Viac

Filtrujete raster podľa veľkosti zhluku pixelov v ArcGIS?

Filtrujete raster podľa veľkosti zhluku pixelov v ArcGIS?


Mám rastrový obrázok predstavujúci ostrovy v rieke (pozri obrázok) vytvorený nasledujúcim spôsobom:

1) Pripojte vodnú hladinu DEM a povodie DEM ohraničujúcim polygónom (okraj vody).

2) Odpočítajte vodnú hladinu DEM od povodia DEM (obsahujúceho ostrov - t. J. Prevýšenia> vodná hladina).

3) Vykonajte podmienku tak, aby boli zachované iba hodnoty> 0 (nad vodnou hladinou). Všetky ostatné hodnoty sa stanú „bez údajov“. Výsledkom je nasledujúci obrázok:

Pri pohľade na tento obrázok môžete spravidla vybrať veľký ostrov a vytvoriť pár menších. Chcel by som zachovať iba tieto ostrovy a odstrániť jednotlivé pixely alebo riadky pixelov, ktoré sú artefaktmi procesu orezávania. Existuje spôsob, ako to dosiahnuť v ArcObjects/ArcGIS 10?

Myslím niečo v tomto zmysle: Ponechajte skupinu pixelov iba vtedy, ak obsahuje aspoň okno 3x3, ktoré obsahuje hodnoty. To by malo vytvárať iba ostrovy 3x3 alebo väčšie a odstrániť všetky dlhé artefaktové „reťazce“ pixelov.

EDIT: Vďaka @whuber som prišiel s nasledujúcim riešením. Pokračujem krokom štyri, odkiaľ som skončil vyššie:

4) Konvertujte výstupný podmienený raster na celočíselný formát.

5) Región zoskupuje celočíselný raster.

6) Vykonajte zónovú geometrickú analýzu na základe plochy.

7) Na raster z kroku 3 aplikujte podmienku na základe oblasti geometrie zóny. V tomto prípade som práve použil „HODNOTU> 1“, čo znamená plochu väčšiu ako 1 m štvorec (vzhľadom na pôvodný raster mal rozlíšenie 30 cm.

Tu je výsledný raster:


Morfologické operátory sú na to navrhnuté, ale myslím si, že váš nápad je lepší, pretože ho možno rozšíriť tak, aby (potenciálne) mohol ťažiť z údajov o nadmorskej výške.

Po prvé, RegionGroup mriežku, aby bol každý zdanlivý „ostrov“ identifikovaný oddelene. Použite to ako základ pre zónové súhrny. Medzi vaše mnohé možnosti patrí:

  • Ak je zónový rozsah výšok na akomkoľvek ostrove zanedbateľne malý, pravdepodobne máte artefakt (alebo a veľmi malý ostrov).

  • Vypočítajte ohniskový počet 3x3 mriežky indikátorových ostrovov. Ak je zónová max. Hodnota striktne menšia ako 9, váš ostrov je skutočne príliš chudý.

  • Vypočítajte ostrovné oblasti (počet buniek). Dočasne zmenšiť všetky ostrovy o jednu bunku (to je jeden z morfologických operátorov). Vypočítajte oblasti ostrova. Odstráňte tých, ktorých oblasti sa príliš zmenili (možno zníženie o 75%alebo dokonca 100%).

Výsledky zónových súhrnov môžu byť použité na identifikáciu, a tým výber buniek, ktoré sa majú vymazať. O tento posledný krok sa postará podmienená operácia.


Prehľad sady nástrojov Mapovanie klastrov

Nástroje na mapovanie klastrov vykonávajú klastrovú analýzu na identifikáciu miest štatisticky významných horúcich miest, studených miest, priestorových odľahlých hodnôt a podobných vlastností alebo zón. Sada nástrojov Mapovanie klastrov je obzvlášť užitočná vtedy, keď je potrebná akcia na základe umiestnenia jedného alebo viacerých klastrov. Príkladom je pridelenie ďalších policajtov k riešeniu zhluku vlámaní. Určenie umiestnenia priestorových klastrov je tiež dôležité pri hľadaní potenciálnych príčin zhlukovania, kde dochádza k prepuknutiu choroby, môže často poskytnúť vodítka o tom, čo by to mohlo spôsobiť. Na rozdiel od metód v súprave nástrojov Analyzing Patterns, ktoré odpovedajú na otázku, Existuje priestorové klastrovanie? s áno alebo nie, nástroje Mapovanie klastrov umožňujú vizualizáciu umiestnení a rozsahu klastra. Tieto nástroje odpovedajú na otázky: Kde sú klastre (horúce a studené miesta)? „Kde sú incidenty najhustejšie ?, Kde sú priestorové odľahlé hodnoty ?, Ktoré vlastnosti sú si veľmi podobné ?, Ako môžeme tieto funkcie zoskupiť tak, aby bola každá skupina najpodobnejšia? A Ako môžeme tieto funkcie zoskupiť tak, aby bola každá zóna homogénna? .

Vytvára priestorovo priľahlé zóny vo vašej študovanej oblasti pomocou algoritmu genetického rastu na základe kritérií, ktoré zadáte.

Vzhľadom na súbor vážených funkcií identifikuje štatisticky významné horúce miesta, studené miesta a priestorové hodnoty pomocou štatistiky Anselin Local Moran's I.

Nájde zhluky bodových funkcií v okolitom hluku na základe ich priestorového rozloženia. Čas možno tiež zahrnúť do hľadania časopriestorových zhlukov.

