрытия не заполнен; в промежуточных результатах имеются ошибки. Параметры планирования полетного задания для БПЛА в автоматическом режиме представлены в таблице.3 Таблица 3 Параметры планирования полетного задания для фотограмметрических воздушных полетов Описание Коэффициент масштаба изображения Фокусное расстояние Высота полета Формат аналогового снимка или размеры матрицы для цифровых камер Разрешение при сканировании для аналоговых изображений и размер пикселя для цифровых камер Диагональ матрицы Расстояние на местности изображения Продольное и поперечное наложение курса Базовая линия изображения и пространства объектов Расстояние между линиями полета Длина и ширина охватываемой области Область модели (Стереоохват) Расположение области Средняя высота ландшафта Точность планиметрии и высоты Точность измерений (в пикселях) Скорость относительно земли Скорости БПЛА (скорость прямолинейного движения и угловая Параметр d и a

60 скорость) Сдвиг изображения Скорость затвора Δt Время между двумя точками сбора dt Поле зрения FOV Точка захвата изображения P(X, Y, Z) 60 В настоящем исследовании отдельное внимание уделено существующим пакетам программ для обработки изображений БПЛА. Объединение данных местоположения и ориентации, обеспечиваемое модулем навигации БПЛА, приведет к сокращению числа необходимых для определения местонахождения контрольных точек. Использование различных независимых датчиков, интегрированных в платформу, также сократит время и затраты на измерения и групповую корректировку. Для описываемого модуля триангуляции будут использоваться коммерческие пакеты программ и существующие инструменты для некоммерческого использования. Из-за широкого разнообразия видов программного обеспечения для фотограмметрической обработки возможно разделить их на три класса, основываясь на их возможностях обработки аэронавигационных, земных данных и их комбинаций. Начиная с ранних работ по аналоговым аэронавигационным изображениям, планирование полета, предваряющее получение изображения, играет важную роль для аэронавигации изображения и создания фотограмметрических продуктов. Наиболее важные для планирования цели аэрофотосъемки параметры и формулы представлены ниже. Для определения пути полета необходимы основные параметры, представленные в таблице 4. Коэффициент масштаба изображения определяется высотой полета над поверхностью и фокусным расстоянием камеры: 1 (18) Длина боковой поверхности изображения может быть вычислена через S или s при использовании аналоговой или цифровой камеры соответственно: 2 (19)

61 61 Длина базовой линии приведена с p%-ным продольным перекрытием 3 (20) Расстояние между двумя соседними линиями полета с q%-ным боковым перекрытием может быть вычислено как: 4 (21) Охваченная область есть результат 5 (22) Ожидаемая точность определения высоты может быть рассчитана через точность измерения планиметрии и отношение высоты полета и базовой линии в пространстве изображений, при этом определяется с помощью метода измерения и размер пикселя ( ).Вручную измеренные точки могут быть определены с точностью до 0,5 пикселя, в то время как автоматические методы измерения позволяют повысить точность до 0,1 пикселя для естественных целей на плоских поверхностях и хорошей текстуры. Для высокогорных местностей точность измерения увеличивается до 0,5 Пиксел, однако для изображений БПЛА она может достигать примерно 0,5 пиксель. Тогда погрешность может быть рассчитана как 6 (23) 7 (24) Планирование полета БПЛА До настоящего времени существующие инструменты для планирования полета разрабатывались для решения задач вооруженных сил, робототехники, машинного зрения и прикладных программ искусственного интеллекта. Главным аспектом исследования стабилизация полета являлись полетные маневры: сальто и бочки (двойные перевороты через крыло), предупреждение столкновений, автоматическое слежение за целью, а также действия по образу «следуй за мной». Следовательно, были разработаны инструменты, работающие в локальном трехмерном окружении, где известны статические и

62 пассивные мобильные препятствия. Таким образом, локальные планировщики пути могут быстро определять траектории без угроз столкновений. 62 В наше время навигационная точка БПЛА является стандартным инструментом, и автономный полет, основанный на определенных в глобальной системе координат точках, доступен для большинства БПЛАсистем M-и L-классов, в то время как на OM-классе БПЛА управление осуществляется на ручном или вспомогательном модулях полета. В то же время существует необходимость в интеграции и адаптации фотограмметрических полетов к планированию пути БПЛА. В целом, программное обеспечение планирования миссии БПЛА требует интеграции некоторых дополнительных функций, таких как фотограмметрические инструменты планирования авиаполета. Для автономных полетов БПЛА должны быть определены начальная и конечная точки. Основываясь на стартовой точке, задание устанавливается относительно ее координат. Более того, некоторые программные пакеты позволяют в дополнение к точкам пути определять пути, границы и запретные зоны, что особенно важно в случае, если задача БПЛА абсолютно автономна, как в военных приложениях или при распознающих полетах. Предложенный технологический процесс (рисунок 26) представляет собой автономный инструмент, который может быть легко интегрирован в различные пакеты ПО, а также в операционные системы. Он также позволяет производить интеграцию с различными операционными системами БПЛА. Инструменты полета для БПЛА представлены в таблице 4. Таблица 4 Инструменты полета для БПЛА с указанием спецификации и доступных вариантов применения Инструмент полета 2D 3D Circle (Круг) Спецификации Карта/ ортоизображение и цифровая модель поверхности Цифровая модель поверхности Карта/ ортоизображение и объект Применение Равнинная местность и местность с умеренным рельефом Горные районы и крутые участки Отдельные объекты/ строения

63 63 Сочетание фотограмметрического планирования полета и планирования задачи БПЛА приводит к планированию пути БПЛА. Так как БПЛА работает в переходной зоне между воздушной и наземной фотограмметрией, где для захвата изображения доступны различные обзоры камеры, предлагается классификация инструментов полета по их применению. Имеется различие между равнинной местностью и местностью с умеренным рельефом (как и в большинстве стандартных приложений), горными районами и крутыми участками, а также отдельными объектами. Документирование городов может быть проведено с инструментом 2/2.5D, в то время как планирование полета по сбору данных уличных фасадов может производиться комбинацией инструментов 2/2.5D и «Круг». Исследуемая область может быть определена на карте или ортоизображении с использованием геоинформационной системы, а также в трехмерном просмотрщике или через заданные граничные координаты. Однако, если недоступна никакая информация об исследуемой области, БПЛА-система способна получить свое собственное обзорное изображение, которое в дальнейшем может быть исправлено и использовано для планирования полетного задания. При заданных границах области и дополнительных параметрах полета планирование полета осуществляется штатным инструментом. Результатом в таком случае являются координаты точек захвата изображения и атрибутов автоматического полета, которые могут быть интегрированы в ПО для планирования полетного задания и визуализированы в программе просмотра трехмерного изображения, к примеру, GoogleEarth.

64 64 Рисунок 26 Технологический процесс для планирования фотограмметрического полета БПЛА Помимо планирования полета для случаев двумерного и полуобъемного пространств, существует необходимость и в решении трехмерной задачи. В частности, в горных местностях слишком низкий обзор образует в множестве данных большое количество препятствий. Следовательно, расположение камеры, перпендикулярное поверхности земли, позволит их избежать. В случае с трехмерным изображением исследуемой областью является модель возвышенности, и, соответственно, область разделена на секции. Плоскость каждой отдельной секции определена таким образом, что среднее расстояние от нее до поверхности сведено к минимуму. При перпендикулярном взгляде на поверхность нами предполагается уменьшение числа препятствий на изображении. С заданным расстоянием до поверхности определена параллельная поверхность (см. рисунок 27). В новой плоскости спроецирована исследуемая область и образованы наклонные линии полета БПЛА.

65 65 Рисунок 27 Слева трехмерный пример заданной цифровой модели поверхности. Справа соответствующая плоскость для интересующей нас области, удаленная от параллельной плоскости на расстояние Инструмент полета, называемый «круг», разработан для таких отдельных объектов, как здания и сооружения. В таком случае линия полета, определяемая как круг или эллипс, устанавливается вокруг объекта. Во время полета камера будет повернута таким образом, чтобы фасад и крыша объекта были видны на изображении. В то время как большинство прикладных программ для планирования полетных задач БПЛА не позволяют интегрировать инструмент «Круг», он разделяется на несколько секций. Таким образом, в ПО для планирования полета для начальной и конечной точки секции координаты вычисляются, а затем интегрируются как путевые точки. В общем виде процесс получения фотоснимков представлен на рисунке 28.

66 66 Рисунок 28 Процесс получения фотоснимков Для математического описания объектов необходимо определить их через систему отношений. В данном разделе описана координатная система, необходимая для фотограмметрической обработки данных БПЛА. В целом глобальные системы координат описываются как фиксированная система солнечных или земных координат, где оси координат определяются, например, средствами интерферометрии со сверхдлинной базой, лазерной телеметрии с помощью спутника, измерений глобальной системы навигации и определения местоположения или наблюдениями за квазарами. Эти системы обладают определенным началом отсчета; для геоцентрических координатных систем им является центр притяжения земли. Измерения GPS используют WGS84 (Всемирную геодезическую систему 1984 г.), которая также является геоцентрической системой координат. Центр тяжести вытекает из глобальной равно потенциальной модели Земли. Ось Х

67 67 определяется как точка пересечения нулевого меридиана и экватора, ось Z совпадает с осью вращения Земли с учетом движений полюса, ось Y завершает правостороннюю координатную систему. В отличие от глобальной системы координат, локальные допустимы только для небольших областей. В целом эти системы является правосторонними системами с центром в выбранной точке P, где ось Х является тангенсом к местной параллели и направлена на восток. Ось Y является тангенсом к местному меридиану и направлена на север, а ось Z направлена вверх с использованием ортометрической высоты (геоид). Примером локальной системы координат является швейцарская система LV03. Вмонтированные в БПЛА устройства (инерциальная навигационная система и система камеры) являются трехмерными декартовскими координатными системами. Инерциальная навигационная система БПЛА определяет также систему координат навигации и стабилизации системы БПЛА. Относительно инерциальной системы отсчета углы вращения определены следующим образом: угол рыскания ( ) относительно оси Z, угол тангажа ( ) относительно оси Y и угол наклона ( ) относительно оси X. Система координат установленной в БПЛА камеры зависит от ее ориентации. В стандартной конфигурации ось Х камеры расположена параллельно по направлению к носу БПЛА (по направлению полета), ось Z параллельна оси с нормалью к базовой линии, ось Y завершает правостороннюю координатную систему. Центр начала отсчета определяется центром проекции камеры. В качестве входных данных для системы планирования полетного задания генерируется текстовый файл с трехмерными координатами точек захвата, параметрами скоростей полета и определением статуса точки (точка остановки, пересечения или поворота). Эти координаты могут передаваться в файл задачи в формате XML. Для каждой точки маршрута определяются атрибуты. Первая и вторая путевые точки определяют стартовую точку и точку маршрута соответственно, в то время как все последующие означают целевые

68 68 точки. Класс идентифицирует точку абсолютно или относительно стартовой точки. Характер изменения точки означает принадлежность рейсу (круиз) или остановку, а полезная нагрузка включает или отключает функцию грузоподъемности. Сбор изображений, осуществляемый БПЛА, может осуществляться в различных режимах: так, изображения могут быть собраны с использованием инициации вручную на точках остановки в ходе как ручного, так и автономного управления. Также автоматическое получение изображений может быть запущено по пребыванию на заранее определенную точку маршрута или точку остановки. Из определения поля зрения камеры и перекрытия по направлению движения, полноценное изображение может быть получено в отсутствие ручного управления с использованием модуля автономного полета. Для этого модуля вторая опция позволяет определить базовую линию. Интервал времени для инициирования изображений вычисляется на основе заранее определенной скорости. С использованием этих двух опций автономного режима координаты для получения изображения задаются косвенно от начальной и конечной точек линии полета (см. рисунок 10). ( ) (25) В ходе получения изображения система БПЛА сохраняет его номер, положение, ориентацию, дату и время его получения в формате UTC, относительную высоту до стартовой точки и число GPS-спутников. Наконец, после получения изображения метаданные, хранимые в глобальной системе координат (WGS84), могут быть преобразованы в локальную систему координат (например, Швейцарская LV03 SwissLV03). Для расширенного анализа проведения аэрофотосъемочных работы были выделены следующие параметры точек маршрута полета БПЛА, которые представлены в таблице 5.

69 69 Таблица 5 Параметры точки маршрута в ПО Точка маршрута Параметры точки маршрута Номер точки Описание Расстояние от земли (высота) Горизонтальная и вертикальная скорости ( ) Управление камерой Положение точки маршрута Абсолютное (Долгота, Широта) Относительное (Север, Восток) Значение точки маршрута Абсолютное (Долгота, Широта, Высота над уровнем моря) Параметры вектора отклонения Действие точки маршрута Выводы Угол рыскания Отклонение от курса при непрерывном движении Направление движения отклонения от курса Авто настройка точки, представляющей интерес,/ следующей точки маршрута Скорость движения отклонения от курса Задание Интервал Авто настройка точки, представляющей интерес,/ следующей точки маршрута Отклонение от курса при непрерывном движении Направление движения отклонения от курса Подача сервомотора камеры Масштабирование сервомотора камеры Пусковой механизм сервомотора Фотоинтервал Разрабатываемое ПО позволяет осуществлять детальное индивидуальное планирование полетной задачи. Точки получения изображений вручную определены на карте и, следовательно, должны быть вручную интегрированы в программное обеспечение. Атрибуты маршрутных точек приведены в таблице 4. Абсолютные и относительные координаты могут быть получены с помощью формулы 13. Дополнительные атрибуты должны быть определены вручную. Тем не менее, это позволяет определять исследуемые точки, при попадании которых в поле зрения камеры последняя автоматически

70 70 захватывает изображение. Эта функция поддерживает инструмент «Круг», описанный в предыдущем разделе. Более того, обзор задачи может быть использован для изначального планирования полета, если область полностью неизвестна. Следовательно, определена одна точка, и камера автоматически создает изображения для панорамного обзора. Разработанная методика проведения аэрофотосъемки с помощью БПЛА позволит осуществлять работы по сбору и обработки фотоснимков независимо от качества сигналов ГНСС благодаря бортовому вычислителю.

71 71 2.РАЗРАБОТКАИИССЛЕДОВАНИЕАЛГОРИТМОВПОСТРОЕНИЯ ФОТОПЛАНОВ МЕСТНОСТИ С ПОМОЩЬЮ МАТЕРИАЛОВ АЭРОФОТОСЪЕМКИ 2.1 Анализ существующих алгоритмов автоматизированного поиска ключевых точек на фотоснимках для построения фотопланов местности Для выделения из изображения некоторой интерпретируемой информации необходимо иметь привязку к локальным особенностям изображения. На изображении возможно выделение особых точек. Особая точка m, или точечная особенность (англ. pointfeature, keypoint, feature), изображения это точка изображения, окрестность которой o(m) можно отличить от окрестности любой другой точки изображения o(n) в некоторой другой окрестности особой точки o 2 (m). В качестве окрестности точки изображения для большинства алгоритмов берется прямоугольное окно, составляющее размер 5x5 пикселей. Процесс определения особых точек достигается путем использования детектора и дескриптора. Детектор это метод извлечения особых точек из изображения. Детектор обеспечивает инвариантность нахождения одних и тех же особых точек относительно преобразований изображений. Де кр птор идентификатор особой точки, выделяющий ее из остального множества особых точек. В свою очередь, дескрипторы должны обеспечивать инвариантность нахождения соответствия между особыми точками относительно преобразований изображений. В 1992 Харалик и Шапир выделили следующие требования к особым точкам в виде следующих свойств: Отл ч мо ть (distinctness) особая точка должна явно выделяться на фоне и быть отличимой (уникальной) в своей окрестности. Инвар антно ть (invariance) определение особой точки должно быть независимо к аффинным преобразованиям. Стаб льно ть (stability) определение особой точки должно быть устойчиво к шумам и ошибкам.

72 72 Ун кально ть (uniqueness) кроме локальной отличимости, особая точка должна обладать глобальной уникальностью для улучшения различимости повторяющихся частей изображения. Интерпрет руемо ть (interpretability) особые точки должны определяться так, чтобы их можно было использовать для анализа соответствий и выявления интерпретируемой информации из изображения. Стоит отметить, что в работах Tuytelaars и Mikolajczyk выделяются следующие свойства, которыми должны обладать особые точки: Повторяемо ть (repeatability) особая точка находится в одном и том же месте сцены или объекта изображения, несмотря на изменения точки обзора и освещенности. Отл ч тельно ть / нформат вно ть (distinctiveness / informativeness) окрестности особых точек должны иметь большие отличия друг от друга, так, чтобы возможно было выделить и сопоставить особые точки. Локально ть (locality) особая точка должна занимать небольшую область изображения, чтобы быть уменьшить вероятность чувствительности к геометрическим и фотометрическим искажениям между двумя изображениями, полученных в различных точках обзора. Кол че тво (quantity) число обнаруженных особых точек должно быть достаточно большим, так чтобы их хватило для обнаружения даже небольших объектов. Однако, оптимальное количество особых точек зависит от предметной области. В идеале, количество обнаруженных особых точек должно адаптивно определяться с использованием простого и интуитивного порога. Плотность расположения особых точек должна отражать информационное содержимое изображения, чтобы обеспечить его компактное представление. Точно ть (accuracy) обнаруженные особые точки должны точно локализовываться, как в исходном изображении, так и взятом в другом масштабе. Эффект вно ть (efficiency) время обнаружения особых точек на изображении должно быть допустимым в критичных по времени приложениях. В целом, эти свойства пересекаются, но по-разному интерпретируются.

73 73 Детектирование ключевых точек-регионов, ковариантных с классом аффинных преобразований, в настоящее время достигло некоторой зрелости в области компьютерного зрения. Такие ключевые точки-регионы были использованы в весьма разнообразных приложениях, в том числе: восстановление положения камеры для множества точек зрения; выделение изображений из больших баз данных; поиск объекта в видео контенте; визуальный анализ данных; распознавание текстур. Требованием, предъявляемым к этим ключевым точкам-регионам, является то, что они должны повторяться в тех же местах сцены независимо от преобразований исходного изображения, то есть, их форма не является фиксированной, но автоматически адаптируется, основываясь на интенсивности области изображения. В частности, изображения могут рассматриваться с двух разных точек зрения или возможны геометрические преобразования между изображениями, вызванные изменением точки наблюдения. Регионы, обнаруженные после изменения точки зрения должны быть те же самые (по модулю шума), как и обнаруженные в исходном изображении. Несмотря на то, что такие детекторы в литературе часто называют инвариантными, по существу, они должны быть названы ковариантными, т.к. они изменяются ковариантно с преобразованием. Путаница, вероятно, возникает из-за того факта, что хоть сами регионы ковариантны, но дескрипторы, полученные для каждого региона, как правило, инвариантны. Стоит отметить, что используемый в данной работе термин «регион» представляет собой простой набор пикселей, т.е. подмножество изображения. В этом заключается отличие от классической сегментации, поскольку границы регионов не меняются с изменением цветности или текстуры изображения. В данной работе представлен анализ детекторов, которые получают односвязные регионы.

74 74 Для изменения точки зрения наибольший интерес представляют аффинные преобразования, наглядно это показано на рис. 29. Очевидно, что область с фиксированной формой (например, круговой регион показан на рис. 1 (а) и (б)) не может справиться с геометрическими деформациями, вызванными изменением точки зрения. Можно заметить, что круг не покрывает то же самое содержание изображения, то есть, ту же физическую поверхность. Вместо этого, форма региона должна быть адаптивной или ковариантной относительно аффинных преобразований. Действительно, аффинные преобразования достаточны для построения простой модели искажения изображения, возникающего от изменения точки обзора, при условии, что поверхность сцены может быть локально аппроксимирована плоскостью или при условии вращающейся камеры сцены, а также при условии игнорирования перспективных преобразований, которые, как правило, малы в локальном масштабе. Помимо геометрических деформаций также должны быть приняты во внимание фотометрические преобразования. Они могут быть смоделированы с помощью линейного преобразования интенсивности изображения. Под интенсивностью понимается значение пикселя, находящегося в определенном месте изображения, принимая значение от 0 до 255. Рисунок 29 Пример необходимости исправления различных точек зрения

75 75 Для сопоставления регионов, в случае сшивки изображений в единый фотоплан местности, применяется следующая методика. На первом шаге детектируются ключевые регионы-точки на изображении. Обычно на практике количество таких регионов может быть существенно большим, достигая в количестве сотен и тысяч, что зачастую связано с тем, что регионы дублируются или имеют между собой перекрытие. Для каждого найденного региона строится свой дескриптор, представляющий из себя вектор интенсивности пикселей внутри данной области изображения. Этот дескриптор выбирают инвариантным к изменениям точки зрения, и, в некоторой степени, изменениям освещенности, что предоставляет возможность различать регионы между собой в рамках одного изображения. Соответствия между регионами двух изображений, имеющих перекрытие, может быть установлено за счет пары «регион-дескриптор». Соответствующие регионы в двух изображениях будут иметь подобный (в идеале идентичный) вектор дескрипторов. Преимущество данного подхода заключаются в том, что соответствия могут быть легко установлены, т.к. метод является устойчивым к аффинным преобразованиям. В данной работе будет осуществлено сравнение шести методов детектирования ключевых регионов изображения. Приведем список детекторов: 1. Детектор Харриса; 2. Детектор Гессиана; 3. Детектор максимально стабильной экстремальной областиили MSER. 4. Детектор на основе контуров, далее как EBR; 5. Детектор на основе экстремумов интенсивности области, называемый IBR; 6. Детектор на основе энтропии региона (называемый детектор Кадира- Брейди). Для ограничения объема работы не рассматриваются методы детектирования регионов, которые ковариантны только для аффиных преобразований (например, масштаб), такие как, или другие методы вычисления аффинно-инвариантных дескрипторов, такие как детекторов линий,

76 76 соединяющих ключевые точки, или инвариантные вертикальные линии сегмента. Также детектор, предложенный Линдебергом и Гордингом, не был включен, так как он работает по схожему алгоритму с Харрис-аффинным и Гессиан-аффинным детекторами. Шесть детекторов описаны в данном разделе. Они сравниваются с помощью набора тестовых данных. Это набор данных включает в себя структурированные и текстурированные сцены, а также различные типы преобразований: различные точки зрения, изменения масштаба, освещенности, размытие и сжатие JPEG. Эти особенности будут подробнее описаны в следующем разделе данной работы. Было проведено два типа сравнения детекторов. Во-первых, в разделе Х рассмотрена повторяемость детекторов, т.е. насколько хорошо детектор определяет соответствующий регион сцены. Этот параметр измеряется путем сравнения перекрытия между изображением с известным числом ключевых точки обнаруженными регионами с помощью детектора. Подобную оценку используют в своей работе Миколайчик и Шмид, но особое внимание уделено влиянию различных масштабов (размеры региона) различных детекторов. Аналогично данному подходу, в настоящей работе измеряется точность формы регионов, масштаб и локализация. Во-вторых, оценена отчетливость обнаруженных регионов. Опираясь на труды Миколайчика и Шмида, в работе используется дескриптор SIFT, развитый в работах Ловэ, который представляет собой 128-мерный вектор, чтобы описать распределение интенсивности в пределах региона изображения. В научных трудах этот дескриптор было представлен лучше других по ряду критериев. Примеры и тесты, описанные здесь, будут эталоном, относительно которых в будущем новые создаваемые аффинно-ковариантные детекторы регионов могут быть оценены Аффинно-ковариантные детекторы В этом разделе дается краткое описание шести детекторов регионов. Раздел Х описывает Харрис-аффинный и Гессиан-аффинный детекторы.

