Методы и способы классификации космических изображений полученных со спутника

Размещено на http://www.allbest.ru/

Введение

В данной работе проводить, основные этапы обработке космических снимков, классификация космических снимков, и составление аннотации карт.

Все эти процессы будут проводиться с помощью 2-х программ для дистанционного зондирования земли и цифровой фотограмметрии, которые называются ENVI 4.5 & ERDAS IMAGINE 9.2

В итоге мы должны сравнить и понять разницы между методами классификации снимков, и оценить надежность каждого из методов классификации.

1. Теоретическая основа

1.1 Введение в дистанционное зондирование земли

Снимок -- двумерное изображение, полученный в результате съемки, выполненной специальной аппаратурой с воздуха или из космоса.

Пространственное разрешение - величина, характеризующая размер наименьших объектов, различимых на изображении.

Снимки по пространственному разрешению классифицируются:

1. снимки очень низкого разрешения 10 000 - 100 000 м.;

2. снимки низкого разрешения 300 - 1 000 м.;

3. снимки среднего разрешения 50 - 200 м.;

4. снимки высокого разрешения:

5. относительно высокого 20 - 40 м.;

6. высокого 10 - 20 м.;

7. очень высокого 1 - 10 м.;

8. снимки сверхвысокого разрешения меньше 0,3 - 0,9 м.

Дистанционное зондирование Земли (ДЗЗ) -- наблюдение поверхности Земли авиационными и космическими средствами, оснащенными различными видами съемочной аппаратуры.

Рабочий диапазон съёмочной аппаратуры составляет от долей микрометра (видимое оптическое излучение) до метров (радиоволны).

Основные области применения спутникового дистанционного зондирования:

Ш получение информации о состоянии окружающей среды и землепользовании, изучение растительных сообществ, оценка урожая.

Ш сельскохозяйственных культур, оценка последствий стихийных бедствий: наводнений, землетрясений, извержений вулканов, лесных пожаров.

Ш изучение загрязнения почвы и водоемов, льдов на суше и на воде,

и океанологии.

Данные зондирования поступают в виде изображений, как правило, в цифровой форме, обработка ведется на ЭВМ, поэтому проблематика дистанционного зондирования тесно связана с цифровой обработкой изображений.

Физическими основами дистанционного зондирования являются:

Ш Излучение энергии нагретыми телами

Ш Отражение и рассеяние солнечной энергии поверхностью

Ш Влияние атмосферы

Дистанционное зондирование определяется как метод получения информации об объектах путем анализа данных, собранных документов, которые были не в прямой контакт с объектом.

Цель: это объект или материал, который изучается.

Источник энергии: источником может быть природный или искусственный "пр. солнце, радар".

Путь передачи: прохождение излучения от источника энергии к цели, затем к датчику.

Датчик: это устройство, которое измеряет отражаемых лучей и излучения от объектов.

Источники энергии:

1 Активные системы: если источником энергии является искусственным. Например, радар, ультра фиолетовый источник.

2 Пассивные системы: изучение характерных для физического объекта, рассеянного или отраженного излучения из природных источников энергии, например, солнечных лучей.

Взаимодействие между падающим излучением и объектом исследования

1. Источник энергия (А). Первое требование для дистанционного зондирования иметь источник энергии, который освещает или обеспечивает электромагнитную энергию.

2. Радиация и атмосфера (B). Энергия перемещается от своего источника к цели С. В процессе распространения происходит взаимодействие с атмосферой. Это взаимодействие может иметь место во второй раз, когда энергия отводится от объекта к датчику.

3. Взаимодействие с целевыми показателями (С) - когда-то энергия прокладывает себе путь к цели через атмосферу, он взаимодействует с цели в зависимости от свойств как цель и излучения.

4. Запись энергии с помощью датчика (D) - после того как энергия была рассеянной от цели, датчик действует (удаленный - не в контакте с целью) для сбора и регистрации электромагнитного излучения.

