- •Оглавление
- •Введение
- •1.1. Определения и задачи геоинформатики
- •1.2.1. Определение и толкование базовых понятий геоинформатики
- •1.3. Общее представление о ГИС
- •1.4. Основные этапы развития ГИС
- •1.5. География и ГИС
- •2.1. Типы и источники пространственных данных
- •2.2. Проектирование географических баз данных
- •2.2.1. Требования к базе данных
- •2.2.2. Этапы проектирования базы данных
- •2.3. Представление пространственных объектов в БД
- •2.3.1. Выбор модели пространственной информации
- •2.3.2. Особенности представления пространственных объектов в БД
- •2.3.3. Позиционная и семантическая составляющие данных
- •2.4. Системы управления базами данных в ГИС
- •2.4.1. Функции СУБД
- •2.4.2. Задачи и функции СУБД в ГИС
- •2.4.3. Базовые понятия реляционных баз данных
- •2.4.4. Язык реляционных баз данных SQL — функции и основные возможности
- •2.4.5. Объектно-ориентированные и реляционные структуры БД
- •2.4.6. СУБД в архитектуре «клиент-сервер»
- •2.5. Организация и форматы данных
- •2.6. Качество данных и контроль ошибок
- •2.6.1. Типы ошибок в данных и их источники
- •2.6.2. Позиционная точность данных
- •3.1. Требования к техническому и программному обеспечению ГИС
- •3.3. Характеристика технических средств ГИС
- •3.4. Технологии ввода графической информации
- •3.5. Преобразования форматов данных
- •3.7. Общая характеристика программных коммерческих ГИС-пакетов
- •4.1.1. Пространственная привязка данных и преобразование проекций
- •4.1.2. Алгоритмы трансформирования геоизображений
- •4.1.3. Определение координат контрольных точек
- •4.1.4. Оценка ошибок трансформирования
- •4.2. Дискретная географическая привязка данных
- •4.3. Операции с данными в векторном формате
- •4.3.1. Представление пространственных объектов и взаимосвязей
- •4.3.2. Алгоритмы определения пересечения линий
- •4.3.3. Способы вычисления длин линий, периметров и площадей полигонов
- •4.3.4. Алгоритм «точка в полигоне»
- •4.3.5. ГИС-технологии пространственного анализа
- •4.3.6. Операции оверлея полигонов
- •4.4. Хранение и преобразование растровых данных
- •4.4.1. Кодирование и сжатие информации
- •4.4.2. Иерархические структуры данных. Дерево квадрантов
- •4.4.3. Операции с растровыми слоями БД
- •4.4.4. Технологии анализа данных, основанные на ячейках растра
- •4.5. ГИС-технологии совмещения и оценки пригодности данных
- •5.1. Методы пространственного анализа
- •5.1.1. Классификация объектов путем группировки значений их признака
- •5.1.2. Методы интеграции признаков для исследования взаимосвязей и классификации объектов
- •5.1.3. Исследование взаимосвязей объектов с использованием операций оверлея слоев
- •5.1.4. Выбор объектов по пространственным критериям. Построение запросов
- •5.1.5. Анализ сетей
- •5.1.6. Тематическое согласование слоев
- •5.2. Методы пространственного моделирования
- •5.2.2. Подготовка исходных данных для создания модели
- •5.2.3. Интерполяция по дискретно расположенным точкам
- •5.2.4. Построение статистических поверхностей
- •5.2.5. Определение местоположения и оптимального размещения объектов
- •5.2.6. Моделирование пространственных распределений
- •5.2.7. Интерполяция по ареалам
- •5.3. Применение пространственных моделей
- •5.4. Обеспечение принятия пространственных решений
- •5.4.1. Методы обеспечения поддержки принятия решений
- •5.4.2. Понятия нечетких географических объектов и нечетких множеств
- •5.4.3. Экспертные подсистемы ГИС
- •6.1. Разработка ГИС-проекта
- •6.2. Общие вопросы проектирования базы данных ГИС
- •6.3. Учет особенностей моделей данных и функциональных средств ГИС
- •Глава 7. Задачи и методы геоинформационного картографирования
- •7.1. Определения, особенности и задачи геоинформационного картографирования
- •7.2. Основные этапы развития методов и средств автоматизации в картографии
- •7.3. Географические основы ГК
- •7.4. Структура системы геоинформационного картографирования
- •7.5.1. Задачи проектирования картографических БД
- •7.5.2. Качество цифровых карт
- •7.6.1. Электронные и компьютерные карты
- •7.6.2. Графические стандарты
- •7.6.3. Спецификация цвета и цветовые палитры
- •7.6.4. Компоновка электронных и компьютерных карт
- •7.7. Методы геоинформационного картографирования
- •7.7.2. Создание тематических карт на основе методов пространственного моделирования в ГИС
- •7.8. Автоматизированная генерализация тематических карт