Vzhľadom na súbor vážených funkcií identifikuje štatisticky významné horúce a studené miesta pomocou štatistiky Getis-Ord Gi*.

Nájde prirodzené zoskupenia funkcií založené výlučne na hodnotách atribútov funkcií.

Vzhľadom na body incidentu alebo vážené prvky (body alebo mnohouholníky) vytvorí mapu štatisticky významných horúcich a studených miest pomocou štatistiky Getis-Ord Gi*. Vyhodnocuje charakteristiky triedy vstupných funkcií a vytvára optimálne výsledky.

Vzhľadom na body incidentu alebo vážené prvky (body alebo polygóny) vytvorí mapu štatisticky významných horúcich miest, studených miest a priestorových odľahlých hodnôt pomocou štatistiky Anselin Local Moran's I. Vyhodnocuje charakteristiky triedy vstupných funkcií a vytvára optimálne výsledky.

Na základe atribútov funkcií identifikuje, ktoré kandidátske funkcie sú najpodobnejšie alebo najpodobnejšie jednej alebo viacerým vstupným funkciám.

Identifikuje priestorové odľahlé body v bodových funkciách pomocou výpočtu miestneho odľahlého faktora (LOF) každej funkcie. Priestorové odľahlé hodnoty sú črty v miestach, ktoré sú abnormálne izolované, a LOF je meranie, ktoré popisuje, ako je miesto izolované od svojich miestnych susedov. Vyššia hodnota LOF znamená vyššiu izoláciu. Nástroj je možné použiť aj na vytvorenie povrchu predikcie rastra, ktorý je možné použiť na odhad, či budú nové funkcie vzhľadom na priestorové rozloženie údajov klasifikované ako odľahlé hodnoty.

Nájde priestorovo susediace klastre funkcií na základe sady hodnôt atribútov funkcií a voliteľných limitov veľkosti klastra.

Dedičstvo:

Nástroj na analýzu zoskupenia bol v tejto sade nástrojov k dispozícii pred ArcGIS Pro 2.2, ale bol odstránený, pretože algoritmy za týmto nástrojom boli vylepšené. Na zjednodušenie nových metód a funkcií boli vytvorené dva nástroje, ktoré majú nahradiť nástroj Analýza zoskupovania. Na vytvorenie priestorovo priľahlých skupín použite nástroj priestorovo obmedzeného viacnásobného zhlukovania. Na vytvorenie skupín bez priestorových obmedzení použite nástroj Viacrozmerné klastrovanie.


ASTER

ASTER alebo „Advanced Spaceborne Thermal Emission and Reflection Radiometer“ je pokročilý multispektrálny snímač, ktorý spustila NASA v decembri 1999. ASTER pokrýva širokú spektrálnu oblasť so 14 pásmami od viditeľného po tepelné infračervené s vysokým priestorovým, spektrálnym a rádiometrickým rozlíšením . Priestorové rozlíšenie sa líši v závislosti od vlnovej dĺžky: viditeľný a blízky infračervený (VNIR) na 15 metrov, krátkovlnný infračervený (SWIR) na 30 metrov a tepelný infračervený (TIR) ​​na 90 metrov. Každá scéna ASTER zaberá plochu 60 x 60 km. Ak sa chcete dozvedieť viac o tomto senzore, pozrite sa na ASTER.


O analýze rastrových údajov

Existuje niekoľko spôsobov, ktorými môžete pri analýze pracovať s rastrovými údajmi —môžete chcieť vizuálne analyzovať rastrové údaje, použiť ich ako pozadie (základnú mapu) na vizuálnu analýzu iných údajov alebo ich použiť v analytickej operácii.

Ak používate rastrové údaje vo vizuálnej analýze, možno skúmate výsledky štúdie povodia alebo hľadáte prvky v tieňovanom reliéfe vytvorenom z digitálneho výškového modelu (DEM). Ak rastrové údaje používate na analýzu iných údajov, je možné, že budete skúmať a aktualizovať vektorové údaje, ako sú napríklad cesty, pomocou aktuálnych rastrových údajov ako základnej mapy na určenie polohy chýbajúcich ciest. Pri ktoromkoľvek z týchto typov analýz vám pravdepodobne ide o vizuálny vzhľad rastra. Mali by ste vziať do úvahy typy vykresľovačov používaných na zobrazenie rastrov (ako sú vykreslené vykreslovače alebo kompozitné RGB kompozitné moduly) a možno ich budete chcieť zmeniť, použiť na histogram rôzne typy roztiahnutí, aby ste vylepšili konkrétne informácie v množine údajov o rastroch, alebo dokonca niektoré odstrániť. hodnôt rastra z displeja.

V programe ArcMap sú ďalšie nástroje, ktoré vám pomôžu pri analýze rastrových údajov, napríklad nástroj Pixel Inspector, ktorý sa používa na zobrazenie oblasti hodnôt pixelov vo vašom súbore rastrových údajov, alebo nástroj Swipe Layer, ktorý slúži na interaktívne odhaľovanie vrstvy pod vrstvou, ktorá sa tiahne. Ak sa chcete dozvedieť viac o týchto nástrojoch, prečítajte si informácie v časti Interaktívne prezeranie hodnôt pixelov a Interaktívne odhaľovanie rastrov pomocou nástroja Swipe Layer. Môžete tiež použiť nástroj Identifikovať na získanie informácií o hodnote pixelov pre jeden pixel alebo použiť nástroj Získať hodnotu bunky, keď pracujete s geoprocesovým modelom.