5. Передача, прием и обработка (E) - энергия и информация записывается с помощью датчика, часто в электронную форму, далее происходит прием на станции, где данные обрабатываются в бумажном или цифровом виде.

6. Интерпретация и анализ (F) - проводят визуализацию для обработанных изображений и окончательно согласуют результаты процесса.

7. Заявка (G) - заключительный элемент дистанционного зондирования достигается, когда мы используем информацию, которую мы смогли извлечь из снимков данных объектов, с тем чтобы лучше понять свойство этих объектов, выявить новую информацию или использовать в решении конкретных проблем.

1.2 Общие характеристики спутника GeoEye-1

Geo Eye -- корпорация-поставщик информации по дистанционному зондированию Земли (космическая и аэрофотосъёмка).

GeoEye предоставляет полный спектр услуг, связанных с получением, обработкой и распространением данных ДЗЗ, полученных как со спутников, так и аэросъёмкой. Один из ведущих поставщиков данного вида услуг для коммерческих организаций. Поставляет так же данные услуги для военных и государственных учреждений США.

GeoEye образована 12 января 2006 года путём слияния OrbImage и Space Imaging. Штаб-квартира находится в г. Даллас (штат Виргиния, США). Обладает собственной спутниковой группировкой, состоящей из аппаратов: IKONOS, OrbView-2, Orbview-3, OrbView-5, GeoEye-1.

Космический аппарат GeoEye-1 запущен 6 сентября 2008 года и предназначен для получения цифровых изображений земной поверхности.

Оптические параметры спутника GeoEye-1

Режим	Спектральный диапазон, мкм	Пространственное разрешение, м
панхроматический	0,45-0,90	0,41
мультиспектральный	голубой	0,45-0,52	1,65
	зеленый	0,52-0,60
	красный	0,62-0,69
	ближний ИК	0,76-0,90
Размер кадра	225 км2 (15х15 км)
Наибольшая полоса непрерывной съемки	15000 км2 (300x50км)
Съемка ячейки 1°x1° с одного витка	10000 км2
Наибольшая площадь непрерывной стереосъемки	6270 км2 (224x28км)
Периодичность съемки	1-3 дней
Радиометрическое разрешение	11 бит/пиксель
Ширина полосы съемки	15,2 км

Тестирование данных GeoEye-1 подтвердило высокую геометрическую точность снимков:

Специалисты компании Ракурс выполнили обработку тестовой стереопары снимков GeoEye-1 в системе PHOTOMOD. Стереопара снимков района г. Хобарт (о. Тасмания, Австралия) обрабатывалась с использованием наземной опоры и без неё. При ориентировании стереопары только по орбитальным данным максимальная ошибка планового положения на контрольных точках составила 3,3 м, что соответствует точности масштаба 1:5000. Использование всего лишь одной опорной точки, позволяет практически исключить систематические ошибки и получить точность планового положения на уровне разрешающей способности снимка

Пользователям в настоящее время доступны следующие типы продуктов:

· Geo - геопривязанные изображения с предварительной радиометрической коррекцией, поставляемые с RPC. Данный тип снимков можно использовать как для визуализации и мониторинга объектов, так и для дальнейшей фотограмметрической обработки. Возможна поставка панхроматических снимков, мультиспектральных, синтезированных цветных (pan-sharpened), а также в виде нескольких комбинаций спектральных каналов.

· Стоимость новой съемки - 25 $/км2 , архивной 12,5 $/км2 .

· GeoProfessional - обработанные ортотрансформированные снимки, которые доступны с несколькими уровнями точности в зависимости от точности входных данных (опорных точек и ЦМР), используемых при ортотрансформировании. Могут использоваться как данные, имеющиеся в компании GeoEye, так и собственные данные заказчика. Данный тип продукта можно использовать для создания и обновления топографических карт, тематического дешифрирования и других практический приложений. Возможна поставка панхроматических снимков, мультиспектральных, синтезированных цветных (pan-sharpened), а также в виде нескольких комбинаций спектральных каналов. Стоимость данного вида продуктов 30 $/км2.

