- •Фотограмметрия
- •Фотографические съемочные системы
- •Оптико – механические сканерные системы
- •Оптико – электронные сканерные системы
- •Системы координат применяемые в фотограмметрии
- •Системы координат:
- •Связь координат точки местности и координат точки на снимке
- •Обратная связь координат точек снимка и местности
- •Определение элементов внешнего ориентирования по опорным точкам
- •Рассмотрим варианты обратной связи.
- •Геометрические искажения изображения
- •Цифровое трансформирование снимков
- •Существует 2 основных метода трансформирования изображения :
- •Прямое трансформирование
- •Обратное трансформирование
- •Регулярная модель
- •Цифровое орто трансформирование снимков
- •Последовательность:
- •Фотограмметрические материалы
- •Критериями пригодности яв-ся:
- •Обработка цифровых изображений
- •Координаты и параллаксы точек стереопары
- •Элементы ориентирования пары снимков
- •К ним относятся:
- •Зависимость между координатами точки объекта и координатами ее изображений на стереопаре
- •Модель местности построенная по стереопаре снимков Идея и сущность построения модели
- •Взаимное ориентирование снимков
- •Внешнее ориентирование модели
- •Стерео наблюдение модели
- •Классификация пфт
- •Методы построения пфт
- •Краткая характеристика метода независимой модели Основные этапы:
- •Метод частично зависимых моделей
- •Основные этапы:
- •Метод связок
- •Дешифрирование аеро космических снимков
- •Методы дешифрирования в зависимости от принципов организации работ и условий (места) их выполнений различают следующие методы дешифрирования:
- •Способы дешифрирования:
- •Дешифровочные признаки
- •Эти взаимосвязи проявляются в 2 направлениях:
- •Автоматизация
- •Оператор должен задать 3 основных хар-ки в тело алгоритма:
- •Существуют несколько основных решающих алгоритмов управляемых классификаций:
Способы дешифрирования:
Визуальный. В качестве дешифровщика выступает оператор.
Автоматический. В качестве дешифровщика выступает комп.
Автоматизированный. В качестве дешифровщика выступают оператор и комп.
Дешифровочные признаки
Прямые. Те св-ва объекта, которые передаются и не посредственно воспринимаются дешифровщиками на снимках.
К ним относится: форма (основной дешифровочный признак), размер (признак менее определяемы и зависит от масштаба снимка), тон (степень потемнения изображения и обуславливается следующими причинами:
Отражательной способностью объекта
Внешним строением поверхности
Освещенностью объекта
Свето чувствительностью приемника
Время года) или цвет (отличается гораздо большим постоянством, чем тон, яв-ся надежным дешифровочным признаком), структура (сложный признак, объединяющий все другие прямые признаки; характеризуется новыми св-ами, обусловлен повторяемостью, размещением и кол-вом непосредственно распознаваемых предметов; наиболее прямой признак) и тень (противоречивый дешифровочный признак) изображения объекта.
Косвенные. Указывают на наличие или хар-ку объекта не изобразившегося на снимке или не определяемого по прямым признакам.
Данные признаки основаны на возникших в природе закономерных взаимосвязях пространственного размещения природных объектов или между природными объектами и результатами деятельности человека.
Эти взаимосвязи проявляются в 2 направлениях:
Приуроченность одних объектов к другим
Изменение св-в одних объектов под влиянием других
Автоматизация
Автоматизация ускоряет процесс дешифрирования, но полностью не уточняют участия, поэтому основной задачей автоматизацией распознавания яв-ся освобождение дешифровщика от непроизводительного поиска и рисовки дешифрируемых объектов
При автоматизированном дешифрировании появляется возможность использовать новые дешифровочные признаки, таким новым признаком яв-ся: совокупность значений яркости одного элемента изображения в различных зонах спектра - Вектор плотности элементов
При дешифрировании цифровых изображений различают контролируемую и не контролируемые классификации.
Не контролируемая классификация: при такой классификации используются статистические методы, что бы сгруппировать N - мерноые данные (n – кол-во каналов) в их естественные спектральные классы (кластеры). Алгоритм кластеризации приводит спектральный анализ изображения и пересчитывает его в одноканальное распределяя все пиксели (кластеры) по их редкостным хар-ам.
Оператор должен задать 3 основных хар-ки в тело алгоритма:
Кол-во классов
Кол-во итераций (кол-во пересчетов)
Порог сходимости (от 95% до 99%)
…
Создать обучающую выборку – эталон.
Источником эталонов м.б спектральные библиотеке. Эталоны набранные вручную оператором.
Существуют несколько основных решающих алгоритмов управляемых классификаций:
Способ параллелепипеда
Останутся не классифицированные пиксели, которые не попали не в одну из выборок
Метод min дистанций
Если не поставлено ограничение на длину вектора то будет классифицировано все изображение
Max вектора
Основан на определении степени вероятности попадания пикселя в тот или иной класс
Все изображение будет классифицировано, если не поставить порог
Метод спектрального угла
Основан на сравнении спектральных векторов характеристик