- •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
8.5. Алгоритмы выполнения географического анализа |
405 |
Врезультате создают два геометрически зарегистрированных файла, первый из которых содержит значения разброса яркостей (или их масштабированные значения), другой — коды направления изменений. Каждый из них представляют в виде изображений, при этом информацию второго файла накладывают на изображение области изучения, присваивая пикселам цвета согласно их коду направления изменений. Совместный анализ двух полученных изображений предполагает установление пороговых значений для вектора разброса.
Внастоящее время для решения задач мониторинга определенных территорий многими исследователями предпринимаются попытки разработать системы, работающие с минимальным участием человека. Они основаны на создании экспертных систем, опирающихся на базы знаний.
8.5.2. Изучение географических объектов с использованием методов нечеткой и экспертной классификации
Представленные в разделе 8.4 алгоритмы компьютерной классификации базируются на том, что каждый пиксел изображения может быть отнесен строго к одному классу, поэтому в англоязычных пакетах программ эти алгоритмы называют «hard classification».
Теоретически пикселы представляют средневзвешенные спектральные характеристики площадки на земной поверхности, в пределы которой могут входить разные типы объектов. Кроме того, даже если это один и тот же объект, нет гарантий, что многозональные данные передают все его свойства. Пропорции объектов или их свойств в этих так называемых смешанных пикселах меняются от пиксела к пикселу. Увеличение пространственного разрешения снижает эффект смешения, однако он остается на границах объектов.
Наиболее простой метод разделения информации в смешанном пикселе — подпиксельной классификации (subpixel) — базируется на анализе спектральных данных разных объектов, вошедших в пиксел. Далее составляется линейное соотношение, связывающее эти данные, коэффициентами которого служат значения доли площади пиксела, занимаемой объектом. Для того, чтобы реализовать такую модель, нужны очень точные дополнительные данные, которые можно получить только в результате наземных и лабораторных исследований изучаемой территории.
406 Глава 8. Цифровая обработка изображений
Методы, основанные на положениях теории нечетких множеств — методы нечеткой классификации — применяют в случае смешанных пикселов, рассматривая их как нечеткое представление объектов разных типов, которые невозможно отнести к одному классу. Такие алгоритмические методы учитывают реальную нечеткость природных объектов [Jensen, 1996]. Нечеткие классификации основаны на построении функций принадлежности, описанных в параграфе 5.4.2, применение которых позволяет определить, к какому классу ближе исследуемый пиксел. Нечеткие классификации не создают однозначных границ классов, поэтому пиксел может принадлежать различным классам.
Подобно традиционной классификации, нечеткая также использует процедуру обучения, но наибольшее отличие заключается в том, что необходимо в набор эталонных данных ввести еще информацию о классах, составляющих пиксел. Процесс создания обучающих выборок существенно отличается от традиционного, в котором пикселы такой выборки должны быть близки по значению и точно характеризовать один класс.
Методы нечетких классификаций основаны на применении средств так называемой нечеткой свертки, которые позволяют назначать классы в пределах скользящего окна (см. раздел 8.2). Используя многозональную классификацию и файлы расстояний, свертка создает новые классы, вычисляя взвешенные расстояния для всех классов в пределах окна.
Нечеткая свертка при классификации создает однослойное изображение, значения пикселов в котором определяются на основе анализа вычисленных обратных взвешенных расстояний для всех классов пикселов, находящихся в окне. Центральный пиксел окна относят к классу с наибольшим общим обратным средневзвешенным расстоянием, определенным через сумму всех созданных слоев нечетких классификаций. Такая классификация создает эффект контекстной классификации, предназначенной снизить пестроту выходного изображения. Классы с очень маленьким расстоянием остаются без изменения, в то время как классы с большими значениями средневзвешенных расстояний могут изменить ближайшие соседние значения, если существует достаточно большое число соседних пикселов с значением определяемого класса и небольшими расстояниями.
