Космические снимки антропогенных ландшафтов

Антропогенные ландшафты из космоса

Предлагаем вам посмотреть замечательную серию спутниковых фотографий, которые демонстрируют, как выглядит созданный руками человека мир из космоса, антропогенные, а не природные ландшафты.

1. Венеция, Италия. (Фото Benjamin Grant | Digital Globe):

2. Жилые кварталы в Барселоне, Испания. (Фото Benjamin Grant | Digital Globe):

3. Дорожная развязка в Джексонвиле, Флорида. (Фото Benjamin Grant | Digital Globe):

4. Популярный город-курорт Бока-Ратон, штат Флорида. (Фото Benjamin Grant | Digital Globe):

5. Рисовые террасы в Китае. С высоты похожи на разрисованный красками холст. (Фото Benjamin Grant | Digital Globe):

6. Поля с тюльпанами, Нидерланды. (Фото Benjamin Grant | Digital Globe):

7. Лагерь беженцев в Кении. (Фото Benjamin Grant | Digital Globe):

8. Город Бразилиа, находится в Бразилии. (Фото Benjamin Grant | Digital Globe):

9. Уничтожение и вырубка тропических лесов Амазонки в Бразилии. Из космоса видны «облысения». (Фото Benjamin Grant | Digital Globe):

10. Фруктовые деревья в провинции Уэльва, Испания. (Фото Benjamin Grant | Digital Globe):

11. Горная дорога в Италии. (Фото Benjamin Grant | Digital Globe):

12. Дуррат Аль-Бахрейн (Durrat Al Bahrain) — группа искусственных островов в Бахрейне, расположенных у юго-восточного побережья главного острова, вблизи столицы королевства — Манамы. (Фото Benjamin Grant | Digital Globe).

13. Системы орошения в штате Канзас. (Фото Benjamin Grant | Digital Globe):

14. Аэропорт в Далласе. (Фото Benjamin Grant | Digital Globe):

15. Гора Таранаки в Новой Зеландии и антропогенные ландшафты вокруг неё. (Фото Benjamin Grant | Digital Globe):

16. Огромные рыболовные сети на Тайване. Слева, вверху для масштаба — корабль. (Фото Benjamin Grant | Digital Globe):

17. Контейнерный терминал в порту Нью-Джерси. (Фото Benjamin Grant | Digital Globe):

18. Разноцветный промышленный район, Токай, Япония. (Фото Benjamin Grant | Digital Globe):

19. Карьер по добыче железной руды в Австралии. (Фото Benjamin Grant | Digital Globe):

Источник статьи: http://ribalych.ru/2015/02/09/antropogennye-landshafty-iz-kosmosa/

Изучение антропогенного воздействия на ландшафты по данным космической съемки на примере района Норильска

Файлы:

Последние новости

График и места проведения очного тура МГК — 2021

Экспертиза заочного тура

Заявки на МГК — важно проверить.

Предстоящие события

МГК — 2021 на базе МГПУ

В современных условиях особую важность приобретает овладение совокупностью знаний и умений психолого-педагогической направленности. Психология взаимосвязана с воспитанием и обучением человека, и педагогика не может существовать вне зависимости от наук, изучающих .

Кружки в Московском Политехе

В 2020/2021 учебном году работают кружки:

• 3D-моделирование,
• Цифровая фабрика,
• Электроника и схемотехника,
• Программирование на Python.

Занятия будут проводиться в дистанционном формате.

С более подробной информацией и актуальным списком мероприятий .

Университетские субботы в ГАУГН

ГАУГН в рамках просветительского проекта «Университетские субботы» организует научно-популярные лекции и мастер-классы, деловые игры и квесты, экскурсии и практикумы,которые проводят ведущие научные сотрудники Российской академии наук. Посетить мероприятия .

Источник статьи: http://mgk.olimpiada.ru/work/22142/mrsd/

Применение космоснимков при ландшафтном картографировании Кураминского хребта и прилегающих равнин

Статья просмотрена: 501 раз

Библиографическое описание:

Абдулкасимов, Али. Применение космоснимков при ландшафтном картографировании Кураминского хребта и прилегающих равнин / Али Абдулкасимов, Рустам Абдуназаров, К. С. Ярашев. — Текст : непосредственный // Молодой ученый. — 2012. — № 3 (38). — С. 131-132. — URL: https://moluch.ru/archive/38/4315/ (дата обращения: 04.03.2021).

