автореферат диссертации по геодезии, 05.24.03, диссертация на тему:Автоматизация процессов обновления контурной части содержания топографических карт по аэрокосмическим снимкам

Государственный комитет Российской Федерации по высшему образованию

. _ Московский государственный университет

гГо ОД

геодезии и картографии

- ^ М 1925

БОГОМОЛОВ ПАВЕЛ ЛЕОНИДОВИЧ

АВТОМАТИЗАЦИЯ ПРОЦЕССОВ ОБНОВЛЕНИЯ КОНТУРНОЙ ЧАСТИ СОДЕРЖАНИЯ ТОПОГРАФИЧЕСКИХ КАРТ ПО АЭРОКОСМИЧЕСКИМ СНИМКАМ

05. 24. 03 - картография

Автореферат

диссертации на соискание ученой степени кандидата технических наук

Москва - 1995

- г -

Работа выполнена в Московском государственном университете геодезии и картографии на кафедре вычислительной техники и автоматизированной обработки аэрокосмической информации.

Научный руководитель д.т.н., профессор Журкин И.Г.

Официальные оппоненты:

- д.т.н., профессор Жалковский Е. А.

- к.т.н. Глезер В.Л.

Ведущая организация:

Сибирская государственная геодезическая академия.

Защита состоится июня 1995 г. на заседании диссерта -ционного совета К 063.01.02. Московский государственный университет геодезии и картографии, по адресу: Москва, -Гороховский пер., 4

С диссертацией можно ознакомиться в библиотеке Московского государственного университета геодезии и картографии.

Автореферат разослан ¿ёшя 1995 г.

Ученый секретарь ¡л

диссертационного совета Краснопевцев Б. В.

у-

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы.

Одним из актуальных направлений развития картографии является разработка и внедрение геоинформационных технологий в создание и обновление электронных, в том числе топографических, карт. Аэрокосмические материалы являются важным источником оперативной и достоверной информации о состоянии местности и находят широкое применение в процессах обновления электронных карт (ЭК). В настоящее время обновление контурной части содержания топографических ЭК по аэрокосмическим материалам производится с применением как традиционных технологий обработки снимков на аналоговых или аналитических фотограмметрических приборах, так и автоматизированных технологий, основанных на обработке.цифровых изображений в ЭВМ. Последняя группа технологий является ныне наиболее быстро развивающейся, т.к. позволяет значительно повысить эффективность и качество процессов обновления ЭК. В связи с тем, что имеется значительная потребность в совершенствовании автоматизированных технологий обновления контурной части содержания топографических карт по аэрокосмическим материалам в настоящей работе решались следующие задачи:

1) разработать алгоритмы предварительной обработки цветных (спектрозональных) цифровых аэрокосмических снимков путем их цветовой классификации и компрессии при сохранении визуального качества и дешифровочных свойств;

2) разработать алгоритмы быстрого аналитического трансформирования цифрового снимка из наклонного в горизонтальный

или в базисную систему;

3) разработать быстрые алгоритмы ортотрансформирования цифровых снимков по нерегулярной сети опорных точек;

4) разработать эффективный способ вычисления значений функции трансформирования в узлах полиномов для осуществления трансформирования аэрокосмических цифровых снимков по опорным точкам с использованием сплайн-аппроксимациии полиномами Че-бышева;

5) разработать эффективный алгоритм кодирования контурной информации топографических ЭК.

Научная новизна.

Разработаны следующие оригинальные алгоритмы:

- цветовой классификации цветных (спектрозональных) цифровых аэрокосмических снимков в натуральных или же условных цветах;

- быстрого трансформирования наклонного цифрового снимка в горизонтальный или в базисную систему;

-- быстрого ортотрансформирования цифровых снимков по нерегулярной сети опорных точек;

- вычисления значений функции в узловых точках при трансформировании цифровых снимков по опорным точкам сплайн-аппроксимацией полиномами Чебышева;

- кодирования контурной информации топографических ЭК.

Теоретическое и практическое значение работы.

