- •1. Определение геоинформационного картографирования
- •2. Общие принципы гк; понятия о гис и гк
- •3. Основные этапы развития методов и средств автоматизации в картографии
- •5. Структура системы автоматизированного (геоинформационного) картографирования
- •6. Источники данных геоинформационного картографирования
- •7. Позиционная точность, точность атрибутов
- •8. Понятия качества данных. Распространение погрешностей в измерениях координат
- •9. Понятия базовых пространственных объектов и данных, цифровой картографической основы
- •10. Методы создания общегеографических и тематических компьютерных карт
- •11. Задачи автоматизации картографической генерализации
- •12. Семантическая и геометрическая генерализация
- •13. Элементы генерализации линий (упрощение, сглаживание, перемещение, структурирование, слияние)
- •14. Алгоритмы упрощения линий (независимые точки, локальная обработка)
- •15. Алгоритмы глобального упрощения линий
- •16. Алгоритмы определения пересечения линий: простейшие и особые случаи
- •17. Алгоритмы определения пересечения линий: сложные линии
- •18. Определение положения центральной точки полигона, скелетизация
- •19. Картографические базы и банки данных, этапы их проектирования
- •20. Цифровые, электронные и компьютерные карты
- •21. Трансформирование векторных изображений (на примере перехода из относительной прямоугольной системы коорд в равнопромежуточную коническую)
- •22. Линейное трансформирование растровых изображений
- •25. Методы построения цифровых моделей рельефа и комп. Построение изолинейных карт
- •4 Осн класса моделирования статистич пов-тей (отлич разными мат подходами)
- •26. Формализация и алгоритмизация процесса картографирования. Автоматизированное построение картографических знаков
- •27. Построение электронной карты (методы визуализации простр данных)
- •28. Элементы цветового зрения и цветовые палитры.
- •29. Понятия теории фракталов и ее использование в картогр генерализации.
- •30. Определение фрактальной размерности.
- •31. Ошибки измерения длин и площадей при использовании фракталов
- •36. Алгоритмы компьютерной обработки снимков для составления тематических карт
- •37. Использование операций синтеза, компонентного анализа, подсчета вегетационного индекса для создания тематических карт
- •38. Алгоритмы контролируемой классификации (ближайшего соседа, максимального правдоподобия)
- •39. Алгоритмы неконтролируемой классификации
- •41. Использование гис-пакета ArcView в целях геоинформационного картографирования
- •42. Структура и терминология гис-пакета ArcView
- •47. Построение связей между таблицами: соединение и связывание таблиц
36. Алгоритмы компьютерной обработки снимков для составления тематических карт
Если из данных есть только снимки, то существует три варианта дальнейших действий:
Кластеризация (в случае, когда о территории нет больше никаких данных)
Контролир. классиф-я (на основании опыта дешифрирования объектов у исследователя)
Составление карт динамики по разновременным снимкам
Если помимо снимка, имеются другие данные (векторные, растровые, табличные, текст и т.д.), последовательность действий следующая:
Все данные переводят в одну проекцию
Анализ и преобраз данных с использ ГИС-технологий
Создание новых карт (инвентаризационных, оценочных, динамики)
Весь анализ снимков проводится методом скользящего окна.
Для создания тематических карт используются также алгоритмы выделения границ и линейных объектов. Они рассматривают изменения яркости на снимке как некоторую непрерывную функцию и оперируют с производными 1го и 2го порядков.
Для исследования текстуры объекта применяют алгоритмы анализа текстуры (как правило, в сочетании):
- среднее Евклид расстояние от централ пиксела окна до всех остальных пикселов (вычисляется по всем зонам снимка)
- вариация (квадрат показателя стандартного отклонения значений яркости в окне), как показатель неоднородности исходных данных
-асимметрия (асимметричность гистограммы распределения данных относительно ее максимума)
- эксцесс (острота пика гистограммы по сравнению с нормальным распределением).