8.5. Алгоритмы выполнения географического анализа |
407 |
Существуют алгоритмы нечеткой классификации, использующие логику построения функций принадлежности (см. раздел 5.2). На рис. 8.21 приведена графическая иллюстрация построения линейной функции принадлежности для разделения трех типов гипотетических объектов. Рисунок 8.21 а представляет процесс традиционной классификации на основе значений в ИК зоне; разделение значений яркости на три градации основано на свойстве постепенного повышения этих значений для рассматриваемых объектов. Но между такими объектами, как правило, невозможно провести четкую границу, и это проявляется в смешанных пикселах на снимках. Использование условий нечеткости может облегчить задачу отнесения пикселов к тому или иному классу. Рисунок 8.216 на гипотетическом примере показывает, что пикселы со значениями яркости <24 будут иметь величину степени принадлежности 1.0 к классу воды и 0 к обоим классам лесов. Аналогично, пикселы со значением яркости 60 получат величину степени принадлежности 0.7 для класса увлажненных лесов, 0.3 - для класса лесов на возвышенности и 0 для класса воды. Таким образом создается дополнительная информация для выполнения нечеткой классификации с использованием различных логических условий.
= |
0 |
24 |
30 |
36 |
55 60 |
70 |
90 |
б
Рис. 8.21. Схема, иллюстрирующая разделение нечетких классов с использованием функции принадлежности: а — традиционная классификация; 6 — нечеткая классификация (по [Jensen, 1996])
Экспертная классификация пока не входит в состав всех программных пакетов, предназначенных для обработки изображений.
408 |
Глава 8. Цифровая обработка изображений |
|
Она использует подход, основанный на формальных |
решающих |
|
правилах, компьютерных базах знаний и применении |
дополни- |
тельной информации, которая не всегда поддается формализации. Применение экспертной классификации требует четких знаний свойств исследуемой территории. Как уже отмечалось раньше, простейшие для компьютерной реализации решающие правила имеют вид соотношений «если..., то...».
Продемонстрируем применение экспертного подхода к классификации на примере задачи регионального исследования по космическим снимкам состояния сельскохозяйственных земель в Англии [Jensen, 1996]. Решающие правила в этом исследовании базировались на дополнительной информации с цифровой топографической карты, которая использовалась совместно с информацией, полученной с многозонального снимка, преобразованного методом главных компонент. Это позволило улучшить результаты как сегментации изображения территории, так и окончательной классификации. Решающие правила строились с учетом следующей дополнительной информации:
•показатели текстуры каждого региона, определенные по снимкам путем фиксации максимальных различий в яркости четырех соседних пикселов;
•показатели «кривизны» территорий, которые вычислялись по данным топографической карты как отношение разности площадей возвышенных участков и всей территории региона
кплощади возвышенных участков;
•показатели компактности, определенные на основе разделения территорий на квадраты; сельскохозяйственные поля в Англии располагаются очень компактно;
•показатели прямолинейности границ — типичное отличительное свойство сельскохозяйственных полей;
•спектральные характеристики водных объектов, вычисленные с использованием отношений красной/инфракрасной зон снимков;
•размеры регионов.
Совмещение дополнительной информации с данными космических съемок является альтернативой выполнению исследований с использованием только спектральной информации. Однако
8.5. Алгоритмы выполнения географического анализа |
409 |
требования к такой информации — по точности, достоверности и пригодности — должны быть очень высокими и не всегда просто удовлетворяются на практике.
ГИС-пакет ERDAS Imagine включает программный модуль, предназначенный для выполнения экспертной классификации [ERDAS Field Guide, 1999]. Он состоит из двух частей - Knowledge Engineer и Knowledge Classifier. Knowledge Engineer обеспечивает экспертов интерфейсом для создания базы знаний — введения в
программу своих знаний как данных для выработки решающих правил, определения атрибутивных переменных, типов классов, выделяемых по снимкам и создания иерархической последовательности (дерева) принятия решений. Knowledge Classifier обеспечивает интерфейсом пользователей (не экспертов) для применения базы знаний и выполнения классификации. Этот интерфейс позволяет ввести ограниченное множество параметров для контроля использования базы знаний.
Использование данных дистанционного зондирования для географического анализа территорий предъявляет к пользователямгеографам высокие требования. Необходимо обладать знаниями географических особенностей территорий, методами их изучения и многочисленными способами компьютерной обработки снимков, описанными выше.