2.2.3. Растрові моделі

Растрові моделі становлять мережу двомірного масиву точок або растр, комірки якої називаються пікселами (pixel).

У цьому випадку будь-який об’єкт інтерпретується як набір пікселів. [22, 25, 26, 32, 47, 56, 64]

Підчас роботи з растровими моделями обробляються не конкретні об’єкти й контури, а групи пікселів, що їх складають. Кожна комірка (піксел) містить середнє значення (ідентифікатор), який характеризує ділянку поверхні об’єкта, і до якого можна прив’язати необмежений за довжиною набір атрибутів. Найважливішою властивістю растра є нерозривний зв’язок між просторовою і атрибутивною інформацією в єдиній прямокутній матриці, місцезнаходження елементів якої визначається номерами рядка і стовпця (Рис.12.). У зв’язку з цим не обов’язковий поділ даних на просторові й атрибутивні. Тому відпадає необхідність в особливих засобах зберігання й обробки атрибутивних даних, як у векторній моделі, що істотно спрощує аналітичні операції. Також існують деякі види просторових даних, які неможливо відобразити у векторному форматі з необхідним ступенем детальності. Растрова модель дає інформацію про те, що розташовано в тій чи іншій точці простору.

Р ис.12.

Растрові моделі поділяються на: регулярні (правильні геометричні), нерегулярні (полігони Тиссена), вкладені чи ієрархічні сітки (квадратомічне дерево), які цілком покривають територію, що досліджується і таке інше.

Регулярні мережі бувають трьох типів: квадратні (Рис.13.а.), трикутні (Рис.13.б.) й шестикутні (Рис.13.в.).

а б в

Рис.13.

Регулярні сітки грунтуються на поділі територій на комірки правильної форми в деякій системі координат. При цьому сітка будується (подумки) на площині чи об’ємній поверхні. Розміри комірок можуть бути різними й визначаються потрібною просторовою роздільною здатністю (resolution).

Роздільна здатність - мінімальний лінійний розмір найменшої ділянки простору (поверхні), відображеної одним пікселом, тобто це величина, відповідна мінімальним розмірам об’єкта, який може бути відображений у даній моделі.

Крім роздільної здатності, ще однією головною характеристикою растрової моделі даних є формат запису. Формати запису поділяються на бітові, байтові, цілочислові та дійсні.

У бітовому (bit) форматі кожна комірка растра описується значенням 1 або 0 і для її запису потрібен один біт.

У байтовому (byte) форматі діапазон значень піксела розширюється до 256, тобто до 8-ми біт.

В цілочисловому (integer) і дійсному (real) форматах - до 16 і 32 біт відповідно.

Наявність різних форматів дозволяє оперувати з великою кількістю значущих класів, кожному з яких може відповідати рядок в базі даних.

Однак простота реалізації растрової моделі та спільне зберігання просторових і атрибутивних даних призводить до значних затрат машинної пам’яті (memory), потрібної для їх зберігання й обробки даних, пред’являючи набагато більші вимоги до апаратних засобів ніж до векторних моделей даних.

Для подолання подібних недоліків використовуються різні засоби стиснення інформації від найпростішого групового або лексикографічного коду (lexicographical code) до створення ієрархічної пірамідної структури (hierarchical pyramidal organization).

а б

Рис.14.

Серед нерегулярних мереж практично в ГІС застосовуються, в основному:

-полігони Тиссена (Thiessen polygons) - геометричні конструкції, які утворюються навколо багатьох точок таким чином, що межі полігонів є відрізками перпендикулярів, поставлених до ліній, які з’єднують дві найближчі точки (Рис.14.а.);

-трикутні сітки неправильної форми (Triangulated Irregular Network, ТІN) – лінійна нерегулярна мережа системи нерівнокутних трикутників (Рис.14.б.).

Ці форми застосовуються як у векторних моделях, так і в растрових для створення цифрових моделей поверхні за заданим набором точок і знайшли широке застосування в задачах моделювання рельєфу і побудові 3-х мірних моделей поверхні.

Основу правильних вкладених чи ієрархічних мереж складають нескінченно (рекурсивно) розкладувані моделі. Найширше застосовуються пірамідальна (pyramidal) (Рис.15.а.) і деревовидна (tree) (Рис.15.б.) структури даних.