  • ArcGIS Spatial Analyst —Toto rozšírenie poskytuje komplexnú sadu pokročilých nástrojov priestorového modelovania a analýzy, ktoré vám umožňujú vykonávať integrovanú analýzu rastrov a vektorov.
  • ArcGIS 3D Analyst — Toto rozšírenie vám umožňuje efektívne vizualizovať, analyzovať a generovať povrchové údaje a poskytuje nástroje pre trojrozmerné modelovanie a analýzu.

Pri použití nástrojov na geoprocesing, ktoré poskytuje ArcGIS alebo ktorékoľvek z týchto rozšírení, môžete automatizovať svoje pracovné toky vytváraním modelov na vykonanie analýzy. Vytváranie modelov vám umožňuje spojiť nástroje dohromady. Ak sa chcete dozvedieť viac o vytváraní modelov, pozrite sa na tému Vytvorenie jednoduchého modelu.

Na generovanie novej množiny rastrových údajov môžete použiť matematické operácie alebo funkcie na jednej (alebo viacerých ako jednej) množine rastrových údajov. Môžete to urobiť pomocou rastrovej kalkulačky alebo pomocou nástrojov na geoprocesing.

Rastrová kalkulačka vám umožňuje vykonávať matematické výpočty pomocou operátorov a funkcií spolu s výberovými dotazmi (ďalšie informácie nájdete v časti Použitie rastrovej kalkulačky). Sada nástrojov Spatial Analyst ponúka podobnú sadu matematických operátorov a funkcií, ktoré umožňujú aritmetické kombinovanie hodnôt vo viacerých rastroch, matematickú manipuláciu s hodnotami v jednom vstupnom rastri, hodnotenie viacerých vstupných rastrov a vyhodnocovanie a manipuláciu s hodnotami v binárny formát.
Nasleduje základný matematický príklad, ktorý používa sčítanie na pridanie hodnôt v dvoch množinách rastrových údajov na vytvorenie tretieho súboru rastrových údajov. Môžete to urobiť pomocou nástroja Algebra mapy jedného výstupu alebo nástroja Plus.

Vzdialenosť

Rastrové údaje môžete použiť vo výpočtoch na meranie alebo výpočet vzdialenosti. Pomocou rozšírenia Spatial Analyst môžete vykonávať dva typy výpočtov vzdialenosti: euklidovskú a nákladovú vzdialenosť.

Euklidovské funkcie vzdialenosti opisujú vzťah každej bunky k zdroju alebo množine zdrojov. Existujú tri euklidovské funkcie:

  • Euklidovská vzdialenosť udáva vzdialenosť od každej bunky v rastri k najbližšiemu zdroju. To možno použiť na zodpovedanie otázky: Aká je vzdialenosť do najbližšieho mesta?
  • Euklidovská alokácia identifikuje bunky, ktoré majú byť priradené k zdroju na základe najbližšej blízkosti. To sa dá použiť na zodpovedanie otázok ako: Aké je najbližšie mesto?
  • Euklidovský smer udáva smer od každej bunky k najbližšiemu zdroju. To možno použiť na odpovedanie na otázky ako: Aký je smer do najbližšieho mesta?

Povrchová analýza

  • Aspekt —Môžete byť farmár, ktorý má záujem nájsť pole v oblasti s južným aspektom.
  • Obrysy —Contures môžu byť užitočné pri hľadaní oblastí s rovnakou hodnotou. Možno vás bude zaujímať získanie výškových hodnôt pre konkrétne polohy a skúmanie celkovej gradácie pozemku.
  • Rez/výplň — Výpočet rezu/výplne je užitočný, ak chcete poznať oblasti a objemy zmien medzi dvoma povrchmi. Identifikuje oblasti a objemy povrchov, ktoré boli modifikované pridaním alebo odstránením povrchového materiálu. Možno budete chcieť vedieť objemy a oblasti povrchového materiálu, ktorý sa má odstrániť, a oblasti, ktoré sa majú vyplniť, aby sa vyrovnal pozemok pre stavebnú výstavbu, alebo by ste chceli identifikovať oblasti erózie a ukladania sedimentov v údolí rieky.
  • Hillshade —Y môžete vytvoriť tienidlo pre grafické aj analytické účely. Stínadlo môže graficky poskytnúť atraktívnu a realistickú kulisu, ktorá ukazuje, ako sú ostatné vrstvy rozložené vo vzťahu k reliéfu terénu. Z analytického hľadiska môžete analyzovať, ako je krajina osvetlená v rôznych častiach dňa znížením a zvýšením slnečného uhla.
  • Sklon — Možno budete chcieť poznať variácie svahu krajiny, pretože chcete nájsť oblasti, ktoré sú najviac ohrozené zosuvom, na základe uhla strmosti v oblasti (najrizikovejšími sú strmšie svahy).
  • Viewshed (zorný uhol) —Výpočet výhľadu je užitočný, keď chcete vedieť, aké budú objekty viditeľné. Môžete napríklad chcieť nájsť miesto s najrozsiahlejším výhľadom v oblasti, pretože chcete poznať najlepšie miesto pre vyhliadkovú vežu alebo malebný výhľad.

Extrakcia

Existujú rôzne spôsoby, ako extrahovať alebo orezať podmnožinu buniek z množiny rastrových údajov. To sa dá dosiahnuť buď ich atribútmi, alebo priestorovým umiestnením.