· GeoStereo - стереопары снимков, позволяющие решать широкий круг задач, таких как стереовекторизация, создание ЦММ, трёхмерное моделирование и т.п. Стереопары получаются при съемке с одного витка. Возможна поставка панхроматических снимков, мультиспектральных, синтезированных цветных (pan-sharpened), а также в виде нескольких комбинаций спектральных каналов. Стоимость стереосъемки сверхвысокого разрешения составляет всего 40 $/км2.

GeoEye-1 Примечания: Минимальный заказ "Архив" (если имеется) = 49 кв. Км, минимальный заказ на "Новую коллекцию" = 100 кв. Все цены указаны в $ USD и могут быть изменены без предварительного уведомления

1.3 Общие характеристики снимка

Данный снимок является коммерческим снимком, полученный из корпорации GeoEye, для города Амман.

Снимок был снять 25-02-2009- 06:44 GMT

ID исходного снимка: 2009022506442901603031601523

Сенсор: GeoEye-1

Полученные номиналы GSD

Pan Cross Scan: 0.46 м

Pan Along Scan: 0.47 м

MS Cross Scan: 1.85 м

Сканирование азимута: 90.68 градусов

Направления сканирование: вперед

Панхроматический TDI режим: 8

Мультиспектральный TDI режим 13: 6

Мультиспектральный TDI режим 24: 3

Номинальный азимут: 50.6637 degrees

Номинальное возвышение: 67.57208 degrees

Азимут угла Солнца: 141.7151 degrees

Возвышение угла Солнца: 49.90355 degrees

Облачное покрытие в процентах: 0

Информация о проекции

Projection	UTM
Units	metres
Zone	40
Spheroid	WGS84
Horizontal & vertical datum	WGS84

Географические координаты снимка

Количество координатных точек: 4 угловые точки:

Широта: 23.5490082007 degrees

Долгота: 58.4082396365 degrees

Широта: 23.6267251337 degrees

Долгота: 58.4090694025 degrees

Широта: 23.6260970536 degrees

Долгота: 58.4766001224 degrees

Широта: 23.5483824311 degrees

Долгота: 58.4757306236 degrees

Геодезические координаты снимка (в метрах)

UL Map X (Easting): 643738.21 meters

UL Map Y (Northing): 2613609.28 meters

Pixel Size X: 0.5000000000 meters

Pixel Size Y: 0.5000000000 meters

Высотная привязка: 26.3157806396 meters

Количество пикселей

Колонки: 13782 pixels

1.4 Классификация спутниковых снимков

Классификация спутниковых снимков: определение классов объектов или явлений земной поверхности.

Существует 2 вида классификации:

1 Неконтролируемая классификация, или классификация без обучения (Unsupervised).

2 Контролируемая классификация или классификация с обучением (supervised).

спутник снимок зондирование

1.4.1 Неконтролируемая классификация

Смысл неконтролируемой классификации заключается в разделении всех пикселей изображения на группы (кластеры), название, спектральные характеристики.

Алгоритм быстрого выделения кластеров.

Существует множество алгоритмов, реализующих задачу кластеризации. Справедливо правило оценки качества классификации алгоритмов: чем быстрее происходит процесс классификации, тем хуже результат классификации.

Для предварительной классификации объектов по многозональным данным и оценки однородности их спектральных характеристик можно использовать наиболее простой алгоритм быстрого выделения кластеров, так называемый алгоритм одного прохода.

Анализ цифрового снимка осуществляется построчно, предварительно задаются значения пороговой величины, т.е. предельного расстояния от пикселя до центра кластера, и среднего квадратического отклонения.

В качестве центра первого кластера выбирается первый элемент строки. Далее последовательно вычисляется евклидово расстояние от этого центра до следующего пикселя в строке. Это расстояние сравнивается с выбранным порогом. Если расстояние от анализируемого пикселя до центра первого кластера меньше порогового значения, то пиксель относится к сформированному кластеру, центр которого вычисляется, т.е. вычисляется среднее из двух значений. В противном случае формируется новый кластер, а второй пиксель становится его центром. Аналогично рассматривается каждый следующий пиксель в строке. После просмотра всей первой строки выполняется анализ следующей.