Основной целью комплексного ландшафтного картографирования является выявление, разграничение и классификация естественных и антропогенных геосистем, объективно существующих в природе. При ландшафтном картографировании и микрорайонировании для сельскохозяйственно-землеустроительных целей основная задача заключается нетолько в установлении и описании природно-территориальных особенностей и их внутренних различий, но и соответствия сложившейся структуры сельскохозяйственного производства природным экологическим условиям конкретного района и микрорайона.

При составлении ландшафтных карт и схемы физико-географического микрорайонирования в настоящее время все большее научное и практическое значение приобретают аэрокосмические съемки и последующее дешифрирование аэрокосмических снимков. Составление ландшафтных карт и схемы физико-географического микрорайонирования различного масштаба с использованием материалов аэрокосмических снимков путем их дешифрирования дает местным сельскохозяйственным управлениям надежный, научно-обоснованный материал для корректировки существующих региональных систем ведения сельского хозяйства. Кроме того, эти материалы могут использовать в процессе разработки региональных схем землеустройства.

По утверждению Д.М.Трофимова (1976), космические исследования в видимой области спектра дают основной объем информации, получаемой из космоса. Особенно это относится к телевизионной съемке и космическому фотографированию. Кроме огромного объема информации эти материалы обладают рядом достоинств: большой обзорностью, высокой степенью генерализации, сравнительно высоким уровнем разрешающей способности и возможностью регулярного получения теле- и космоснимков. Вследствие этих преимуществ съемки из космоса в видимой и ближней инфракрасной зонах спектра дают уникальный и незаменимый материал для изучения и картографирования типологических, региональных и парагенетических комплексов ландшафтной сферы Земли, в том числе и южного склона Кураминского хребта и прилегающих равнин.

При ландшафтно-типологическом картографировании и дробном физико-географическом микрорайонировании южного склона Кураминского хребта и прилегающих равнин в качестве рабочей основы нами использовались космические съемки, снятые в широком диапазоне электромагнитного спектра в масштабе 1:2500000 и изготовленные по ним фотопланы в масштабах 1:500000, 1:300000 и 1:200000. материалы космо-фотоснимков 2007 и 2010 годов. Анализ космофотоснимков исследуемого района показывает значительное совпадение границ геоботанических, геологических, геоморфологических, почвенных районов, что способствует более точному и объективному выделению контуров региональных ландшафтных комплексов.

На космических фотоизображениях южного склона Кураминского хребта и прилегающих равнин наиболее четко различаются и хорошо дешифрируются природные ландшафты конусов выноса и дельты горных рек и саев. На поверхностях наклонных конусов выноса и дельтах темным фототоном изображены тонкоструйчатые веерообразные рисунки, чередующие извилистыми линиями древних сухих долин и современных проточных русел. Соленое озеро Аксукон на космических снимках характеризуется темным фототоном, а окружающие озерные аккумулятивные равнины, представленные солончаковыми пустынными ландшафтами различаются гомогенным серым фототоном.

Эолово-песчаные пустынные ландшафты и их разновидности исключительно хорошо распознаются на снимках всех масштабов, благодаря своеобразным формам рельефа, присущим только песчаным пустыням, четко познаваемым на космических фотоснимках. Адырные пустынные гряды Акбель, Акчоп, Супетау и Махатау, с сильно изреженной растительностью, имеющие эрозионно-денудационный рельеф с плоскосклонной, холмистой и холмисто-грядовой поверхностью со светло-серым фототоном, безошибочно познаются на космических фотоизображениях. На космических снимках разного масштаба более четко распознаются антропогенные ландшафты, техногенно-промышленные ландшафты, агроландшафты, ирригационные и дорожные ландшафты. На фотоснимках четко изображено внешнее очертание Кайраккумского и Каттасайского водохранилищ, акватория их на черно-белых снимках имеет темный фототон, а на цветных снимках – темно-голубой фототон. Прямолинейные контуры имеют магистральные каналы, арыки, коллекторы, дренажные сети, дороги, сельскохозяйственные угодья, пашни, орошаемые оазисные ландшафты, полезащитные лесные полосы и т.д.