Extrahovanie buniek podľa atribútu sa vykonáva prostredníctvom klauzuly WHERE pomocou nástroja Extrahovať podľa atribútov. Vaša analýza môže napríklad vyžadovať extrakciu buniek vyšších ako 100 metrov v nadmorskej výške z výškového rastra.

  • Skupiny buniek sú identifikované splnením kritérií spadajúcich do alebo mimo špecifikovaného geometrického tvaru.
  • Identifikujú sa jednotlivé umiestnenia buniek.

Väčšina nástrojov na extrakciu je k dispozícii s rozšírením Spatial Analyst, nástroj Clip je však k dispozícii s ľubovoľnou licenciou ArcGIS.

Filtrovanie alebo generalizácia

Rastrová množina údajov niekedy obsahuje údaje, ktoré sú chybné alebo irelevantné pre analýzu, ktorú máte k dispozícii, alebo sú podrobnejšie, ako potrebujete. Ak bol napríklad rastrový súbor údajov odvodený z klasifikácie satelitného obrazu, môže obsahovať mnoho malých a izolovaných oblastí, ktoré sú nesprávne klasifikované. Funkcie zovšeobecnenia pomáhajú s identifikáciou týchto oblastí a automatizáciou priraďovania spoľahlivejších hodnôt k bunkám, ktoré tieto oblasti tvoria. Funkcie generalizácie buď zovšeobecňujú zóny alebo vyhladzujú okraje zón.

Sada nástrojov zovšeobecnenia je dodávaná s rozšírením ArcGIS Spatial Analyst. Nástroje na zovšeobecnenie sú rozdelené do troch kategórií: tie, ktoré fungujú na (generalizovaných) zónach vrátane skupiny regiónov, okusovania, zmenšovania, rozbaľovania a tenkých nástrojov, ktoré pracujú na (hladkých) hranách zón vrátane hraničného čistenia a väčšinového filtra, a tých, ktoré menia rozlíšenie údajov vrátane agregátu.

Analýza na vodnej báze

Existujú dva hlavné spôsoby vykonania analýzy na báze vody. Jedna metóda modeluje tok vody, zatiaľ čo druhá modeluje advekciu/disperziu zložiek v podzemných vodách. Rozšírenie ArcGIS Spatial Analyst poskytuje nástroje pre oba typy analýz a vyžaduje DEM ako vstup pre mnohé z nástrojov.

Sada nástrojov pre hydrológiu poskytuje nástroje na pochopenie toho, ako voda preteká oblasťou a ako môžu zmeny v tejto oblasti ovplyvniť tok, ako je identifikácia prepadov, určenie smeru toku, výpočet akumulácie toku, vymedzenie povodí a vytváranie sietí tokov. Siete prúdov môžete napríklad identifikovať pomocou nástroja Flow Accumulation alebo identifikovať povodia pomocou nástrojov Flow Direction a Watershed. Nasledujúci obrázok zobrazuje prúdovú sieť odvodenú z výškového modelu.

Sada nástrojov pre podzemnú vodu poskytuje nástroje na vykonávanie základného modelovania adhézie/disperzie zložiek v podzemných vodách. Darcy Flow a Darcy Velocity generujú pole rýchlosti prúdenia podzemnej vody z geologických údajov, Particle Track sleduje cestu advekcie cez pole toku z bodového zdroja a Porous Puff vypočítava hydrodynamickú disperziu okamžitého bodového uvoľnenia zložky, ako je advekovaná. pozdĺž tokovej cesty.

Zmena hodnôt buniek (preklasifikovať)

  • Nahradiť hodnoty na základe nových informácií
  • Zoskupiť určité hodnoty dohromady
  • Na preklasifikovanie hodnôt do bežnej stupnice, napríklad na použitie v analýze vhodnosti alebo na vytvorenie nákladového rastra na použitie vo funkcii nákladovej vzdialenosti
  • Ak chcete nastaviť konkrétne hodnoty na NoData alebo nastaviť bunky NoData na hodnotu

Štatistická analýza

Rozšírenie ArcGIS Spatial Analyst obsahuje mnoho nástrojov na vykonávanie rôznych štatistických analýz založených na bunkách (rastroch). Tieto sú rozdelené do troch hlavných skupín - lokálnych, multivariačných a susedských a so sadou nástrojov pre každú z nich.

  • Tie, ktoré vypočítavajú štatistiky pre každé miesto, napríklad minimálnu hodnotu
  • Tie, ktoré priraďujú jedinečnú hodnotu pre každú jedinečnú kombináciu hodnôt na každom mieste
  • Tie, ktoré priradia počet vstupných hodnôt umiestnenia bunky pre dané miesto, spĺňajú zadané kritériá vzhľadom na inú vstupnú hodnotu
  • Tie, ktoré priradia hodnotu v umiestnení bunky, ktorá spĺňa určené kritériá vzhľadom na ostatné vstupné hodnoty
  • Tie, ktoré priradia pozíciu rastra obsahujúceho hodnotu bunky, ktorá spĺňa určené kritériá, vzhľadom na inú vstupnú hodnotu
  1. Vytvorte viacpásmovú zbierku (Create Raster Dataset).
  2. Vytvorte triedy alebo klastre (Vytvorte podpisy a Iso klaster).
  3. Vyhodnoťte a upravte triedy alebo zoskupenia (dendrogram a úprava podpisov).
  4. Vykonajte klasifikáciu (klasifikácia maximálnej pravdepodobnosti a pravdepodobnosť triedy).

Susedské funkcie vytvárajú výstupné hodnoty pre každé umiestnenie bunky na základe hodnoty pre dané miesto a hodnôt identifikovaných v určenom susedstve. Okolie môže byť jedným z dvoch typov: pohyblivý alebo polomer vyhľadávania.