При анализе каждой очередной строки учитываются результаты просмотра предыдущих строк и в качестве центров кластеров задаются полученные ранее координаты. Так последовательно просматриваются все пиксели снимка и формируются кластеры, именами которых служат порядковые номера.

Итерационный алгоритм последовательной кластеризации.

Часто неконтролируемая классификация выполняется в два этапа:

на первом используется алгоритм быстрого выделения кластеров, а на втором итерационный алгоритм последовательной кластеризации.

В отличие от первого алгоритма он требует задания числа кластеров, значений их центров или числа итераций.

Первый шаг работы алгоритма заключается в отнесении пикселей изображения к одному из кластеров. В качестве критерия может быть взято минимальное расстояние до центра кластера. Вторым шагом является вычисление нового положения центра кластера с учетом относительных к нему пикселей. Задача считается решенной, если вычисленные координаты центров совпадут с заданными координатами.

1.4.2 Контролируемая классификация

Смысл контролируемой классификации заключается в отнесении каждого пикселя снимка к определенному классу объектов на местности, которому соответствует некоторая область.

Независимо от того, какой способ выбран для решения этой задачи, контролируемая классификация включает несколько этапов.

Ш Первый этап заключается в определении, какие классы объектов будут выделены в результате выполнения всей процедуры.

Это могут быть виды растительности, сельскохозяйственные культуры, породы леса, гидрографические объекты и т.д.

Ш На втором этапе для каждого из классов объектов выбираются типичные для него пиксели, т.е. формируется обучающая выборка.

Ш Третий этап -- вычисление параметров, «спектрального образа» каждого из классов, сформированного в результате набора эталонных пикселей. Набор параметров зависит от алгоритма, который предполагается использовать для классификации.

Ш Четвертый этап процедуры классификации -- просмотр всего изображения и отнесение каждого пикселя к тому или иному классу. Результатом этого этапа является изображение,

часто не вполне обоснованно называемое «картой классификации», а также таблица, в которой даны координаты пикселя и имя класса, к которому он отнесен.

Формирование обучающей выборки.

Обязательным условием выполнения этой процедуры является наличие на снимке эталонов, т.е. фрагментов изображения, однозначно относящихся к своему классу объектов. Источниками, на основе которых выбираются эталоны, могут быть материалы специально проведенных полевых работ, карты, отдешифрированные аэроснимки. Все эталонные изображения классов могут быть сосредоточены на одном участке (прежде всего в случае использования карт и снимков) или разбросаны по всему снимку (этот случай более типичен для полевых исследований).

Процедура создания обучающей выборки реализуется выбором в пределах изображения эталонного объекта участков из несколько пикселей. В принципе процесс классификации цифрового снимка идет попиксельно, т.е. каждый пиксель относится к тому или иному классу. Однако в большинстве случаев конечной целью классификации является получение некоторых областей (растительности, почв и т.д.), что ведет к пространственному сглаживанию, осреднению значений яркости в пределах класса, для чего и выбираются группы пикселей.

В идеале для классификации необходимы эталоны, полученные одновременно со съемкой и основанные на хорошо различающихся классах. На практике, как правило, существует некоторый интервал времени между получением данных и их обработкой.

И в этом случае только пространственно случайное распределение, т.е. группу пикселей, можно использовать для обучающей выборки, так как использование для обучения отдельных пикселей теряет смысл.

Качество обучающей выборки в решающей степени влияет на точность классификации и определяется несколькими условиями.

Виды, контролируемые классификации

Ш Метод классификации по минимальному расстоянию.

Это один из методов классификации, основанный на детерминированном подходе. Он прост в вычислительном отношении. Смысл метода заключается в отнесении пикселя к тому эталонному классу, евклидово расстояние, до центра которого в пространстве признаков минимально.