При исследовании и картографировании антропогенных ландшафтов необходимо остановиться на двух сравнительно новых, но особенно актуальных направлениях применения космических методов, связанных с изучением сферы воздействия человека на природную среду, – это антропогенное ландшафтоведение и мониторинг окружающей среды (Виноградов, 1976). Исследования антропогенных селитебных ландшафтов по космическим снимкам проводятся в двух направлениях. Первое – дешифрирование космических фотоснимков с целью обновления ландшафтно-кадастровых карт, второе -разработка модели пространственного распределения городских и сельских селитебных ландшафтов. При дешифрировании космических снимков наибольший интерес представляет наблюдение и установление динамического развития за определенное время селитебных ландшафтов.

Следует подчеркнуть, что космический метод исследования весьма приемлем для ландшафтно-типологического картографирования и физико-географического районирования для различных целей как естественных, так и антропогенных ландшафтных комплексов. Данный метод может быть использован при изучении, картографировании и физико-географическом районировании всех видов антропогенных ландшафтов, столь широко распространенных во всех зонах и регионах Средней Азии и Узбекистана. Космический метод особенно хорошо помогает при крупномасштабном картографировании и дробном физико-географическом микрорайонировании антропогенно-оазисных и агрокультурных, городских и сельских селитебных, промышленно-техногенных, ирригационно-водных ландшафтов и т.д.

Источник статьи: http://moluch.ru/archive/38/4315/

Исследование методов выявления антропогенных изменений на земной поверхности по последовательности космических снимков высокого разрешения Текст научной статьи по специальности « Компьютерные и информационные науки»

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Федосеев Виктор Андреевич, Чупшев Николай Викторович

В данной работе проводятся анализ и исследование работоспособности ряда алгоритмов, предназначенных для обнаружения антропогенных изменений на земной поверхности путём анализа последовательности космических снимков одной территории, сделанных в разное время. Наибольшее внимание уделено алгоритму на основе метода главных компонент , алгоритму Wallflower на основе фильтра Винера , а также алгоритму Ли на основе выделения прямолинейных сегментов. Приведены результаты исследований данных алгоритмов на реальных последовательностях космических снимков высокого разрешения, сделаны выводы об их практической применимости. Также предложены модификации рассмотренных алгоритмов, призванные уменьшить число ошибок и повысить качество результатов их работы.

Похожие темы научных работ по компьютерным и информационным наукам , автор научной работы — Федосеев Виктор Андреевич, Чупшев Николай Викторович

RESEARCH OF METHODS FOR MAN-MADE CHANGE DETECTION ON EARTH SURFACE USING HIGH RESOLUTION SATELLITE IMAGE SERIES

In this paper, we perform the analysis and functionality research of several algorithms designed for detection of anthropogenic changes on the Earth’s surface by analyzing a series of satellite images of the same area taken at different times. The greatest attention is paid to the algorithm based on the principal component analysis , the Wallflower algorithm based on Wiener filter , and the Li algorithm based on the extraction of straight line segments. The results of research of these algorithms on real series of high resolution satellite images, as well as conclusions about their usefulness are given in the paper. Also, some modifications of the algorithms designed to reduce errors and improve the quality of their work are proposed.

Текст научной работы на тему «Исследование методов выявления антропогенных изменений на земной поверхности по последовательности космических снимков высокого разрешения»

ИССЛЕДОВАНИЕ МЕТОДОВ ВЫЯВЛЕНИЯ АНТРОПОГЕННЫХ ИЗМЕНЕНИЙ НА ЗЕМНОЙ ПОВЕРХНОСТИ ПО ПОСЛЕДОВАТЕЛЬНОСТИ КОСМИЧЕСКИХ СНИМКОВ ВЫСОКОГО РАЗРЕШЕНИЯ

Федосеев В.А.1,2, Чупшев Н.В.1 1 Институт систем обработки изображений РАН, 2 Самарский государственный аэрокосмический университет имени академика С.П. Королёва (национальный исследовательский университет)