Pohybujúce sa štvrte sa môžu prekrývať alebo neprekrývať. Prekrývajúce sa funkcie susedstva sa označujú aj ako ohniskové funkcie a spravidla vypočítavajú špecifikovanú štatistiku v okolí. Medzi tieto nástroje patria ohniskové štatistiky, filtre a ohniskové toky. Môžete napríklad chcieť nájsť priemernú alebo maximálnu hodnotu v susedstve 3 x 3. Funkcie filtra horného a dolného priechodu, ktoré vyhladzujú a zvýrazňujú údaje, sú variáciami prekrývajúcej sa funkcie susedskej štatistiky. Neprekrývajúce sa susedské funkcie alebo blokové funkcie umožňujú vypočítať štatistiky v určenom neprekrývajúcom sa susedstve a#8212, ktoré sa vykonávajú pomocou nástroja Bloková štatistika. Blokové funkcie sú obzvlášť užitočné na zmenu rozlíšenia rastra na hrubšiu veľkosť bunky. Hodnoty priradené hrubším bunkám môžu byť založené na samostatnom výpočte, ako je maximálna hodnota v hrubších bunkách, na rozdiel od použitia predvolenej interpolácie najbližšieho suseda.

Funkcie rádiusu vyhľadávania vykonávajú rôzne výpočty na základe toho, čo je v určenej vzdialenosti od bodu a lineárnych prvkov. K týmto nástrojom patrí líniová štatistika a bodová štatistika.

Podmienené

Podmienené nástroje umožňujú kontrolu výstupných hodnôt na základe podmienok umiestnených na vstupných hodnotách. Podmienkou, ktorú je možné použiť, je buď atribútový dotaz, alebo podmienka, ktorá je založená na pozícii podmieneného príkazu v zozname.

Dotaz podmienka podľa atribútu umožňuje explicitne identifikovať všetky bunky, ktoré majú hodnotu true. Tieto bunky si môžu zachovať svoju pôvodnú hodnotu alebo ich možno nastaviť na inú hodnotu alebo na NoData. Bunky, ktoré vyhodnotia ako nepravdivé, je možné nastaviť na iný rozsah hodnôt ako je skutočný stav. Ak je napríklad hodnota vo vstupnom rastri väčšia ako 10, vráťte 1, vráťte 100.

Podmienka podľa polohy podmieneného príkazu —nástroj na výber — vyžaduje vstupný parameter (raster alebo konštanta) určujúci polohu podmieneného príkazu (raster alebo konštanta), ktorý by sa mal použiť na výstup. Ak je napríklad hodnota pre zadanú bunku vstupného rastra 1, vráťte hodnotu určenú prvou podmienkou —, ktorá môže byť rastrom, konštantou alebo výrazom v algebre mapy — v zozname podmienených príkazov, ak je bunka v vstupný raster je 2, vráti hodnotu uvedenú druhým rastrom v podmienenom príkaze atď.

Rozšírenie ArcGIS Spatial Analyst má tri hlavné podmienené nástroje. Nástroj Con vykoná podmienené vyhodnotenie, nástroj Pick vykoná viacnásobné vyhodnotenie skutočnej podmienky a nástroj Nastaviť nulu nastaví zadané hodnoty na NoData.

Vážené prekrytie

Bežným dotazom na priestorovú analýzu je identifikovať vhodnosť každého umiestnenia bunky vzhľadom na niektoré kritériá. Kritériami môžu byť relatívne náklady, preferencie alebo riziká. Modely vhodnosti odpovedajú na otázky ako: Kde je najlepšie miesto na stavbu domu? Aká je najlacnejšia cesta na stavbu cesty? a Ktoré oblasti by mali byť chránené pre stanovište jeleňov?


Výsledky

Významné zhluky podľa metódy

Na obrázkoch 1, 2 a 3 zobrazujeme izolíny 95 % priestorových filtračných klastrov pomocou veľkostí filtrov 0,4, 0,5 a 0,6 míle pre jednorazové roky 2000 - 2002. Na účely porovnania sú tieto prekryté v najpravdepodobnejších významných klastroch SaTScan. Účinok zmien veľkosti filtra sme vyhodnotili vytvorením máp s rôznymi veľkosťami filtra. Vysoká miera nízkej pôrodnej hmotnosti zostala, keď sme zväčšili veľkosti filtrov na 0,4, 0,5 až 0,6 míle. To naznačuje, že tieto rozdiely sú kvôli náhode menej pravdepodobné. Veľkosť filtra 0,4 míle alebo menšie veľkosti filtra vykazovali lokálnu variabilitu oveľa lepšie ako väčšie veľkosti filtrov 0,5 a 0,6 míle (obrázok 1). Veľkosť filtra 0,4 míle viedla k piatim zoskupeným oblastiam. Na druhej strane sa klastre zväčšili a ďalšie klastre sa objavili smerom k severovýchodnej časti okresu, keď sme použili veľkosť filtra 0,5 míle (obrázok 2). Keď sme zväčšili veľkosť filtra na 0,6 míle, lokalizované zhluky sa spojili do väčšieho rovnomerného vzoru pokrývajúceho západnú časť kraja (obrázok 3). Tabuľka 1 ukazuje celkovú plochu klastrov pre obidve metódy s rôznymi veľkosťami filtra. Akonáhle sme použili väčšiu veľkosť priestorového filtra ako 0,8 míle, technika priestorového filtrovania stratila schopnosť detekovať zvýšené rýchlosti s výnimkou najhustejšie osídlených oblastí Memphisu.