77 77 Для того чтобы сравнить регионы, полученные в ходе детектирования различными методами, необходимо представить их в общем универсальном виде, которым является эллипсом. На рисунках 30 и 31 показаны эллипсы для всех детекторов на одной паре изображений. Чтобы не перегружать изображения, только некоторые из найденных регионов, которые на самом деле были обнаружены в обоих изображениях, были отображены на рисунке. В действительности, для большинства детекторов выходным результатом является множество регионов, которые имеют эллиптическую форму. На рисунках 30 и 31 выбрана эллиптическая форма таким образом, чтобы первые и вторые моменты изначально обнаруженных регионов совпадали с аппроксимированными регионами. Рисунок 30 Пример работы трех детекторов регионов (IBR, EBR, Кадира-Брейди)

78 78 Рисунок 31 Пример работы трех детекторов регионов (Харриса, Гессиана, MSER) 2.1.2Детекторы, основанные на аффиной нормализации Харрис и Гессиан В разделе описываются два взаимосвязанных метода, которые обнаруживают ключевые регионы, а затем определяют эллиптическую область для каждой найденной ключевой точки. Ключевые точки обнаруживается с помощью детектора Харриса или детектором, основанном на матрице Гессе, называемой Гессиан. В обоих случаях, размер региона определяется Лапласианом, и форма эллиптической области определяется вторым моментом матрица градиента интенсивности. Второй момент матрицы, которая также называется автокорреляционной, часто используется для обнаружения признаков или для описания локальных структур изображения. Данный подход используется как в детекторе Харриса, так и для оценки эллиптической формы обнаруженного региона. Данная матрица описывает распределение градиента в локальной окрестности точки: [ ] (26)

79 79 Локальные частные производные изображения вычисляются с Гауссовым ядром σd (коэффициент дифференциации). Производные в дальнейшем усредняются в окрестности точки путем сглаживания с гауссовым окном σi (коэффициент интегрирования). Собственные значения данной матрицы представляют два основных изменения изображения в окрестности точки. Это свойство позволяет извлекать точки, для которых оба искривления значительны, таким образом, что это изменение является существенным в ортогональных направлениях. Такие точки являются стабильными в произвольных условиях освещения и являются достаточно репрезентативными. Один из самых надежных детекторов ключевых точек детектор Харриса, который основан на этом принципе. Аналогичная идея прослеживается в детектировании на основе матрицы Гессе: [ ] [ ] (27) Вторые производные, которые используются в этой матрице, дают сильные значения на участках сгустков (блобов) и гребней (выпуклостей). Данные области аналогичны тем, которые обнаружены с помощью оператора Лапласа, однако, функция, основанная на определителе матрицы Гессе, штрафует очень длинные структуры, для которых вторая производная в одном определенной направлении очень мала. Локальный максимум определителя матрицы указывает на наличие структуры типа «блоб». Для того, чтобы иметь дело с изменением масштаба изображения, применяется метод Линдеберга. Идея данного метода заключается в том, чтобы выбрать характерный масштаб локальной структуры, для которых данная функция достигает экстремума. Выбранный масштаб является характеристическим, т.к. измеряется масштаб, при котором есть максимальное сходство между оператором обнаружения признаков и локальными структурами изображения. Размер области, таким образом, выбран для каждой точки независимо от разрешения изображения. Оператор Лапласа используется

80 80 для выбора масштаба в обоих детекторах: Харрис и Гессиан, поскольку он дает наилучшие результаты согласно экспериментальным данным Миколайчика. Принимая во внимание множество точек, выделенных вместе с их характеристическими масштабами, возможным становится применить итерационную оценку эллиптических аффинных регионов. Собственные значения второго момента матрицы используются для измерения формы окрестности ключевой точки. Для того, чтобы определить форму региона, необходимо найти такое преобразование, чтобы проекция региона была равна собственным значениям матрицы. Это преобразование определяется корнем квадратным второго момента матрицы М 1/2. Если окрестности точек х r и x l нормированы преобразованиями и,то соответственно, нормированные регионы связаны простым вращением ). Матрицы M'L и M'R, вычисленные для нормализованных регионов изображения, равны матрице вращения. Обратим внимание, что вращение сохраняет отношения собственных значений матрицы для региона изображения, поэтому, аффинная деформация может быть определена с точностью до матрицы вращения. Этот фактор может быть восстановлен с помощью других методов, например, нормализация на основе доминирующего градиента. Оценка аффинной формы региона может быть применена к любой ключевой точке, принимая во внимание, что определитель матрицы второго момент больше нуля и отношение сигнал-шум незначительно для данной точки. Следовательно, является возможным использовать эту методику, чтобы оценить первоначальную форму региона, предоставляемого детектором Харриса и Гессиана. Методика итеративной оценки региона: 1. Определить начальный участок с помощью детектора Харриса или Гессе, а также выбрать масштаб. 2. Оценить форму с помощью матрицы второго момента. 3. Нормализация области к круглой форме.

81 81 4. Переход к шагу 2, если собственные значения матрицы второго момента для новой точки не равны Детекторы регионов, основанные на краях В данном разделе настоящей работы описывается метод детектирования аффино-ковариантных регионов изображения, использующий края. Смысл этого подхода в том, что края обычно являются вполне стабильными признаками, которые могут быть детектированы при различных углах обзора сцены, изменении масштаба и освещения. Кроме того, используя геометрию краев, размерность проблемы может быть уменьшена. На практике процесс детектирования начинается с применения детектора угловых точек Харриса и детектора краев Кэнни. Для обеспечения инвариантности к изменению размера изображения данные признаки извлекаются в различных вариациях масштаба. Две точки р1 и р2 сдвигаются от угла в обоих направлениях вдоль линии как показано на рисунке 8а. Скорость смещения описывается уравнением: (28) где s i произвольный параметр кривой, p (1) i первая производная, abs() оператор получения абсолютного значения,... определитель матрицы. Это условие предусматривает, что область, лежащая между pp1 и pp2 остается неизменной. В действительности, этот факт обеспечивает инвариантность метода к аффиным преобразованиям, таким образом, можно сделать заключение о равенстве l 1 = l 2 = l. Для каждого значения l, определяется параллелограмм за счет двух точек р1 и р2, а также угла р, т.е. параллелограмм заполнен векторами р1-р и р2-р. Это дает в итоге одноразмерное семейство регионов параллелограммо-подобной формы как функция от l. Из данного семейства выбирается такой параллелограмм, для которого выполняется условие наличия экстремума фотометрических и текстурных показателей. ( ) (29)

82 82 ( ) (30) Рисунок 32 Пример работы детекторов EBR и IBR Как видно из рисунка 32, детектор EBR использует движение от ключевой точки в двух направлениях, в то время как IBR использует информацию о интенсивности пикселей в направлении множества лучей, исходяших из детектированной точки. (31) (32) где P g центр тяжести региона. В случае прямых линий данный метод не может быть применен, так как l=0 вдоль краев. Так как пересечения двух краев подряд происходят довольно часто, то запрещено просто пренебречь этим случаем. Однако, для обхода данной проблемы рассчитываются значения двух зависимых переменных уравнения (4) и области, для которых обе функции достигают минимальных значений, берутся с фиксированными параметрами s1 и s2 вдоль прямых линий. Более того, вместо того, чтобы полагаться на правильное детектирования угловых точек методом Харриса, является возможным использовать пересечение прямых линий. В рамках данной работы для более удобного сравнения детекторов параллелограммы заменены вложенными эллипсами, как показано на рисунке 20. Однако в данном случае теряется информация об ориентации.

83 Детекторы экстремального значения регионов В разделе описан метод детектирования аффинно-ковариантных регионов, которые используют экстремумы интенсивностей и исследует изображение вокруг данных экстремумов в радиальном направлении, обозначая найденные регионы произвольной формой, которая затем заменяется на эллипс. Если быть точнее, то учитывая локальный экстремум интенсивности пикселей, функция интенсивности исследуется вдоль лучей, исходящих из точки экстремума, как показано на рисунке 12b. Следующая функция оценивается вдоль каждого луча: (33) где t произвольный параметр, I(t) интенсивность в конкретной точке, I 0 интенсивность в точке экстремума, d малое значение, используемое для недопущения деления на ноль. Точка, для которой функция достигает экстремума, является инвариантной к аффинным преобразованиям и линейным фотометрическим искажениям. Как правило, максимум функции достигается в точках резкого изменения интенсивности. Данная функция fi(t) является сама по себе уже инвариантной. Тем не менее, для более надежного детектирования выбирается все точки, для которых достигается максимум экстремума. Следующим шагом является то, что все точки, для которых достигается максимум функции fi(t) вдоль лучей, исходящих из той же области экстремума, являются тесно связанными сданным регионов. Данный регион, зачастую неправильной формы, заменяется на эллипс, имеющий такой же момент второго порядка. Данная область заполняется соответствующими эллипсами Детектор максимально стабильных регионов Детектор MSER подразумевает наличие свойства «экстремальности», под которым понимается то, что все пиксели внутри региона являются гораздо ярче

84 84 или темнее, чем их окружение. Под максимально стабильным понимается свойство оптимизированности при выборе порога. При разработке детектора MSER решается проблема инвариантности ключевых точек при масштабировании изображения. Детектор выделяет множество различных регионов с экстремальными свойствами функции интенсивности внутри региона и на его внешней границе. Рассмотрим идею алгоритма для случая черно-белого изображения. Представим все возможные отсечения изображения. В результате получим набор бинарных изображений при разных значениях порога (пиксель, интенсивность которого меньше порога считаем черным, в противном случае, белым). Таким образом, строится пирамида, у которой на начальном уровне, соответствующем минимальному значению интенсивности, находится белое изображение, а на последнем уровне, отвечающем максимальному значению интенсивности, черное. Если в некоторый момент происходит движение, то на белом изображении появляются черные пятна, соответствующие локальным минимумам интенсивности. С увеличением порога пятна начинают разрастаться и сливаться, в конечном итоге образуя единое черное изображение. Такая пирамида позволяет построить множество связных компонент, соответствующих белым областям, регионов с максимальным значением интенсивности. Если инвертировать бинарные изображения в пирамиде, то получим набор регионов с минимальным значением интенсивности. Схема алгоритма состоит из нескольких этапов: 1. Отсортируем множество всех пикселей изображения в порядке возрастания/убывания интенсивности. Отметим, что такая сортировка возможна за время, пропорциональное количеству пикселей. 2. Построим пирамиду связных компонент. Для каждого пикселя отсортированного множества выполним последовательность действий: обновление списка точек, входящих в состав компоненты; обновление областей следующих компонент, в результате чего пиксели предыдущего уровня будут подмножеством пикселей следующего уровня.

85 85 3. Выполним для всех компонент поиск локальных минимумов (находим пиксели, которые присутствуют в данной компоненте, но не входят в состав предыдущих). Набор локальных минимумов уровня соответствует экстремальному региону на изображении Детектор Кадира-Брейди Данный детектор базируется на значении интенсивности, рассчитанной для всего региона эллиптической формы. Детектор работает в два шага: 1. Для каждого пикселя вычисляется энтропия эллипсов с центрами в исследуемой точке. Заполняется список значений энтропии экстремумов. Таким образом, получаются регионы-кандидаты. 2. Регионы-кандидаты оцениваются по значению второй производной для каждого масштаба изображения. Выбираются регионы с наибольшим значением. (34) (35) Анализ сложности и необходимых вычислений времени В работе оценены различные состояния изображений: точка зрения, изменение масштаба, размытие, JPEG сжатие, освещение. В случае изменения точек обзора, изменения масштаба и размытия, точно такое же изменение применяется к двум другим типам сцен. Это значит, что эффект изменения параметров изображения может рассматриваться отдельно от типа сцены. Первая сцена содержит однородные регионы с отчетливыми линиями границ (например, рисунки, строения) и другая сцена содержит повторяющиеся текстуры различных форм. Таким образом, данные сцены можно условно назвать структурными и текстурными, соответственно. Углы обзора сцены меняются в диапазоне от 0 до 60 градусов к оси съемки фотокамеры. Изменение масштаба и размытия реализованы за счет зуммирования камеры и фокусировкой соответственно.

86 86 Масштаб изображений меняется примерно в 4 раза. Изменение освещенности сцены варьируется за счет диафрагмы фотокамеры. JPEG-кодер использует стандартные параметры в диапазоне от 2 до 40%. Каждый тест содержит 6 изображений с постепенной геометрической и фотометрической трансформацией. Все изображения имеют размеры приблизительно 800х640 пикселей. Все изображения являются либо планарными сценами, либо связаны между собой матрицей гомографии. Это означает, что заранее известно отображение изображений за счет рассчитанной матрицы преобразования. Гомографии между исходным изображением (крайний левый фотоснимок) и остальными снимками рассчитываются в два шага. На первом шаге берется небольшое количество соответствующих точек, которые получаются ручным путем. Затем, данные сопоставления точек используются для расчет матрицы гомографии между изображениями и все последующие снимки получаются искаженными, за счет применения операции деформации данной матрицей гомографии. В результате данной операции два изображения можно привести практически к идентичному виду, несмотря на различные углы обзоры сцены. На втором шаге применяется стандартный надежный алгоритм оценки гомографии для расчета ошибки, которая получается при деформировании исходного изображения. Произведение этих двух гомографий (исходная и остаточная) дает точную гомографию между исходным изображением и остальными. Среднеквадратическая ошибка в данном случае меньше, чем 1 пиксель на попарное сравнение изображений. Гомография может быть вычислена автоматически, используя соответствия между двумя изображениями по их ключевым аффиным регионам, полученным любым детектором ранее упомянутом. Причина, по которой происходит двухшаговое вычисление гомографии, заключается в том, что необходимо независимость от применяемого детектора. Прежде чем будет произведено сравнение производительности различных детекторов, обратим внимание на рис. 30 и 31, где, в действительности,

87 87 эллипсы покрывают почти все регионы изображений. Это является ключевым требованием для ковариантных операторов. Вычислительная сложность алгоритмов детектирования Харриса и Гессе обозначается О(n), где n количество пикселей изображения. Сложность автоматического масштабирования и адаптивности формы регионов можно определить как О((m+k)p), где р число начальных точек, m число известных масштабов, к - число итераций для алгоритма адаптации формы региона. Для алгоритма детектирования регионов экстремальной интенсивности сложность О(n). Сложность алгоритма построения региона вокруг зоны максимальной интенсивности O(p), где р значение максимальной интенсивности. Для алгоритма детектирования регионов на основе линий сложность О(n). Сложность алгоритма построения региона от угла и линий O(pd), где р число углов, а d среднее число линий, идущих рядом с углами. Для алгоритма детектирования выступов сложность О(nl), где l число эллипсов вокруг каждого пикселя. Сложность второго шага алгоритма O(e), где е число экстремумов, полученных на первом шаге. Для алгоритма детектирования регионов MSER сложность О(n), если значения интенсивности пикселей лежат в диапазоне от 0 до 255, т.к. в таком случае может быть реализована бинарная сортировка. Сложность алгоритма объединения O(n loglog n), что является достаточно быстрой реализацией. В таблице 3 сведены данные сведения по вычислительной сложности алгоритмов детектирования регионов. Число регионов строго зависит от типа сцены, т.е. для MSER детектора, исходя из рисунка 22f, данное число равно 2600 для текстурной размытой сцены и все 230 для сцены с измененной освещенностью (рис. 22h). Похожее поведение наблюдается для всех исследуемых детекторов. Сравнение детекторов на наборе изображений по сравнению со скоростью работы методов относительно количества выделяемых регионов представлено в таблице 6.

88 88 Таблица 6 - Сравнение детекторов на наборе изображений Детектор Время выполнения (мин: сек) Количество регионов Харрис 0: Гессиан 0: MSER 0: IBR 0: EBR 2: Кадир- Брейди 33: Подобный разброс детектируемых регионов связан с тем, что детекторы по разному реагируют на различные признаки изображения. Например, детектор, основанный на линиях, требует наличие на изображении кривых линий и в случае их малого количества будет обнаружено, соответственно, низкое число регионов. Однако, данное различие является в то же самое время достоинством детекторов, т.к. разные детекторы дополняют друг друга. Некоторые детекторы хорошо работают на структурных сценах (например MSER, IBR), а некоторые, напротив, на текстурных (Харрис, Гессе). Размер региона также значительно варьируется от типа применяемого детектора. Как правило, детекторы Харриса, Гессе и MSER извлекают из изображения мелкие регионы, в то время как другие детекторы извлекают крупные регионы. Это можно наблюдать на рисунках 18, 19. Рисунок 23 показывает гистограммы изменения размеров региона для исследуемых детекторов. Размер региона измеряется как среднее от половины длины двух осей эллипса, который соответствует радиусу круглого региона, покрывающего ту же самую область. Большие регионы обычно имеют лучшую способность отличать, так как они содержат больше информации, что делает их более удобными, чтобы применять их в сопоставлении точек. На рисунках33 и 34 показано, что большие регионы имеют лучшие шансы перекрываться с другими областями изображения.

89 89 Рисунок 33 Гистограммы изменения размера региона от типа детектора 2.2 Тестирование перекрытия детекторов Целью данного эксперимента является измерение повторяемости и точности детекторов, т.е. ответ на вопросы: в какой степени детектированные регионы покрывают одни и те же участки сцены изображения; как часто регионы детектируются на одном изображении, но отсутствуя при этом на других. Количественные результаты получаются путем уточнения данных вопросов. Наземная проверка во всех случаях обеспечивается путем сопоставления регионов, обнаруженных на изображениях в наборе относительно опорного изображения, используя гомографию. Основой точности и повторяемости служит относительное количество перекрытий между детектированным регионов в опорном изображении и остальных, спроецированных на основное изображения за счет матрицы гомографии. Это дает основание полагать, что данный регион может быть правильно сопоставлен с регионами других изображений. Выделим два наиболее важных параметра, характеризующих работу детекторов регионов: 1. Повторяемость, т.е. среднее число сопоставленных регионов, обнаруженных в изображениях с разными геометрическими и фотометрическими преобразованиями в абсолютных и относительных величинах в процентном соотношении.

90 90 2. Точность локализации региона. Однако, прежде чем описывать тест перекрытия более детально, необходимо определить, влияние размера региона и его плотность, так как они влияют на результат сравнения перекрытия. Рисунок 34 Влияние размера регионов на их перекрытие Более крупные регионы дают шанс на лучшее перекрытие. Простого изменения размера регионов, т.е. используя различные масштабы, например, двойной размер региона, оказывается на практике достаточным для повышения производительности перекрытия детектируемых областей. Данное явление можно объяснить другими словами. Предположим, что выделенная область является эллипсом, и область измерения является также эллипсом с центром на отмеченной области, но с произвольным масштабированием s. Тогда с геометрической точки зрения, изменение масштабирования определяет конус из плоскости изображения с эллиптическим поперечным сечением, где s является расстоянием оси конуса. В опорном изображении существует два таких конуса: первый строится из региона, детектированного на данном изображении, а второй из региона другого изображения. Очевидно из рисука34, что при масштабировании, стремящемся к нулю, не существует пересечения конусов, но при стремлении к бесконечности относительная величина перекрытия, определяемая как отношение пересечения к объединению эллипсов, приближается к единице. Для измерения качества детектора регионов необходимо определить критерий перекрытия, нечувствительный к такому перемасштабированию.

91 91 Сосредоточение внимания на выделенных регионах будет приводить к большому количеству крупных регионов. Вместо этого решением является применение масштабирования S, которое нормализует опорный регион к фиксированному размеру, предварительно рассчитанному на основе меры перекрытия областей. Следует отметить, что это применяется только по причине сравнения разных детекторы. Это может привести к увеличению или уменьшению значения повторяемости по сравнению с тем, что можно было бы получить в обычном эксперименте, где такая нормализация как правило, не выполняется или не желательно вовсе. Плотность региона, т.е. число обнаруженных регионов за фиксированный размер площади изображения, может оказывать влияние на воспроизводимость детектора. В самом деле, если только несколько регионов обнаружено на изображении, то пороговые значения могут быть установлены очень резко, в результате чего в очень стабильных регионах, как правило, детекторы работают лучше. С другой стороны, если количество регионов становится действительно огромным, то изображение становится настолько загроможденным регионами, что некоторые из них могут быть сопоставлены случайно. Одним из путей выхода из данной ситуации является настройка параметров детектора таким образом, чтобы он всегда производил приблизительно одинаковое количество регионов. Тем не менее, это достаточно тяжело реализовать на практике, так как число обнаруженных областей также зависит от типа сцены. К тому же, это не так просто реализовать для всех детекторов один параметр, извлекающий необходимое количество регионов, т.к. своего рода «показатель качества» регионов. Таким образом, используются параметры по умолчанию, предоставленные авторами методов. Кроме того, для нескольких детекторов повторяемость вычисляется в сравнении с числом обнаруженных регионов.

92 Мера повторяемости детектора Два региона считаются соответствующими, если ошибка перекрытия, определяемая как ошибка в области изображения, охватываемой данными регионами, является достаточно малой: (36) где Ru - эллиптический регион, H гомография двух изображений. Значение повторяемости для заданной пары изображений вычисляется как отношение между количеством совпадений регион-регион и является меньше числа регионов в паре изображений. Необходимо принять во внимание только регионы, расположенные в данной части сцены, присутствующей в обоих изображениях. Для компенсации влияния регионов различного размера, как уже упоминалось в предыдущем разделе, сначала необходимо провести масштабирование регионы следующим образом. На основе региона, обнаруженного на опорном изображении, необходимо определить коэффициент пропорциональности, который преобразовывает его в область нормализованного размера (в экспериментах соответствует радиусу 30). Затем применить этот коэффициент пропорциональности к региону на справочном изображении и к региону, обнаруженному на другом изображении, которое было наложено на первое изображение, перед вычислением фактической ошибки наложения, как описано выше. Пример ошибок наложения представлен на рисунке 35. Обратим внимание, что ошибка наложения составляет 20%, что является малым значением, поскольку это соответствует только 10%-му различию между радиусами регионов. Регионы с 50% ошибкой перекрытия все еще может быть успешно сопоставлены благодаря надежному дескриптору.

93 93 Рисунок 35 Ошибки сопоставления регионов Повторяемость при различных преобразованиях В первом наборе экспериментов фиксируется ошибка наложения на пороге 40%; нормализованный размер региона при этом устанавливаем радиусом 30 пикселей, затем проверяется повторяемость различных детекторов регионов для того, чтобы постепенно увеличивать масштаб преобразования изображений из набора данных. Здесь число соответствий регионов зависит от преобразований между опорным и остальными изображениями. В целом, необходимо добиваться, чтобы детектор имел высокое значение повторяемости и большое количество соответствий регионов. Данный тест позволяет измерить надежность детекторов к изменениям точки зрения, масштаба, освещения и т.п. Результаты теста показаны на рисунках ниже. Подробный анализ приводится ниже, но для начала необходимо сделать некоторые общие комментарии. Идеальным случаем графика повторяемости являлась бы горизонтальная линия на отметке 100%. Как видно, во всех случаях, ни горизонтальная линия, ни 100% результат не будут достигнуты. Производительность, как правило, уменьшается с серьезностью преобразования и лучший результат достигается на 95% отметке для сжатия JPEG. Причины такого отсутствия 100% производительности объясняются либо специфичностью детекторов и типов сцен, что обсуждается ниже, а иногда и вообще преобразованием, находящемся вне диапазона, для которого детектор является разработанным, например, ошибки дискретизации, шум, нелинейное изменение освещенности, проективные деформации и т.д.. Кроме того, частично может объяснить этот эффект ограниченный диапазон формы областей (размер, асимметричность). Например, в случае уменьшения масштаба тестового изображения, только крупные регионы в опорном

94 94 изображении переживают преобразование, поскольку малые регионы стали слишком мало для точного обнаружения. То же самое справедливо и для других типов преобразований: очень вытянутые области в опорном изображении могут стать незаметными. На левой части рисунка представлены небольшие преобразования. Повторяемость, полученная в данном диапазоне, указывает на то, насколько хорошо данный детектор работает в условиях данного типа сцены. Абсолютное число соответствий, как правило, уменьшается быстрее, чем относительное число. Это можно объяснить на том факте, что в большинстве случаев большие преобразования приводят к более низкому качеству изображения и меньшему количеству детектируемых регионов. Изменение точки зрения. На рисунке 36 показан эффект от изменения точки зрения на структурной сцене. Наилучший результат получен детектором MSER для обоих типов сцен. Это связано с тем, что обеспечена высокая точность детектирования особенно на подобных регионах с четкими границами. Значение повторяемости при изменении точки зрения до 20 градусов варьируется в пределах от 40% до 78% и уменьшается для больших углов зрения от 10% до 46%. Наибольшее количество сопоставленных регионов дал детектор Гессе (1300), а следом за ним детектор Харриса (900) для структурной сцены; для текстурной сцены детектор Харриса показал результат 1200, MSER 1200, а EBR Эти цифры уменьшаются до чем 200/400 для структурированной/текстурированной сцен для больших углов зрения. Основные преобразования изображения это масштабирование и поворот. Детектор Гессе работает лучше остальных, следом идут MSER и Харрис детекторы. Это подтверждает высокую производительность автоматического выбора масштаба. На графиках отчетливо показана чувствительность детекторов к типу сцены. Для текстурной сцены детектор EBR дает очень низкие значения повторяемости (ниже 20%), тогда как для структурированной сцены результаты EBR похожи результаты остальных детекторов, достигая значений в диапазоне от 60% до 28%. Нестабильное значение повторяемости для детектора выступов для текстурной сцены

95 95 объясняется небольшим количеством детектируемых регионов для данного типа изображения. Результаты лучше, чем для случаев изменения углов зрения и масштабирования, особенно для структурной сцены. Все детекторы имеют почти горизонтальную кривую повторяемости, показывая при этом высокий уровень инвариантности по отношению к размытию изображения, исключая детектор MSER, который более чувствителен к данному типу трансформации. Это связано с тем, что границы региона становятся гладкими, и процесс сегментации является менее точным. Количество сопоставленных регионов, обнаруженных на структурированной сцене, значительно ниже, чем для текстурированной сцены. Это ясно показывает, что детекторы по-разному реагируют на различные признаки изображения. Повторяемость для детектора EBR является очень низкой для текстурированной сцены, что объясняется отсутствием стабильных контуров, на которых можно выделить областисегменты. Рисунок 40 показывает значения для последовательности сжатия JPEG. Для этого тип структурированной сцены (например, здания), с большими однородными районами и отличительными углами, лучше всего подходят Гессиан-аффинные и Харрис-аффинные детекторы, а деградация при увеличении артефактов сжатия присуща для всех детекторов. На рисунке 41 показаны результате изменения освещения на изображениях. Все кривы почти горизонты, показывая тем самым высокую надежность к изменению освещенности сцены, хотя детектор MSER на данном типе сцены обладает наилучшей степенью повторяемости. Абсолютное значение данного параметра показывает, как незначительные изменения сцены влияют на повторяемость различных детекторов регионов.