Піраміди - це кілька внутрішніх зв’язаних рівнів, при якому нижній рівень складає 1/4 від розміру попереднього рівня. Піраміди характеризуються тим, що для їх зберігання потрібно пам’яті більше, ніж для зберігання вихідного зображення, хоча вони і відрізняються високою інформативністю та універсальністю, ефективністю алгоритмів обробки.

Але найбільшого поширення набули квадротомічні дерева (quad tree) або квадродерева (quadtree), які мають набагато більшу результативність. Так, якщо квадродерево застосовується до полігонів, то називається площинним квадротомічним деревом, якщо до ліній - PMR-квадратомічним деревом, до точок - PR-квадротомічним деревом.

Термін квадродерево виник тому, що основна структура даних—дерево, в якому некінцеві вузли мають чотирьох нащадків. Принцип квадродерева площинного об'єкта – рекурсивний, де виконується поділ неоднорідної квадратної решітки пікселей на чотири сектори рівних розмірів. Декомпозиція застосовується в кожному підмасиві до їхньої однорідності. Цей процес застосувався до зображення на Рис.16.а. На Рис.16.б. показано послідовне поділення сектора зображення.

Квадродерева зберігаються в деревоподібній структурі даних із коренем на вищому рівні - рівень 0. Для кожного некінцевого вузла його чотири складових сектори подані чотирма вузлами нащадків.

Гомогенний сектор, де ніякий подальший поділ не потрібен, зберігається як вершина. Вершини можуть мати атрибути, пов'язані з ними типи кольорового коду, або можуть вказувати на звіти більш детальної інформації в базі даних. Погодимось для порядку визначення нащадків, що NW (north-west, північний-захід), NE (north-east, північий-схід), SW (south-west, південий-захід), SE (south-east, південий-схід) на кожному рівні дерева. На Рис.17 показане дерево, що відповідає поділу, поданому на Рис.16.

Квадротомічні дерева мають переваги для накопичення і зберігання просторової інформації. У них геометрична область рекурсивно поділяється на квадранти. Кожен із чотирьох квадрантів стає вузлом дерева. Більший квадрант стає вузлом вищого ієрархічного рівня дерева, а менші квадранти з’являються на нижчого рівнях.

Переваги такої структури в тому, що регулярний розподіл забезпечує просте й ефективне накопичення, поновлення та обробку даних. Простота виникає із геометричної регулярності розбиття, а ефективність - за рахунок зберігання тільки вузлів з даними, які цікавлять. Внаслідок цього досягається значна економія об’ємів машинної пам’ті, необхідної для збереження растрових даних, і що ще важливіше - скорочується час доступу до елементів опису просторових об’єктів.

Остання особливість використовується і при поданні квадратомічним деревом не тільки растрових, але й векторних даних.

Основна позитивна якість - це мінімізація звернень до зовнішньої (дискової) пам’яті для запису зображення в оперативну пам’ять і виключення незначущих фрагментів з нього за рахунок збереження тільки того об’єкта, який цікавить, чи його частин у фрагментах, що залишилися.

Однією з найскладніших проблем, що зустрічається під час обробки й аналізу растрових зображень, є розпізнавання образів (pattern recognition).

Суть цього процесу полягає в ідентифікації та виділенні із растра всієї карти різних об’єктів і явищ, поданих на ній у вигляді точкових, лінійних, полігональних та інших умовних знаків, прийнятих при її складанні, і запису розпізнаних образів у певній логічній послідовності. Ця проблема до нині не вирішена.

До переваг растрової моделі належать швидкість її формалізації і подання матеріалів у машинному вигляді. Сучасні способи отримання цифрових аеро- і космофотознімків дають можливість поновлення геоданих у системі реального часу без застосування досить тривалих і трудомістких робіт по цифруванню даних у векторний формат.

Растрові дані як правило, але не винятково, використовуються для зберігання інформації про географічні об’єкти (властивості місцевості), безперервно розподілені на поверхні, такі як висота, глибина залягання грунтових вод і т.і. Дані зображення є однією із форм растрових даних, де в кожній комірці або пікселі зберігається значення, записане оптичним чи електронним пристроєм.

Растрові дані в значній мірі залежать від кроку (роздільної здатності) регулярної сітки, в якій вони записуються. Розмір комірок грида (сітки) фіксований, так що в міру збільшення зображення растрових даних у вигляді, врешті решт можна побачити форму комірок.