В технологиях обновления контурного содержания топографических ЭК важное место занимают процессы предварительной обработки и компрессии исходных цифровых цветных (спектрозо-

нальных) снимков. В результате обработки предлагаемыми в работе алгоритмами получаются экранные образы исходных снимков, достоверно передающие как цвет (натуральный или псевдо), так и текстуру исходных изображений, сохраняя их дешифровочные свойства. Важно, что при этом экономятся ресурсы памяти необходимой для хранения изображений (сжатие в три и более раза), а также и время аналитического трансформирования этих снимков. Те же алгоритмы успешно использованы при кодировании отсканированных карт в их экранные образы в натуральных цветах. используемые в технологиях автоматизированной экранной дигитализации карт.

Аналитическое трансформирование цифровых снимков всегда являлось одной из наиболее длительных автоматических процедур их обработки. При трансформировании цифровых снимков из наклонных в горизонтальные или в базисную систему предлагаемые в данной работе алгоритмы позволяют редуцировать затраты времени практически до времени пересылки кодов пикселей из исходного изображения в трансформированное, при сохранении точности трансформирования.

При обновлении топокарг по аэрокосмическим материалам возникает необходимость в ортотрансформировании снимков. Автоматические процедуры'отождествления точек на цифровых снимках позволяют получить отметки высот местности в виде нерегулярной сетки. Если использовать в качестве исходной информации о рельефе результаты дигитализации топокарт. то нерегулярная сетка будет состоять из отметок высот и точек расположенных вдоль горизонталей. Предлагаемые алгоритмы позволяют осуществить ортотрансформирование с использованием такого ро-

да высотных данных, точность которого будет определяться только полнотой и качеством определения опорных точек.

При трансформировании снимков по опорным точкам с использованием сплайн-аппроксимации полиномами Чебышева необходимо прежде определить значение аппроксимируемой функции в узловых точках полиномов. Разработанные алгоритмы позволяют осуществить это с использованием нерегулярной сети опорных точек.

Предлагаемые алгоритмы позволяют осуществлять кодирование информации о контурных объектах карг путем автоматическое го выделения характерных точек контуров и аппроксимации расположенных между ними сплайнов.

Результаты выполненных работ были использованы в госбюджетных и хоздоговорных работах.

Материалы диссертации используются при чтении учебного курса "Геоинформационные системы и технологии".

Апробация работы.

Материалы диссертации были доложены на VIII Всесоюзной конференции по тематическому картографированию (Москва, 1984), на II Всесоюзной конференции по методам и средствам обработки сложной графической информации (Горький, 1985), на юбилейной конференции МГУГК (Москва, 1994).

Полученные результаты и основные выводы отражены в печати. По теме диссертации опубликовано пять работ.■

Структура и объем работы.

Диссертация состоит из введения, трех глав, заключения и списка литературы. Содержание работы изложено на 115 страницах, содержит пять рисунков. Список цитируемой литературы включает в себя 105 наименований, в том числе 16 на иностранных языках.

ОСНОВНОЕ СОДЕРЖАНИЕ ДИССЕРТАЦИИ

Введение.

Во введении дается обзор современных тенденций развития картографии и обосновывается актуальность, научное и практическое значение работы.

Гл.1. Синтез цветных (спектрозональных) аэрокосмических изображений и карт.

В главе дается подробный обзор технических средств отображения графической информации в целях обновления топографических карт, в том числе большой гаммы видеоадаптеров. Сформулированы следующие требования к аппаратным средствам обеспечения процесса отображения графической информации:

- отображать аэрокосмические снимки в цветах максимально близких к оригиналу либо в избранных искусственных цветах;

- обеспечивать динамические видеопреобразования в реальном масштабе времени;

- позволять интерактивную обработку изображений;

- форматы представления видеоданных, диктуемые аппаратными средствами, не должны приводить к хранению в памяти ЭВМ избы-

точной информации.

Исходя из приведенных условий и с учетом фактора цена/производительность сделан вывод об оптимальности применения видеоадаптеров ряда УСА/БУСА/ХСА.