- •7.8.1. Семантическая и геометрическая генерализация
- •7.8.2. Элементы генерализации линий
- •7.8.3. Использование теории фракталов
- •7.9. Формализация и алгоритмизация процесса картографирования
- •7.9.1. Картометрические функции
- •7.9.2. Определение положения центральной точки полигона и скелетизация
- •7.9.3. Построение системы картографических знаков и размещение надписей
- •7.10. Новые направления и технологии геоинформационного картографирования
- •7.10.1. Оперативное картографирование и картографические анимации
- •7.10.2. Картография и Интернет
- •Глава 8. Цифровая обработка изображений для создания баз данных ГИС и тематических карт
- •8.1. Применение данных дистанционного зондирования в ГИС и тематическом картографировании
- •8.2. Методы цифровой обработки космических снимков
- •8.3. Методы дешифрирования, основанные на преобразовании спектральных яркостей
- •8.3.1. Спектральное пространство и дешифровочные признаки
- •8.3.2. Синтез изображений и анализ главных компонент
- •8.3.3. Производные дешифровочные признаки
- •8.4. Алгоритмы классификации
- •8.4.1. Правила и типы автоматизированной классификации
- •8.4.2. Алгоритмы контролируемой классификации
- •8.4.3. Алгоритмы неконтролируемой классификации
- •8.4.4. Оценка результатов классификации
- •8.5. Алгоритмы выполнения географического анализа по космическим снимкам
- •8.5.1. Изучение динамики явлений (объектов) по картам и снимкам
- •8.5.2. Изучение географических объектов с использованием методов нечеткой и экспертной классификации
- •Литература
- •Учебники и учебные пособия
- •Монографии
- •Справочники и руководства
- •Предметный указатель
8.3. Методы дешифрирования |
371 |
само по себе. Методы объединения данных, полученных в радио и видимой или ИК областях спектра, носят экспериментальный характер, и выполняются, например с помощью метода главных компонент (см. параграф 5.1.2).
8.3. Методы дешифрирования, основанные на преобразовании спектральных яркостей
8.3.1. Спектральное пространство и дешифровочные признаки
Дешифрирование изображений — основная задача при использовании снимков для географических исследований. Оно включает: распознавание объектов (выявление объектов на снимке) и отнесение их к некоторому типу; измерение — определение размеров, расстояний между объектами, количества объектов на единицу площади и т. п.
Географическое дешифрирование основывается на систематическом обследовании объектов на изображении в сочетании с разнообразными дополнительными данными. К дешифровочным признакам изобразившихся объектов относятся тон, цвет, размер, форма, текстура, рисунок, тень, местоположение, связь с другими объектами.
Особенность автоматизированного дешифрирования состоит в том, что реальные объекты земной поверхности представлены отдельными элементами — пикселами, в которых зафиксирована спектральная отражательная способность объектов. Поэтому дешифрирование объектов по снимкам осуществляют не в географическом пространстве, а опосредованно, моделируя спектральное пространство (см. раздел 8.2). Такое пространство ортогонально, его размерность равна числу съемочных зон, а каждый пиксел многозонального снимка с его набором спектральных значений представляет точку в этом пространстве. Таким образом, каждый объект на снимке представлен компактным множеством точек в спектральном пространстве с признаками, характеризующими объект.
При автоматизированном анализе изображения обычно удается учесть лишь такие признаки, как тон, цвет, размер.
Дешифровочные признаки. Используемые при автоматизированном дешифрировании признаки подразделяют на яркостные, геометрические и комплексные.
372 |
Глава 8. Цифровая обработка изображений |
Яркостные признаки являются основными и в большинстве случаев единственными. При обработке многозональных снимков они наиболее удобны, так как создают многомерную числовую характеристику каждой точки дешифрируемого объекта. Несмотря на то, что различные природные объекты обладают специфическими спектральными характеристиками, эти признаки не вполне надежны. Спектральная яркость легко поддается искажениям при фотообработке, зависит от освещенности объекта, т. е. от высоты Солнца, времени суток и года, влияния атмосферы, угла поля зрения съемочной системы, рельефа местности и т. п. Это приводит к неоднозначному соответствию объекта и его дешифровочных признаков, что, в конечном счете, снижает достоверность дешифрирования.