В данной работе проводятся анализ и исследование работоспособности ряда алгоритмов, предназначенных для обнаружения антропогенных изменений на земной поверхности путём анализа последовательности космических снимков одной территории, сделанных в разное время. Наибольшее внимание уделено алгоритму на основе метода главных компонент, алгоритму «Wallflower» на основе фильтра Винера, а также алгоритму Ли на основе выделения прямолинейных сегментов. Приведены результаты исследований данных алгоритмов на реальных последовательностях космических снимков высокого разрешения, сделаны выводы об их практической применимости. Также предложены модификации рассмотренных алгоритмов, призванные уменьшить число ошибок и повысить качество результатов их работы.

Ключевые слова: выявление изменений, дистанционное зондирование Земли, анализ космических снимков, метод главных компонент, фильтр Винера, алгоритм Бёрнса, маска теней.

В ряде задач, связанных с наблюдением конкретных объектов со спутников, возникает необходимость анализа их динамики. Особенно часто такие задачи возникают при исследовании различных объектов человеческой деятельности и анализе их влияния на окружающую среду. Иногда это влияние может быть настолько незаметным, что обнаружить изменения становится возможным только при длительном визуальном анализе снимков. Для снижения трудоёмкости такой работы и уменьшения числа пропусков областей изменений необходимы специальные алгоритмы обработки изображений, позволяющие выделять области изменений по последовательностям изображений.

Основные трудности поиска различий (областей изменений) на спутниковых снимках одной и той же территории, сделанных в различные моменты времени, связаны, в первую очередь, с разными условиями съёмки, вследствие чего различные снимки могут:

— иметь разное пространственное разрешение (из-за съёмки с различных аппаратов или под разными углами сканирования);

— обладать различными цветовыми характеристиками (из-за съёмки с различных аппаратов или при разных условиях освещённости);

— несколько различаться привязкой (из-за съёмки с различных космических аппаратов);

— быть сняты с разных ракурсов (из-за съёмки под разными углами);

— содержать тени различной длины и направления от наземных объектов (из-за различного положения Солнца).

Определение областей изменений на множестве изображений одной и той же территории (Change Detection [1]) применяется для отслеживания и анализа пространственных изменений во времени. К целям данной процедуры относятся:

— обнаружение новых объектов на снимках;

— определение исчезновения объектов;

— анализ процесса изменения объектов во времени.

Целью настоящей работы является исследование работоспособности существующих методов выявления антропогенных изменений на земной поверхности по временным последовательностям данных дистанционного зондирования.

Работа организована следующим образом. Формальная постановка задачи выявления изменений по последовательности снимков дана в разделе 1. В разделе 2 представлены основные подходы к решению данной задачи. Разделы 3 — 5 посвящены подробному описанию отобранных для исследования трёх алгоритмов (алгоритм на основе метода главных компонент, алгоритм «Wallflower», алгоритм Ли). В разделе 6 предложены две модификации разных этапов алгоритма Ли. Раздел 7 содержит результаты исследования трёх отобранных алгоритмов. В заключительной части работы приведены выводы, основанные на результатах исследования, а также благодарности.

1. Формальная постановка задачи

Пусть задана временная последовательность цифровых изображений дистанционного зондирования Земли, при этом считается, что изображения, входящие в последовательность, могут иметь различное число каналов.

В простейшем случае задача выявления изменений состоит в построении отображения B(x), которое формирует бинарное изображение, называемое маской изменений и определяющее области на последнем изображении для каждого пикселя x следующим образом:

, . |1, L, (x) изменился,

где выражение «1М (х) изменился» означает существенное изменение значения яркости пикселя х в изображении 1М по сравнению с предыдущими,

свидетельствующее об изменении наблюдаемого на последовательности снимков объекта, которому принадлежит этот пиксель.

Многие алгоритмы выявления изменений предполагают формирование изображения р(х), пиксели которого принимают вещественные значения в диапазоне от 0 до 1. Данное изображение характеризует степень уверенности в наличии изменений. Маска изменений формируется по р(х) следующим образом:

|0, р(x) КгеЛоЫ , [0, иначе,

где Jt — маска изменений, определяющая отличия предсказанного изображения !'(х) и изображения I, (х), кЛгеЛМ — заданный яркостной порог.