Oblasti so štatisticky významne vysokými mierami nízkych pôrodných hmotností, Shelby, TN, 2000–2002. Mapy zobrazujú klastre SaTScan s maximálnou veľkosťou priestorových klastrov 0,4 míle. Zobrazuje tiež významné priestorové filtre s maximálnou veľkosťou filtra 0,4 míle.

Oblasti so štatisticky významne vysokými mierami nízkych pôrodných hmotností, Shelby, TN, 2000–2002. Mapy zobrazujú klastre SaTScan s maximálnou veľkosťou priestorových klastrov 0,5 míle. Zobrazuje tiež významné priestorové filtračné skupiny s maximálnou veľkosťou filtra 0,5 míle.

Oblasti so štatisticky významne vysokými mierami nízkych pôrodných hmotností, Shelby, TN, 2000–2002. Mapy zobrazujú klastre SaTScan s maximálnou veľkosťou priestorových klastrov 0,6 míle. Zobrazuje tiež významné priestorové filtre s maximálnou veľkosťou filtra 0,6 míle.

Na druhej strane, SaTScan poskytoval konzistentné výsledky s väčšími veľkosťami filtrov. Oblasti, ktoré majú štatisticky významné miery upravené po viacnásobnom testovaní, sa tiež ukázali ako oblasti s vysokou mierou na vyhladených mapách nízkej pôrodnej hmotnosti pomocou priestorového filtrovania. Klastre SaTScan boli diskrétne v porovnaní s kontinuálnou distribúciou priestorových filtračných klastrov. Najpravdepodobnejšie klastre SaTScan a kontinuálne klastre priestorového filtrovania boli koncentrované v západnej časti Shelby County. So zvyšujúcou sa veľkosťou klastrov vznikali sekundárne klastre s menším významom. Výsledné klastre mali kruhový tvar v rámci vopred definovanej maximálnej veľkosti priestorového klastra. Najpravdepodobnejšie zhluky sa objavili na rovnakých miestach s väčšími polomermi s výnimkou nových sekundárnych zhlukov v okolí.

Tabuľka 2 ilustruje materské a rodinné charakteristiky podľa metódy a typu klastrového odhadu. Etnické, ekonomické a vzdelanostné charakteristiky matiek, ktorých narodenia sú v klastri, sú dosť podobné bez ohľadu na veľkosť filtra. Pri obidvoch metódach sú klastre so zvyšovaním veľkosti filtra stále heterogénnejšie. Aj keď by sa s rastúcou veľkosťou vzorky dalo očakávať väčšiu heterogenitu, je možné, že vonkajšie časti klastra začnú zasahovať do vzdelanejších a bohatších komunít. Jediným hlavným rozdielom medzi týmito dvoma metódami bol celkový počet pôrodov v rámci každého príslušného typu klastra. Klastre priestorového filtrovania obsahujú takmer 3 -krát viac pôrodov ako SaTScan pri veľkosti filtra 0,4 míle. To môže byť čiastočne spôsobené skutočnosťou, že celková plocha pokrytá klastrami priestorového filtrovania je takmer 3 krát väčšia ako celková plocha pokrytá klastrami SaTScan.


FME považuje cieľovú množinu údajov CADRG za názov priečinka kontajnera. Každý typ funkcie má v priečinku kontajnera podpriečinok. Vnútri každej podpriečinka je súbor s obsahom A.TOC a jeden alebo viac podpriečinkov obsahujúcich niektoré súbory rámcov. Súbory rámcov a ich podpriečinky sú pomenované podľa špecifikácie MIL-STD-2411.

Všetky rastrové funkcie rovnakého typu prvku CADRG sú zoskupené do jedného súboru s obsahom. Každý rastrový prvok predstavuje jeden hraničný obdĺžnik, ale keď sa rozsahy rastrového prvku prekrývajú s dvoma alebo viacerými zónami, rastrový prvok sa rozdelí na viacero hraničných obdĺžnikov, z ktorých každý pokrýva podmnožinu rastra v jednej zóne. Podľa špecifikácie sa susedné zóny navzájom prekrývajú a rastrové údaje v oblasti priesečníka sa budú opakovať v dvoch hraničných obdĺžnikoch. Pretože každá zóna má špecifické vertikálne/horizontálne intervaly a rozlíšenia, možno bude potrebné znova prevzorkovať hraničné obdĺžniky.

Každý hraničný obdĺžnik bude rozdelený do jedného alebo viacerých súborov rámcov. Každý súbor rámca má veľkosť 1536 x 1536. Ak je počet riadkov alebo stĺpcov v rámci menší ako 4, zapisovač nevytvorí súbor rámca, pretože zapisovač vyžaduje na vykonanie priestorovej kompresie najmenej 4 riadky a stĺpce. . Tri palety majú 216, 32 a 16 záznamov, keď raster nemá hodnotu NoData, alebo 217, 33 a 17 záznamov, keď má raster hodnotu NoData. Každý záznam palety má hodnotu RGBM so štyrmi bajtmi. Prvý bajt R obsahuje úroveň intenzity červenej farby, druhý bajt G obsahuje úroveň intenzity zelenej, tretí bajt B obsahuje úroveň intenzity modrej a štvrtý bajt M obsahuje úroveň intenzity monochromatickej (v stupňoch šedej), ktorá je aritmetickou kombináciou červenej , zelená a modrá intenzita. Rovnica použitá na výpočet úrovne monochromatickej intenzity je: 0,299 (červená) + 0,587 (zelená) + 0,114 (modrá).