Большинство цветных цифровых изображений представлено в форме массивов яркостей в красном, зеленом и синем диапазонах спектра (координаты цвета 1?, в. В) или же в иных диапазонах у спектрозональных снимков. Значения яркостей в большинстве случаев квантованы в 256 уровней. Для трехмерного цветового пространства это дает 16,7 млн. кодов цвета. Избыточность подобного кодирования в процессе визуального отображения очевидна. Человеческий глаз не способен различить и десятой доли подобного числа оттенков, а воспроизведение изображения на экране реальной ЭЛТ не позволяет отобразить более нескольких десятков тысяч оттенков (для лучших образцов ЭЛТ). Существует избыточность и другого рода, когда не все возможные для отображения цвета реально представлены на изображении.

Для решения проблемы автоматической классификации и кодирования цвета цифрового снимка было необходимо строить гистограмму той же мерности, что и исходное цветное (спектрозо-нальное) изображение. Гистограмма строилась с использованием репрезентативой выборки, что позволило ускорить ее построение, сократить размеры в памяти ЭВМ и время ее обработки. Гистограмма позволила определить множество чаще всего встречающихся для данного изображения цветов Полученные после сортировки значения координат цвета не могли быть использованы в качестве палитры (классов) цветов для классификации и кодирования исходного снимка. Дело в том, что суть классифи-

кации и кодирования цвета сводится к отображению изображения в систему классов цвета, каждому из которых соответствуют определенные значения цветовых координат. Такая палитра цветов должна осуществлять достаточно полный цветовой охват, но при этом не быть избыточной как по числу кодируемых оттенков, так и по длине кода класса, хранимого в памяти ЭВМ для каждого пикселя. Критерий частоты для. построения палитры кодирования исходного изображения не может быть достаточен т.к., во-первых, сканирование как метод, а также шумы, возникающие при сканировании, и погрешности квантования сигнала приводят к тому, что элементарные площади оригинала, имеющие одинаковый цвет, будут отображаться различными значениями спектральных композит, тем не менее соседствующими в пространстве цветовых координат. Использование в качестве цветов палитры просто тех, что чаще всего встречаются, приведет к тому, что в палитре будут представлены не только реальные цвета оригинала, но и напоминающие их цветовые оттенки, группирующиеся в пространстве цветовых координат гистограммы вокруг главного значения, имеющего максимальную частоту. Во-вторых, если в пределах данного изображения некоторый цвет встречается заметно чаще других, цвета палитры будут использоваться на отображение мельчайших оттенков данного цвета, образующих вместе с ним компактную группу в пространстве цветовых координат, а реже встречающиеся цвета не будут представлены в палитре вовсе.

Помимо критерия частоты при отборе цветов для палитры вводился и критерий близости, что расширило цветовой охват палитры и исключило отображение в палитре цветов, расположен-

ных ближе некоторого критического значения к ранее уже избранным. Пороговая величина является параметром, величина которого зависит от типа и качества оригинала, качества сканирования и т.п., однако для серии однотипных изображений сканирование которых осуществлялось при помощи тех же технических средств, величина порога принималась постоянной, а в ряде случаев неизменной принималась и сама палитра. При определении расстояния (близости) в цветовом пространстве учитывались калибровочные функции, корректирующие искажения передачи яркостей в каждом из спектральных диапазонов.

После формирования, палитры производилось разбиение цветового пространства на кластеры, осуществляемое для каждой ячейки этого пространства по критерию близости с учетом калибровки к тому или иному классу (цвету палитры).

Выбор числа классов (размер палитры) влияет на визуальное качество отображения, но принятый для использования при визуализации цифровых снимков ряд видеоадаптеров позволяет (за исключением некоторых моделей SVGA) использовать палитру до 256 цветов. Экспериментально установлено, что данный размер палитры позволяет получить качественное изображение исходных снимков. Предлагаемый алгоритм позволяет производить

отображение исходного оригинала в любое, в том числе и малое, число классов цвета, что было успешно применено при визуализации отсканированных топографических карт, используемых в технологиях автоматизированной дигитализации. Число цветов палитры в этом случае не превышало 16, что достигалось использованием более строгого критерия близости.

В дополнение к процессу классификации и кодирования ис-

ходного изображения применялась интерактивная корректировка палитры цветов, осуществляемая либо выбором т'ой или иной функции видеопреобразования, или последовательно нескольких функций, а также коррекцией оператором непосредственно значений цветовых координат элементов палитры, что позволяло, к примеру, добиваться более близкого визуального соответствия отображаемых на экране цветов отсканированной топокарты принятым цветам .