96 96 Рисунок 36 Изменение угла зрения сцены Для большинства экспериментов детектор MSER, Харрис и Гессиан показали наилучшие результаты относительно повторяемости. Детектор выступов IBR показал относительно низкий уровень повторяемости. Результаты детектора линий сильно зависят от контекста сцены, т.е. присутствуют или нет стабильные линии на изображении, а детектор максимальной интенсивности дает средние результаты. Иными словами, результаты экспериментов сильно зависят от типа сцены, что дает основание использовать для детектирования регионов комбинацию детекторов. Самым сложным типом деформации оказалось изменение точки зрения сцены и масштабирование. Относительно других типов преобразований, все детекторы ведут себя похожим образом за исключением детектора MSER, результаты которого при размытии изображения оказались хуже остальных детекторов. В большинстве примеров Гессиан и Харрис детекторы извлекли из изображения в несколько раз больше регионов, чем остальные детекторы. Если сравнивать эти два лидирующие детектора между собой, то можно отметить, что детектор Гессе почти всегда показывает лучшие результаты, как и MSER доминирует над детектором IBR.

97 97 Рисунок 37 Изменение масштаба изображения Углубленные тесты детекторов В дальнейших экспериментах для детального понимания, что же происходит на самом деле с процессом детектирования регионов, проведем углубленный анализ, выполненный на одной паре изображений с изменением угла зрения сцены в 40 градусов. Проанализируем точность детекторов регионов. Во-первых, исследуем эффект ошибки наложения, который в предыдущих тестах достигал значения 40%. Выбрав меньший порог, получаются более точные регионы. Очевидно, что уменьшив порог перекрытия регионов, получится большее количество сопоставленных регионов и повысится значения повторяемости. Относительный порядок детекторов остается почти таким же, за исключением детекторов Харриса и Гессиан, которые обладают более высоким значением повторяемости с увеличением ошибки перекрытия, что означает их меньшую точность по отношению к другим детекторам, по крайней мере, для данного типа сцены. Проанализируем выбор нормализованного размера региона. Следующим шагом является тестирование эффекта от выбора различного размера регионов.

98 98 В предыдущих экспериментах данное значение было зафиксировано и равнялось 30 пикселям. Относительный порядок детекторов остается практически таким же, что указывает на то, что наша экспериментальная установка не очень чувствительны к выбору нормированного размера региона. Увеличив размер регионов, получится меньшая ошибка перекрытия и кривые на графиках незначительно изменятся. Проанализируем изменение плотности региона. Для некоторых детекторов является возможным варьирование числа детектируемых регионов, изменяя значение одного параметра. Повторяемость детектора MSER 92% и IBR 63% является высокой для маленького количества регионов (70) и уменьшается, соответственно, до 68% и 50% при 350 детектируемых регионах, в отличие от повторяемости детекторов Харриса, Гессиана и детектора выступов, которая невелика для небольшого числа регионов и несколько увеличивается для 300 регионов. Однако, порядок детекторов остается практически неизменным в данном диапазоне значений порога, соответственно, порядок детекторов не изменяется относительно предыдущих экспериментов при изменении плотности регионов. В зависимости от применения и требуемого числа регионов можно установить соответствующий порог для оптимизации производительности детектора. Проанализируем повторяемость как функцию размера региона. Вместо того, чтобы нормализовать все регионы к фиксированному размеру до вычисления ошибки перекрытия, альтернативным подходом могло бы быть только сравнение регионов одинакового размера. Эти результаты на графике показывают повторяемость для различных детекторов как функция от размера региона. Крупные регионы, как правило, дают более высокую повторяемость не только из-за их внутренней стабильности, но и потому, что они автоматически дают более низкое значение ошибки перекрытие. Повторяемость относительно размера детектируемого региона. MSER детектор имеет наивысшее значение повторяемости и эта тенденция прослеживается почти та же самая для различных размеров обнаруженных областей. Результаты для детекторов Харриса, Гессиана и IBR почти одинаковы. Повторяемость является низкой для

99 99 маленького размера регионов, при увеличении размера до средних значений увеличится и показатель повторяемости. Повторяемость незначительно уменьшится для самых больших регионов, исключая детектор Харриса, для которого значение повторяемости которого резко падает. Повторяемость для детектора EBR и детектора регионов является малой для небольших регионов и увеличивается по мере возрастания размера. Обратим внимание, что повторяемость для различного размера регионов зависит также от типа преобразований изображений, т.к. для значительных изменений масштаба только небольшие регионы одного изображения совпадут с большими регионами другого изображения. Рисунок 38 Изменение размытости для изображений структурного типа Тестирование сопоставления детектируемых регионов В предыдущей части работы была оценена производительность различных детекторов в зависимости от угла зрения сцены, повторяемости и ошибок перекрытия. В данной части будет рассмотрен более практический подход. На практике кроме точности и повторяемости детекторов также имеет большое значение отчетливость региона. Для этого будет поставлено несколько экспериментов, где будет оценено сопоставление регионов двух изображений,

100 100 число таких пар и соотношение между правильно и ошибочно сопоставленными регионами. Рисунок 39 Тестирование размытия на текстурных сценах С данной целью вычислим дескриптор для каждого региона и затем проверим, в какой степени сопоставление дескрипторов лучше обычного сопоставления регионов. Для этого будет использоваться дескриптор SIFT, т.к. он является наиболее стабильным и зарекомендовавшим себя в области компьютерного зрения. Данный дескриптор дал наиболее лучший результат в сравнении с остальными инвариантными к масштабированию и аффинным преобразованиям дескрипторами. Дескриптор представляет собой вектор размерности 128, рассчитанный из пространственного распределения градиентов изображения в круговой области региона. Для этого каждый эллиптический регион преобразуется к круговой области размером 30х30 пикселей и поворачивается в сторону доминирующего градиента области, т.к. это обеспечит инвариантность к преобразованиям изображения. Обратим внимание, что данное отображение касается только дескрипторов, в то время как размер региона остается неизменным (30 пикселей).

101 Оценка сопоставления регионов Оценка сопоставления дескрипторов вычисляется на основании опорного изображения и всех остальных из тестируемого набора, а сам процесс занимает два шага. Рисунок 40 - Тестирование сжатия JPEG 1. Сопоставление региона считается корректным, если ошибка перекрытия составляет меньше 40%. Для каждого региона допустимо только одно сопоставление. 2. Оценка сопоставления рассчитывается как отношение числа успешных сопоставлений к общему числу детектируемых регионов на двух изображениях. Для сопоставления двух дескрипторов используется метод ближайшего соседа, основанный на Евклидовом расстоянии. Данный эксперимент дает представление о своеобразии признаков изображения, и результаты его более показательны, чем количественная оценка. Проанализируем эффект изменения масштаба регионов. В данном разделе работы выясним, в каком масштабе вычислять дескриптор для каждого региона, т.к. для небольших по размеру регионов выгоднее брать их

102 102 увеличенную версию. Оценка сопоставления детекторов отличается от различных коэффициентов масштаба. Как правило, для более крупных по размеру регионов кривые графика направлены незначительно вверх, за исключением детектора EBR и детектора выступов, которые достигают своих максимумов при коэффициенте, равном 2 и 3 соответственно. Рисунок 41 Изменение освещения изображения Однако, за исключением детектора EBR, относительный порядок различных детекторов остается постоянным. Для всех экспериментов был выбран коэффициент масштаба равным 3. Следует отметить, что в практическом применении больший коэффициент масштаба может оказать негативное влияние на результат, т.к. сказывается эффект нелинейности. Так как в наших экспериментах все изображения связаны гомографией, то эти эффекты не происходят Сопоставление относительно преобразований изображения Для большинства преобразований графики выглядит очень похожими на результаты, полученные в тестах с ошибкой перекрытия. Это обстоятельство указывает на тот факт, что регионы имеют достаточную отчетливость, что дает

103 103 возможность их автоматического сопоставления. В некоторых случаях порядок детекторов существенно отличается от экспериментов относительно ошибки перекрытия, проведенных ранее. Это можно интерпретировать, как то, что регионы, найденные с помощью некоторых детекторов, не отличаются и встречается большое количество несовпадений между двумя изображениями. Ранжируя детекторы, можно сделать заключение, что Харрис и Гессиан являются слабо различимыми детекторами. Данные детекторы извлекают из изображения несколько отличимые регионы, содержащие такую же локальную структуру и имеющие малую ошибку перекрытия. Таким образом, совпавшие регионы могут иметь ошибку перекрытия меньше 40%, но минимум достигается для немного отличимых регионов. Таким образом, согласованные регионы подсчитываются как неправильные. Кривые на графиках 42 отображают результаты для сцен текстурного типа, где оценка сопоставления регионов значительно ниже, чем значение повторяемости, полученное ранее. Это может быть объяснено тем фактом, что сцена содержит много похожих локальных структур, которые едва различимы между собой. Рисунок 42 Тестирование изменения точки зрения

104 104 Соотношение между правильными и ошибочным сопоставлениями. До сих пор были исследованы возможности сопоставления соответствующих регионов двух изображений. На практике важным является то, какое соотношение правильных и ошибочных сопоставлений регионов между двумя изображениями, т.е. являются ли соответствующие регионы более похожими друг на друга, чем два не соответствующих региона, но которые выглядят похожими. Таким образом, точность детектирования регионов играет важную роль. На рисунке 42 показан процент правильных сопоставлений в зависимости от общего количества сопоставлений. Совпадением является ближайший сосед в пространстве SIFT-детекторов. Данные графики были получены путем ранжирования сопоставлений, основываясь на расстоянии между ближайшими соседями. Для того, чтобы получить такое же количество сопоставлений для остальных детекторов был выбран индивидуальный порог для каждого типа региона. Количество корректных совпадений увеличивается также как и ложных, однако, последнее растет быстрее, что, соответственно, уменьшает процент правильных совпадений. Для стабильных детекторов малое значение порога приводит к почти абсолютно правильным совпадениям. Заметим, что MSER и IBR обеспечивают большое количество правильных соответствий для небольшого порога дескриптора более чем 90% являются правильными. Детекторы Харриса и Гессиана получают низкое значение, которое растет с увеличением расстояния. Таким образом, в зависимости от применения, количество сопоставлений может изменяться пользователем. Если требуется только небольшое количество совпадений, например, для вычисления эпиполярной геометрии, то детектор IBR или MSER являются лучшим выбором для данного типа сцены, а для количества более 200 лучший результат показывают детекторы Харриса и Гессиана, хотя и ценой большого ложных срабатываний. В работе в результате анализа был разработан алгоритм, позволяющий произвести классификацию набора фотоснимков с выбором предпочтительного профиля детектирования ключевых точек, представленный на рисунке 43.

105 105 Рисунок 43 Алгоритм выбора предпочтительного профиля детектирования ключевых точек В результате работы данного алгоритма формируется вектор признаков, один из которых представляется номинативной переменной, принимающей значения из множества {0, 1} а три остальных вещественными с областью значений {0..1}. Вектор = {Т п ме тно т, Размыто ть, О вещенно ть, Гомограф я} Растровое изображение задано в виде матрицы [P i,j ] частично перекрывающихся кадров, i =1...n, j = 1...m. Пусть неориентированный граф G = (N,R) задает отношение соседства кадров (такие кадры частично перекрываются), где N множество вершин графа, поставленных в соответствие кадрам, а R множество ребер графа, задающих отношение соседства пары кадров. Для простоты будем рассматривать соседство лишь по вертикали и горизонтали. Тогда для матрицы [P i,j ] размерности n m имеем: N = {n i,j i = 1...n, j = 1...m } множество вершин, а R = {r k k = 1,2,, 2nm m n} множество ребер. Зададим S h и S v размер перекрытия соседних кадров по горизонтали и вертикали соответственно, а также допустимое отклонение перекрытия по горизонтали Δh и по вертикали Δv.

106 106 Определим функцию, характеризующую «схожесть» (степень близости) двух кадров P 1 и P 2 в перекрываемых областях для разных положений (h,v) кадров относительно друг друга, как функцию расстояния d(p 1,P 2,h,v) в некоторой метрике: евклидовой либо угловой (корреляционная функция сходства), где h и v смещения кадров изображений относительно заданных S h и Sv по горизонтали и вертикали соответственно, Δh h Δh, Δv v Δv. Для удобства запишем d(p 1, P 2, h, v) = d(r i, h, v), где r i дуга графа G, определяющая соседство между кадрами P 1 и P 2. Наилучшим совмещением двух кадров будем считать такое их расположение, при котором достигается минимум функции d. Для оценки качества построения фотоплана местности определены оценочная функция совмещения всех кадров изображения:, (37) где fi,j(x, y) дискретная функция, определяющая расстояние между текущим положением (x, y) i, j-го кадра и наилучшим его положением по отношению к смежным кадрам при условии, что они жестко фиксированы:, (38) где Ki,j количество кадров, смежных i, j-му кадру и равно числу ребер для вершины графа G, соответствующего i,j-му кадру; (x, y) текущие координаты i,j-го кадра; (, ) координаты i,j-го кадра, для которых функция оценки совмещения d между i,j-м кадром и k-м его соседом достигает минимума. Для оценки качества построения фотоплана местности были проведены 7 экспериментов, включающие в себя по 50 случайных пар соседних фотоснимков из всего множество тестовых изображений. В ходе каждого эксперимента был выбран соответствующий детектор регионов из множества {Харрис, Гессиан, MSER, IBR, EBR, Кадир-Брейди}. В ходе последнего эксперимента был применен предпочтительный профиль детектирования, который обозначен как Adaptive. Результаты экспериментов представлены в таблице 7.

107 107 Таблица 7 Результаты экспериментов оценки качества фотопланов Детектор Харрис Гессиан MSER IBR EBR Значение оценочной функции Кадир- Брейди Adaptive 6,93 6,84 9,73 9,78 10,04 12,31 5,37 Как видно из таблицы 7, предпочтительный профиль показывает наилучший результат среди данного набора детекторов и на 22% лучше, чем детектор Гессиан. Данный факт свидетельствует о повышении качества фотоплана местности за счет выбора предпочтительного профиля детектирования ключевых точек для каждого множества изображений, полученных в результате выполнения аэрофотосъемки с помощью БПЛА Выводы В этой части работы было представлено современное состояние относительно аффинно-ковариантных детекторов регионов и исследована их производительность. Сравнение показало, что производительность всех представленных детекторов снижается медленно с такой же скоростью, как увеличивается изменение точки обзора сцены. Также отметим, что не существует такого детектора, который превосходит другие детекторы для всех типов сцен и всех типов преобразований. Во многих случаях наилучшими результатами обладали детекторы Харриса и Гессиана, а также MSER. MSER хорошо работает на изображениях, содержащих однородные регионы с характерными границами. Ранее сказанное также имеет место для детектора IBR, поскольку оба метода предназначены для аналогичных типов регионов. Детекторы Гессиана и Харриса обеспечивают наибольшее количество регионов, чем другие детекторы, что является полезным в согласовании сцен. EBR подходит для сцен, содержащих перекрещивающиеся линии, а детектор выступов получает в целом низкие оценки, но показывает хорошие результаты в области распознавания класса объекта. Детекторы взаимно дополняют друг друга, т.е. они извлекают регионы с различными свойствами и ошибка перекрытия этих регионов мала. Таким

108 108 образом, несколько детекторов следует использовать одновременно, чтобы получить наилучшую производительность. Результат работы различных детекторов может быть комбинирован путем конкатенации соответствий регионов. Это увеличивает число совпадений и, следовательно, надежность работы комбинированного детектора, сокращая при этом время детектирования. Выбор оптимального набор детекторов зависит от требований, например, в зависимости от количества извлекаемых регионов и времени работы. В целом, сопоставление на одних только дескрипторах не является достаточным и необходимым для принятия дальнейших шагов в устранении неоднозначности соответствий. Эти действия зависят от типа решаемой задачи, но обычно используют методы геометрической фильтрации на основе пространственного расположения регионов. В данной работе рассматривались только планарные сцены, т.е. двухмерные изображения, и рассмотрение 3D-сцен выходит за рамки данного исследования. Ниже приведена сравнительная таблица (табл. 8) детекторов регионов. Сравнение детекторов регионов производится по десятибалльной шкале. Таблица 8 Сравнение детекторов регионов Детектор Скорость Эффективность обнаружения Повторяемость Устойчивость к шуму Локализация Интегральная оценка Харрис Гессиан MSER IBR EBR Кадир- Брейди

109 РАЗРАБОТКА АЛГОРИТМА И МЕТОДИКИ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ ПО ХАРАКТЕРУ РЕЛЬЕФА МЕСТНОСТИ 3.1 Анализ существующих методов и подходов классификации Классификация это компьютерное дешифрирование снимков или процесс автоматизированного подразделения всех пикселей снимка на группы (классы), которые соответствуют разным объектам. Преимущественно используются следующие виды классификаций: Классификация с учителем; Классификация без учителя. Классификация с учителем это процесс, при котором происходит сравнение значения яркости каждого пикселя с эталонами, в результате, каждый пиксель относится к наиболее подходящему классу объектов. Классификацию с учителем возможно применять при выполнении следующих условий: заранее известно, какие объекты есть на снимке; на снимке имеется небольшое количество (до 30) классов; эти классы четко различаются на снимке. Процесс классификации с учителем включает в себя несколько этапов. определение задач обработки снимка и выбор способа классификации; выбор эталонных участков; проведение классификации и оценка качества результатов. В настоящей работе будет применяться подход обучения с учителем, т.к. в данном контексте он более применим ввиду известного количества классов и их расположения на снимках.

110 110 Рисунок 44 Этапы получения и обработки изображений На рисунке 44 изображены этапы получения и обработки изображений, полученных в ходе проведения аэрофотосъемки строительных объектов. Общая концепция начинается с этапа определения задач обработки снимка и выбора способа классификации, где на данном этапе обработки снимка нужно определить список дешифрируемых объектов и оценить характер распределения значений яркости этих объектов. Наиболее распространенные методы классификации без обучения: 1. ISODATA; 2. K-Средних. Метод классификации без обучения ISODATA (Итерационная самоорганизующаяся методика анализа данных IterativeSelf- OrganizingDataAnalysisTechnique). ISODATA это процесс, который основан на кластерном анализе. К одному классу относятся пикселы, значения яркости которых наиболее близки в пространстве спектральных признаков. Этапы классификации ISODATA:

111 111 расчет статистических параметров распределения яркостей всего снимка в каждой спектральной зоне (минимальное, максимальное, среднее значение, стандартное отклонение); все пиксели снимка делятся на n равных диапазонов в пространстве спектральных признаков, для каждого из них определяется среднее значение; первая итерация кластеризации, то есть в пространстве спектральных признаков для каждого пикселя рассчитывается спектральное расстояние до средних значений, и каждый пиксель относят в определенный кластер. В один кластер попадают те пиксели, между которыми меньше расстояния в пространстве спектральных признаков; расчет реальных средних значений для полученных классов; следующая итерация с новыми значениями средних, и уточнение границ классов, при этом число классов может меняться. Процесс продолжается до тех пор, пока не будет достигнуто максимальное (заранее установленное) количество итераций или достигнут максимальный процент пикселей, не изменивших свой класс во время последней итерации (этот параметр тоже задается заранее). Метод классификации без обучения K-Средних отличается от метода ISODATA тем, что требует изначального задания некоторого количества средних значений для формирования начальных классов, следовательно, этот метод используют, когда объекты на снимке достаточно хорошо различаются. 3.2 Классификация изображений по визуальным признакам Современные датчики авионики и платформы БПЛА способны предоставлять ультравысокое разрешение данных, получаемых в ходе дистанционного зондирования земли (вплоть до 30 см точность снимков выборки). Это является важным источником получения информации о плотности застройки городской среды, однако, данный подход еще недостаточно изучен. Масштабные различия городских объектов и их спектральная изменчивость наряду с перспективой фотопланов местности вносят большие трудности для проектирования описательных характеристик.

112 112 В работе предлагается профиль двойной морфологический профиль, использующий морфологическое наращивание и эрозию с различной степенью детализации. Вследствие высокого разрешения пространства признаков предлагается взвешенная процедура отбора для понижения степени размерности пространства в соответствии с обучающей выборкой. Данный подход получает дополнительную информацию из изображений посредством DSM (цифровая модель рельефа). Для иерархической классификации используется классификатор «случайный лес». Количественный результаты экспериментов получены с использованием изображений ультравысокого разрешения. Данный метод в результате экспериментов показал, что достигается эффективность 10% по сравнению с хорошо известным дифференциальным морфологическим профилем. Исходными данными для таких качественных экспериментов являются изображения разрешения х пикселей. В ходе экспериментов также установлено, что точность классификации возрастает с применением цифровой модели рельефа. К примеру, точность классификации с использованием только спектральной информации составила 69%, в то время, как предложенный метод позволил поднять точность до 95%. Классификация земной поверхности хорошо изученная задача, но сложная проблема, которая играет важную роль в интерпретации данных о дистанционном зондировании. Большинство предыдущих исследований сосредотачивалось на изображениях невысокого разрешения для классификации на поверхностном уровне, которые были широко используемы для изучения динамики роста городов и составления карт лесных насаждений. Современные технологии и темпы развития аэрокосмических датчиков подняли интерес в исследовании методов получения пространственных особенностей классификации растительных покровов. Некоторые методы достигли приемлемых результатов, используя изображения ультравысокого разрешения для классификации на строительном уровне, используя 2-мерные пространственные признаки.

