- •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 |
375 |
зонам снимка четыре новых изображения, ранжированных по убыванию дисперсии яркости (спектрального контраста). При этом в первом изображении (первой главной компоненте) такой контраст максимально подчеркнут, второе отображает контуры, на которых происходит смена контраста, а изображения, соответствующие остальным компонентам, содержат, в основном, информацию о различных шумах и систематических погрешностях съемочной системы. Это позволяет уменьшить число анализируемых снимков до трех и одновременно увеличить различия между объектами в системе новых признаков. Часто изображения первых трех главных компонент применяют для получения синтезированного изображения. Известно, что такое изображение содержит больше информации, чем любая комбинация трех исходных спектральных зон.
90°
Зона В1
Рис. 8.13. Преобразование спектрального пространства методом главных компонент: a — эллипс рассеяния для двух зон АиВ\б— положение осей, соответствующее двум главным компонентам ГК1 и ГК2
Взависимости от исходных значений яркости и их дисперсии
вразных зонах снимка диапазоны значений главных компонент могут быть меньше максимально возможного радиометрического диапазона 0-255, поэтому их «растяжение» позволяет еще более подчеркнуть вариации новых данных.
8.3.3. Производные дешифровочные признаки
Наблюдаемая взаимная корреляция спектральных яркостей разных зон приводит к использованию производных признаков:
376 |
Глава 8. Цифровая обработка изображений |
они являются теми или иными функциями спектральных яркостей и строятся так, чтобы отразить в них важнейшие характеристики или параметры состояния объекта и сделать по возможности инвариантными к остальным параметрам и условиям съемки.
Методы дешифрирования, основанные на построении и анализе производных признаков, достаточно просты в реализации. Их можно отнести к интерактивной контролируемой пороговой классификации (см. параграф 8.3.4). В них разделение множества объектов на классы осуществляется на основе признаков, получаемых путем различных комбинаций исходных спектральных яркостей, а пороговые значения новых признаков — границы классов — вводятся пользователем на основе априорных знаний объектов дешифрирования. Преобразования выполняют для каждого пиксела снимка, после чего имеют дело либо с одним цветным изображением нового признака, либо с несколькими, число которых меньше числа зон. Такие методы направлены на подчеркивание спектральных различий объектов, изобразившихся на снимке, что в свою очередь способствует повышению достоверности их дешифрирования, как визуального, так и последующего автоматизированного.
Наиболее часто используемые методы преобразования — расчет разных индексов.
Расчет индексов применяют для создания новых изображений, используя так называемую алгебру изображений — математические операции, комбинирующие значения пикселов зональных снимков (аналогично алгебре карт, см. параграф 4.4.4). Они могут быть простыми, такими как разности двух зон, или более сложными, использующими построение функций от значений в нескольких зонах.
Такие функции выводятся на основе анализа спектров поглощения/отражения представляющих интерес объектов (кривых спектрального образа), отражающих зачастую их свойства на молекулярном уровне и несущие, в частности, информацию по химическому составу объекта. Поэтому индексы широко применяют при оценке и картографировании состояния растительного покрова, показателей биопродуктивности сельскохозяйственных культур и кормовых угодий, содержания хлорофилла в морской воде, в минералогических исследованиях. Во многих случаях правильно выбранные индексы
8.3. Методы дешифрирования |
377 |
могут выявить и подчеркнуть различия, которые четко не наблюдаются на исходных зональных снимках.
Расчет индексов направлен на создание производных признаков — характеристик спектрального контраста между зонами, которые отражают форму кривых спектрального образа. Они достаточно инвариантны к условиям наблюдения по сравнению с абсолютными значениями спектральных яркостей и позволяют для анализа классов объектов использовать некалиброванные значения яркости на исходном снимке (например, без учета влияния атмосферных условий съемки). Наиболее широко производные признаки используют при анализе растительного покрова. К ним относят, прежде всего, признаки, учитывающие характерные различия спектральных яркостей растительных объектов в красной и ближней инфракрасной зонах — простое зональное отношение и вегетационный индекс.
Простое зональное отношение Внк/Вк (Вик и й - яркости в красной и ближней инфракрасной зонах) наиболее чувствительно к присутствию растительности. Оно отражает различия яркости растительных и нерастительных объектов, представляет индикатор сомкнутости растительного покрова, но является функцией времени.
Вегетационный индекс. Для его вычисления строят разные эмпирические соотношения указанных зон, но чаще используют нормализованный вегетационный индекс
NDVI = ( В к - В ) / ( В к + й ) . |
(8.8) |
Для водных объектов он принимает отрицательные значения; для почв, грунтов, сухой растительности близок к нулю; максимальные значения — для вегетирующей растительности, а промежуточные — для разных состояний растительного покрова. NDVI подчеркивает контраст обнаженных пород и почв с зеленой растительностью, способствует выделению типов и состояния растительных объектов. Его значения возрастают с развитием зеленой биомассы и уменьшаются с ее усыханием. В то же время одни и те же значения вегетационного индекса могут соответствовать экологически различным категориям естественной и культурной растительности.
При выполнении практических исследований по снимкам создают модифицированные NDVI, например, известный как трансформированный NDVI (TNDVI) реализуется соотношением
378 |
Глава 8. Цифровая обработка изображений |
|
T N D V I = у]((Внк- |
ВК)/(ВИК+ В к ) ) + 0 , 5 , |
( 8 9 ) |
в котором добавление слагаемого 0,5 автоматически предотвращает получение отрицательных значений под корнем для большинства получаемых изображений.
Специфические отношения зональных значений снимков, полученных системой Ландсат ТМ, используют в геологических исследованиях. Например, отношение Bf./B1 позволяет идентифицировать минералы глины, В^/В^ — соединения закиси железа, В^/Вх — окись железа. Синтезирование изображений, полученных с помощью этих отношений, позволяет идентифицировать смеси минералов, а
использование для синтеза отношений B5/Bv |
В./В,, BJB3 — гидро- |
термальные смеси. |
(более известное как |
Преобразование «шапочка с кисточкой» |
Tasseled Cap [Jensen, 1996]) получило такое название по виду его графика, напоминающего спортивную шапочку. Оно использует для идентификации растительности более сложную комбинацию не менее чем из шести зон. Преобразование реализует ортогональное преобразование — поворот многомерного эллипсоида, представляющего распределение яркостей в спектральном пространстве, для оптимизации визуального анализа растительности. Как ясно из вышеизложенного, главные оси этого эллипсоида не обязательно соответствуют осям спектрального пространства (зонам), а непосредственно соотносятся со спектрами поглощения, со спектральной структурой данных. В результате исследований выявлено, что наибольшие оси многомерного эллипсоида соответствуют пикам поглощения. Кроме того, для целей визуализации удобно повернуть и-мерное пространство так, чтобы одна или две оси эллипсоида соответствовали осям X и У экрана монитора.
Многочисленные экспериментальные исследования способствовали определению трех осей (трех производных признаков), отражающих спектральную структуру данных и несущих информацию
осостоянии растительного покрова:
•индекс яркости почв (яркость) — взвешенная сумма значений пикселов всех зон снимка, учитывающая максимальное варьирование отражательной способности почвы;
•индекс зеленой растительности (зеленость) — контраст между ближней инфракрасной и видимой областями,