В результате классификации и кодирования цифровых еним-ков палитрой из 256 классов цвета происходило сжатие информации, хранимой для каждого пикселя, в три раза, а для топокарт (число цветов палитры до 16) - в шесть раз.

Гл.2, разработка способов аналитического трансформирования аэрокосмических снимков.

В процессах обновления контурного содержания топокарт • необходимым этапом является аналитическое трансформирование используемых для этого цифровых аэроснимков. Для этого снимки из наклонных трансформируются в горизонтальные, а затем подвергаются ортотрансформированию с использованием имеющейся цифровой модели высот. В тех случаях, когда цифровая модель высот отсутствовала, технология ортотрансформирования включала выполнение следующих процессов: цифровое трасформирование

пары снимков в базисную плоскость, отождествление контуров и «

объектов в базисной системе на стереопаре, вычисление продольных параллаксов и высот и, в завершение, цифровое ортот-рансформирование в проекцию обновляемой карты.

Цифровое трансформирование снимков из наклонных в гори-

зонтальные либо в базисную систему осуществляются по аналогичным формулам, различия состоят в способе получения исходных параметров. На языке высокого уровня Паскаль формулы преобразования координат трансформированного (создаваемого) снимка в координаты исходного, откуда пересылаются яркости пикселей, представляются в следующем виде:

хи := X - хо :

УН := У - УО ;

I? :=-Р / ( С1 * хи + С2 * УН - сзг )

хт := И * ( А1 * хн + А2 * УМ - АЕГ )

УТ := I? * ( В1 * хк + В2 * УИ - ВЗГ )

где СЗГ := СЗ * Г ;

АЗГ := АЗ * Г ;

ВЗГ := ВЗ * Г ; постоянны для всех Х,У и вычисляются заранее. Даже в компактной записи на алгоритмическом языке высокого уровня определение координат предполагает выполнение 8 операций умножения, 1 операции деления , 3 операций сложения и 5 операций вычитания. Учитывая, что размеры снимков выражаются во многих миллионах или десятках миллионов пикселей, процесс трансформирования становится весьма длительным.

В работе предлагается способ, при котором число арифметических операций, необходимых для вычисления координат одной точки, сводится к 6 операциям сложения. Для этого применяется сплайн-интерполяция вдоль строки, когда на границах сплайна вычисляются по приведенным выше формулам координаты серии из

трех последовательных точек. Для каждой из координат вычисляются по две первые разности внутри каждой серии. Вторые разности получаются как разность двух первых разностей. Значения вторых разностей, вычисленные для начальной и финальной серий из трех точек каждого сплайна, линейно интерполируются вдоль сплайна с шагом интерполяции, который по сути является третьей разностью. Третья разность для каждой из координат принимается неизменной для каждого сплайна.

Вычисление координат точек сплайна производилось последовательной коррекцией текущего значения второй разности по каждой из координат, затем полученные значения использовались для коррекции первых разностей, а те уже позволяли определить новое значение соответствующих координат. Тогда алгоритм вычисления координат текущей точки сплайна принимал следующий вид на языке Паскаль:

сШ : = сиу + а<ш

<1У : = (ЗУ + сйУ ;

у. : = У + ¿У ;

сШХ : = сШ + (ШХ

ах : = (IX + <ш ;

X ; = X + (IX ;

где (ШУ, <Ш и <1У соответственно третья, вторая и первая разность по У, а сШХ, <1<1Х и 4Х соответственно третья, вторая и первая разности по X.

При данном способе получения координат, когда их вычисление производится цепным методом от предыдущего пикселя к

- и -

последующему, накопление ошибки (дефекта) аппроксимации происходит от начала сплайна к его концу. Поэтому цепное вычисление координат производилось в прямо» направлении от начала к концу только до середины сплайна, а для остальной части координаты вычислялись в направлении от конца сплайна к его началу.

Предлагаемый способ вычисления координат позволяет для снимков с величиной углов наклона до 4 градусов и длины сплайна до 1024 пикселей получить среднюю величину ошибки положения пикселя до 0.1 шага дискретизации. Для больших углов наклона задаются меньшие длины сплайна.