113 113 Интерпретация такого вида данных очень важна для городского управления объектом и моделирования, так как объекты, которые меньше, чем строительные здания, становятся лучше видимы и значительны по изображениям ультравысокого разрешения, таким как автобусные станции и автомобили. Из-за большой перспективы и высоких спектральных изменений, пространственных особенностей изображений может не быть достаточно для классификации изображений ультравысокого разрешения. Существуют многочисленные работы, рассматривающие улучшение классификатора и особенности представление для классификации. Милонас [10] предложил улучшить пространственное представление, используя нечеткий метод сегментации и принятую голосующую стратегию в пределах сегментов, основанных на пиксельной классификации. Туиа и др. [11] предложили мультиядерный подход, который объединял различные ядерные функции векторной машины (SVM или метод опорных векторов) для обращения к различным видам признаков. Хестер и др. [12] применили ISODATA (повторяющийся самоорганизующийся метод анализа данных) к диапазонам изображений VHR и сообщили о полной точности в 89.0%. Однако, в их работах земля, здания, крыши и дороги были все определены как непроницаемые объекты, чего в итоге было недостаточно для городских геоинформационных приложений. Если принимать одну только спектральную информацию к различию этих объектов посредством классификации, то велика вероятность исхода с плохими результатами. Недавнее исследование данного вопроса показало, что было принято ученым Пацифичи и др. [6] для классификация изображений VHR через нейронную сеть, приводящую к удовлетворительной точности, даже с панхроматическими изображениями. LWEA был предложен Шэкелфордом и Дэвисом [15], который извлек спектрально подобную область, окружающую центральный пиксель, изучая поисковые линии от этого центрального пикселя и описал пространственную особенность этого пикселя, используя самый длинный и самый короткий диаметр для этой области. Чжан и др. [13]

114 114 расширил это представление, считая число пикселей на поисковой линии, приводящее к упрощенной одномерной пространственной особенности, пиксельным индексом формы (PSI). 3D-вейвлет анализ был принят как индикатор городской сложности, поскольку описывает пространственное изменение в области небольшой волны. Дальнейшее развитие от Хуана и Чжана [19] привело многомасштабному подходу, изменяющему размер окна и уровень разложения для более надежного пространственного представления. Рассматривая проблемы масштаба изображений VHR и специальных характеристик особенностей вектора среднего изменения [20], Цинь [21] предложил среднее изменение (MSVSF), основанное на векторе, форма и особенность которого стремилась дифференцировать пространственные образцы между бетонными крышами и дорогами. О более высокой точности классификации, чем LWEA и PSI сообщили, используя MSVSF на опытном наборе данных. Пезарези и Бенедиктссон [22] вычислили ряд серой шкалы морфологической реконструкции, используя изображения дистанционного зондирования и изменяя размер структурных элементов, чтобы построить DMP, продемонстрировав тем самым эффективные улучшения для классификации данных о дистанционном зондировании VHR [23]. Вышеупомянутые пространственные особенности были предложены в 2- мерном контексте, где 2-мерный пространственный образец изображений - основной источник входных данных. Несколько исследователей сообщили о возможности интеграции третьего измерения (информация о высоте), которая могла значительно улучшить классификацию. [24,25]. Это обеспечило новый путь исследования; однако, получение данных о точной высоте было дорогим. Идея использовать Digital Surface Model (DSM/ЦМР) для интерпретации данных дистанционного зондирования была недавно популяризирована развитием плотного алгоритма соответствия, который произвел относительно надежный DSM из фотограмметрических изображений.

115 115 Довольно много исследовательских работ были посвящены использованию полученной из 3D-изображения информации для обнаружения объектов в трехмерном пространстве [26 28], которая обеспечила более надежные результаты, однако, интеграция DSM для классификации данных о дистанционном зондировании не была полностью исследована. Только некоторые работы непосредственно или косвенно коснулись данной проблемы. Цинь и др. [29] объединил ортофотоплан и DSM для контролируемой классификации для обнаружения изменения и сообщил о более чем 90% точности. Цинь [30], работающий с другими, применил DSM для обнаружения строительных объектов, и DSM временных рядов, использованных для улучшения точности обнаружения. В недавней работе от Гу и др. [31] предложена мультиядерная обучающая модель для комбинирования спектральной, пространственной и информации о высоте, с каждой функцией ядра согласно различным особенностям. Эти ядра были тогда линейно объединены и оптимизированы с обычным SVM для оптимальной работы. Большинство этих методов, главным образом, получает высоту посредством устройства LiDAR и полученные из изображений DSM не были полностью оценены. В данной работе рассматривается проблема классификации земной поверхности, используя цифровую модель рельефа. По сравнению с задачей классификации данных высокого разрешения (VHR), данные ультравысокого разрешения (UHR) более изменчивы, что приводит к большим вычислительным затратам при классификации, основанной на пикселях, а также в данной ситуации появляется двусмысленность спектральных данных городской среды. Для решения данной проблемы предлагается морфологический профиль (DMTHP), позволяющий извлекать пространственные особенности из ортофотопланов и цифровых моделей рельефов. Рассматривая многомерное пространство признаков обычных морфологических профилей, размеры структурных элементов оцениваются через обучающий набор данных, что позволяет избежать сложных вычислений морфологии за счет уменьшения пространства признаков методом главных компонент PCA.

116 116 Метод сегментации Mean-shift применен для сегментации на основе объектов, что позволяет использовать ортофотопланы и цифровые модели рельефов. В данной работе основной задачей классификации является использование дополнительной информации для более точного распознавания типов поверхностей. По причине двусмысленности спектральных данных ультравысокого разрешения и большого перспективного искажения слабо рассматривается классификация таких данных. За счет включения 3Dинформации, полученной в результате построения цифровой модели рельефа, возможно увеличение точности классификации земной поверхности Методика применения математической морфологии для классификации изображений Математическая морфология является мощным инструментом для обработки изображений. Изначально данный раздел математики применялся для работы с бинарными изображениями, а затем сфера его применения расширилась до изображений, представленных в градации серого. С помощью морфологий возможно описывать пространственные отношения между объектами изображения, а также выделять контекстную информацию. Для решения поставленной задачи является перспективным использование морфологической реконструкции, где изображение J может быть получено как B j,i из изображения-маркера I путем нахождения его максимумов. Изображение М обычно получается в результате применения операции эрозии к изображению I с использованием структурного элемента e. По своей сути процесс восстановления представляет собой итеративное применение операций морфологического наращивания или эрозия. Итеративное применение операции эрозии обозначается как B J,ε(J,e), где ε(j,e) операция морфологической эрозии. ε(j, e)(i, j)=min{j(p a, q b),e(a, b) = 1} (39) Аналогичным образом можно представить операцию морфологического наращивания. d(j, e)(i, j) = max{j(p a, q b),e(a, b) = 1} (40)

117 117 Песареси и Бенедиктссон, объединив эти два типа морфологического преобразования, предложили использовать набор структурных элементов с различными размерами создаваемого морфологического профиля (МП), обладающего свойством многомасштабности. MP N (J)={B J,ε(J,e1),B J,ε(J,e2),,B J,ε(J,eN),B d(j,e1),j,b d(j,e2),j,,b d(j,en),j } (41) где {ei} - множество структурных элементов разного масштаба. Полученная форма называется дифференциальным морфологическим профилем (ДМП), определенным как дифференциал профилей: n =B J,ε(J,en) B J,ε(J,en 1), ' n = Bd(J,en),J Bd(J,en 1),J (42) DMP N (J)={ 1, 2,, N, ' 1, ' 2,, ' N } (43) Данный подход эффективен для понимания структурных различий содержимого изображения на различных масштабах. Морфологические профили и дифференциальные морфологические профили были применены Бенедиктссоном для классификации изображений городской среды высокого разрешения. Туиа и другие исследователи применяли набор морфологических операторов для классификации панхроматических изображений и демонстрировали эффективность морфологических профилей. Морфологические цилиндрические профили определяются пиками на сетке изображения, рассчитанными в результате морфологических операций. Цилиндры могут детектировать пространственные скопления на изображении, где каждый такой сгусток может быть использован успешно для представления городских структур, таких как здания, автомобили и тени, отбрасываемые зданиями. Хуан и Чжан применили разнонаправленные морфологические цилиндрические преобразования для детектирования зданий и теней в панхроматических изображениях. Они предположили, что зданиями в основном представлены светлыми скоплениями, в то время как тени темными. Цинь и Фан обнаружили, что высота блобов (сгустки на изображении) является лучшим индексом для представления зданий. Для более точного детектирования зданий они использовали комбинированный метод, включающий в себя так называемый индекс NDVI (Normalized Difference Vegetation Index).

118 118 Успешное применение цилиндрических профилей для детектирования сооружений вдохновило на создание цилиндрических морфологических профилей, чтобы было возможным иметь дело со зданиями разного масштаба. В данной работе рассматриваются два типа морфологических цилиндров, цилиндрическая реконструкция THR и цилиндрическая эрозия THE, которые могут быть представлены следующим образом. THR(J,e)=J BJ,ε(J,e) (44) THE(J,e)=J ε(j,e) (45) THR является эффективным в качестве детектора пиков изображения. Однако, недостатком данного типа является то, что THR не может выделять объекты переднего плана, расположенные на наклонной поверхности (например, провода, мосты). Данную проблему можно решить, использовав построенный индекс NDVI. Напротив, THE легко детектирует такие объекты. На рисунке 45 показан пример, где THR и THE посчитаны с использованием структурного элемента типа «диск». Как видно из рисунка 1, THR эффективно детектирует объекты, находящиеся выше земной поверхности, различая такие классы объектов как дороги и земля. ТНЕ способен выделять локальные максимумы внутри области структурного элемента, но это приводит к ошибкам в классификации объектов местности (например, дороги). На данном рисунке в красном круге отмечено строение, которое соединено с примыкающей дорогой, имеющими одинаковую высоту. THR пропускает часть строений, в то время как ТНЕ успешно детектирует их часть.

119 119 Рисунок 45 Результаты цилиндрического наращивания и эрозии на цифровой модели рельефа. (a) Ортофотоплан; (b) DSM; (с) THR; (d) THE Данные преобразования могут компенсировать друг друга. Предлагается многомасштабный подход, т.к. объекты городской застройки отличаются между собой по размерам. Множество структурных элементов {e i } с различными масштабами используются для построения DMTHP: DMTHP(J) N ={THR(J,e 1 ),THR(J,e 2 ),,THR(J,e N ),THE(J,e 1 ),THE(J,e 2 ),,THE(J,e N )} (46) Многомасштабные структурные элементы эффективны при описании пространственных различий объектов с различными размерами. Однако, как обозначено Бенедиктссоном и др. [23], главный недостаток такой стратегии высокая вычислительная стоимость для классификации с особенностями высокой размерности. Чтобы уменьшить многомерность, они только используют два наиболее важных элемента (ярко выраженные) для обучения и классификации, но вычисление морфологической реконструкции все еще должно быть сделано в полном масштабе, который является значительно трудоемким. Кроме того, морфологические цилиндрические преобразования могут содержать избыточность, так как результаты тесно связаны с масштабом объектов. Рисунок 45 показывает пример вычисления THR и THE профилей для различных классов. Можно заметить, что профили для различных структурных элементов показывают различные результаты, однако, большая избыточность

120 120 может наблюдаться в профилях THR и THE в последних трех столбцах гистограммы, т.к. значения THR и THE остаются подобными. В представленном рисунке для автомобиля значения остаются подобными в независимости от изменения масштаба структурного элемента. Это происходит вследствие того, что масштабы различных классов городских объектов в пределах определенного диапазона могут не способствовать эффективно выделять признаки для классификации. Только признаки около неоднородностей (сгустки) полезны, чтобы построить отличимые признаки, соответствуя масштабу различных городских объектов. По мере того, как обучающая выборка отобрана для представления городского объекта, необходимо оценить границы масштаба различных городских классов, основанных на обучаемой выборке. Возьмем обучающую выборку для N классов {C 1 }n 1, {C 2 }n 2,..., {C N }n N, где { } - область изображения, относящая элемент выборки к классу C m, рассчитаем его масштаб как: (47) где Rx()иRy() являются диапазоном участка изображения в направлении x и y осей соответственно. Рассчитаем верхнюю границу весов в каждом классе как: { { }} (48) Итеративно вычисляется UB(C m ) для каждого класса, после чего веса, между которыми расстояние меньше 80 пикселей объединяются в один кластер. Окончательные веса обозначены как {r} k. Таким образом DMTHP можно представить в другом виде, где для каждого элемента производится нормализация всех признаков в диапазоне от 0 до 1. DMTHP(J) k ={THR(J,e r1 ),THR(J,e r2 ),,THR(J,e rk ),THE(J,e r1 ),THE(J,e r2 ),,THE(J,e rk )} (49) Фотоснимки ультравысокого разрешения имеют большой объем данных, поэтому необходимо уменьшить вычислительную сложность при анализе объектов. Чтобы полностью использовать спектральную информацию и информацию о высоте, принимается предложенный метод сегментации, изложенный в работе Цина и др. [29]. Данный метод сегментации представляет

121 121 собой по существу сегментацию «дв г реднего» (MS) [20,37], и, в то же время, ограничивающий границу сегмента использованием карты весов, вычисляя вероятность каждого пикселя, являющегося границей объекта. В этом методе карта весов определена как величина Кэнни [38] из метода DSM. На каждой итерации сегментации происходит отслеживание от выхода процедуры за пределы пикселей с высокой граничной вероятностью. В классической сегментации MS есть два главных параметра: пространственная полоса пропускания H s и спектральная полоса пропусканияh r, для которых характерны пространственная близость и спектральное подобие из метода сегментации [20]. В дополнение к классической сегментации MS имеется другой параметр β, который контролирует выход за край карты весов. На рисунке 46 показан пример сегментации методом синергетического сдвига-среднего. Как видно из рисунка на втором изображении внутри красного круга отмечена область, которая из-за перепада высот местности может нарушить правильное определение сегментов, поэтому для более точной сегментации и для дальнейшего обучения классификатора установим значения параметров следующим образом:h s = 7, H r = 4 β = 0.1. Из-за ограничений ЦМР, H r = 4 устанавливается как относительно большое значение для уменьшения эффекта так называемой пересегментации. Рисунок 46 Пример классической сегментации, синергетическийms и карты граничной вероятности, полученной из ЦМР Классификатор случайного леса (RF) [39] широко используется для классификации объектов обучающей выборки, признаки которых представлены в основном дискретными характеристиками. Цинь и др. в своей работе [29] продемонстрировал, что RF выступает лучше, чем метод опорных векторов

122 122 (SVM), объединяя высоту и спектральную информацию для классификации, так как они не являются линейно-зависимыми с финальным вектором. В данном эксперименте RF применен, чтобы классифицировать векторы признаков, составленные DMTHP и спектральными особенностями. RF по существу метод приобретения знаний ансамблем деревьев, усредняя результат классификации каждого дерева решений. Преимущества этого метода улучшенная точность из-за голосующей стратегии множества деревьев решений. Так как спектральная особенность главная движущая сила для классификации, принимается метод главных компонент (PCA) для уменьшения размерности диапазона цветов, что дает лучшую точность классификации [13]. Особенность DMTHP применена и к ортофотоплану и к ЦМР, поскольку морфологические преобразования на обоих источниках данных возвращают полезную информацию, как показано в работе Хуан и Чжан [35] и Цинь и Фан [36]. Для ортофотоплана применяется DMTHP к ярким и темным изображениям, определяемым как первые компоненты PCA, что позволит осуществить эффективное описание ярких и темных сгустков. Для получения информации о высоте DMTHP непосредственно применен к DSM. В итоге, связывая эти особенности в виде векторного стека, выполняется классификация посредством ансамбля леса. Эта процедура выделения признаков описана на рисунке 47.

123 123 Рисунок 47 Предложенный процесс классификации поверхности местности Проведение экспериментов по классификации изображений Данные эксперименты, главным образом, ориентированы на данные о дистанционном зондировании земли с помощью БПЛА и цель экспериментов (1) это проверка предложенной пространственного различия городских объектов, и эксперимент (2) оценивает точности. Первый эксперимент выполнен на маленькой зоне испытания от набора данных с GSD на 9 см. Второй эксперимент выполнен на наборе данных, произведенном, используя изображения БПЛА с GSD 5 см. Эксперименты 1 и 2 количественно оценены относительно справочной информации. Классификатор RF используется для классификации земной поверхности, используя 500 деревьев решений обучения, а число переменных для классификации вычислено как квадратный корень размерности вектора признаков. В данном эксперименте размерность вектора равняется 12 и 15 для экспериментов 1 и 2 соответственно. Значительная часть тестирующей выборки отмечена как справочные данные. Для гарантирования статистической

124 Обучающий набор для каждого класса 124 надежности классификатора применяется 5-кратная кросс-валидация (CV). Размер обучающей и тестирующей выборки представлен в Таблице 9. Таблица 9 - Результаты экспериментов Классы Эксперимент 1 Эксперимент 2 Строение Дорога Дерево Автомобиль Трава Земля 53 - Тень 53 - Вода Всего обучающих примеров Всего тестовых примеров 10,312 32,947 Всего сегментов 41,465 46,867 Процент(%) 0,93 1,35 Первая тестирующая выборка и получающаяся карта классификации показана на рисунке 48. Можно заметить, что сцена составлена из довольно сложных объектов со зданиями, варьирующимися по формам и размерам и автомобилям, распределенным в различных областях с различными удельными весами. Ортофотоплан и ЦМР получены из аэрофотоснимков. На рисунке 48 показаны объекты очень высокой детализации и ЦМР, на которой нанесена цветная маркировка, показывает, что рельеф припаркованных автомобилей хорошо различим. Спектральная информация и ЦМР представляют собой довольно информативные источники, чтобы классифицировать сложную сцену. Таблица 9 показывает статистику классификации в сравнении с оценкой учителя. Предложенный метод достиг 93%-й полной точности. Здания и дороги хорошо отличают друг от друга и имеют более чем 90%-ю точность классификации. Больше чем 80% автомобилей правильно классифицированы на карте классификации.

125 125 Рисунок 48 а) ортофотоплан, b) ЦМР, c) увеличенная область изображения, d) справочные данные, e) карта классификации. Результаты двух экспериментов и их интегральный анализ представлены в таблицах 10, 11, 12. Таблица 10 Результат классификации (Р - результат метода, U средний результат оценки пользователей) Строение Дорога Дерево Автомобиль Трава Земля Тень P 94,77 95,97 96,22 83,04 99,33 72,20 99,23 U 98,66 75,87 98,37 98,88 96,90 93,15 85,51 Для второго эксперимента данные получены в результате облета другой территории. Ортофотоплан и ЦМР получены с помощью автоматической миссии БПЛА по методике, как описано в работах [9,40], с точностью 5 см. Немного увеличенное разрешение фотоснимков обучающей выборки приносит некоторые проблемы. Основная проблема этого набора данных состоит в том что цвета крыши и земли очень похожи друг на друга, а также на дороги, непосредственно связанные с парковкой. Поэтому, в этом эксперименте дороги и земля рассматриваются как одинаковые классы объектов. Кроме того, крыши занимают значительную часть области изображения, что создает потенциальные проблемы из-за несбалансированности признаков выборки.

126 126 Рисунок 49 и Таблица 3 показывают получающуюся карту классификации и связанную с ней статистику. В результате достигнута более чем 94% точность. Более чем 96% зданий и дорог определены верно и 83% автомобилей на парковках правильно распознаны, что дает в перспективе возможность для применение данного метода классификации в городском управлении инфраструктурой и анализом строительной местности. Точность классификации растительности ниже, чем в эксперименте 1, и это логично, так как отсутствует инфракрасная информация в данном эксперименте. Рисунок 49 а) ортофотоплан, б) ЦМР, в) справочные данные, г) карта классификации Таблица 11 - Результаты классификации для эксперимента 2. Строение Дорога Дерево Автомобиль Трава Земля Тень P 96,03 96,30 90,33 83,04 79,63 91,95 89,15 U 89,26 85,71 97,59 89,86 90,91 99,98 94,48 Оба из сравнительных исследований продемонстрировали что рассмотрение информации ЦМР обычно значительно увеличивает точность классификации вместе с предложенным DMTHP профилем. Если объединить ЦМР в процедуре классификации, используя предложенный профиль DMTHP, то можно получить удовлетворительные результаты, однако, существует вероятность ошибочной классификации, для избежания которой необходимо наличие сбалансированного набора обучающих данных, содержащих разнородные объекты. Предложенный профиль DMTHP основан на реконструкции с помощью морфологических преобразований, которая требует высокой вычислительной нагрузки. Адаптивная стратегия выбора масштаба может эффективно

127 127 уменьшить вычислительное время. В частности, в таблице 6 отражены данные о продолжительности вычисления DMTHP с и без адаптивного выбора масштаба. Таблица 12 Время выполнения экспериментов Время (с) Эксперимент 1 Эксперимент 2 Сегментация Извлечение признаков Обучение 2 7 0, ,5 Классификация 1,5 1,7 0,7 1,5 1,2 1 Всего 870,5 734,7 538,2 1375,5 1182,2 1278,5 3.3 Выводы Предложенный профиль морфологических преобразований (DMTHP) извлекает пространственные особенности из ортофотоплана и ЦМР. Простая и адаптивная стратегия выбора масштаба позволяют эффективно уменьшить вычислительную стоимость, а также размерность вектора признаков. Классификатор случайного леса был успешно применен для сегментации методом синергетического сдвига-среднего.

128 128 4 ПРОЕКТИРОВАНИЕ РАСПРЕДЕЛЕННОЙ СИСТЕМЫ ДЛЯ ДОСТУПА К МАТЕРИАЛАМ АЭРОФОТОСЪЕМКИ ПОСРЕДСТВОМ ВЕБ-ПОРТАЛОВ Физическое представление программной системы не может быть полным, если отсутствует информация о том, на какой платформе и на каких вычислительных средствах она реализована. Если разрабатывается программа, выполняющаяся локально на компьютере пользователя и не использующая периферийных устройств и ресурсов, то в разработке дополнительных диаграмм нет необходимости. При разработке же корпоративных приложений наличие таких диаграмм может быть крайне полезным для решения задач рационального размещения компонентов, в целях эффективного использования распределенных вычислительных и коммуникационных ресурсов сети, обеспечения безопасности и других. Для представления общей конфигурации и топологии распределенной программной системы в нотации UML предназначены диаграммы развертывания. Диаграмма развертывания предназначена для визуализации элементов и компонентов программы, существующих на этапе ее исполнения. При этом представляются только компоненты-экземпляры программы, являющиеся исполняемыми файлами или динамическими библиотеками. Те компоненты, которые не используются на этапе исполнения, на диаграмме развертывания не показываются. Диаграмма развертывания содержит графические изображения исполнительных модулей, устройств, процессов и связей между ними. В отличие от диаграмм логического представления, диаграмма развертывания является единой для системы в целом, поскольку должна всецело отражать особенности ее реализации. Разработка диаграммы развертывания, как правило, является последним этапом спецификации модели программной системы. Сформированная диаграмма развертывания позволила решить следующие задачи: определить распределение компонентов системы по ее физическим узлам;

129 129 показать физические связи между всеми узлами реализации системы на этапе ее исполнения; выявить узкие места системы и реконфигурировать ее топологию для достижения требуемой производительности. Если необходимо явно указать компоненты, которые размещаются на отдельном устройстве, то это можно сделать двумя способами. Первый позволяет разделить графический символ устройства на две секции горизонтальной линией. В верхней секции записывают имя устройства, а в нижней размещенные на этом узле компоненты. Второй способ разрешает показывать на диаграмме развертывания устройства с вложенными изображениями процессов. Однако нужно учитывать, что в качестве таких вложенных компонентов могут выступать только исполняемые компоненты. В качестве дополнения к имени узла могут использоваться различные стереотипы, которые явно специфицируют назначение этого устройства. На диаграммах развертывания для различных физических устройств также допускаются специальные графические обозначения, поясняющие и раскрывающие назначение или выполняемые устройством функции. Кроме изображений устройств и процессов на диаграмме развертывания указываются отношения между ними. В качестве отношений выступают физические соединения между устройствами и зависимости между устройствами и компонентами, изображения которых тоже могут присутствовать на диаграммах развертывания. Соединения являются разновидностью ассоциации и изображаются отрезками линий без стрелок. Наличие такой линии указывает на необходимость организации физического канала для обмена информацией между со ответствующими узлами. Характер соединения может быть дополнительно специфицирован примечанием, помеченным значением или ограничением. Кроме соединений на диаграмме развертывания могут присутствовать отношения зависимости между узлом и развернутыми на нем компонентами. Подобный способ является альтернативой вложенному изображению компонентов внутри символа узла, что не всегда удобно,

130 130 поскольку делает этот символ излишне объемным. Поэтому при большом количестве развернутых на узле компонентов соответствующую информацию можно представить в форме отношения зависимости. Разработка диаграммы развертывания начинается с идентификации всех аппаратных, механических и других типов устройств, которые необходимы для выполнения системой всех своих функций. В первую очередь специфицируются вычислительные узлы системы, обладающие памятью и/или процессором. При этом используются имеющиеся в языке UML стереотипы, а в случае их отсутствия разработчики могут определить новые стереотипы. Отдельные требования к составу аппаратных средств могут быть заданы в форме ограничений, свойств и помеченных значений. Дальнейшее построение диаграммы развертывания связано с размещением всех исполняемых компонентов диаграммы по узлам системы. Если отдельные исполняемые компоненты оказались не размещенными, то подобная ситуация должна быть исключена введением в модель дополнительных уз лов, содержащих процессор и память. Программная реализация подсистемы разграничения доступа в сети корпоративных порталов строительных организаций. Осуществлено проектирование архитектуры программной реализации подсистемы разграничения доступа в сети корпоративных порталов строительных предприятий путем: рассмотрения особенностей функционирования сети корпоративных порталов и схемы размещения оборудования; распределения программных компонентов и служб между устройствами. Реализация системы подразумевает решение задачи организации фронтального Web-сервера, который будет решать задачу перераспределения HTTP-трафика между информационными ресурсами корпоративных порталов, контролируемыми одним сервером доступа. В данном случае, фронтальный Web-сервер выступает в роли обратного прокси-сервера (reverse proxy server). Это, в свою, очередь накладывает определенные ограничения на схему построения и развертывания системы.