37. Использование операций синтеза, компонентного анализа, подсчета вегетационного индекса для создания тематических карт
Синтезирование. Выбирают 3 зональных изображения, которые рассматривают как красную, зелен и синюю составляющую палитры RGB. В общем виде:
С=а1×R+a2×G+a3×B
(RGB – зональные компоненты, а1,а2,а3 – некие коэффициенты). Результаты синтеза оценивают визуально. КОэф-ты определяются как экспериментально, так и с помощью стандартных процедур в программ пакетах.
Метод главных компонент. Используется для определения статистически независимых производных признаков объектов, выделения и отображения их спектрального контраста. Чаще всего по 4м исходным зонам снимка получают 4 новых изображения, ранжированных по убыванию дисперсии яркости (спектрального контраста). Причем 1ое изображение – максимально выражен контраст, 2ое – контуры, на к-ых происх смена контраста, 3е и 4е – инфа о шумах, систематич погрешностях и т.д. Никакие значения не отбрасываются. Часто изображения первых 3х главных компонент используют для получения нового синтез изображения
Вегетационный индекс.
NDVI=(Bик – Bк)/(Вик + Вк).
Принимает отрицат значения для водных объектов, максимум – где больше всего биомасса, все остальное – промежуточные значения. Способствует выделению различных типов растит-ти, экологической обстановки, контраст растит-ти с обнаж грунтами и т.д.
38. Алгоритмы контролируемой классификации (ближайшего соседа, максимального правдоподобия)
Методы учитывают уже известную инфу
-о типах объектов и вероятности их представления данными снимка
-об эталонных значениях спектральных хар-к этих объектов, от качества к-ых зависит точность и достоверность классификации
Создание эталонов(требования): близость гистограммы к нормальному распределению, минимальность дисперсии данных(однородность), небольшие отклонения от среднего, разделимость выборок в спектр простр-ве
Выборки: параметрические(оценивает статистические характеристики по каждому эталону с учетом нормального распр-я данных) и непараметрические(основана на полигонах, созданных пользователем по пространству спектр признаков)
Оценка выборок: построение эллипсов рассеяния и редактирование изменением числа стандартных отклонений или заданием статистического расстояния м.у 2мя выборками.
Алгоритм ближайшего соседа.
По минимальному расстоянию между классами в пространстве признаков. Решение о принадлежности пиксела принимается на основании анализа некоторой меры близости. Рассчитывается спектральное расстояние между вектором значений яркости пиксела и вектором средних значений каждого эталона. Пиксел приписывается к классу с ближайшим средним значением. Метод не учитывает изменчивость яркости в классе (дисперсию), поэтому плохо классиф объекты с высокой дисперсией.
Метод максимального правдоподобия.
Статистический подход к решению задачи классификации.
Алгоритмы классификации: 1)детерминированные (выборки не пересекаются в простр спектр призн), 2)статистические(если наоборот)
Метод параллелепипеда (задание границ яркостей по каждому объекту) классиф выполн за 1 проход и не требует норм распред данных
А) Ближайшего соседа (определение минимального расстояния между классами в пространстве спектр признаков: между отдельным пикселом и средними знач-ями каждой выборки)
Б) Максимального правдоподобия( в основе лежит предположение , что появление на снимке объекта i, относ к классу A является случайным событием w)
По созданным выборкам рассчитываются статистические характеристики (функции условной плотности распределения вероятности). Затем на основании этих данных проводится анализ всего изображения, пиксел будет отнесен к тому классу, который будет ему ближе всего по статистическому распределению признаков (т.е.по обучающим выборкам создается функция, определяющая распределение яркости для каждого объекта и предсказывающая тем самым какой пиксел в нее лучше ”впишется”)
! Метод хорош, если данные внутри каждой выборки достаточно однородные, в противном случае произойдет выделение не реальных классов объектов, а пикселов со схожими значениями