При трансформировании снимков предлагаемым способом на вычислительный процесс расходуется 18% времени, а 82% приходится на формирование трансформированного изображения из исходного по уже вычисленным координатам. В свою очередь в вычислительном процессе 51% времени тратится на процедуру округления вычисленных координат и только 49% на собственно их вычисление. Это означает, что предлагаемый способ трансформирования приближается к минимально возможному времени трансформирования.

Для осуществления ортотрансформирования цифровых снимков необходимо располагать сведениями о превышениях местности в каждой точке снимка. Если на данную территорию уже ранее была создана цифровая модель высот, достаточно просто интерполировать матрицу высот. Если цифровая модель высот ранее не была создана, то возможно получить значения высот с.цифровой топографической карты, где содержатся отметки высот характерных точек рельефа и объектов местности, а также множества точек

вдоль каждой из горизонталей. Другим способом является получение сведений о высотах местности непосредственно со снимков (стереопар) с использованием автоматизированных процедур распознавания идентичных объектов и контуров стереопары. Как использование цифровой карты, так цифровой фотограмметрии позволяет получить нерегулярную сетку отсчетов высоты местности для снимка, нам же необходимо знать высоту в каждой точке снимка, т.е. иметь регулярную матрицу высот.

Для решения задачи ортотрансформирования по нерегулярной сети опорных точек в работе предлагается алгоритм, основывающийся на триангуляции множества отметок высот. Используемая в алгоритме триангуляция Делоне (ТД) является единственной из возможных триангуляции, при которой суммы отклонений треугольников от правильных будут минимальны. ТД осуществлялась путем построения ячеек Вороного (ЯВ) для каждой высотной отметки. Границы ЯВ представляют собой выпуклый многоугольник (среднее число сторон составляет 6), все точки внутри которого расположены ближе всего к высотной отметке, являющейся центром данной ЯВ. ТД образуется соединением центров смежных ЯВ (в среднем их также шесть). В целях оптимизации построения ЯВ в качестве потенциальных "соседей" рассматривались только те из всего множества отметок, что попадали в окно площадь которого выбиралась так, чтобы в него попадало в среднем 24 отметки (не считая той, вокруг которой строится ЯВ). Это основывалось на том, что у обрабатываемой ЯВ в среднем б смежных. С этими шестью ЯВ снаружи соседствуют уже 18 ЯВ. Таким образом окно данного размера должно захватывать не только смежные ЯВ первого, но и второго порядка. Экспериментально

было установлено, что возникновение эффекта разомкнутости ЯВ из-за отсутствия в окне ее реальных соседей возникает лишь при действительном дефиците данных для данной области снимка.

ТД произведенная над исходным множеством отметок задает поверхность, состоящую из треугольных граней, ограниченных ребрами ТД. Для сглаживания этих не имеющих реального отражения в рельефе граней ранее существовавшие алгоритмы традиционно использовали аппроксимацию, различаясь способами ее осуществления. В данной работе предлагается использовать сгущение исходного множества отметок.

С использованием исходного множества отметок строилась ТД. Для каждого треугольника в его центре тяжести вычислялось значение точки сгущения как среднее весовое угловых отметок. Количество точек сгущения равно числу граней ТД и составляет в среднем 1,7Л , где N - количество исходных отметок. Точки сгущения добавлялись к исходному множеству и построение ТД повторялось. Грани новой ТД всегда пересекают грани предыдущей. Каждая операция сгущения ведет к росту множества отметок в геометрической прогрессии с коэффициентом 2,7 , поэтому после двух проходов сгущения число отметок возрастает примерно в 7,5 раза, при трех проходах - в 20 раз, четырех - в 54 раза и т. д. Практически было установлено, что более трех сгущений, т.е. в 20 раз, обычно не требуется, т.к. объем вычислений растет в той же пропорции, а качество результатов существенна не изменяется.

Ортотрансформирование осуществлялось согласно следующему алгоритму. В точках, для которых были известны отметки высот или же они были получены сгущением, вычислялись значения поп-

равок за рельеф, а также других поправок, которые необходимо учесть при трансформировании. Множество отметок высот триангулировалось в ТД. Вдоль ребер ТД поправки по X и по У линейно интерполировались и заносились в соответствующие ребрам ячейки матриц поправок, т.о. в каждой матрице отображались одни и те же ребра ТД, но с разными значениями поправок вдоль них. Далее, производилось сканирование каждой из матриц поправок с линейной интерполяцией вдоль строк незаполненных промежутков между ребрами.