Na paletách sú posledné položky (217., 33. a 17. záznam) vyhradené pre hodnotu NoData alebo „priehľadné“ pixely pre prípady, keď údaje v danej geografickej polohe chýbajú alebo nie sú k dispozícii. Hodnoty RGBM v palete CADRG pre položku nodata sú 0, 0, 0, 0.


Úvod

Satelity obiehajúce okolo Zeme so svojimi schopnosťami diaľkového prieskumu zachytávajú informácie o geografii Zeme vo forme diaľkovo snímaných obrazov. Tieto obrázky sú reprezentáciou zemského povrchu pri pohľade z vesmíru a obsahujú intenzitu fyzických veličín, ako je slnečné žiarenie odrážané od zeme, emitované infračervené žiarenie alebo intenzita spätne rozptýleného radaru [14]. Tieto informácie sú zachytené viacerými senzormi na palube satelitov, ktoré zachytávajú žiarenie pre rôzne vlnové dĺžky, a sú poskytované vo forme multispektrálnych rastrových dát. Použitie viacerých senzorov pre rovnakú geografickú oblasť zachytáva rôzne druhy informácií vrátane tepelného zobrazovania (infračervené), viditeľného žiarenia (modré, zelené a červené) atď. A je uložené ako jednotlivé pásma [2]. Viacspektrálne a viacrozmerné údaje sú zvyčajne k dispozícii vo forme viacpásmových georeferencovaných súborov s formátom označeného obrázkového súboru (GeoTIFF), ktoré sú rozšírením formátu TIFF. Obrázok Landsat 7 je dodávaný vo forme súboru GeoTIFF, ktorý pozostáva z 8 spektrálnych pásiem a každé zo spektrálnych pásiem ukladá inú vlnovú dĺžku rozptýlenú alebo vyžarovanú zo zemského povrchu. Predchádzajúci štandard GeoTIFF bol obmedzený na podporu 4 GB rastrových údajov, ktoré boli nahradené súčasným štandardom Big GeoTIFF a umožňujú ukladanie súborov s obrázkom väčších ako 4 GB do kontajnera TIFF [17]. To bolo potrebné kvôli rastúcemu priestorovému rozlíšeniu a počtu súbežných pásiem, ktoré bolo potrebné uložiť pre geografickú oblasť. K dispozícii je tiež veľká dostupnosť obrázkov s rozlíšením Giga Pixel (10 9 pixelov) z domén, ako sú biotechnológia a kriminalistika, ktoré sú tiež uložené vo formáte Big GeoTIFF. Organizácia a správa tohto druhu údajov je sama o sebe obrovskou úlohou a ich spracovanie si vyžaduje návrh paralelných a distribuovaných systémov, ktoré umožnia rýchlejšie spracovanie terabajtov údajov a poskytnú výsledky v obmedzenom čase.

Rastrový obrázok pozostáva z reprezentácie geografických objektov v dvojrozmernej scéne a je to dvojrozmerné pole jednotlivých obrazových prvkov nazývaných pixely usporiadané v stĺpcoch a riadkoch [45]. Každý pixel jednotlivo predstavuje informácie o oblasti na zemskom povrchu. Informácie o oblasti sú reprezentované hodnotou intenzity a adresou miesta v dvojrozmernom obrázku. Zatiaľ čo hodnota intenzity je reprezentovaná nameranou odrazivosťou, miesto je reprezentované hodnotou (zemepisná dĺžka, šírka) pre georeferenčný obrázok [43]. Jeden pixel vo viacpásmovom obrázku má niekoľko hodnôt v závislosti od počtu senzorov, ktoré zachytili informácie pre dané geografické umiestnenie. Jednotlivé pásma sa zvyčajne používajú nezávisle v závislosti od požadovanej geopriestorovej analýzy a kombinovaných sprostredkovateľských výstupov na vytvorenie konečných výsledkov. Všetky tieto pásy, ak sa používajú spoločne s geopriestorovou analýzou, poskytnú presnejšie zobrazenie javov na zemskom povrchu. Existuje mnoho techník na ukladanie a organizovanie viacpásmových údajov (pixelov) obrazu v binárnych súboroch, ako je pásmový sekvenčný (BSQ), pásmový prekladaný pixelom (BIP) a pásmový prekladaný riadkom (BIL). Formát BIL ukladá údaje prvého pixelu zo všetkých rôznych pásiem v prvom riadku a údaje druhého pixelu zo všetkých rôznych pásiem v druhom rade atď. [20]. Jedným z príkladov takéhoto formátu sú údaje senzora, ktoré pochádzajú z francúzskych satelitov [známy tiež ako SPOT (Satellite Pour l’Observation de la Terre, čo v preklade znamená satelit na pozorovanie Zeme)] [64]. Táto štúdia používa vlastný vstupný formát, ktorý je podobný BIL, na prekonanie niektorých ťažkostí, s ktorými sa stretávajú pri spracovaní týchto binárnych dátových formátov v prostredí MapReduce. Existuje samostatná časť („Geometrický priestor až spektrálny priestor (prípravná fáza)“), ktorá pojednáva o podrobnostiach a dátovom formáte, ktorý je potrebný ako vstup do vyvinutého rámca ťažby.