Несмотря на все недостатки использования яркостных признаков, очевидно, что независимо от способов дальнейшего представления и преобразования исходных данных, полученных по многозональным снимкам, опознавание объектов производится с применением коэффициентов их спектрального отражения. При этом «спектральный образ» объекта, составленный на основании измеренного по зональным снимкам ограниченного набора спектральных яркостей объектов, не может быть более эффективным, чем измеренные коэффициенты спектральной яркости объектов'.Поэтому среднеквадратическая ошибка определения коэффициентов спектральной яркости по снимку, описывая качество исходного съемочного материала, одновременно характеризует максимально возможную точность идентификации объектов и их изображений. В большинстве случаев величины спектральных признаков пикселов одного объекта не строго одинаковы, а варьируются в определенных диапазонах, о чем можно судить по гистограмме. Кроме того, диапазоны спектральных признаков разных объектов могут частично перекрываться, поэтому выполненная по ним классификация не может быть абсолютно достоверной. Для повышения надежности классификации идут по пути повышения точности измерений и увеличения количества самих признаков. Технически это наиболее просто сделать для яркостных признаков, увеличивая число каналов многозональной съемочной аппаратуры или используя многовременные снимки.
'Спектральные образы для наглядности часто изображают графически
ввиде кусочно-линейных кривых.
8.3. Методы дешифрирования |
373 |
К геометрическим признакам относятся такие, как форма (линейная, плоская, объемная), размер, топологические свойства (например, связность, число промежутков). Геометрические признаки используют значительно реже яркостных, так как их применение связано с определенными трудностями формализации.
Комплексные признаки являются специфическим сочетанием яркостных и геометрических признаков и определяют структуру (текстуру) изображений, характерную для определенных объектов или природных образований. Это наиболее эффективные и устойчивые признаки, но с трудом поддающиеся формализации. Косвенно они используются в алгоритмах контролируемой классификации, когда классификация ведется по эталонам (тестовым участкам).
При дешифрировании снимков, основанном на преобразовании исходных спектральных признаков объектов, применяют два подхода:
•преобразование спектрального пространства признаков с
целью подчеркивания и отображения различий объектов;
•попиксельный анализ снимков в разных зонах; при этом считают, что каждый пиксел изображения объекта сохраняет спектральные признаки всего объекта, а их целенаправленные комбинации способствуют идентификации объектов.
8.3.2. Синтез изображений и анализ главных компонент
Методы синтезирования и анализа главных компонент направлены на интегрирование признаков объектов в спектральном пространстве: первый осуществляет переход от трехмерного представления к одномерному с новой координатой — цветом, второе преобразует спектральные координаты в показатели контраста.
Синтезирование цветного изображения. Для выполнения процедуры синтезирования выбирают три зональных изображения, которые рассматривают как красную, зеленую и синюю составляющие палитры RGB. В общем виде эту процедуру (во многих ГИС-пакетах она носит название COMPOSIT) можно представить соотношением
C = a{R + a2G + asB, |
(8.6) |
где С — синтезированное значение, R,G,B — зональные компоненты, a av av ау — некоторые коэффициенты.
374 |
Глава 8. Цифровая обработка изображений |
Получаемое цветное изображение способствует лучшей идентификации объектов съемки. Результаты синтеза оценивают визуально, целенаправленно подбирая зональные снимки для цветных компонент. Коэффициенты иногда определяют экспериментально, с тем чтобы учесть параметры съемки и характерные особенности объектов дешифрирования. Но чаще пользуются стандартными процедурами, предоставляемыми программными пакетами. В тех из них, которые работают с 8-битовыми изображениями (например, Idrisi), каждое из изображений-компонент квантуется на шесть градаций, при этом диапазон изменения яркости на них сокращается до 32-х значений. Это необходимо для того, чтобы в синтезированном изображении значение пиксела не превысило 255 (в одном байте каждой компоненте отводят 6 бит и в результате получают 6x6x6 = 216 значений цвета). Для подсчета значений пикселов синтезированного снимка используют формулу:
С = 36Л + 6G + В. |
(8.7) |
В пакетах, работающих с 24-битовыми изображениями, для каждой компоненты отводится байт, что позволяет сохранить все исходные спектральные показатели.
Метод главных компонент, изложенный в параграфе 5.1.2, используется для определения статистически независимых производных признаков объектов, выделения и отображения их спектрального контраста.
Процедуру легко пояснить графически на примере двух спектральных зон, демонстрирующих соотношение их значений яркости. Если распределение значений яркости в каждой зоне нормальное или близкое к нормальному, то при отображении на плоскости двух зон это распределение имеет вид облака, называемого в статистике эллипсом рассеяния (в w-мерном пространстве это будет гиперэллипсоид) (рис. 8.13 а), а получаемые в результате преобразования главные компоненты располагаются соответственно по большой и малой его осям (рис. 8.13 б). В ряде случаев полезную информацию можно извлечь из главных компонент с наименьшей дисперсией. Они могут отражать тонкие детали изображения, затененные более высоким контрастом в исходном изображении, регулярные шумы, например, полосчатость на сканерных снимках.
В наиболее распространенном случае применения анализа главных компонент метод позволяет получить по четырем исходным