В целях экономии ресурсов памяти ЭВМ, используемых "для хранения матриц поправок, эти матрицы создавались в 2, 3 или 4 раза меньших линейных размеров по отношению к трансформируемому снимку (соответственно в 4, 9 и 16 раз меньше по площади). Интерполирование значений поправок производилось непосредственно в ходе трансформирования, что привело к окончательному сглаживанию функции трансформирования.

В тех случаях, когда ставится задача трансформирования по опорным точкам с использованием сплайн-аппроксимации полиномами Чебышева, необходимо определить значения аппроксимируемой функции в узловых точках полиномов. Для решения этой задачи в работе предлагается алгоритм, который основан на построении локальной ТД множества опорных точек, лежащих в определенной окрестности искомой точки. Ранее было показано, что такая окрестность должна включать в себя не менее 24 опорных, точек. Величина функции в искомой точке определялась как среднее весовое из вершин треугольника ТД, внутри которого лежит эта точка.

В работе предлагается другой вариант алгоритма определе-

ния величины функции в заданной точке. Для этого воспользуемся понятием виртуальной ячейки Вороного (ВЯВ), т.е. такой, которая построена не вокруг реальной опорной точки, а вокруг искомой узловой. В этом случае определялись соседние по отношению к искомой опорные точки (в среднем их 6), образующие выпуклый многоугольник в центре которого и лежит определяемая точка. Значение функции"в этой точке получалось как среднее весовое вершин многоугольника. Для определения весов строились реальные ЯВ этих опорных точек, а в качестве значения веса конкретной точки принималась площадь той части ее ЯВ, что принадлежит ВЯВ искомой точки. Последний вариант алгоритма требует значительно больших затрат времени на вычисление узловых.точек полиномов Чебышева, но он более корректен.

Гл.3. Разработка способа представления информации о контурах в цифровых форматах.

В главе дается обзор способов ввода и кодирования в ЭВМ линий контурных объектов топографических карт.

Контуры объектов на цифровых снимках могут дешифрироваться и цифроваться оператором (с использованием т.н. экранного дигитайзера). В этом случае оператор уже в процессе цифрования сам выделяет характерные точки контуров, осуществляет аппроксимацию контуров ломаной. В .случае применения автоматических процедур оконтуривания отдешифрированных объектов, а также прц автоматическом распознавании контуров, записываемый в ЭВМ поток координат точек контура представляет собой некий дискретный тренд, от которого полученные при отслеживании координаты точек отклоняются некоторым случайным образом. Для

выделения этого тренда производилось разбиение множества точек, составляющих контур на взаимно пересекающиеся подмножества (без тройного пересечения). По подмножествам производился подсчет среднего значения координат его элементов, из усредненных элементов составлялось множество дискретного тренда , описывающего линию контура объекта.

При изображении на топографических картах контурных объектов требуется с наибольшей точностью отображать плановые координаты точек контура, соответствующих углам поворота контура и формирующих его общую форму. Точность планового положения таких характерных точек контура должна быть в до трех раз выше остальных точек контура. Для выполнения приведенных условий необходимо построить сглаженный вариант контура, сохраняющий лишь главные черты подобия исходному. Таким образом ставится задача подобная задаче картографической генерализации, но в ее приложении в целях кодирования обладающих заданной спецификой линий контуров топографических карт.

Определение планового положения характерных точек осуществлялось с помощью подвергнутого сглаживанию исходного тренда 10 по с использованием того же алгоритма, что и при создании Ь0 . В результате был сформирован тренд I! , сохранивший лишь главные элементы контура, формирующие его общий рисунок, а мелкие,.неглавные были отфильтрованы.