2. Определяется пересечение разностных масок изменений и маски изменений Ft Х(х) , полученной в результате применения фильтра Винера, по следующей формуле:

К, (х) = Jt (х) л Jt _1(х) л ^(х). (8)

3. На изображении К, (х) находятся четырёхсвяз-ные области Я, размер которых превышает заранее заданный порог кт1П.

4. Для каждой области ^ производится расчёт гистограммы Hi по исходному изображению 1-1 :

5. Для каждой области Я1 находится пересечение ^-1 л Я1, и для каждой точки данного пересечения строится результирующая маска изменений:

[1, если Н1 (I, (х)) > е,

где £ — заданный порог для гистограммных распределений.

Полученное таким образом множество областей (Д(х)> формирует результирующую маску изменений.

Последний шаг применяется для отсечения изображений, сильно отличающихся режимом съёмки (например, при обработке съёмки внутри помещений необходимо разделять изображения, снятые в дневное и ночное время), и в данной работе не рассматривается.

5. Алгоритм Ли на основе выделения прямолинейных сегментов

Данный алгоритм описан в работах [9, 10] и предназначен для выделения изменений по двум изображениям, являющимся космическими снимками городских сцен. Он основан на выделении прямолинейных сегментов на обоих изображениях и сравнении их друг с другом. Такой подход обусловливает слабую зависимость результатов от общего уровня освещённости, а также от локальной яркости небольших групп объектов. Алгоритм содержит следующие основные шаги:

— обнаружение линейных сегментов;

— определение изменённых линейных сегментов;

— устранение незначимых линейных сегментов из списка изменённых;

— устранение изменённых линейных сегментов, вызванных изменением положений спутника и Солнца;

— формирование итоговой маски изменений по оставшимся линейным сегментам.

Для успешного применения данного алгоритма требуется геометрическая согласованность входных изображений с погрешностью не более 3 пикселей. Наиболее качественное выделение осуществляется по снимкам частично застроенных территорий, содержащих как здания и дороги, так и ровные участки местности.

5.1. Обнаружение сегментов прямых линий

Обнаружение сегментов прямых линий осуществляется при помощи алгоритма Бёрнса [11, 13], который был специально разработан для обнаружения прямых линий на сложных изображениях естественных сцен. В нём сочетаются преимущества двух алгоритмов: преобразования Хафа [13] и алгоритма маркировки связных компонент.

Итак, при помощи алгоритма Бёрнса из каждого из двух анализируемых изображений одной территории извлекаются линейные сегменты, превышающие по длине заданный пользователем порог, призванный отделить значимые изменения от шумообразных.

Наборы найденных линейных сегментов для каждого из изображений обозначаются далее

А = <,(1)>и Ь2 = , соответственно.

5.2. Определение изменившихся линейных сегментов

Основываясь на работе Бёрнса [11], допустимо осуществить сравнение между линейными сегментами одного изображения и многомасштабным полем направлений градиента другого. Многомасштабное поле градиентов изображения 1к — это множество изображений <¥^ (х;оJ)>, где к = 1,2,

5е <1,2. Ы,>, Ы, — количество масштабных уров-

ней градиентов, о£ = 2 2 , а х = ( х1, х2) — пиксель изображения.

Построение полей ¥^ (х;о£) происходит посредством вычисления ориентации градиента в каждой точке изображения 1к после свёртки его с окном с гауссовской импульсной характеристикой, имеющей СКО о£. Таким образом, сегмент признаётся изменившимся, если для него справедливо следующее неравенство:

тах Не можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

Количество изменённых линейных сегментов 133 384 116

Процент сегментов по категориям Верное обнаружение 97,7% 72,8% 52,5%

Незначительные изменения 2,3% 6,7% 12,9%

Граница света и тени 0% 7,9% 1,7%

Изменения ракурса 0% 12,6% 32,8%

Данные, представленные в табл. 1, в целом позволяют сделать вывод о работоспособности данного метода для обнаружения изменений на городских сценах средней сложности. Однако увеличение количества высотных объектов на снимках (как в по-

следовательности на рис. 11) приводит к росту числа ошибочно извлечённых сегментов, что вызвано главным образом изменением ракурса съёмки.