В качестве эталонных характеристик классов задаются некоторые интервалы значений яркости. Они выбираются в результате анализа гистограммы распределения яркости на изображении.

В пространстве признаков интервалы значений яркости определяют замкнутую область, которая в зависимости от размерности поля признаков может иметь форму параллелограмма, параллелепипеда или гиперпараллелепипеда для четырех и более зон.

Классификация всех пикселей снимка, состоящего, например, из трех съемочных зон, заключается в отнесении каждого из них к тому классу объектов, в параллелепипед которого он попадает по своим значениям яркости. Поскольку область распределения значений спектральных признаков каждого из классов имеет четкие рамки, на снимке могут оказаться пиксели, не попадающие ни в одну из областей.

Ш Метод максимального правдоподобия также основан на статистическом подходе.

Смысл этого метода сводится к определению вероятности попадания пикселя в тот или иной класс. В общем случае вероятностное распределение спектральных признаков, которыми характеризуется каждый класс, определяет возможность нахождения пикселя в любом месте пространства признаков. Но в обучающей выборке распределение значений яркости подчинено нормальному закону, поэтому вероятность быть отнесенными к «чужому» классу имеют не многие значения.

Достоверность результатов контролируемой классификации зависит, в первую очередь, от качества обучающей выборки, т.е. от того, насколько правильно выбраны пиксели, используемые в качестве эталонах.

Ш Наилучшие результаты дает классификация однородных объектов с малым разбросом значений яркости. Географические объекты иногда представляют собой сочетание комплексов более низкого ранга, различающихся по своим спектральным свойствам. Если части объекта, например городской территории, меньше по размеру пикселя изображения, но при этом они (дома, улицы, зеленые насаждения) различаются по яркостным свойствам, результаты классификации могут оказаться неудовлетворительными. Городская территория будет представлять пеструю картину чередования пикселей, относящихся к разным классам или не отнесенных ни к одному из них (неклассифицированных). Причина заключается в том, что вклад яркости каждого из малых объектов в интегральную яркость соседствующих пикселей оказывается различным.

Пограничные пиксели, яркость которых интегрирована из яркости двух соседних объектов, также часто не относятся ни к одному из соседствующих классов, а определяются как любые другие классы. По той же причине, как правило, не поддаются классификации линейные объекты, изображающиеся одним-двумя пикселями.

2. Методика классификации

Прежде чем начать процесс классификации снимка, нам необходимо выполнить следующие процессы для получения точного и достоверного результата обработке снимка:

Ш Геопривязка снимка;

Ш Выбрать из всего снимка область, над которой будет проводиться классификация, и вырезать эту область;

Ш Провести визуальный анализ космического снимка, и определить какие классы объектов или явлений существует на снимке;

Ш Далее можно приступить к процессу классификации снимка.

2.1 Подготовка снимка и классификация снимка в программном продукте Erdas Imagine 9.2.

2.1.1 Геопривязка снимка

§ запускаем программу Erdas Imagine

§ через визуализатор, открываем Raster.

Размещено на http://www.allbest.ru/

§ Далее мы должны привязать снимок. Привязку можно сделать двумя способами:

1) Ручной режим - ввод координат угловых точек снимка.

2) Автоматический режим - при наличии файла Resource Sat RPC.

Ручной режим

§ Из меню визуализатора выбираем (Raster)

Далее (Geometric correction)

§ Из окна (Set geometric model) выбираем полиномиальную модель (polynomial)

§ далее появиться 2 окна:



Размещено на http://www.allbest.ru/

§ в окне №2 (Polynomial model properties) задаем параметры полиномиальной модели.

§ Задаем степень полиномиала (1-я степень).

§ Из вкладки (projection) устанавливаем единицу измерения.

§ Далее из той же вкладки устанавливаем проекцию.

Add \change projection



Нажимаем ОК, из окна (Polynomial model properties) нажимаем Apply и потом close, далее у нас появится окно GCP Tool Reference setup. (в этом окне мы указываем, откуда мы берем точки привязке снимка) в данном случае, мы выбираем наш визуализатор (Existing Viewer) и ОК.