131 131 На рисунке 50 представлена схема физического распределения и организации составных частей сети корпоративных порталов строительных предприятий. Рисунок 50 Схема физического распределения и организации составных частей сети корпоративных порталов строительных предприятий Компоненты подсистемы управления доступом функционируют на серверах доступа, отвечающих за отдельный пользовательский домен и ассоциированные с ними порталы. Сервера доступа, в свою очередь, связаны с центральным сервером управления сети (ЦУС). Каждый отдельный сервер доступа устанавливается в разрыв подключения Web-сервера к корпоративной сети и сети Интернет. Он выполняет функции маршрутизатора и брандмауэра и, соответственно, является для Web-сервера внешним шлюзом. Один сервер доступа может обеспечивать защищенный доступ к одному или группе порталов, работающих на одном или нескольких серверах, которые

132 132 можно на логическом или физическом уровне отделить с помощью сервера доступа от других фрагментов сети. Определено, что обязательным условием функционирования системы является принадлежность IP-адресов доменных имен защищаемых порталов подсетям на локальных интерфейсах сервера доступа. В случае невозможности организации подключения сервера доступа в «разрыв», по причине территориальной удаленности Web-серверов или наличия нескольких территориально удаленных точек подключения к сети Интернет, необходима установка нескольких серверов доступа для каждой территориально удаленной группы порталов в одном учреждении. Выявлено, что для обеспечения надежности информационного обмена внутри сети и репликации данных целесообразна установка между сервером управления сети и серверами доступа виртуальных шифрованных туннелей. Для обеспечения безопасности просмотра защищенного контента порталов предполагается переключение пользователя после авторизации на работу по защищенному протоколу. Установлено, что реализация данной схемы ограничения доступа к порталам предполагает ряд ограничений. Прежде всего, система предполагает четкую иерархию ограничений прав доступа, которая заключается в том, что уровни привилегий для всех дочерних разделов не могут быть ниже уровня привилегий родительского раздела, но могут иметь более жесткие ограничения. В этой связи необходимо упорядочивание структуры разделов порталов с целью обеспечения эффективного управления доступом. Также целесообразно помещать в отдельные разделы страницы с исполняемым на сервере кодом и устанавливать соответствующие привилегии доступа к данным разделам, поскольку в исполняемом коде может осуществляться доступ к защищаемым разделам портала. Концепция реализации подсистемы разграничения доступа сети корпоративных порталов определяет создание центра управления сетью. В его задачи входит обеспечение надежного функционирования подсистемы управления сеть порталов (серверной части системы) и всех ее сервисов и служб.

133 133 Распределение составных частей подсистем управления сетью между физическими серверами должно осуществляться индивидуально в рамках конкретного проекта, исходя их размеров сети и имеющегося оборудования. Однако, при решении этой задачи, необходимо основываться на ключевом принципе обеспечения отказоустойчивости, основанном на стопроцентном дублировании и резервировании ресурсов. На основе анализа схемы построения и функционирования подсистемы разграничения доступа в сети корпоративных порталов газотранспортного предприятия, с учетом специфики реализации и, имея конечной целью создание законченного технического решения в идее аппаратно-программной плат формы, построена модель развертывания системы на основе UML. В модели были определены необходимые для функционирования сервисы и службы, а также их взаимосвязи и распределение по аппаратным устройствам, тем самым формируя законченную аппаратнопрограммную платформу. Данная модель представлена в приложении в виде диаграммы развертывания системы, обеспечивая наглядное представление взаимосвязей составных элементов готовой системы. Следует подчеркнуть, что было реализована физическое представление подсистемы разграничения доступа сети корпоративных порталов. Это является основой для построения законченного технического решения в виде аппаратнопрограммной платформы для развертывания сетей корпоративных порталов. Рисунок 51 Иерархия пользователей сети корпоративных порталов

134 Обратный прокси-сервер и его роль в системе В [27] описывается концепция построения подсистемы разграничения перекрестного доступа к ИР в сети порталов, которая призвана решать задачи обмена информацией между предприятиями и предоставления доступа к данным через Web-порталы в Интернет, обеспечивая при этом надежную защиту информации от несанкционированного доступа. Для построения системы соответствующей описанной концепции необходимо решить ряд задач. Одной из таких задач является перераспределение HTTP-трафика между ресурсами порталов, контролируемыми одним сервером доступа. Решение указанной задачи требует разграничения доступа к ресурсам, организационных и технических решений. Одним из вариантов является использование фронтального Web-сервера в качестве обратного прокси-сервера (reverse proxy server). В этом случае обеспечивается включение дополнительного устройства между сетью Интернет и основным Web-сервером. Обратный прокси-сервер выполняет функции защиты внутреннего периметра от внешних угроз на основе фильтрации запросов, балансировки нагрузки на внутренние сервера, межсетевого экранирования трафика и его туннелирования с функцией криптографической защиты. Так как в современной практике проектирования и построения информационных систем стандартом де-факто стало объектно-ориентированный подход, позволяющий выделить повторяющиеся архитектурные конструкции шаблоны проектирования (designpattern) [22, 23, 30]. Анализ шаблонов проектирования описывающих обратный прокси-сервер. В работе [110] приводится несколько шаблонов проектирования реализующих обратный прокси-сервер в различных контекстах. Эти шаблоны выходят за рамки простых шаблонов описанных в [90]. В тоже время освещенные в [23] не описывают необходимую функциональность. Следовательно, необходимо, ориентируясь на существующие и применяемые при проектировании и программной разработке шаблоны, встроить в систему фронтальный Web-сервер. Обычно в схеме доступа к серверу по протоколу HTTP присутствует брандмауэр. В нем открывается 80 порт, тем самым внешний пользователь получает

135 135 непосредственный доступ к основному Web-серверу, что дает возможность использовать уязвимости его программного обеспечения. В данной ситуации целесообразно использовать фронтальный Web-сервер (здесь выступает как обратный прокси-сервер в контексте обеспечения безопасности, security reverse proxy). Обычно Web-портал конструируется из различных компонентов и требует различного программного окружения (несколько серверов приложений или наборов сценариев), причем разделение зачастую происходит на уровне доменов в URI (Uniform Resource Identifier унифицированный идентификатор ресурса), т. е. различные компоненты портала доступны по определенным URI (рисунок 52). В данной ситуации возникают следующие задачи: 1. Объединение ПО различных разработчиков в рамках Web-портала. 2. Сокрытие от клиента внутренней структуры Web-портала. 3. Сохранения целостности гиперссылок в рамках Web-портала, при реорганизации. 4. Возможности балансировки нагрузки на серверы. 5. Возможность использования единого SSL-сертификата для различных сервисов Web-портала. Рисунок 52 Типичная структура Web-портала

136 136 Для решения поставленных задач целесообразно организовать взаимодействие с использованием единого интегрирующего обратного проксисервера. Данных подход дает возможность решить все указанные выше задачи. Интегрирующий обратный прокси-сервер (integration reverse proxy) представлен на рисунке 53. Развитием описанного шаблона может быть делегирование дополни тельных функций обратному прокси-серверу, например: аутентификация, авторизация, управление сеансами пользователей. В этой ситуации обратный прокси-сервер используется как точка единого входа (frontdoor, singlesignon). Рисунок 53 Структура портала с использованием интегрирующего обратного прокси-сервера К основным функциональным задачам, решаемым обратным прокси сервером относятся: 1. Поддержка сеансов пользователей (включая аутентификацию, авторизацию и аккаунтинг). 2. Фильтрация и перенаправление запросов. 3. Возможности балансировки нагрузки на серверы. 4. Возможность использования единого SSL-сертификата для различных сервисов Web-портала.

137 137 Исходя из списка функциональных задач, можно сделать вывод о том, что адекватным будет применение шаблона проектирования точка единого входа. 4.2 Анализ и выбор протоколов взаимодействия распределенных компонентов подсистемы разграничения доступа в сети корпоративных порталов В данной главе предполагается предложение архитектуры программнотехнического комплекса на платформе свободно распространяемо го программного обеспечения, обеспечивающего эффективное разграничение перекрестного доступа к ИР корпоративных порталов в сети через открытые каналы Интернет. Что, в свою очередь, обусловливает решение задачи обеспечения безопасного, надежного и эффективного взаимодействия распределенных компонентов подсистемы разграничения перекрестного доступа между собой. С этой целью необходимо провести детальный анализ типа и характера информационного взаимодействия с целью определения применимости различных протоколов для организации взаимодействия компонентов системы. На этапе проектирования архитектуры системы необходимо рассмотреть информационные потоки в рамках подсистемы разграничения пере крестного доступа к ИР в сети корпоративных порталов. Так как основной характеристикой сети порталов является ее территориальная и функциональная распределенность, а основным требованием к ней является эффективность управления разграничением перекрестного доступа, следовательно, необходимо рассмотреть более детально информационные потоки между компонентами системы. Следует отметить, что в качестве среды передачи данных (т. к. система распределенная) кроме доверенных локальных сетей (в границах DMZ (demilitarizedzone) демилитаризованной зоны) может использоваться небезопасная среда глобальной сети Интернет. В соответствии с перечнем информационных потоков, в рамках внутреннего взаимодействия компонентов подсистемы, выявлена

138 138 необходимость обеспечения безопасности передачи данных в условиях различных сред пере дачи данных для некоторых видов межкомпонентного взаимодействия. При взаимодействии клиента со сценарием поддержки сеанса пользователя, который выполняется после поступления соответствующего инициирущего HTTP-запроса, происходит автоматическое переключение взаимодействия на безопасный канал коммуникации. Вслед за этим фронтальным Web-сервером открывается сеанс работы по защищенному протоколу HTTPS. В свою очередь, запросы к СУБД на получение и проверку идентификационных данных пользователя и идентификатор сеанса могут выполняться по защищенному каналу, чтобы обеспечить безопасность в локальной сети организации. Сценарий поддержки сеанса пользователя взаимодействует с AAA-сервером и в данном взаимодействии происходит аутентификация и авторизация, результатом которого является передача идентификатора уровня доступа сценарию. Связи AAA-сервера, сценариев администрирования системы и СУБД также требуют обеспечения безопасной передачи данных. Кроме безопасности информационного обмена, можно указать как основное требование к системе в целом высокую доступность (HighAvailability). Доступность означает возможность группе пользователей использовать систему. Если у них нет такой возможности, система считается недоступной. Выбор протоколов для взаимодействия компонентов подсистемы разграничения доступа в сети корпоративных порталов. Решая задачу организации информационных потоков, следует рассмотреть существующие протоколы информационного обмена, решающие поставленные задачи по обеспечению достаточного уровня защищенности с наложенными архитектурой системы условиями. Существуют альтернативные пути организации защищенных туннелей для взаимодействия компонентов системы: туннелирование соединения на конкретный TCP-порт с помощью Stunnel (основан на SSL); использование IPSec решений.

139 139 ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ Был произведен анализ экономической эффективности применения БПЛА для получения пространственных данных жилищно-коммунальных хозяйств по сравнению с космической съемкой. Было выявлено, что по сравнению со спутниковыми изображениями и традиционной аэросъемкой, аэрофотосъемка с БПЛА имеет существенные преимущества. Во-первых, высокое разрешение получаемых снимков: максимальное до 1 2 см (при высоте полета м), среднее 8 10 см (при высоте м). Во-вторых, получать снимки и проводить их первичную обработку можно в течение очень короткого времени, не покидая место проведения работ. В-третьих, возможность проведения съемки локальных и труднодоступных территорий, космическая съемка и традиционная аэрофотосъемка которых не являются рентабельными. Средняя стоимость проведения космической съемки составляет приблизительно 40 руб/км 2, что на 10% дороже предлагаемого подхода оперативной съемки с помощью БПЛА. В-четвертых, качество получаемых снимков никак не зависит от облачности, поскольку можно проводить съемку под облаками в пасмурные дни, что является особенно актуальным для северных регионов. Рентабельность самой съемки обуславливается также тем, что БПЛА функционирует на комплекте литий-полимерных аккумуляторных батарей, тем самым исключаются затраты на топливо, как при авиационной съемке. 1) В ходе проведения экспериментов для каждого класса изображений был поставлен в соответствие определенный детектор ключевых точек, т.н. профиль детектирования. За счет использования данного профиля исследователь тратит меньшее время на построения фотоплана строительной местности. 2) Анализ детекторов показал, что производительность всех представленных детекторов снижается медленно с такой же скоростью, как увеличивается изменение точки обзора сцены, а также то, что не существует

140 140 такого детектора, который превосходит другие детекторы для всех типов сцен и всех типов аффинных и фотометрических преобразований изображений. 3) Во многих случаях наилучшими результатами обладали детекторы Харриса и Гессиана, а также MSER. MSER хорошо работает на изображениях, содержащих однородные регионы с характерными границами. Ранее сказанное также имеет место для детектора IBR, поскольку оба метода предназначены для аналогичных типов регионов. Детекторы Гессиана и Харриса обеспечивают наибольшее количество регионов, чем другие детекторы, что является полезным в согласовании сцен. EBR подходит для сцен, содержащих перекрещивающиеся линии, а детектор Кадира-Брейди получает в целом низкие оценки, но показывает хорошие результаты в области распознавания класса объекта. 4) Детекторы взаимно дополняют друг друга, т.е. они извлекают регионы с различными свойствами и ошибка перекрытия этих регионов мала. Таким образом, несколько детекторов следует использовать одновременно, чтобы получить наилучшую производительность. Результат работы различных детекторов может быть комбинирован путем конкатенации соответствующих регионов. Это увеличивает число совпадений и, следовательно, надежность работы комбинированного детектора, сокращая при этом время детектирования. Выбор оптимального набор детекторов зависит от требований, например, в зависимости от количества извлекаемых регионов и времени работы. 5) Разработанный алгоритм выбор предпочтительного профиля детектирования ключевых точек по количеству выделяемых признаков изображения превосходит алгоритм случайного профиля в среднем на 25%, что позволяет делать заключение о целесообразности предварительного выбора профиля детектирования. 6) Предлагаемая методика проведения автоматического полета БПЛА обеспечивает автоматизированную систему построения фотопланов местности геопривязанными фотоснимками, позволяющими построить ортофотоплан местности и ее цифровую модель рельефа, т.е. 3D-модель. За счет бортового

141 141 вычислительного модуля достигается бесперебойный режим полета в автоматическом режиме даже в случае потери данных ГНСС, опираясь на инерциальный блок. За счет применения данной методики средняя ошибка отклонения от предварительного заданного маршрута полета не превосходит 3%. 7) Благодаря предлагаемой архитектуре автоматизированной системы построения фотопланов местности обеспечивается распределенный доступ к ресурсам подразделений корпоративной сети, что дает группе исследователей независимо друг от друга пользоваться разделяемыми ресурсами в виде фотоснимков территорий жилищно-коммунальных хозяйств. 8) В результате, за счет предложенного алгоритма классификации изображений по характеру рельефа местности методом морфологических профилей, достигнута более чем 94% точность классификации. Более чем 96% зданий и дорог определены верно и 83% автомобилей правильно распознаны, что дает в перспективе возможность для применение данного метода классификации в управлении инфраструктурой и анализом строительной местности. Таким образом, были успешно решены следующие задачи: 1. Произведен обзор и сравнительный анализ основных известных алгоритмов детектирования ключевых точек на изображениях. 2. Разработан алгоритм выбора предпочтительного профиля детектирования. 3. Разработана методика получения аэрофотоснимков местности с помощью БПЛА. 4. Разработан алгоритм классификации изображений исследуемой местности для выбора предпочтительного профиля детектирования ключевых точек. 5. Разработана архитектура и программное обеспечение автоматизированной системы построения фотопланов местности с помощью БПЛА в ходе проведения автоматической аэрофотосъемки местности.

142 142 Дальнейшее развитие тематики построения фотоплана местности посредством аэрофотосъемки с помощью беспилотного летательного аппарата представляется в расширении разработанных подходов и методик на сельскохозяйственные местности и местности со слабым влиянием антропогенной среды. Перспективным представляется расширение функциональных возможностей бортовой авионики за счет средств регистрации сигналов в инфракрасной области спектра, что позволит значительно расширить функционал предложенных методик.

143 143 СПИСОК ЛИТЕРАТУРЫ 1. Архипов, О.П. Персонифицированное преобразование представлений цветных изображений на мониторе ПЭВМ. [Текст] / О.П. Архипов, З. Зыкова З. // Системы и средства информатики, :1 (2012), С Архипов, О.П. Применение полутоновых представлений при анализе изменений цветных изображений. [Текст] / О.П. Архипов, З.П. Зыкова Информатика и ее применения, :3, С Архипов, О.П., Метод регистрации морфинга трехмерного объекта на основе данных натурного эксперимента [Текст] / О.П. Архипов Ю.А. Маньяков, Д.О. Сиротинин // Системы и средства информатики, :1, С Аффинное преобразование. [Электронный ресурс]. Режим доступа: https://en.wikipedia.org/wiki/affine_transformation, свободный (дата обращения: ). 5. Безрядин, С. Н. Преобразование яркости в программном обеспечении [Текст] / П.А. Буров, Д. Ю. Ильиных // KWE Int. Inc, С Власов, В.В. Возможности применения мультироторных беспилотных летательных аппаратов при неуверенном приеме сигналов ГНСС. [Текст] / И.В. Бизин, Ю.В. Василенко, В.В. Власов, А.В. Демидов, Н.В. Канатников, М.В. Смоляков // Информационные системы и технологии. (6 (86)), С Бугаевский, Л. М. Геоинформационные системы [Текст] / Л. М.Бугаевский, В. Я.Цветков // М: С Бурага, А.В. Сравнительный анализ пассивных методов измерения дальности для малого беспилотного летательного аппарата [Текст] / А.В.Бурага, В.М.Костюков // Труды МАИ. Выпуск 53, С Буча, В.В., Выделение и векторизация линейных объектов на цветных картографических изображениях [Текст] / В.В. Буча, С.В.Абламейко // Весцi НАН Беларусi. Сер. фiз.-мат навук, С Визильтер, С.Ю. Проблемы технического зрения в современных авиационных системах [Текст] / С.Ю. Визильтер, С.Н. Желтов // Сб. трудов

144 144 научно-технической конференции-семинара «Техническое зрение в системах управления мобильными объектами-2010» Под ред. Р. Р. Назирова. Таруса, марта 2010 г. С Власов, В.В. Разработка метода классификации пространственных данных, основанного на аппарате математической морфологии. [Текст] / В.В. Власов // Выбор и исследование строительной площадки. «Инновационная наука» 12/2016 ISSN , С Власов, В.В. К вопросу о применении беспилотных летательных аппаратов в сфере точного земледелия [Текст] / В.В. Власов, Н.А. Власова, А.В. Демидов, Н.В. Канатников, М.В. Смоляков // Информационные системы и технологии. (5 (91)), С Петренко Л.К. Актуальные проблемы организации проектирования [Текст] / Л.К. Петренко, А.А. Оганезян // Технические науки от теории к практике.-сб. ст. по материалам XLVI междунар. науч.-практ. конф. - 5(42). - Новосибирск: Изд. «СибАК», С Глотов, В.А., Математическая морфология [Текст] / В.А. Глотов // Электронный математический и медико-биологический журнал. Сборник научных трудов. Под ред. В. А. Глотова Смоленск: Изд. СГМА. С Глотов, В.А., Структурный анализ микрососудистых бифуркаций: Микрососудистый узел и гемодинамический фактор [Текст] / В.А. Глотов // автореферат дис.... доктора медицинских наук: / Смоленск. гос. мед. акад. - Санкт-Петербург, С Глумов, Н.Г. Построение и применение моментных инвариантов для обработки изображений в скользящем окне [Текст] / Н.Г.Глумов // Компьютерная оптика, С Гонсалес, Р., Вудс Р., Цифровая обработка изображений [Текст] / Р. Гонсалес, Р. Вудс // Техносфера, С Гонсалес, Р. Цифровая обработка изображений в среде Matlab [Текст] / Р. Гонсалес, С. Вудс, Эддинс //. М.: Техносфера, С Демидов, А.В. Клиентская подсистема аутентификации пользователей в сети корпоративных порталов с применением портативного цифрового

145 145 устройства доступа [Свидетельство о государственной регистрации программы для ЭВМ , зарегистрировано в реестре программ для ЭВМ 1 августа 2012 г. Дата поступления заявки 7 июня 2012 г.]. 20. Демидов, А. В. Моделирование процессов информационного обмена с приоритетами в сетях передачи данных промышленных предприятий [Текст] / А. В. Демидов, А. И. Офицеров, С. И. Афонин // Информационные технологии в науке, образовании и производстве. Т. 5., С Демидов, А. В. Моделирование процессов информационного обмена с приоритетами в сетях передачи данных промышленных предприятий [Текст]. А.В. Демидов, А.И. Офицеров, С.И. Афонин // Информационные системы и технологии, (59). С Демидов, А. В. Особенности построения подсистемы управления доступом системы управления информационным обменом сети корпоративных порталов [Текст] / А. В. Демидов, С. А. Лазарев // Информационные системы и технологии, (72). С Еременко, В. Т. Алгоритмы поиска угроз в пространстве состояний процессов информационного обмена распределенной управляющей системы [Текст] / В. Т. Еременко, Константинов И. С. // Вестник Тамбовского государственного технического университета, Т. 10, 4А. С Еременко, В. Т. Способы и приемы анализа характеристик протоколов информационного обмена в телекоммуникационной среде предприятия [Текст] / В. Т. Еременко, М. В. Чистяков // Известия Тульского государственного университета. Серия «Технологическая системотехника». Труды участников IV Международной электронной научно-технической конференции «Технологическая системотехника 2005», С Журавель, И.М. Краткий курс теории обработки изображений. [Электронный ресурс] Режим доступа: свободный (дата обращения: )

146 Замай, С.С. Программное обеспечение и технологии геоинформационных систем: [Учебное пособие] / С.С Замай, О.Э. Якубайлик // Краснояр. гос. ун-т. Красноярск, С Интернет-порталы: содержание и технологии: Сб. науч. ст. Вып. 4 [Текст] / Под ред. А. Н. Тихонова и др.; ФГУ ГНИИ ИТТ «Информика» // М.: Просвещение, с. 28. Калинкина, Д. Проблема подавления шума на изображениях и видео и различные подходы к ее решению [Текст] / Д. Калинкина, Д. Ватолин // Компьютерная графика и мультимедиа, (2). 29. Ключникова, О.В. Роль стратегического управления по совместному производству работ для инженерной инфраструктуры [Текст] / О.В. Ключникова // Интернет-журнал Науковедение, Кнут, Д. Э. Искусство программирования. Том 1. Основные алгоритмы [Текст] / Д. Э. Кнут. // М.: Вильямс, С.720 ISBN: Кнут, Д. Э. Искусство программирования. Том 2. Получисленные алгоритмы [Текст] / Д. Э. Кнут // М.: Вильямс, С.832 ISBN: Конушин, А. Слежение за точечными особенностями сцены (Pointfeaturetracking) [Текст] / А. Конушин // Компьютерная графика и мультимедиа. Выпуск 1(5), С Корнилов, В.Ю. Система моментных инвариантов изображения [Текст] / В.Ю. Корнилов // СПб.: Автометрия, С Костюченко, В.В. Системотехническая методология организации процессов строительного производства [Текст] / В.В. Костюченко // Инженерный вестник Дона, С Лабинская, Д.Е. Исследование методов предобработки изображений рентгенограмм [Текст] / Д.Е. Лабинская, Т.В. Мартыненко // Донецк, ДонНТУ, С Лазарев, С.А. Применение цифровых носителей идентификационной информации для управления доступом в сети корпоративных порталов [Текст] /

147 147 С. А. Лазарев, П. П. Силаев // Информационные системы и технологии (65). С Лунев, Е.М. Программно-алгоритмическое обеспечение для определения навигационных параметров беспилотного летательного аппарата на базе фотоизображения [Текст] / Е.М. Лунев, Н.В. Павлова // Вестник МАИ, Т. 16, 6. С Манжилевская, С.Е. Система и модели организационного инжиниринга [Текст] / С.Е. Манжилевская, И.А. Евлоева // Технические науки - от теории к практике, С Метод Виолы-Джонса (Viola-Jones) как основа для распознавания лиц [Электронный ресурс]. - Режим доступа: свободный (дата обращения: ). 40. Морозова, О.Б. Система контроля и управления доступом по биометрическим параметрам [Текст] О.Б. Морозова // Научная сессия ТУСУР 2011: Материалы Всероссийской научно-технической конференции студентов, аспирантов и молодых ученых, Томск, 4 6 мая 2011 г. Томск: В-Спектр, 2011: В 6 частях. Ч с. 41. Обнаружение устойчивых признаков изображения: метод SURF [Электронный ресурс]. - Режим доступа: свободный (дата обращения: ). 42. Павельева, Е. А., Поиск и анализ ключевых точек радужной оболочки глаза методом преобразования Эрмита [Текст] / Е.А. Павельева, А.С. Крылов // Информатика и ее применения, Т. 4. Вып. 1. С Писаревский В. OpenCV Библиотека компьютерного зрения для всех IntelCorporation, Software&SolutionGroup [Электронный ресурс] Презентация Режим доступа: свободный (дата обращения: ).

