Разработка, формирование и ведение индексных кадастровых карт средствами гис часть 4

03 Апр 2018  |  Автор:

последовательности строк, которые в свою очередь являются упорядоченными последовательностями пик селей. Пиксели характеризуются числом или группой цифр — значений пикселей Таким образом, каждый пиксель характеризуется значением и координатами номером строке и своим номером в этой строке. Любой физический объект И. растровом изображении природного происхождения отображается в виде множества точек этого растра. Поскольку пиксели не содержат информации о своей принадлежности к определенному объекту, при распознавании приходится обрабатывать определенный объем данных растра. Это приводит к большому росту времени обработки. Распознавание по растра связано также с тем, что построить признаки объектов, которые были устойчивыми к аффинных преобразований изображения, чрезвычайно сложно. Основой векторных изображений является векторные объекты. Каждый векторный объект характеризуется собственными числовыми, специфическими геометрическими, метрическими, топологическими и другими свойствами. Это, например, конфигурация, структура, местонахождение на изображении, ориентация и тому подобное. адекватного использования в геоинформационных системах векторные объекты должны иметь метрические характеристики, достигается установлением объектов определенной системы координат. Поскольку все объекты связаны между собой одним изображением, к которому они относятся, то система координат становится общей характеристикой этого изображения.
Срочный выкуп авто Псков
Кроме упомянутых свойств, с векторными объектами могут ассоциироваться данные любой природы — числовые, текстовые и др. Это свойство векторных объектов обусловливает возможность созданы таблиц и баз данных для объектов, формирующих изображение. Изображение в векторном представлении имеют ряд других преимуществ по сравнению с изображениями в растровом формате:
o возможность группировки, сортировки, отображения, анализа объектов слоями;
o выигрыш в быстродействии алгоритмов распознавания, что связано с возможностью распознавания для небольшой доли объектов, которые образуют множество заинтересованности;
o выигрыш в быстродействии и надежности распознавания вследствие группировки объектов по типам, к которым применяются специфические для соответствующей группы обработки, критерии, базы прототипов и др .;
o векторное изображение использует существенно меньший объем памяти ЭВМ (оперативного и дискового пространства).
2.2 Технологическая последовательность автоматизированного распознавания объектов на цифровых растровых изображениях.
Рассмотрим технологическую последовательность автоматизированного распознавания, предлагается при использовании существующих растровых карт, данных ДЗЗ или аэрофотосъемки (рис2.1). Входящее растровое изображение в цифровом виде подлежит предварительному обработке вследствие наличия характерных для сканированных и аерофотозображень нескольких типов завад — (аддитивных, мультипликативных, импульсных), больших размеров цифровых массивов данных, ограниченности аппаратно-вычислительных ресурсов, отсутствия достоверной априорной информации о характеристиках объектов и систему формирования изображений. Для предварительной обработки чаще применяют алгоритмы локально-апертурной фильтрации.
В процессе сепарации информативных зон определяют области изображения, которые содержат полезную информацию. Для этих зон проводится дальнейшее обработки.
Продолжением предварительной обработки входного растра является сегментация. Цель и алгоритмы сегментации зависят от алгоритмов векторизации и распознавания, которые должны быть применены к данному изображения. Чаще всего критерием векторизации является цвет (яркость, или др.) Точек [5], то есть объектом называют связанную множество точек одинакового цвета (кластер) при том, что смежные с этой множеством пиксели имеют другие цвета. В этом случае сегментация — это процесс формирования в информативных зонах кластеров, видловидають реальным объектам. Распознавание может также проводиться с исполь зованием скелета контурного препарата. Для этого надо провести сегментаций таким образом, чтобы выделить в отдельные кластеры границы объектов.
От качества предыдущих этапов обработки изображения зависят ход и результат автоматической векторизации. В идеальном случае множество векторных объектов должна совпадать с множеством реальных объектов на изображении.
Устранить и скорректировать все помехи на входных растрах п
ринципиально невозможно, дополнительных опций при настройке методов обработки растров может не хватить для правильной сегментации. В этом случае остаточные помехи; воспринимаются системой как объекты или части объектов и переводятся при трансформациях в векторный формат. Поэтому для подготовки к конечному распознавания необходимо провести предварительное обработки полученного векторного изображения. Такое обработки базируется на применении методов, которые по тем или иным признакам классифицируют векторные объекты как помехи и, таким образом, становится возможным скорректировать ошибки.
Следующим шагом для повышения эффективности конечного распознавания является преселекция и сепарация объектов на информативные слои. Преселекция представляет собой классификацию объектов по их интегральными параметрами (периметр, площадь и др.). На этой стадии возможно отфильтровать, например, шумовые объекты, которые имеют площадь менее определенного порогового значения. Или по значению площади возможно выполнить сортировку полигонов на здании (меньшие значения) и поля без строений (большие значения площади). Линии возможно сортировать по длине, толщине (хранится как свойство линии после скелетизации), ориентацией, углом поворота и другим параметрам. Значение границ интегральных параметров в процессе эксплуатации системы постоянно уточняются, а множество этих параметров может дополняться новыми, более эффективными, предоставляющих новые возможности при обработке.
По полученным слоями формируются множества заинтересованности, в которых после геопривязки проводится конечное распознавания и сортировки объектов.
В случае необходимости геопривязки выполняют до этапа преселекции. Конечное распознавания представляет собой широкий класс моделей и методов, которые в последнее время иртримко развиваются.
Рис. 1. Технология автоматизированного распознавания объектов на цифровых растровых изображениях
2.3 Реализации метода распознавания
графических образов в системе ведения земельного кадастра.
Как отмечалось, наиболее эффективное заполнение КБД при использовании существующих карт, данных ДЗЗ или аэрофотосъемки будет проводиться в случае сочетания автоматической векторизации и распознавания. Но заполнения КБД может происходить на основе существующих векторных цифровых карт. В этом случае заполнения КБД совершенствуется благодаря применению автоматизированного распознавания графических образов. Наличие такой возможности требует реализации в виде отдельного программного модуля (компонента).
Блок преселекции также должен быть реализован в виде отдельного программного модуля (компонента). Это позволит использовать его для поддержки первичного заполнения КБД и для выполнения быстрых обобщенный пространственных запросов.
При использовании

Отзывов нет | Нам важно ваше мнение!

К сожалению, отзывы пока закрыты.