Также следует отметить, что итоговая маска изменений по набору изменившихся сегментов не все-

гда содержит все изменившиеся области, а зачастую содержит дыры внутри изменившихся объектов. Это обусловлено тем, что формирование данной маски осуществляется путём дилатации изменившихся сегментов. Проблема эта может быть решена путём заливки замкнутых и частично замкнутых областей на маске изменений.

Рис. 10. Пример выделения изменившихся сегментов алгоритмом Ли (Казань, спутники Ж0М08 и ОвоЕув)

Рис. 11. Пример выделения изменившихся сегментов алгоритмом Ли (Казань, спутники Ж0М08 и ОвоЕув)

В работе проведено исследование трёх описанных в литературе методов выделения антропогенных изменений на земной поверхности по последовательности космических изображений высокого разрешения. Исследования показали работоспособность всех трёх алгоритмов на отдельных последовательностях, но далеко не на всех, использовавшихся в ходе экспериментов. Поэтому, с одной стороны, каждый из алгоритмов может служить инструментом, облегчающим ручной труд по поиску изменившихся областей на изображениях, однако, с другой стороны, в текущем виде ни один из них не способен давать стабильно высокие результаты при обнаружении изменившихся областей в автоматическом режиме.

Среди трёх рассмотренных алгоритмов наиболее качественные результаты показал алгоритм Ли, в котором берутся за основу не яркости пикселей, а границы областей. Однако для широкого применения его для анализа сложных сцен необходимо улучшить процедуру учёта изменения ракурса съёмки, а также процедуру построения итоговой маски изменения по изменившимся сегментам.

Работа выполнена при частичной финансовой поддержке грантов РФФИ (проекты 11-07-12059-офи-м-2011, 11-07-12060-офи-м-2011, 11-07-12062-офи-м-2011), а также программы фундаментальных исследований Президиума РАН «Фундаментальные проблемы информатики и информационных технологий», проект 2.12.

В работе с разрешения владельцев использованы исходные космические снимки, принадлежащие СГАУ, ОАО «Самара-ИнформСпутник» и НП «ПЦКГИ»; а также открытые на Google Earth покрытия данными дистанционного зондирования Земли, принадлежащие компаниям GeoEye, Digital-Globe, Sanborn и Bluesky.

1. Radke, R.J. Image change detection algorithms: a systematic survey / R.J. Radke, S. Andra, O. Al-Kofahi, B. Roysam // IEEE Trans. on Image Processing. — 2005. -Vol. 14(3). — P. 294-307.

2. Bruzzone, L. An adaptive semiparametric and context-based approach to unsupervised change detection in multitemporal remote-sensing images / L. Bruzzone, D.F. Prieto // IEEE Trans. on Image Processing. — 2002. -Vol. 11(4). — P. 452-466.

3. Aach, T. Statistical model-based change detection in moving video / T. Aach, A. Kaup // Signal Process. — 1993. -Vol. 31. — P. 165-180.

4. Hsu, Y.Z. New likelihood test methods for change detection in image sequences / Y.Z. Hsu, H.-H. Nagel, G. Reckers // Comput. Vis., Graph. Image Process. — 1984. —

Vol. 26. — P. 73-106.

Jain, Z. Optimum multisensor data fusion for image change detection / Z. Jain, Y. Chau // IEEE Trans. Syst., Man, Cybern. — 1995. — Vol. 25(9). — P. 1340-1347. Niemeyer, I. Unsupervised change detection techniques using multispectral satellite images / I. Niemeyer, M. Canty, D. Klaus // Proc. IEEE Int. Geoscience and Remote Sensing Symp. — 1999. — P. 327-329. Qiu, B. Multi-block PCA method for image change detection / B. Qiu, V. Prinet, E. Perrier, O. Monga // 12th International Conference on Image Analysis and Processing. -2003. — P. 385-390

Toyama, K. Wallflower: Principles and practice of background maintenance / K. Toyama, J. Krumm, B. Brumitt, B. Meyers // Proc. ICCV. — 1999. — P. 255-261. Li, W. A novel framework for urban change detection using VHR satellite images / W. Li, Y. Wu, Z. Hu // Proc. of ICPR. — 2006. — P. 312-315.