§ Далее мы вставляем угловые точки и заполняем их пространственные координаты в таблице.

Размещено на http://www.allbest.ru/

§ Далее мы сохраняем наш список опорных точек, в таблице выбираем File Save GCP;

§ Далее из окна Geo Correction Tools выбираем Display resample image dialog

Размещено на http://www.allbest.ru/

§ Появится окно Resample. В поле Оutput File Name задаем имя файла, в который мы хотим сохранить наш привязанный снимок и называем его.

§ Нажимаем Ок

§ После окончание процесса мы нажимаем Ок. И в итоге мы получим привязанный снимок.

1. Автоматический режим.

Так как снимок является коммерческим, то поставщик спутниковых снимков (в нашем случае корпорация GeoEye), должен предоставить вместе со снимками файл с параметрами снимка (Resource Sat RPC).

С помощью этого файла мы можем автоматически привязать снимок, и это происходить таким образом:

§ Открываем снимок

§ Из главного меню визуализатора выбираем Geometric correction

§ Далее, из окна Set Geometric model (в первом способе мы выбирали полиномиальную модель - polynomial), а здесь мы выбираем Resource Sat RPC и нажимаем ОК.

§

Появится 2 окна

Размещено на http://www.allbest.ru/

Теперь в поле RPC File мы открываем наш файл RPC.txt

§ Нажимаем Apply и close.

§ Далее так же как в первом способе, нажимаем на Display resample image dialog

Размещено на http://www.allbest.ru/

§ В окне Resample, указываем на место, куда мы будем сохранять растр и нажимаем Ок, ждем окончание процесса и нажимаем Ок.

2.1.2 Вырезка рабочей области растра

Из данного растра, нам необходимо вырезать область интереса, по границам муниципальных делений города Амман, которые имеются в растровом файле. Для этого мы используем команду Image subset.

Размещено на http://www.allbest.ru/

§ Из главного меню Erdas Imagine мы нажимаем на Data Preparation.

§ В этом списке выбираем Subset Image



Размещено на http://www.allbest.ru/

§ В окне Subset мы открываем наш растр из поля Input File, а в поле Output File указываем, куда мы будем сохранять результат.

§ Далее что выбрать по каким границам будет происходить вырезание, мы нажимаем на AOI (Area Of Interest)

§ Выбираем наш векторный файл, преобразованный в виде области интересов (AOI).

Ждем окончание процесса. И получаем такой результат.

2.1.3 Автономная классификация снимка - без обучения (Unsupervised)

Этот метод обучения больше зависит от компьютерной системы и меньше от оператора. Хотя, оператор может указать некоторые параметры, которые компьютер будет использовать для выделения образцов на основе некоторых статистических критериев. Выделенные компьютером образцы совсем необязательно будут соответствовать некоторым осмысленным объектам снимка (в этом важное отличие от управляемого обучения). Образцы, в данном случае - просто кластеры пикселей со сходными спектральными характеристиками.

Если сделать предположение о соответствии выделенных кластеров некоторым классам, может оказаться, что образцы некоторых, различающихся классов, будут отнесены к одному, общему кластеру или наоборот - образцы одного класса будут приписаны различным кластерам. И тем не менее, такой подход часто бывает полезен на этапе предварительной классификации, на этапе выделения новых объектов с заранее неизвестными характеристиками.

Автономное обучение по образцам не требует особых усилий на начальном этапе задания входных параметров. Но зато на плечи оператора ложиться задача интерпретации классов, полученных на этапе обучения. Автономное обучение по образцам это в чистом виде задача кластеризации, поскольку оно базируется на объединении в группы пикселей диаграммы разброса согласно их соответствия пикселям классифицируемого изображения. В зависимости от задаваемых параметров, эти группы в последующем могут быть объединены, исключены из рассмотрения или использованы как основа для создания обучающей выборки.