Если рассматривать контур объекта как непрерывную кривую, то искомыми характерными точками для этой кривой будут точки, в достаточно малых окрестностях которых величина изменения производной превышает некоторое пороговое значение. Для поиска таких точек вводились локальные системы координат. Не-

которая 1-я система задавалась по следующему правилу: начало координат расположено в точке п1.!, положительная ось проходит через точку п1 + 1, а ось V! по нормали.к ней. Здесь п1М и п1 + 1 являются точками дискретного тренда . В каждой локальной системе координат поиск характерных точек производился среди точек дискретного тренда Ь0, расположенных в пределах сплайна, ограниченного точками ^.! и п1ч.

Дальнейшее кодирование информации о контуре . осуществлялось по следующему алгоритму: дискретный тренд Ь0 разбивается с характерными точками на сплайны; для каждого сплайна задается локальная система координат, где одна положительная полуось проходит через граничные точки сплайна, а другая ось по нормали к ней; множество точек сплайна аппроксимируется полиномом; в базу данных записываются координаты характерных точек и коэффициенты полиномов, аппроксимирующих участки контура между этими характерными точками.

Выбор аппроксимирующей функции для описания контура производился исходя из следующих требований: для каждого сплайна она должна быть многозначной; должна описываться небольшим количеством определяемых параметров; быть непрерывной для всего сплайна.

Исходя из этих требований был избран полином вида:

1 + ацХ! + а^У! + а^Х! + а^х^ + а23у1 = О

При этом на процесс аппроксимации накладывалось следующее условие: значения аппроксимирующих полиномов должны совпадать в граничных (характерных) точках.

ВЫВОДЫ:

1. Разработан алгоритм автоматической классификации цвета и кодирования цветных (спектрозональных) аэрокосмических снимков в натуральных или искусственных цветах,- сохраняющий визуальное качество изображений при сжатии информации в 3 и более раза. Алгоритм применим при визуализации отсканированных картматериалов.

2. В работе представлен алгоритм, позволяющий предельно повысить скорость аналитического трансформирования наклонных цифровых аэроснимков в горизонтальные.

3. Предлагаемый в работе алгоритм позволяет ортотрансформиро-вание цифровых снимков с использованием нерегулярной сети опорных точек.

4. Для осуществления аналитического трансформирования цифровых снимков по нерегулярной сети опорных точек сплайн-аппроксимацией полиномами Чебышева разработан оригинальный алгоритм вычисления значения аппроксимируемой функции в узлах полиномов.

5. Для осуществления кодирования информации о контурах топографических объектов предложен алгоритм автоматического поиска характерных точек контура и аппроксимации образуемых ими сплайнов.

По теме диссертации были опубликованы следующие работы:

1. Журкин И.Г.. Богомолов П.Л. Автоматизированный ввод и кодирование в ЭВМ информации о контурных и линейных картографических объектах // VIII Всес. коиф. по тематическому картографированию. М.: МГУ. 1984 с.59-60.

2. Журкин И.Г., Щеголь А.О., Богомолов П.Л. Принципы построения цифровых моделей местности на базе картографического автоматизированного комплекса, банков данных и аэрокоо мической информации // Всес. совещание по картографии "Картография в эпоху НТР: теория, методы, практика". ИГ АН СССР, М., 1987, с. 98-99.

3. Журкин И.Г., Богомолов П.Л. Обновление базы данных картографического банка данных по результатам дешифрирования аэрофотоснимков //II Всес. конф. по методам и средствам обработки сложной графической информации. Горький : ГГУ, 1985, с.14-15.

4.' Журкин И.Г., Богомолов П.Л. Представление информации о контурах площадных объектов, получаемой с аэроснимков, при загрузке физической базы данных картографического банка данных // Межвуз. сборник науч. тр. "Автоматизация обработки сложной графической информации". Горький, ГГУ, 1988, с.62-67.

5. Журкин И.Г., Зайцев A.A., Богомолов П.Л. Трансформирование снимков, полученых различными съемочными' системами // Научн. конф. поев. 215-летию МИИГАиК "Проблемы высшего образования, науки и техники в области геодезии, фотограмметрии,

дистанционного зондирования и картографии" . М., 1994, с.104

Цодп. к печ.26.04.95 Формат бумаги 60x90 Бумага офсетная Печ.л. 1,3 Уч.-изд.л. 1,3 Тираж 80 экз. Заказ № 174 Цена договорная