10. Zhang, Sh. Urban change detection based on edge line segments and texture / Sh. Zhang, W. Li, Q. Liu, Zh. Zhou, H. Lu // Conference in Research and Practice in Information Technology, 2006.

11. Burns, J.B. Extracting straight lines / J.B. Bums, A.R. Hanson, E.M. Riseman // IEEE Trans. PAMI. — 1986. -Vol. 8(4). — P. 425-455.

12. Arévalo, V. Detecting shadows in QuickBird satellite images / V. Arévalo, J. González, J. Valdes, G. Ambrosio // ISPRS Commission VII Mid-term Symposium «Remote Sensing: From Pixels to Processes», Enschede, the Netherlands, 2006.

13. Shapiro, L. Computer Vision / L. Shapiro, G. Stockman. — Prentice-Hall, Inc, 2001.

14. Lowe, D.G. Object recognition from local scale-invariant features / D.G. Lowe // Proceedings of the International Conference on Computer Vision. — 1999. — P. 1150-1157.

15. Jensen, J. Introductory Digital Image Processing, a Remote Sensing Perspective / J. Jenson. — Prentice-Hall, Inc., 1996.

RESEARCH OF METHODS FOR MAN-MADE CHANGE DETECTION ON EARTH SURFACE USING HIGH RESOLUTION SATELLITE IMAGE SERIES

V.A. Fedoseev 12, N.V. Chupshev 1 1 Image Processing Systems Institute of the RAS, 2 S.P. Korolyov Samara State Aerospace University

In this paper, analysis and functionality research of several algorithms designed for detection of anthropogenic changes on the Earth’s surface by analyzing a series of satellite images of the same area taken at different times are performed. The greatest attention is paid to the algorithm based on principal component analysis, the «Wallflower» algorithm based on Wiener filter, and the Li algorithm based on extraction of straight line segments. The results of research of these algorithms on real series of high resolution satellite images, as well as conclusions about their usefulness are given in the paper. Also some modifications of the algorithms designed to reduce errors and improve quality of their work are proposed.

Key words: change detection, remote sensing, satellite imagery analysis, principal component analysis, Wiener filter, Burns algorithm, shadow mask.

Сведения об авторах Федосеев Виктор Андреевич, 1986 года рождения, в 2009 году окончил Самарский государственный аэрокосмический университет имени академика С.П. Королёва (СГАУ) по специальности «Прикладная математика и информатика». Аспирант кафедры геоинформатики и информационной безопасности СГАУ, стажёр-исследователь лаборатории математических методов обработки изображений Института систем обработки изображений РАН (ИСОИ РАН). Области научных интересов: обработка и анализ изображений, геоинформатика, цифровые водяные знаки, стеганография. E-mail: vicanfed@gmail. com .

Victor Andreevich Fedoseev graduated (2009) from the Samara State Aerospace University named after academician S.P. Korolyov (SSAU), majoring in Applied Mathematics and Computer Science. Currently he is a postgraduate student at the Geoinformatics and Information Security Department at SSAU and a trainee-researcher at the Mathematical Methods of Image Processing Laboratory of the Image Processing Systems Institute of the RAS. His current research interests include image processing and image analysis, geoinformatics, digital watermarking and steganography.

Чупшев Николай Викторович, 1986 года рождения, в 2008 году окончил Самарский государственный аэрокосмический университет имени академика С.П. Королёва (СГАУ) по специальности «Прикладная математика и информатика». Работает стажёром-исследователем лаборатории математических методов обработки изображений Института систем обработки изображений РАН (ИСОИ РАН). Области научных интересов: обработка и анализ изображений, геоинформатика. E-mail: nikolay. smr@gmail. com .

Источник статьи: http://cyberleninka.ru/article/n/issledovanie-metodov-vyyavleniya-antropogennyh-izmeneniy-na-zemnoy-poverhnosti-po-posledovatelnosti-kosmicheskih-snimkov-vysokogo