148 Пичугин, И. Л. Применение ГИС-технологий эффективный метод мониторинга объектов ЖКХ [Текст] / И. Л. Пичугин // Вестник Орловского государственного аграрного университета, С Пичугин, И. Л. Применение ГИС-технологий эффективный метод мониторинга объектов ЖКХ [Электронный ресурс] // Вестник ОрелГАУ Режим доступа: (дата обращения: ). 46. Поляков, А. Методы и алгоритмы компьютерной графики [Текст] / А. Поляков, В. Брусенцов. СПб.: БХВ-Петербург, С Пономарев, Д.В. Предобработка изображений для системы распознавания исторических рукописных документов [Электронный ресурс] / Д.В. Пономарев Режим доступа: свободный (дата обращения: ). 48. Пуртов, Д.П. Исследование методов и разработка алгоритмов обработки видеоинформации в задачах локализации положения БЛА на основе распознавания изображений при помехах и искажениях [Текст] / Д.П. Пуртов // Электронный журнал «Труды МАИ». Выпуск Ростопчин В. В., Румянцев С. С. Беспилотные авиационные системы [Электронный ресурс] / Режим доступа: avia.ru/author/03.shtml, свободный (дата обращения: ). 50. Сойфер, В.А. Компьютерная обработка изображений [Текст] / В.А. Сойфер // Соросовский образовательный журнал Хусаинов, Н.Ш. Об исследовании бортовой интегрированной системы управления движением летательного аппарата с коррекцией координат [Текст] / Н.Ш. Хусаинов, П.П. Кравченко, В.В. Салов. // Инженерный вестник Дона Цыганов А.В. Алгоритмы машинной графики. Часть 1 [Электронный ресурс] / Презентация // Режим доступа: (дата обращения: ).

149 Чернышов, Л. Н. Обоснование концепции энергосбережения в жилищно-коммунальном хозяйстве [Текст] / Л.Н. Чернышов, И.Л. Пичугин // Строительство и реконструкция, (32). С Шилов, А.В. Принцип системности моделирования [Текст] / А.В. Шилов, С.Е. Манжилевская, В.В. Швецов //Наука вчера, сегодня, завтра, (24). С Шумилов, Ю.В. Применение беспилотных летательных аппаратов (БПЛА) в технологии точного земледелия [Текст] / Ю.В. Шумилов, Р.Ю. Данилов, И.А. Костенко, А.В. Данилова, К.В. Семочкин, А.А. Пачкин // Молодой ученый, С Ahmad, A. Aerial mapping using high resolution digital camera and unmanned aerial vehicle for geographical information system [Текст] / A. Ahmad, A. Samad // In th International Colloquium on Signal Processing and Its Applications (CSPA) doi: /CSPA Ansari, A. Use of point cloud with a low-cost UAV system for 3d mapping [Текст] / A. Ansari // In 2012 International Conference on Emerging Trends in Electrical Engineering and Energy Management (ICETEEEM) p doi: /ICETEEEM Arjomandi, M. Classification of Unmanned Aerial Vehicles [Текст] / S. Agostino, M. Mammone, M. Nelson, T. Zhou // Report for mechanical engineering class, University of Adelaide, Adelaide, Australia p Baumberg, A. Reliable feature matching across widely separated views [Текст] / A. Baumberg //In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Hilton Head Island, South Carolina, USA. - p Bennett, B. Police departments wait for FAA clearance to fly drones [Текст] / B. Bennett // Los Angeles Times.-April 29. Accessed July p Billingsley, T.B. Safety Analysis of TCAS on Global Hawk Using Airspace Encounter Models [Текст] / T.B. Billingsley // S.M. Thesis, MIT, Cambridge, Mass p Vlasov, V.V. The Use of Multicopters for Traffic Monitoring in Dense Urban Areas [Текст] / I.V. Bizin I, V.V. Vlasov, A.V. Demidov, N.V. Kanatnikov //

150 150 In Proceedings of the 2014 Conference on Electronic Governance and Open Society: Challenges in Eurasia. - New York.-NY.-USA. - pp ACM. 63. Bradski, G. Learning OpenCV - Computer Vision with the OpenCV Library [Текст] / G. Bradski, A.Kaehler // O'Reilly Media, С Brown, M. Lowe, D.. Recognizing panoramas [Текст] / M. Brown, D. Lowe // In Proceedings of the International Conference on Computer Vision, Nice, France, p Canny, J. A computational approach to edge detection [Текст] / J. Canny // IEEE Transactions on Pattern Analysis and Machine Intelligence pp Csurka, G. Visual categorization with bags of keypoints [Текст] / G. Csurka, C.Dance, C. Bray, L. Fan // In Proceedings Workshop on Statistical Learning in Computer Vision, P Daugman J. How iris recognition works [Текст] / J. Daugman // IEEE Transactions on Circuits and Systems for Video Technology, Vol No.1. - P Dorko, G. Selection of scale invariant neighborhoods for object class recognition [Текст] / G. Dorko, C. Schmid // In Proceedings International Conference on Computer Vision.- Nice.- France, P Fergus, R., Object class recognition by unsupervised scale-invariant learning [Текст] / R. Fergus, P. Perona, A. Zisserman // In Proceedings IEEE Conference on Computer Vision and Pattern Recognition, Madison.- Wisconsin.- USA. - P Ferrari, V. Simultaneous object recognition and segmentation by image exploration. [Текст] / V. Ferrari, T. Tuytelaars, L. Van Gool // In Proceedings European Conference on Computer Vision.-Prague. - Czech Republic, P Ferrari, V. Simultaneous object recognition and segmentation from single or multiple model views [Текст] / V. Ferrari, T. Tuytelaars, L. Van Gool // International Journal of Computer Vision, to appear, p

151 Gabrlik, P. The design and implementation of 4 DOF control of the quadrotor. [Текст] / P. Gabrlik, J. Vomocil, L. Zalud // In 12th IFAC Conference on Programmable Devices and Embedded Systems p doi: / CZ Goedeme, T. Fast wide baseline matching for visual navigation [Текст] / T. Goedeme, T. Tuytelaars, L. Van Gool // In Proceedings IEEE Conference on Computer Vision and Pattern Recognition, Washington.- DC, USA, p Haarbrink, R. Accurate DSM production from unmanned helicopter systems [Текст] / R. Haarbrink, H. Eisenbeiss // In International Archives of Photogrammetry and Remote Sensing.-v. 21, p Harris, C. A combined corner and edge detector [Текст] / C. Harris, M. Stephens // In Alvey Vision Conference, p Hartley, R.I. Multiple View Geometry in Computer Vision [Текст] / R.I. Hartley, A. Zisserman // 2nd edition, Cambridge University Press, ISBN: p Hollingsworth K. The best bits in an iris code [Текст] / K. Hollingsworth, K. Bowyer, P. Flynn // IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol No P Kadir, T. An affine invariant salient region detector [Текст] / T. Kadir,A. Zisserman, M. Brady // In Proceedings of the 8th European Conference on Computer Vision. - Prague, Czech Republic, p Kerkyra, G. Distinctive image features from scale-invariant keypoints [Текст] / G. Kerkyra, D. Lowe // International Journal on Computer Vision 60(2), p Kocmanova, P. Spatial Calibration of TOF Camera, Thermal Imager and CCD Camera [Текст] / P. Kocmanova, L. Zalud // In: Mendel 2013: 19th International Conference on Soft Computing Brno University of Technology, Fakulty of Mechanical Engineering, p Vlasov, V. V. Technical Aspects of Application of Portable Digital Access Devices for a Corporate Network [Текст] / I.S. Konstantinov, S.A. Lazarev, P.P. Silaev, A.V. Demidov, V.V. Vlasov, K.V. Suslova K // In Proceedings of the 2015

152 152 2Nd International Conference on Electronic Governance and Open Society: Challenges in Eurasia. - New York, NY, USA, p ACM. 82. Lazebnik, S. A sparse texture representation using affine-invariant regions [Текст] / S. Lazebnik, C. Schmid, J. Ponce // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. - Madison, Wisconsin, USA p Lazebnik, S. Affine-invariant local descriptors and neighborhood statistics for texture recognition [Текст] / S. Lazebnik, C. Schmid, J. Ponce // In Proceedings of the International Conference on Computer Vision. - Nice, France p Lazebnik, S. A sparse texture representation using local affine regions [Текст] / S. Lazebnik, C. Schmid, J. Ponce // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 27(8) p Lei, B.J. On feature extraction from images [Текст] / B.J. Lei, E.A. Hendriks, M.J.T. Reinders // Technical Report, Deliverable A+B, MCCWS project. - Information and Communication Theory Group. - TU Delft P Lindeberg, T. Feature detection with automatic scale selection [Текст] / T. Lindeberg // International Journal of Computer Vision. - 30(2). - p Lindeberg, T. Shape-adapted smoothing in estimation of 3-D shape cues from affine deformations of local 2-D brightness structure [Текст] / T. Lindeberg, J. Garding // Image and Vision Computing 15(6) p Martens, J.-B. The Hermite transform-theory [Текст] / J.B. Martens // IEEE Transactions on Acoustics, Speech, and Signal Processing Vol No.9. - P Matas, J. Robust wide-baseline stereo from maximally stable extremal regions [Текст] / J. Matas, O. Chum, M. Urban, Pajdla // In Proceedings of the British Machine Vision Conference, Cardiff, UK p Matas, J. Object Recognition using the Invariant Pixel-Set Signature [Текст] / J. Matas, J. Burianek, J. Kittler // In Proceedings of the British Machine Vision Conference. - London, UK p

153 Matas, J Robust wide-baseline stereo from maximally stable extremal regions [Текст] / J. Matas, O. Chum, M. Urban, Pajdla // Image and Vision Computing. - 22(10) p Mikolajczyk, K. Indexing based on scale invariant interest points[текст] / K. Mikolajczyk, C. Schmid // In Proceedings of the 8th International Conference on Computer Vision. - Vancouver, Canada p Mikolajczyk, K.An affine invariant interest point detector [Текст] / K. Mikolajczyk, C. Schmid // In Proceedings of the 7th European Conference on Computer Vision. - Copenhagen, Denmark p Mikolajczyk, K. A performance evaluation of local descriptors [Текст] / K. Mikolajczyk, C. Schmid // In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. - Madison, Wisconsin, USA p Mikolajczyk, K. Scale & affine invariant interest point detectors [Текст] / K. Mikolajczyk, C. Schmid // International Journal on Computer Vision. - 60(1) p Mikolajczyk, K. A performance evaluation of local descriptors [Текст] / K. Mikolajczyk, C. Schmid // IEEE Transactions on Pattern Analysis and Machine Intelligence.- 27(10) p Mikolajczyk, K. Shape recognition with edge-based features [Текст] / K. Mikolajczyk, A. Zisserman, C. Schmid // In Proceedings of the British Machine Vision Conference.- Norwich, UK p Neitzel, F. Mobile 3d mapping with a low-cost UAV system [Текст] / F. Neitzel, J. Klonowski // In International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.- volume XXXVIII- 1/C22.-Zurich p Opelt, A. Weak hypotheses and boosting for generic object detection and recognition. [Текст] / A. Opelt, M. Fussenegger, A. Pinz, P. Auer //In Proceedings of European Conference on Computer Vision.- Prague, Czech Republic p Pritchett, P. Wide baseline stereo matching [Текст] / P. Pritchett, A. Zisserman // In Proceedings of the 6th International Conference on Computer Vision.-Bombay, India p

154 Proenca, H. Iris recognition: On the segmentation of degraded images acquired in the visible wavelength [Текст] / H. Proenca // IEEE Transaction on Pattern Analysis and Machine Intelligence Vol. 32.-No.8. - P Radke R.J. Image change detection algorithms: a systematic survey [Текст] / R.J. Radke, S. Andra, O. Al-Kofahi, B. Roysam // IEEE Trans. on Image Processing V.14.- Iss.3.-P Reese, B. Towards a closer combination of direct and indirect sensor orientation of frame cameras [Текст] / B. Reese, C. Heipke // ISPRS Journal of Photogrammetry and Remote Sensing.-52(3) p doi: /S (97) Roberts, T. On the Radar: Government Unmanned Aerial Vehicles and Their Effect on Public Privacy Interests from Fourth Amendment Jurisprudence and Legislative Policy Perspectives [Текст] / T. Roberts // Jurimetrics: The Journal Of Law, Science & Technology 49.-no.4.-p Rothganger, F. 3D object modeling and recognition using affineinvariant patches and multi-view spatial constraints [Текст] / F. Rothganger, S. Lazebnik, C. Schmid, J. Ponce // In Proceedings of IEEE Conference on Computer Vision and Pattern Recognition - Madison, Wisconsin, USA p Rothganger, F., Lazebnik, S., Schmid, C., and Ponce, J Object modeling and recognition using local affine-invariant image descriptors and multiview spatial constraints [Текст] / F. Rothganger, S. Lazebnik, C. Schmid, J. Ponce // International Journal of Computer Vision, to appear p Schaffalitzky, F. Automated Location matching in movies [Текст] / F. Schaffalitzky, A. Zisserman // Computer Vision and Image Understanding.- 92(2) p Schaffalitzky, F. Multi-view matching for unordered image sets, or How do I organize my holiday snaps? [Текст] / F. Schaffalitzky, A. Zisserman // In Proceedings of the 7th European Conference on Computer Vision.- Copenhagen, Denmark p

155 Schmid, C. Local gray value invariants for image retrieval [Текст] / C. Schmid, R. Mohr // IEEE Transactions on Pattern Analysis and Machine Intelligence.- 19(5) p Se, S. Mobile robot localization and mapping with uncertainty using scale-invariant visual landmarks [Текст] /S. Se, D. Lowe, J. Little // International Journal of Robotics Research.-21(8) p Sedgewick, R. Video google: A text retrieval approach to object matching in videos [Текст] / R. Sedgewick, J. Sivic, A. Zisserman // In Proceedings of the International Conference on Computer Vision.- Nice, France p Sivic, J.Video data mining using con- figurations of viewpoint invariant regions [Текст] /J. Sivic, A. Zisserman // In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.-Washington, DC, USA p Sivic, J. Object level grouping for video shots [Текст] /J. Sivic, A. Zisserman, F. Schaffalitzky // In Proceedings of the 8th European Conference on Computer Vision.-Prague, Czech Republic p Tell, D. Wide baseline point matching using affine invariants computed from intensity profiles [Текст] / D. Tell, S. Carlsson // In Proceedings of the 6th European Conference on Computer Vision.- Dublin, Ireland p Tell, D. Combining appearance and topology for wide baseline matching [Текст] / D. Tell, S. Carlsson // In Proceedings of the 7th European Conference on Computer Vision.-Copenhagen, Denmark p Turina, A. Efficient Grouping under perspective skew [Текст] / A. Turina, T. Tuytelaars, L. Van Gool // In Proceedings IEEE Conference on Computer Vision and Pattern Recognition.- Hawaii, USA p Tuytelaars, T. Content-based image retrieval based on local affinely invariant regions [Текст] /T. Tuytelaars, L. Van Gool // In Int. Conf. on Visual Information Systems p Tuytelaars, T. Wide baseline stereo matching based on local, affinely invariant regions [Текст] / T. Tuytelaars, L. Van Gool // In Proceedings of the 11th British Machine Vision Conference.- Bristol, UK p

156 Tuytelaars, T. Matching Widely Separated Views based on Affine Invariant Regions [Текст] / T. Tuytelaars, L. Van Gool // International Journal on Computer Vision.-59(1) p Tuytelaars, T. Matching of affinely invariant regions for visual servoing [Текст] / T. Tuytelaars, L. Van Gool, L. D haene, R. Koch //In Int. Conference Robotics and Automation ICRA p Yuan, X. Theoretical accuracy of direct georeferencing with position and orientation system in aerial photogrammetry. [Текст] / X. Yuan, X. Zhang // MProceedings of T he International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Beijing:[sn].- 37(B1) p Zalud, L. CASSANDRA - heterogeneous reconnaissance robotic system for dangerous environments [Текст] / L. Zalud, L. Kopecny, F. Burian, A. Florian // In 2011 IEEE/SICE International Symposium on System Integration (SII) p doi: /sii

157 157 ПРИЛОЖЕНИЕ А ПРИМЕР ПАРЫ ИЗОБРАЖЕНИЙ ДЛЯ ТЕСТИРОВАНИЯ ДЕТЕКТОРОВ

158 158 ПРИЛОЖЕНИЕ Б - ДИАГРАММА РАЗВЕРТЫВАНИЯ СИСТЕМЫ

Схема взаимосвязей средств дистанционного зондирования

Схема взаимосвязей средств дистанционного зондирования Схема взаимосвязей средств дистанционного зондирования Государственный мониторинг земель дистанционными методами Дистанционные методы наземный Воздушный (Аэро-) космический Виды первичной информации Фотограмметрические

Подробнее

Оценка точности плотной цифровой модели поверхности

Оценка точности плотной цифровой модели поверхности 37 M. В. Шинкевич (ООО «Финко», Ижевск) Директор ООО «Финко». Н. Г. Воробьева (ООО «Финко», Ижевск) Начальник отдела камеральной обработки ООО «Финко». М. А. Алтынцев (СГУГиТ, Новосибирск) Старший преподаватель

Подробнее

Современные летающие лаборатории для мониторинга на базе БПЛА мультироторного типа

Современные летающие лаборатории для мониторинга на базе БПЛА мультироторного типа Московский авиационный институт (национальный исследовательский университет) Научно-производственный комплекс вычислительной техники и информатики (НПК ВТИ МАИ) Современные летающие лаборатории для мониторинга

Подробнее

Использование беспилотных летательных аппаратов для выполнения. землеустроительных работ

Использование беспилотных летательных аппаратов для выполнения. землеустроительных работ Использование беспилотных летательных аппаратов для выполнения землеустроительных работ НПИ «Земинформ» является научно-производственным подразделением Государственного Университета по землеустройству,

Подробнее

Провайдеры услуг и решений на базе БПЛА

Провайдеры услуг и решений на базе БПЛА Провайдеры услуг и решений на базе БПЛА Киев, Украина 2014 1 О нас DigiFly и DroneUA Проекты DigiFly и DroneUA были запущены в августе 2013 года. Проекты ориентированы на оказание услуг и предоставление

Подробнее

ТЕСТ ТОПОГРАФИЧЕСКИЕ СЪЁМКИ

ТЕСТ ТОПОГРАФИЧЕСКИЕ СЪЁМКИ ТЕСТ ТОПОГРАФИЧЕСКИЕ СЪЁМКИ 1. Какими методами осуществляется наземная топографическая съёмка? - тахеометрическим;* - стереотопографическим; - комбинированным. 2. Какой метод является в настоящее время

Подробнее

Власов Виктор Викторович

Власов Виктор Викторович На правах рукописи Власов Виктор Викторович МЕТОДЫ И АЛГОРИТМЫ ПОСТРОЕНИЯ ФОТОПЛАНА МЕСТНОСТИ ПОСРЕДСТВОМ АЭРОФОТОСЪЕМКИ С ПОМОЩЬЮ БЕСПИЛОТНОГО ЛЕТАТЕЛЬНОГО АППАРАТА 05.13.01 Системный анализ, управление

Подробнее

УМЕНЬШЕНИЕ ВРЕМЕНИ И СТОИМОСТИ СТРОИТЕЛЬСТВА УПРАВЛЕНИЕ ОПЕРАЦИОННЫМИ ЗАТРАТАМИ УСКОРЕНИЕ ПРОЕКТНОЙ СТАДИИ РАБОТ СНИЖЕНИЕ СТОИМОСТИ ОБСЛУЖИВАНИЯ

УМЕНЬШЕНИЕ ВРЕМЕНИ И СТОИМОСТИ СТРОИТЕЛЬСТВА УПРАВЛЕНИЕ ОПЕРАЦИОННЫМИ ЗАТРАТАМИ УСКОРЕНИЕ ПРОЕКТНОЙ СТАДИИ РАБОТ СНИЖЕНИЕ СТОИМОСТИ ОБСЛУЖИВАНИЯ УСКОРЕНИЕ ПРОЕКТНОЙ СТАДИИ РАБОТ УМЕНЬШЕНИЕ ВРЕМЕНИ И СТОИМОСТИ СТРОИТЕЛЬСТВА УПРАВЛЕНИЕ ОПЕРАЦИОННЫМИ ЗАТРАТАМИ СНИЖЕНИЕ СТОИМОСТИ ОБСЛУЖИВАНИЯ Быстрый, точный и недорогой процесс сбора информации по

Подробнее

О. А. Гомозов, И. П. Чугунов ОАО «НИИ точных приборов», г. Москва

О. А. Гомозов, И. П. Чугунов ОАО «НИИ точных приборов», г. Москва Доклад на заседании секции 3 НТС ФГУП ЦНИИмаш по вопросу «Общий замысел геодезических направлений исследований в рамках НИР «Развитие» от 28 мая 2013 года Роль и место в исследованиях по проблемным вопросам

Подробнее

Информационное обеспечение земельного кадастра пространственными данными

Информационное обеспечение земельного кадастра пространственными данными Сутугина И.М. Ассистент кафедры землепользования и земельного кадастра Государственного университета по землеустройству, Москва Информационное обеспечение земельного кадастра пространственными данными

Подробнее

Использование пространственных данных об инфраструктуре (цифровой модели) в процессе управления и эксплуатации объектами транспортной отрасли

Использование пространственных данных об инфраструктуре (цифровой модели) в процессе управления и эксплуатации объектами транспортной отрасли Использование пространственных данных об инфраструктуре (цифровой модели) в процессе управления и эксплуатации объектами транспортной отрасли Современные тенденции и перспективы развития дорожной отрасли

Подробнее

Обеспечение потребителя геопространственной информацией на основе применения БПЛА

Обеспечение потребителя геопространственной информацией на основе применения БПЛА Обеспечение потребителя геопространственной информацией на основе применения БПЛА Значение пространственных данных для развития экономики страны Позитивным фактором для инновационного развития сферы потребления

Подробнее

Макаров К.Н., д.т.н., проф. Сочинский государственный университет туризма и курортного дела, Россия

Макаров К.Н., д.т.н., проф. Сочинский государственный университет туризма и курортного дела, Россия Организация преподавания дисциплины «Аэрокосмические методы в лесном хозяйстве и ландшафтном строительстве» в Сочинском госуниверситете с применением системы PHOTOMOD Макаров К.Н., д.т.н., проф. Сочинский

Подробнее

КАЛИБРОВКА СНИМКОВ ПО ПЛОСКОМУ ИСПЫТАТЕЛЬНОМУ ПОЛИГОНУ

КАЛИБРОВКА СНИМКОВ ПО ПЛОСКОМУ ИСПЫТАТЕЛЬНОМУ ПОЛИГОНУ УДК 58.711.089.6 Б.К. Малявский, Л.В. Быков, В.Л. Быков, А.П. Макаров ОмГАУ, Омск КАЛИБРОВКА СНИМКОВ ПО ПЛОСКОМУ ИСПЫТАТЕЛЬНОМУ ПОЛИГОНУ Преимущества полевой калибровки снимков общеизвестны. Внедрение

Подробнее

Цифровая камера как практический геодезический инструмент: проблемы и решения

Цифровая камера как практический геодезический инструмент: проблемы и решения Цифровая камера как практический геодезический инструмент: проблемы и решения Джарроуш Д. (Jad Jarroush), Ph.D. в картографии и инженерной геоинформатике, технический директор Datumate (Израиль) Рассказывается

Подробнее

ОГЛАВЛЕНИЕ. Предисловие...3 Введение... 4 РАЗДЕЛ I. ОБЩИЕ СВЕДЕНИЯ О ГЕОДЕЗИИ И ГЕОДЕЗИЧЕСКИХ ИЗМЕРЕНИЯХ

ОГЛАВЛЕНИЕ. Предисловие...3 Введение... 4 РАЗДЕЛ I. ОБЩИЕ СВЕДЕНИЯ О ГЕОДЕЗИИ И ГЕОДЕЗИЧЕСКИХ ИЗМЕРЕНИЯХ ОГЛАВЛЕНИЕ Предисловие...3 Введение... 4 РАЗДЕЛ I. ОБЩИЕ СВЕДЕНИЯ О ГЕОДЕЗИИ И ГЕОДЕЗИЧЕСКИХ ИЗМЕРЕНИЯХ Глава 1. Земная поверхность и способы ее изображения... 6 1.1. Форма Земли и определение положения

Подробнее

Материалы Международной научно-технической конференции, 3 7 декабря 2012 г.