При таком подходе в ERDAS IMAGINE можно выбрать один из двух алгоритмов кластеризации:

ISODATA - метод кластеризации, использующий спектральные расстояния и производящий классификацию пикселей в ходе нескольких итераций. При каждой итерации переопределяются критерии созданных классов и классификация проводится повторно. При этом происходит постепенное слияние образцов, созданных на основе спектральных расстояний.

RGB кластеризация - более специализированный метод, применимый только к 8-битным данным, содержащим три канала (зоны). При этом пиксели помещаются в трехмерное пространство признаков и это пространство разделяется на области, которые используются для создания кластеров.

ISODATA - кластеризация

Для выполнения ISODATA-кластеризации используйте утилиту Unsupervised classification, вызываемую из меню редактора сигнатур. В качестве одного из входных параметров данного алгоритма, требуется задать N - максимальное число создаваемых кластеров. После выполнения очередной итерации, на основании спектрального положения пикселей в созданных кластерах рассчитываются новые статистики - средние значения яркостей каждого кластера. Впоследствии, на очередном шаге, эти средние значения используются для переопределения кластеров. Процесс продолжается, пока различия в кластерах на последнем и предыдущем шагах итерации не станут достаточно малы

В координатах пространства признаков, построенного для двух спектральных каналов A и B, показано исходное состояние системы до начала работы алгоритма. Пять (по числу создаваемых кластеров) начальных центров равномерно распределены между точками плоскости с координатам

Рассчитываются спектральные расстояния между пикселями-кандидатами и каждым, существующим на данном шаге кластером. Пиксель приписывается к тому кластеру, среднее значение яркости которого ближе к данному пикселю. Алгоритм ISODATA создает выходное изображение в виде тематического растрового слоя с дополнительным файлом сигнатур (расширение .sig).

Для проведения классификации снимка, мы действуем по этим описанием ниже:

§ Открываем снимок

§ Из главной панели Erdas Imagine мы нажимаем на Classifier

В окне Unsupervised Classification (Isodata).

Мы указываем количество классов (приблизительно).

Количество итерации, и световую схему классификации.

Нажимаем Ок, и ждем результат.



§ После окончание процесса мы открываем классифицированный снимок и задаем цвета для каждого класса и называем каждого класса.

Из меню визуализатора, Raster Attributes..

Из таблицы Raster attributes editor мы меняем цвета классов, и задаем каждому классу подходящее имя.

Размещено на http://www.allbest.ru/

И в итоге у нас получается такой снимок с данными классами:

ь Здания и сооружения.

ь Тени

ь Зеленные покрытия.

ь Дороги и асфальтовые покрытия.

ь Земля и песок.

ь Неклассифицированный объект или явление.

2.1.4 Составление картосхемы

Из главного меню Erdas Imagine, нажимаем на Composer

Размещено на http://www.allbest.ru/

И создаем новый проект (новую композицию карт)

§ В окне New Map Composition, мы создаем имя карты, место, куда ее надо сохранить и параметры листа карты.

§ Нажимаем ОК.

§ Далее у нас появится 3 окна, панель инструментов аннотации, и рабочее окно аннотации (карта).



Размещено на http://www.allbest.ru/

§ После добавление всех указанных элементов выше мы получаем такой результат.

Это будет происходить таким образом

1. Можно создать аннотацию для классифицированного снимка

2. Можно конвертировать классы снимка в векторный файл, а потом создать аннотацию для вектора.

Результат создания аннотации в ARCGIS



Список литературы

1. Сухинин А.И. Дистанционное зондирование Земли из космоса.

2. Garbuk S.V., Gershenzon V.E. космические системы дистанционного зондирование земли. 1997

3. И. А. Лабутина Дешифрирование аэрокосмических снимков

4. Назаров А.С Фотограмметрия - Учебное пособие Минск. Тетра Система. 2006

5. Чандра А.М., Гош С.К. Дистанционное зондирование и географические информационные системы.-М: Техносфера, 2008.

Размещено на http://www.allbest.ru/