Материалы Международной научно-технической конференции, 3 7 декабря 2012 г. Материалы Международной научно-технической конференции, 3 7 декабря 2012 г. МОСКВА INTERMATIC 2 0 1 2, часть 6 МИРЭА ПОДХОДЫ К ПОСТРОЕНИЮ БОРТОВОЙ РАДИОЭЛЕКТРОННОЙ АППАРАТУРЫ КОНТРОЛЯ ЦЕЛОСТНОСТИ СПУТНИКОВЫХ

Подробнее

РАЗРАБОТКА ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ПРОСТРАНСТВЕННЫХ КООРДИНАТ КОНТРРЕФЛЕКТОРА РАДИОТЕЛЕСКОПА МИЛЛИМЕТРОВОГО ДИАПАЗОНА ДЛИН ВОЛН

РАЗРАБОТКА ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ПРОСТРАНСТВЕННЫХ КООРДИНАТ КОНТРРЕФЛЕКТОРА РАДИОТЕЛЕСКОПА МИЛЛИМЕТРОВОГО ДИАПАЗОНА ДЛИН ВОЛН РАЗРАБОТКА ОПТИКО-ЭЛЕКТРОННОЙ СИСТЕМЫ ОПРЕДЕЛЕНИЯ ПРОСТРАНСТВЕННЫХ КООРДИНАТ КОНТРРЕФЛЕКТОРА РАДИОТЕЛЕСКОПА МИЛЛИМЕТРОВОГО ДИАПАЗОНА ДЛИН ВОЛН Н. С. Толочёк И. А. Коняхин Санкт-Петербургский национальный

Подробнее

УДК: А.С. Костюк Западно-Сибирскй филиал «Госземкадастрсъемка» ВИСХАГИ, Омск РАСЧЕТ ПАРАМЕТРОВ И ОЦЕНКА КАЧЕСТВА АЭРОФОТОСЪЕМКИ С БПЛА

УДК: А.С. Костюк Западно-Сибирскй филиал «Госземкадастрсъемка» ВИСХАГИ, Омск РАСЧЕТ ПАРАМЕТРОВ И ОЦЕНКА КАЧЕСТВА АЭРОФОТОСЪЕМКИ С БПЛА УДК: 528.71 А.С. Костюк Западно-Сибирскй филиал «Госземкадастрсъемка» ВИСХАГИ, Омск РАСЧЕТ ПАРАМЕТРОВ И ОЦЕНКА КАЧЕСТВА АЭРОФОТОСЪЕМКИ С БПЛА В статье рассмотрены особенности расчета параметров аэрофотосъемки

Подробнее

4. Определение «слой в ГИС»? А) объекты в ГИС; Б) реляционная таблица данных; В) классификатор топографической информации;

4. Определение «слой в ГИС»? А) объекты в ГИС; Б) реляционная таблица данных; В) классификатор топографической информации; ТЕСТОВЫЕ ВОПРОСЫ ПО ДИСЦИПЛИНЕ «ГЕОИНФОРМАЦИОННЫЕ И ЗЕМЕЛЬНО-ИНФОРМАЦИОННЫЕ СИСТЕМЫ» Составил к.т.н., доц. каф. кадастра,, Дубровский А.В. 1. Определение «геоинформатика»? А) наука, технология и производственная

Подробнее

2. Исполнитель комплексных кадастровых работ (кадастровый инженер) 3. Орган кадастрового учета Комплексные кадастровые работы проводятся в целях: -

2. Исполнитель комплексных кадастровых работ (кадастровый инженер) 3. Орган кадастрового учета Комплексные кадастровые работы проводятся в целях: - ВЫПОЛНЕНИЕ КОМПЛЕКСНЫХ КАДАСТРОВЫХ РАБОТ ДЛЯ УТОЧНЕНИЯ МЕСТОПОЛОЖЕНИЯ ГРАНИЦ ЗЕМЕЛЬНЫХ УЧАСТКОВ НА ОСНОВЕ СВЕДЕНИЙ, ПОЛУЧЕННЫХ С ИСПОЛЬЗОВАНИЕМ БЕСПИЛОТНЫХ ЛЕТАТЕЛЬНЫХ АППАРАТОВ Чернышева Ксения Сергеевна,

Подробнее

БЕСПИЛОТНАЯ АВИАЦИОННАЯ СИСТЕМА SUPERCAM 350S

БЕСПИЛОТНАЯ АВИАЦИОННАЯ СИСТЕМА SUPERCAM 350S БЕСПИЛОТНАЯ АВИАЦИОННАЯ СИСТЕМА SUPERCAM 350S ОСНОВНЫЕ ЭЛЕМЕНТЫ БЕСПИЛОТНОЙ АВИАЦИОННОЙ СИСТЕМЫ (БАС) ОСНОВНЫЕ ЭЛЕМЕНТЫ БЕСПИЛОТНОЙ АВИАЦИОННОЙ СИСТЕМЫ (БАС) ЛЕТНЫЕ И ТЕХНИЧЕСКИЕ ХАРАКТЕРИСТИКИ Параметр:

Подробнее

Семинар «Новый геоинформационный ресурс для «Большого Екатеринбурга» Екатеринбург, 13 ноября 2014 г.

Семинар «Новый геоинформационный ресурс для «Большого Екатеринбурга» Екатеринбург, 13 ноября 2014 г. Возможности высокоточного картографирования при инженерно- геодезических изысканиях, проектировании, в кадастровых работах и геоинформационном обеспечении Семинар «Новый геоинформационный ресурс для «Большого

Подробнее

"МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ" АННОТАЦИЯ К РАБОЧЕЙ ПРОГРАММЕ ДИСЦИПЛИНЫ

МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ АННОТАЦИЯ К РАБОЧЕЙ ПРОГРАММЕ ДИСЦИПЛИНЫ ФЕДЕРАЛЬНОЕ АГЕНТСТВО ЖЕЛЕЗНОДОРОЖНОГО ТРАНСПОРТА ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ "МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ПУТЕЙ СООБЩЕНИЯ"

Подробнее

Использование цифровой аэросъёмки и создание ортофотопланов по материалам съёмки цифровой аэросъёмочной камеры ADS-40

Использование цифровой аэросъёмки и создание ортофотопланов по материалам съёмки цифровой аэросъёмочной камеры ADS-40 Использование цифровой аэросъёмки и создание ортофотопланов по материалам съёмки цифровой аэросъёмочной камеры ADS-40 Цифровая камера ADS-40 Головная часть SH-40 Цифровая аэросъемка выполняется с использованием

Подробнее

Лабораторная работа 7. Задание системы координат в PhotoScan

Лабораторная работа 7. Задание системы координат в PhotoScan Лабораторная работа 7. Задание системы координат в PhotoScan Работа виртуальная, выполняется каждым студентом индивидуально. Работа предусматривает общий ход выполнения, предусмотрены индивидуальные варианты

Подробнее

Комплекс БАК «Птеро-СМ» Краткое описание и основные эксплуатационные характеристики :

Комплекс БАК «Птеро-СМ» Краткое описание и основные эксплуатационные характеристики : Комплекс БАК «Птеро-СМ» Краткое описание и основные эксплуатационные характеристики : Автоматический взлет с пневматической катапульты Автоматический полет по заданной программе Автоматическая посадка

Подробнее

АННОТАЦИЯ ПРОФЕССИОНАЛЬНОГО МОДУЛЯ

АННОТАЦИЯ ПРОФЕССИОНАЛЬНОГО МОДУЛЯ МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «УРАЛЬСКИЙ ГОСУДАРСТВЕННЫЙ ГОРНЫЙ УНИВЕРСИТЕТ»

Подробнее

Возможности неметрических цифровых камер в наземной фотограмметрии. О.В. Гермак, Н.А. Калачева, О.А. Гугуева

Возможности неметрических цифровых камер в наземной фотограмметрии. О.В. Гермак, Н.А. Калачева, О.А. Гугуева Возможности неметрических цифровых камер в наземной фотограмметрии О.В. Гермак, Н.А. Калачева, О.А. Гугуева В настоящее время в фотограмметрии произошли значительные изменения. Для улучшения и автоматизации

Подробнее

ОПТИМИЗАЦИЯ ГЕОДЕЗИЧЕСКОГО ПРОИЗВОДСТВА С ИСПОЛЬЗОВАНИЕМ ГИБРИДНОГО ОБОРУДОВАНИЯ

ОПТИМИЗАЦИЯ ГЕОДЕЗИЧЕСКОГО ПРОИЗВОДСТВА С ИСПОЛЬЗОВАНИЕМ ГИБРИДНОГО ОБОРУДОВАНИЯ Карепин Александр Сергеевич аспирант Самсонова Наталья Вячеславовна канд. экон. наук, заведующая кафедрой ФГБОУ ВПО «Ростовский государственный строительный университет» г. Ростов-на-Дону, Ростовская область

Подробнее

ПРАКТИКА ПРИМЕНЕНИЯ ТЕХНОЛОГИИ ГЕОСКАН НА ОБЪЕКТАХ СУЭК

ПРАКТИКА ПРИМЕНЕНИЯ ТЕХНОЛОГИИ ГЕОСКАН НА ОБЪЕКТАХ СУЭК Общество с ограниченной ответственностью Научно-производственная фирма ТАЛКА-ГЕО ПРАКТИКА ПРИМЕНЕНИЯ ТЕХНОЛОГИИ ГЕОСКАН НА ОБЪЕКТАХ СУЭК VI Международная научно-практическая конференция «Геодезия. Маркшейдерия.

Подробнее

МЕТОДИКА СОЗДАНИЯ КАДАСТРОВЫХ ПЛАНОВ АВТОМОБИЛЬНОЙ ДОРОГИ С ИСПОЛЬЗОВАНИЕМ АЭРОФОТОСЪЕМКИ

МЕТОДИКА СОЗДАНИЯ КАДАСТРОВЫХ ПЛАНОВ АВТОМОБИЛЬНОЙ ДОРОГИ С ИСПОЛЬЗОВАНИЕМ АЭРОФОТОСЪЕМКИ УДК 528.926:004 Д.Н. Шинкевич СГГА, Новосибирск МЕТОДИКА СОЗДАНИЯ КАДАСТРОВЫХ ПЛАНОВ АВТОМОБИЛЬНОЙ ДОРОГИ С ИСПОЛЬЗОВАНИЕМ АЭРОФОТОСЪЕМКИ Дороги и дорожные объекты это сложные и дорогостоящие технические

Подробнее

Автодор на пути к BIM у

Автодор на пути к BIM у Автодор на пути к BIM у Бойков Владимир Николаевич, д.т.н., профессор МАДГТУ(МАДИ) Государственная компания «Автодор» Группа компаний «Индор» Москва, 6 июня 2014 г. 3D ГИС-модель автомобильной дороги ГИС-представление

Подробнее

ФГБУ «ЦЕНТР ГЕОДЕЗИИ, КАРТОГРАФИИ И ИНФРАСТРУКТУРЫ ПРОСТРАНСТВЕННЫХ ДАННЫХ» С.А. Кадничанский

ФГБУ «ЦЕНТР ГЕОДЕЗИИ, КАРТОГРАФИИ И ИНФРАСТРУКТУРЫ ПРОСТРАНСТВЕННЫХ ДАННЫХ» С.А. Кадничанский ФЕДЕРАЛЬНАЯ СЛУЖБА ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ, КАДАСТРА И КАРТОГРАФИИ ФГБУ «ЦЕНТР ГЕОДЕЗИИ, КАРТОГРАФИИ И ИНФРАСТРУКТУРЫ ПРОСТРАНСТВЕННЫХ ДАННЫХ» С.А. Кадничанский Тел. (495)456-91-47 e-mail : kadnichanskiy_sa@nsdi.rosreestr.ru

Подробнее

OOO «АК «АэроТех» Россия, г. Краснодар, ул. Котовского, 42 Тел.: +7 (861) Факс.: +7 (861)

OOO «АК «АэроТех» Россия, г. Краснодар, ул. Котовского, 42 Тел.: +7 (861) Факс.: +7 (861) OOO «АК «АэроТех» Россия, г. Краснодар, ул. Котовского, 42 Тел.: +7 (861) 216-82-43 Факс.: +7 (861) 216-82-43 ООО «АК «АэроТех» было основано в 2010 г. специалистами, имеющими большой опыт работ в сфере

Подробнее

ВОЗМОЖНОСТИ И ПЕРСПЕКТИВЫ ЦИФРОВОГО КАРТОГРАФИРОВАНИЯ МЕСТНОСТИ

ВОЗМОЖНОСТИ И ПЕРСПЕКТИВЫ ЦИФРОВОГО КАРТОГРАФИРОВАНИЯ МЕСТНОСТИ УДК 528.9:681 ВОЗМОЖНОСТИ И ПЕРСПЕКТИВЫ ЦИФРОВОГО КАРТОГРАФИРОВАНИЯ МЕСТНОСТИ Игбердина В. Ф., студентка гр. ГМс-111, IV курс Научный руководитель: Корецкая Г. А., старший преподаватель Кузбасский государственный

Подробнее

ООО «Авиационные Роботы» коммерческие авиационные работы на беспилотных комплексах

ООО «Авиационные Роботы» коммерческие авиационные работы на беспилотных комплексах ООО «Авиационные Роботы» коммерческие авиационные работы на беспилотных комплексах Содержание 1. О компании «Авиационные Роботы» 2. Услуги для дорожного хозяйства 3. Услуги для сельского хозяйства 4. Обследование

Подробнее

ПРОЕКТИРОВАНИЕ ЛИНЕЙНЫХ СООРУЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ СТЕРЕОФОТОГРАММЕТРИЧЕСКИХ НАБЛЮДЕНИЙ И ИЗМЕРЕНИЙ В ПРОГРАММНЫХ ПРОДУКТАХ CREDO

ПРОЕКТИРОВАНИЕ ЛИНЕЙНЫХ СООРУЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ СТЕРЕОФОТОГРАММЕТРИЧЕСКИХ НАБЛЮДЕНИЙ И ИЗМЕРЕНИЙ В ПРОГРАММНЫХ ПРОДУКТАХ CREDO Уважаемые читатели! Предлагаем Вашему вниманию статью аспиранта кафедры геодезии и фотограмметрии из ТюмГАСА, в которой изложены вопросы применения современных фотограмметрических технологий при проектировании

Подробнее

Технология мониторинга объектов транспортной инфраструктуры. Группа компаний Геоскан/ПЛАЗ

Технология мониторинга объектов транспортной инфраструктуры. Группа компаний Геоскан/ПЛАЗ Технология мониторинга объектов транспортной инфраструктуры Группа компаний Геоскан/ПЛАЗ О предприятии Технология Плаз-Геоскан - получение высокоточных данных о площадных и линейных объектах с использованием

Подробнее

Спутниковые навигационные системы ГЛОНАСС, GPS, Galileo

Спутниковые навигационные системы ГЛОНАСС, GPS, Galileo Спутниковые навигационные системы ГЛОНАСС, GPS, Galileo С давних времён путешественники задавались вопросом: как определить своё местоположение на Земле? Древние мореплаватели ориентировались по звёздам,

Подробнее

Тепловая инфракрасная аэросъемка

Тепловая инфракрасная аэросъемка Тепловая инфракрасная аэросъемка ЗАО "Геотехнологии" выполняет полный технологический цикл от аэросъемки до получения цифровых картографических слоев в ГИС заказчика. Программное обеспечение, применяющееся

Подробнее

Создание сети референцных базовых станций как первый шаг в формировании среды информационно-пространственных данных (ИПД )

Создание сети референцных базовых станций как первый шаг в формировании среды информационно-пространственных данных (ИПД ) Создание сети референцных базовых станций как первый шаг в формировании среды информационно-пространственных данных (ИПД ) Hexagon ведущий мировой поставщик интегрированных технологий проектирования, измерения

Подробнее

ПРОГРАММА вступительного испытания в аспирантуру по специальности Аэрокосмические исследования Земли, фотограмметрия

ПРОГРАММА вступительного испытания в аспирантуру по специальности Аэрокосмические исследования Земли, фотограмметрия МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «МОСКОВСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ГЕОДЕЗИИ

Подробнее

Сравнительный анализ алгоритмов построения изображений подстилающей поверхности

Сравнительный анализ алгоритмов построения изображений подстилающей поверхности УДК 004.932, 681.518 Сравнительный анализ алгоритмов построения изображений подстилающей поверхности Бочаров В.А., студент Россия, 105005, г. Москва, МГТУ им. Н.Э. Баумана, кафедра «Системы автоматического

Подробнее

ТЕХНИЧЕСКИЙ ЭКСПЕРИМЕНТ «ВИЗИР» Постановщик - ОАО РКК «Энергия» имени С.П. Королёва (www.energia.ru)

ТЕХНИЧЕСКИЙ ЭКСПЕРИМЕНТ «ВИЗИР» Постановщик - ОАО РКК «Энергия» имени С.П. Королёва (www.energia.ru) ТЕХНИЧЕСКИЙ ЭКСПЕРИМЕНТ «ВИЗИР» Постановщик - ОАО РКК «Энергия» имени С.П. Королёва (www.energia.ru) Научный руководитель - начальник отделения, к.т.н. С.В. Бронников (sergey.bronnikov@rsce.ru) Куратор

Подробнее

ОЦЕНКА ЗОН ПОТЕНЦИАЛЬНОЙ ОПАСНОСТИ ОПАСНЫХ ПРОИЗВОДСТВЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ И ВЕЙВЛЕТ-АНАЛИЗА

ОЦЕНКА ЗОН ПОТЕНЦИАЛЬНОЙ ОПАСНОСТИ ОПАСНЫХ ПРОИЗВОДСТВЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ И ВЕЙВЛЕТ-АНАЛИЗА ОЦЕНКА ЗОН ПОТЕНЦИАЛЬНОЙ ОПАСНОСТИ ОПАСНЫХ ПРОИЗВОДСТВЕННЫХ ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ И ВЕЙВЛЕТ-АНАЛИЗА Идрисов В.Р., Тляшева Р.Р., Кузеев И.Р. Введение Анализ информации является

Подробнее

ПРИМЕНЕНИЕ ДАННЫХ ДЗЗ ДЛЯ МОНИТОРИНГА СТРОИТЕЛЬСТВА И В ИНТЕРЕСАХ ЖКХ

ПРИМЕНЕНИЕ ДАННЫХ ДЗЗ ДЛЯ МОНИТОРИНГА СТРОИТЕЛЬСТВА И В ИНТЕРЕСАХ ЖКХ ПРИМЕНЕНИЕ ДАННЫХ ДЗЗ ДЛЯ МОНИТОРИНГА СТРОИТЕЛЬСТВА И В ИНТЕРЕСАХ ЖКХ ОГЛАВЛЕНИЕ Оперативный мониторинг.. Система мониторинга для решения задач строительства и ЖКХ..... Использование спутниковой съемки

Подробнее

«Лучшие идеи применения ДЗЗ» Марюшко Максим Вячеславович Разработка компьютерной программы для мониторинга сельскохозяйственных культур

«Лучшие идеи применения ДЗЗ» Марюшко Максим Вячеславович Разработка компьютерной программы для мониторинга сельскохозяйственных культур «Лучшие идеи применения ДЗЗ» Марюшко Максим Вячеславович Разработка компьютерной программы для мониторинга сельскохозяйственных культур «Земля единственный источник богатства, и лишь сельское хозяйство

Подробнее

Картография в градостроительной деятельности

Картография в градостроительной деятельности НП «Союз геодезистов и картографов Сибири и Урала» Уральский филиал Картография в градостроительной деятельности Докладчик: Алябьев Александр Александрович слайд 1 Контактная информация: тел. +7-343-379-34-31,

Подробнее

Цели и задачи дисциплины: _ Место дисциплины в структуре ООП: . Требования к результатам освоения дисциплины:

Цели и задачи дисциплины: _  Место дисциплины в структуре ООП: . Требования к результатам освоения дисциплины: 1. Цели и задачи дисциплины: _Целью преподавания дисциплины «Фотограмметрия и дистанционное зондирование территорий» является формирование у студента чёткого представления о технических средствах производства

Подробнее

Семинар «Применение технологии Геоскан для дистанционного зондирования земли и мониторинга объектов» Санкт-Петербург Москва Март-апрель 2016 года

Семинар «Применение технологии Геоскан для дистанционного зондирования земли и мониторинга объектов» Санкт-Петербург Москва Март-апрель 2016 года Семинар «Применение технологии Геоскан для дистанционного зондирования земли и мониторинга объектов» Санкт-Петербург Москва Март-апрель 2016 года Определение границ фактического землепользования с использованием

Подробнее

Межрегиональная общественная организация содействия развитию рынка геоинформационных технологий и услуг

Межрегиональная общественная организация содействия развитию рынка геоинформационных технологий и услуг Предложения по внесению дополнений в дорожную карту «Повышение качества государственных услуг в сфере государственного кадастрового учета недвижимого имущества и государственной регистрации прав на недвижимое

Подробнее

ФГУП «РНИИ КП» Альманах результатов мониторинга целостности взаимодополняющих систем ГЛОНАСС/GPS

ФГУП «РНИИ КП» Альманах результатов мониторинга целостности взаимодополняющих систем ГЛОНАСС/GPS ФГУП «РНИИ КП» Альманах результатов мониторинга целостности взаимодополняющих систем ГЛОНАСС/GPS за период с 08.11.2007 03:00:00 по с 08.11.2007 06:00:00 1. Введение Данный материал представляет результаты

Подробнее

РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ. ОП.03 Основы дистанционного зондирования и фотограмметрии

РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ. ОП.03 Основы дистанционного зондирования и фотограмметрии МИНИСТЕРСТВО ОБРАЗОВАНИЯ РЕСПУБЛИКИ БАШКОРТОСТАН ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ОКТЯБРЬСКИЙ НЕФТЯНОЙ КОЛЛЕДЖ ИМ. С.И. КУВЫКИНА РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ

Подробнее

ПОДПРОГРАММА 9 "РАЗВИТИЕ ЕДИНОГО ГЕОИНФОРМАЦИОННОГО ПРОСТРАНСТВА ГОРОДА МОСКВЫ" Паспорт подпрограммы

ПОДПРОГРАММА 9 РАЗВИТИЕ ЕДИНОГО ГЕОИНФОРМАЦИОННОГО ПРОСТРАНСТВА ГОРОДА МОСКВЫ Паспорт подпрограммы ПОДПРОГРАММА 9 "РАЗВИТИЕ ЕДИНОГО ГЕОИНФОРМАЦИОННОГО ПРОСТРАНСТВА ГОРОДА МОСКВЫ" Паспорт Ответственный исполнитель Соисполнители Цель Задачи Комитет по архитектуре и градостроительству города Москвы Департамент

Подробнее

ПОВЫШЕНИЕ ТОЧНОСТИ УГЛОМЕРНОГО ПРИБОРА НА ПОДВИЖНОМ ОСНОВАНИИ

ПОВЫШЕНИЕ ТОЧНОСТИ УГЛОМЕРНОГО ПРИБОРА НА ПОДВИЖНОМ ОСНОВАНИИ ПОВЫШЕНИЕ ТОЧНОСТИ УГЛОМЕРНОГО ПРИБОРА НА ПОДВИЖНОМ ОСНОВАНИИ В.А. Мейтин ОАО «НПК «СПП», г. Москва В работе рассматриваются вопросы повышения точности угломерных приборов, размещаемых на подвижных основаниях,

Подробнее

"Фототопография. Термины и определения. ГОСТ Р " (утв. Приказом Ростехрегулирования от N 218-ст)

Фототопография. Термины и определения. ГОСТ Р  (утв. Приказом Ростехрегулирования от N 218-ст) "Фототопография. Термины и определения. ГОСТ Р 52369-2005" (утв. Приказом Ростехрегулирования от 31.08.2005 N 218-ст) www.consultant.ru НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ ФОТОТОПОГРАФИЯ ТЕРМИНЫ

Подробнее

«Интеллектуальные системы» Урок 3

«Интеллектуальные системы» Урок 3 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Московский государственный технический университет имени Н.Э. Баумана» (МГТУ им. Н.Э. Баумана) «Интеллектуальные

Подробнее

Цели и задачи дисциплины: Цель преподавания дисциплины «Геодезия» 2. Место дисциплины в структуре ООП:

Цели и задачи дисциплины: Цель преподавания дисциплины «Геодезия»  2. Место дисциплины в структуре ООП: 1 1. Цели и задачи дисциплины: Цель преподавания дисциплины «Геодезия» заключается в формировании у студента четкого представления о средствах и методах геодезических работ при топографо-геодезических

Подробнее

Характеристики системы «Лесохранитель» Есть. Есть. Есть. Есть. Есть

Характеристики системы «Лесохранитель» Есть. Есть. Есть. Есть. Есть Срок действия лицензии Бессрочная постоянная или аренда на выбор Заказчика Инсталляция системы на компьютеры Не требуется пользователей Поддерживаемые операционные системы Microsoft Windows, MacOS, Linux,

Подробнее

ОТЗЫВ. УТВЕРЖДАЮ: Проректор по научной работе ЮЗГУ доктор технических наук, профессор

ОТЗЫВ. УТВЕРЖДАЮ: Проректор по научной работе ЮЗГУ доктор технических наук, профессор УТВЕРЖДАЮ: Проректор по научной работе ЮЗГУ доктор технических наук, профессор ОТЗЫВ ведущей организации на диссертационную работу ПЕРЕС ВАЛЬДЕЗ МАНУЭЛЬ ДЕ ХЕСУС «Разработка и исследование фотограмметрической

Подробнее

Точность позиционирования точек лазерного отражения при производстве высокоточного мобильного лазерного сканирования. Киселев Дмитрий Алексеевич

Точность позиционирования точек лазерного отражения при производстве высокоточного мобильного лазерного сканирования. Киселев Дмитрий Алексеевич Точность позиционирования точек лазерного отражения при производстве высокоточного мобильного лазерного сканирования Киселев Дмитрий Алексеевич Паспортные точностные характеристики двух распространенных

Подробнее

ПРОФЕССИОНАЛЬНАЯ ОБРАЗОВАТЕЛЬНАЯ ПРОГРАММА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

ПРОФЕССИОНАЛЬНАЯ ОБРАЗОВАТЕЛЬНАЯ ПРОГРАММА ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ Министерство сельского хозяйства Российской Федерации Федеральное государственное образовательное учреждение высшего профессионального образования «Самарская государственная сельскохозяйственная академия»

Подробнее

ТЕСТ Дисциплина «Геодезические работы в кадастре»

ТЕСТ Дисциплина «Геодезические работы в кадастре» ТЕСТ Дисциплина «Геодезические работы в кадастре» 1. От чего зависит структура геодезического обоснования. От площади территориальной зоны; От заданной точности определения положения пункта в наиболее

Подробнее

ктн Фомин Н.П. ктн Духин С.В. Использование комплексной системы пространственных данных, как информационного ресурса ОАО «РЖД»

ктн Фомин Н.П. ктн Духин С.В. Использование комплексной системы пространственных данных, как информационного ресурса ОАО «РЖД» ктн Фомин Н.П. ктн Духин С.В. Использование комплексной системы пространственных данных, как информационного ресурса ОАО «РЖД» КОМПЛЕКСНАЯ СИСТЕМА ПРОСТРАНСТВЕННЫХ ДАННЫХ ИНФРАСТРУКТУРЫ ЖЕЛЕЗНОДОРОЖНОГО

Подробнее

С.И. Долганюк. навигационных приемников, но для работы на станции точность определения не должна превышать 2 м (для устранения

С.И. Долганюк. навигационных приемников, но для работы на станции точность определения не должна превышать 2 м (для устранения УДК 625.1:519.222:528.4 С.И. Долганюк С.И. Долганюк, 2010 ПОВЫШЕНИЕ ТОЧНОСТИ НАВИГАЦИОННОГО РЕШЕНИЯ ПРИ ПОЗИЦИОНИРОВАНИИ МАНЕВРОВЫХ ЛОКОМОТИВОВ ЗА СЧЕТ ИСПОЛЬЗОВАНИЯ ЦИФРОВЫХ МОДЕЛЕЙ ПУТЕВОГО РАЗВИТИЯ

Подробнее

Внедрение спутниковых навигационных технологий с использованием системы ГЛОНАСС в интересах социально-экономического развития Архангельской области

Внедрение спутниковых навигационных технологий с использованием системы ГЛОНАСС в интересах социально-экономического развития Архангельской области Внедрение спутниковых навигационных технологий с использованием системы ГЛОНАСС в интересах социально-экономического развития Архангельской области СПУТНИКОВОЕ ПОЗИЦИОНИРОВАНИЕ ОБЩЕГРАЖДАНСКОЕ ПРИМЕНЕНИЕ

Подробнее

ИСПОЛЬЗОВАНИЕ ПРОГРАММЫ TOPOCAD ПРИ РЕАЛИЗАЦИИ ПРОЕКТА МОНИТОРИНГА ДОННЫХ ОТЛОЖЕНИЙ ВОДОХРАНИЛИЩА

ИСПОЛЬЗОВАНИЕ ПРОГРАММЫ TOPOCAD ПРИ РЕАЛИЗАЦИИ ПРОЕКТА МОНИТОРИНГА ДОННЫХ ОТЛОЖЕНИЙ ВОДОХРАНИЛИЩА ИСПОЛЬЗОВАНИЕ ПРОГРАММЫ TOPOCAD ПРИ РЕАЛИЗАЦИИ ПРОЕКТА МОНИТОРИНГА ДОННЫХ ОТЛОЖЕНИЙ ВОДОХРАНИЛИЩА Галахов В.П., ЗАО «Геостройизыскания» По материалам исследований сотрудников факультета гражданского строительства

Подробнее

Технология мониторинга объектов сельского хозяйства

Технология мониторинга объектов сельского хозяйства Технология мониторинга объектов сельского хозяйства О Геоскан Группа компаний Геоскан Санкт-Петербургское инновационно-производственное предприятие, единственный в мире обладатель интеллектуальных прав

Подробнее

ТЕХНОЛОГИЯ ALIGN. Авторство NovAtel Перевод выполнила: Горбунова М.А. Инженер по технической поддержке НПК GPScom

ТЕХНОЛОГИЯ ALIGN. Авторство NovAtel Перевод выполнила: Горбунова М.А. Инженер по технической поддержке НПК GPScom ТЕХНОЛОГИЯ ALIGN Авторство NovAtel Перевод выполнила: Горбунова М.А. Инженер по технической поддержке НПК GPScom 1 Оглавление 1. Для чего подходит SPAN с технологией ALIGN?... 3 2. Что такое GNSS + Ins?...3

Подробнее

Спутниковый и самолетный комплексы ДЗЗ. История разработок. История разработок. История разработок. Первые результаты работы

Спутниковый и самолетный комплексы ДЗЗ. История разработок. История разработок. История разработок. Первые результаты работы История разработок Первые результаты работы аппаратуры и ККВО на борту космического аппарата «Метеор-М» 1 АНО «Космос-НТ» Институт космических исследований РАН 2009 Около 30 лет в ИКИ РАН ведутся работы

Подробнее

«Интеллектуальные системы» Урок 2

«Интеллектуальные системы» Урок 2 Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Московский государственный технический университет имени Н.Э. Баумана» (МГТУ им. Н.Э. Баумана) «Интеллектуальные

Подробнее

СПУТНИКОВЫЙ МОНИТОРИНГ, ИЛИ «ПАЛОЧКА-ВЫРУЧАЛОЧКА» ДЛЯ АГРАРНОГО СЕКТОРА

СПУТНИКОВЫЙ МОНИТОРИНГ, ИЛИ «ПАЛОЧКА-ВЫРУЧАЛОЧКА» ДЛЯ АГРАРНОГО СЕКТОРА СПУТНИКОВЫЙ МОНИТОРИНГ, ИЛИ «ПАЛОЧКА-ВЫРУЧАЛОЧКА» ДЛЯ АГРАРНОГО СЕКТОРА Спутниковый мониторинг для аграрного комплекса приобретает все большую популярность. Главными его преимуществами являются: снижение

Подробнее

ГБУ КО «Центр «Кадастр»

ГБУ КО «Центр «Кадастр» Интегрированная региональная информационная система Калужской области Значимый вклад в развитие сферы геоинформационных технологий и ДЗЗ Информация о номинанте ГБУ КО «Центр «Кадастр» является учреждением,

Подробнее

ОСОБЕННОСТИ СИСТЕМ КООРДИНАТ, ПРИМЕНЯЕМЫХ В СПУТНИКОВОЙ ГЕОДЕЗИИ

ОСОБЕННОСТИ СИСТЕМ КООРДИНАТ, ПРИМЕНЯЕМЫХ В СПУТНИКОВОЙ ГЕОДЕЗИИ УДК 622.834:528:74 ОСОБЕННОСТИ СИСТЕМ КООРДИНАТ, ПРИМЕНЯЕМЫХ В СПУТНИКОВОЙ ГЕОДЕЗИИ Котовщикова В. А., студентка гр. ГМс-141, II курс Научный руководитель: Корецкая Г. А., старший преподаватель Кузбасский

Подробнее

г. Екатеринбург, 2015 г.

г. Екатеринбург, 2015 г. г. Екатеринбург, 2015 г. 1 НЕДОСТАТКИ КАРТ БУМАЖНЫХ И ЦИФРОВЫХ 2 ПРЕИМУЩЕСТВА ГЕОГРАФИЧЕСКИХ ИНФОРМАЦИОННЫХ СИСТЕМ (ГИС) 1. Данные отделяются от картинки и занимают свое законное место в БД. Становится

Подробнее

Развитие СОМС Калужской области в региональную систему коодинатно-временного геодезического обеспечения

Развитие СОМС Калужской области в региональную систему коодинатно-временного геодезического обеспечения Развитие СОМС Калужской области в региональную систему коодинатно-временного геодезического обеспечения Нормативная основа разработки Постановление правительства Российской Федерации от 28 января 2002

Подробнее

Рекомендации по контролю точности на различных этапах фотограмметрической обработки в системе PHOTOMOD

Рекомендации по контролю точности на различных этапах фотограмметрической обработки в системе PHOTOMOD Рекомендации по контролю точности на различных этапах фотограмметрической обработки в системе PHOTOMOD Данное руководство базируется на Инструкции по фотограмметрическим работам при создании цифровых топографических

Подробнее

ИСПОЛЬЗОВАНИЕ НЕМЕТРИЧЕСКИХ КАМЕР ДЛЯ СОЗДАНИЯ ТОПОГРАФИЧЕСКИХ ПЛАНОВ

ИСПОЛЬЗОВАНИЕ НЕМЕТРИЧЕСКИХ КАМЕР ДЛЯ СОЗДАНИЯ ТОПОГРАФИЧЕСКИХ ПЛАНОВ Инновационные технологии сбора и обработки геопространственных данных для управления природными ресурсами: Матер. междун. конференции. 2012. - С. 206-210 ИСПОЛЬЗОВАНИЕ НЕМЕТРИЧЕСКИХ КАМЕР ДЛЯ СОЗДАНИЯ

Подробнее

РАЗВИТИЕ АЭРОКОСМИЧЕСКИХ СРЕДСТВ ДЛЯ МОНИТОРИНГА ИНФРАСТРУКТУРЫ НЕФТЕГАЗОВОЙ ОТРАСЛИ

РАЗВИТИЕ АЭРОКОСМИЧЕСКИХ СРЕДСТВ ДЛЯ МОНИТОРИНГА ИНФРАСТРУКТУРЫ НЕФТЕГАЗОВОЙ ОТРАСЛИ РАЗВИТИЕ АЭРОКОСМИЧЕСКИХ СРЕДСТВ ДЛЯ МОНИТОРИНГА ИНФРАСТРУКТУРЫ НЕФТЕГАЗОВОЙ ОТРАСЛИ Генеральный конструктор Н.Н. Севастьянов КОНФЕРЕНЦИЯ «КОСМИЧЕСКИЕ СИСТЕМЫ МОНИТОРИНГА И ТЕХНОЛОГИИ ПРИМЕНЕНИЯ РЕЗУЛЬТАТОВ

Подробнее

Пространственный анализ с использованием дополнительных модулей к настольным продуктам ArcGIS

Пространственный анализ с использованием дополнительных модулей к настольным продуктам ArcGIS Пространственный анализ с использованием дополнительных модулей к настольным продуктам ArcGIS Белые листы компании ESRI, Декабрь 2001 г. i Содержание Страница Обзор... 1 Сравнение модулей ArcGIS... 3 Мощная

Подробнее

Москва, Варшавское ш.., 79-2 Телефон (+7-495) ФАКС (+7-495)

Москва, Варшавское ш.., 79-2 Телефон (+7-495) ФАКС (+7-495) 117556 Москва, Варшавское ш.., 79-2 Телефон (+7-495)225-5981 http://www.teknol.ru ФАКС (+7-495) 119-5805 e-mail: contact@teknol.ru БОРТОВОЙ КОМПЛЕКС НАВИГАЦИИ И УПРАВЛЕНИЯ БЛА (Описание системы) Декабрь

Подробнее

ОДИННАДЦАТАЯ АЭРОНАВИГАЦИОННАЯ КОНФЕРЕНЦИЯ. Безопасность полетов и авиационная безопасность при организации воздушного движения (ОрВД)

ОДИННАДЦАТАЯ АЭРОНАВИГАЦИОННАЯ КОНФЕРЕНЦИЯ. Безопасность полетов и авиационная безопасность при организации воздушного движения (ОрВД) AN-Conf/11-WP/71 15/7/03 ОДИННАДЦАТАЯ АЭРОНАВИГАЦИОННАЯ КОНФЕРЕНЦИЯ Монреаль, 22 сентября 3 октября 2003 года Пункт 2 повестки дня. Пункт 2.5 повестки дня. Пункт 6 повестки дня. Пункт 6.2 повестки дня.

Подробнее

Геоинформатика как ключевое направление в системе дополнительного образования детей

Геоинформатика как ключевое направление в системе дополнительного образования детей Московский Государственный Университет Геодезии и Картографии (МИИГАиК) ГИС-форум 2016 Геоинформатика как ключевое направление в системе дополнительного образования детей Москва - 2016 Быстров Антон Юрьевич

Подробнее

Основное производство располагается в Ижевске, ремонтные базы и филиальная сеть дилерских центров включает более 20 городов России.

Основное производство располагается в Ижевске, ремонтные базы и филиальная сеть дилерских центров включает более 20 городов России. unmanned.ru О компании Компания Беспилотные системы разрабатывает и производит беспилотные летательные аппараты (БПЛА) для видеонаблюдения и аэрофотосъемки, оказывает услуги беспилотного мониторинга нефтепроводов

Подробнее

ПРОГРАММА вступительного испытания в магистратуру по направлению «Геодезия и дистанционное зондирование»

ПРОГРАММА вступительного испытания в магистратуру по направлению «Геодезия и дистанционное зондирование» ПРОГРАММА вступительного испытания в магистратуру по направлению «Геодезия и дистанционное зондирование» Раздел 1. Геодезия Предмет геодезии; научное содержание дисциплины; история развития; понятие о

Подробнее

УДК И.В. Бородич, О.В. Глухов Восточно-Сибирский филиал ФГУП «Госземкадастрсъемка», Иркутск

УДК И.В. Бородич, О.В. Глухов Восточно-Сибирский филиал ФГУП «Госземкадастрсъемка», Иркутск УДК 528.75 И.В. Бородич, О.В. Глухов Восточно-Сибирский филиал ФГУП «Госземкадастрсъемка», Иркутск ПОИСК ОПТИМАЛЬНЫХ ТЕХНОЛОГИЧЕСКИХ РЕШЕНИЙ ДЛЯ СОЗДАНИЯ ЦИФРОВЫХ ОРТОФОТОПЛАНОВ МАСШТАБА 1:10000 С ИСПОЛЬЗОВАНИЕМ

Подробнее

Бровко Е.А., Ефимов С.А.

Бровко Е.А., Ефимов С.А. ОАО «Научно-исследовательский и производственный центр «Природа» Роскартографии ИНФОРМАЦИОННО-КАРТОГРАФИЧЕСКАЯ ПОДДЕРЖКА АКТУАЛЬНЫМИ ДАННЫМИ ГОСУДАРСТВЕННОГО ТОПОГРАФИЧЕСКОГО МОНИТОРИНГА ФЕДЕРАЛЬНЫХ И

Подробнее

ПРИМЕНЕНИЕ СИСТЕМ ГНСС ПРИ ПРОИЗВОДСТВЕ КАДАСТРОВЫХ РАБОТ

ПРИМЕНЕНИЕ СИСТЕМ ГНСС ПРИ ПРОИЗВОДСТВЕ КАДАСТРОВЫХ РАБОТ УДК 528.4 ПРИМЕНЕНИЕ СИСТЕМ ГНСС ПРИ ПРОИЗВОДСТВЕ КАДАСТРОВЫХ РАБОТ Е.А. Акулова, И.В. Назаров Аннотация: При определении координат объектов недвижимости необходимо использовать методы, соответствующие

Подробнее

ОГЛАВЛЕНИЕ ЧА С Т Ь 1. ГЕОДЕЗИЧЕСКИЕ ИЗМЕРЕНИЯ

ОГЛАВЛЕНИЕ ЧА С Т Ь 1. ГЕОДЕЗИЧЕСКИЕ ИЗМЕРЕНИЯ ОГЛАВЛЕНИЕ Предисловие 3 Введение 4 ЧА С Т Ь 1. ГЕОДЕЗИЧЕСКИЕ ИЗМЕРЕНИЯ Глава 1. Общие сведения 6 1.1. Понятие о форме и размерах Земли 6 1.2. Метод проекций в геодезии 7 1.3. Определение положения точек

Подробнее

Определение ориентации КА системы мониторинга Земли посредством обработки информации от аппаратуры зондирования

Определение ориентации КА системы мониторинга Земли посредством обработки информации от аппаратуры зондирования Электронный журнал «Труды МАИ». Выпуск 38 www.mai.ru/science/trudy/ УДК 629.7.05 Определение ориентации КА системы мониторинга Земли посредством обработки информации от аппаратуры зондирования К.А. Полосухина

Подробнее

Оценка точности ЦМР, созданных по стереопарам триплета КА TH-1 в программном комплексе ENVI

Оценка точности ЦМР, созданных по стереопарам триплета КА TH-1 в программном комплексе ENVI 22 И. В. Оньков (ЗАО «Мобиле», Пермь) В 1970 г. окончил МИИГАиК по специальности «астрономогеодезия». В настоящее время научный консультант ЗАО «Мобиле» (Пермь). Кандидат технических наук, доцент. Оценка

Подробнее

Технологии и алгоритмы точного земледелия компаний SenseFly и GPS Com

Технологии и алгоритмы точного земледелия компаний SenseFly и GPS Com Технологии и алгоритмы точного земледелия компаний SenseFly и GPS Com Технологии точного земледелия - наукоемкие технологии, позволяющие максимально эффективно использовать ресурсы сельхозпредприятия и

Подробнее

ПЕРЕДВИЖНАЯ ДОРОЖНАЯ ВИДЕО ЛАБОРАТОРИЯ ДВК-05

ПЕРЕДВИЖНАЯ ДОРОЖНАЯ ВИДЕО ЛАБОРАТОРИЯ ДВК-05 ПЕРЕДВИЖНАЯ ДОРОЖНАЯ ВИДЕО ЛАБОРАТОРИЯ ДВК-05 Научный руководитель: к.т.н., доцент, зав. каф. «Автомобильных дорог и городских сооружений» Серватинский Вадим Вячеславович Рабочий телефон: (391)252-77-85

Подробнее

ОРТОРЕГИОН новый продукт

ОРТОРЕГИОН новый продукт Использование данных ДЗЗ. Крупномасштабное картографирование 47 А.В. Беленов (Компания «Совзонд») В 1996 г. окончил Санкт-Петербургское высшее военно-топографическое командное училище по специальности

Подробнее

Аннотация рабочей программы дисциплины Б2.У Учебная практика

Аннотация рабочей программы дисциплины Б2.У Учебная практика Цель изучения дисциплины Аннотация рабочей программы дисциплины Б2.У Учебная практика *формирование у студентов необходимых методических приемов, а также практических навыков по использованию автоматизированных

Подробнее

РАБОЧАЯ ПРОГРАММА. по дисциплине ОД.А.03 по специальности «Аэрокосмические исследования Земли и фотограмметрия»

РАБОЧАЯ ПРОГРАММА. по дисциплине ОД.А.03 по специальности «Аэрокосмические исследования Земли и фотограмметрия» Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Сибирская государственная автомобильно-дорожная

Подробнее

Аэрофотосъемочные камеры среднего формата. Опыт применения с использованием пилотируемых и беспилотных летательных аппаратов

Аэрофотосъемочные камеры среднего формата. Опыт применения с использованием пилотируемых и беспилотных летательных аппаратов Аэрофотосъемочные камеры среднего формата. Опыт применения с использованием пилотируемых и беспилотных летательных аппаратов Аэрофотосъемочные камеры среднего формата компании Phase One ixa180 ixu150 ixa-r

Подробнее

отзыв ОФИЦИАЛЬНОГО ОППОНЕНТА

отзыв ОФИЦИАЛЬНОГО ОППОНЕНТА отзыв ОФИЦИАЛЬНОГО ОППОНЕНТА на диссертацию Морозовского Кирилла Валерьевича на тему «Метод и алгоритмы обработки изображений пространственных объектов на базе преобразования ХАФА, инвариантные к преобразованиям

Подробнее

РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ ОП.01 Геодезия для специальности СПО Прикладная геодезия (базовый уровень)

РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ ОП.01 Геодезия для специальности СПО Прикладная геодезия (базовый уровень) МИНИСТЕРСТВО ОБРАЗОВАНИЯ РЕСПУБЛИКИ БАШКОРТОСТАН ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ПРОФЕССИОНАЛЬНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ОКТЯБРЬСКИЙ НЕФТЯНОЙ КОЛЛЕДЖ ИМ. С.И. КУВЫКИНА РАБОЧАЯ ПРОГРАММА УЧЕБНОЙ ДИСЦИПЛИНЫ

Подробнее