Príspevok má nasledujúcu štruktúru. Prehľad pokroku v ťažbe veľkých geopriestorových údajov bol predložený v časti „Súvisiace práce“. Nový prístup k premene multispektrálnych údajov na geometrický priestor je prediskutovaný a rozvinutý v časti „Navrhovaná metodika“. Časť „Výsledok a diskusia“ poskytuje súhrn analýzy dosiahnutých výsledkov. Finally, “Conclusion and future work” section concludes the paper and provides directions for further research.


Map-projection-independent crater size-frequency determination in GIS environments—New software tool for ArcGIS

Statistical analysis of crater size-frequency distributions (CSFDs) of impact craters on planetary surfaces is a well-established method to derive absolute ages on the basis of remotely-sensed image data. Although modelling approaches and the derivation of absolute ages from a given CSFD have been described and discussed in considerable depth since the late 1960s, there is no standardised methodology or guideline for the measurement of impact-crater diameters and area sizes that are both needed to determine absolute ages correctly. Distortions of distances (i.e., diameters) and areas within different map projections are considerable error sources during crater and area measurements.

In order to address this problem and to minimize such errors, a software extension for Environmental Systems Research Institute's (ESRI's) ArcMap (ArcGIS) has been developed measuring CSFDs on planetary surfaces independently of image and data frame map projections, which can also be theoretically transferred to every Geographic Information System (GIS) capable of working with different map projections.


How to set the x,y resolution and domain

Before you specify the x,y resolution and domain, there are three things to consider:

  • Will the resolution maintain the accuracy of your data collection?
  • Will the domain cover the entire extent of your study area?
  • For ArcSDE geodatabases, is the resolution large enough to minimize storage and maximize performance?

You don't always need to worry about all these issues. Many times, you can let the default settings generated by the software deal with these issues for you. Below are three different approaches. Choose the one that is most appropriate for your application.

A. Take the defaults when importing data.

B. Specify the domain and accept the resolution default.

C. Specify the resolution and domain.

Approach A: Take the defaults when importing data

This is the easiest of the approaches because you simply take the default resolution and domain generated for you when you import data. Use this approach if you

  • Have at least one vector dataset or a group of tiled datasets that covers the entire extent of your study area
  • Want the smallest resolution possible within your study area

If you have a dataset that covers the entire study area, import the dataset first and accept the default values for the resolution and domain. The defaults will create a domain that encompasses all the features with a little room to grow. If you have tiled datasets that together cover the entire study area, calculate a domain that encompasses all the datasets using the Create Spatial Reference tool. Then create an empty feature class with this domain and load the tiled data into it.

Using this method, the resolution value will be minimized within the default domain. Because the resulting resolution could be small, this would not be the best approach if you are trying to get the optimum performance out of an ArcSDE geodatabase. However, this approach will ensure that all your data will fit inside the domain and you are using the smallest resolution possible for your data.

As you create or import subsequent datasets to the geodatabase, use the spatial reference calculated from this original feature class. You can do this by importing the spatial reference from this feature class whenever you create new feature classes or feature datasets. You can also set your geoprocessing settings to use the spatial reference from this feature class by following these steps:

  1. In ArcCatalog or ArcMap, click the Geoprocessing menu and click Environments .
  2. Expand Output Coordinates .
  3. For Output Coordinates, click As Specified Below .
  4. Next to the following text box, click the folder icon.
  5. On the XY Coordinate System tab, click Import .
  6. Navigate to and choose the first feature class that you imported into the geodatabase.
  7. Click Add .
  8. Click OK on all the open dialog boxes.

Once you've finished these steps, all subsequent geoprocessing operations, including importing new data, performed by the current user on this machine will use this spatial reference.

Approach B: Specify the domain and accept the resolution default

This approach helps you determine the domain for your study area, then minimizes the resolution within that study area. Use this approach if you

  • Do not have a single vector dataset that covers the extent of your study area, but you can define your study area on a map
  • Want the smallest resolution possible within your study area

The result of this approach will be exactly the same as approach A therefore, it has the same strengths and weaknesses. Before you can begin, you must know the coordinate system that you plan to use. For information on choosing a coordinate system, see the "Map projections" topic in the ArcGIS Desktop Help. If you plan to use the state plane or UTM coordinate systems, you can find data defining the zone locations at <ArcGIS installation location>ArcGISReference Systems in the usstpln83 and utm shapefiles.

First, determine the domain for your study area:

  1. Start ArcMap and add reference data for the world or your area of interest. Look for reference data in the following locations:
    • ESRI Data & Maps CD-ROM (included with ArcGIS)
    • <ArcGIS installation location>ArcGISMetadataData
    • Geography Network
  2. Set the coordinate system of the data frame to the one that you want to use for the new dataset.

a. Open the data frame properties.

b. Click the Coordinate System tab.

c. Open the Predefined folder and navigate to the coordinate system that you plan to use.

Now apply this domain when creating a new feature class:

  1. In the Catalog tree, navigate to your version 9.2 or higher geodatabase, right-click, point to New , then click Feature Class .
  2. Type an appropriate name, such as StudyArea.
  3. Choose the feature type and whether z- or m-values are supported.
  4. Select or import your coordinate system.
  5. Click Next .
  6. Copy and paste your coordinates out of the text file into the appropriate text boxes. Notice that the resolution adjusts as you change the domain.
  7. Click Next .
  8. Add any fields to the feature class.
  9. Click Finish on the New Feature Class wizard.

Now you can import the spatial reference from the StudyArea feature class for all other data that you create in that study area. You can also set your geoprocessing environment so all new data created from geoprocessing operations uses this spatial reference. See approach A for how to set the geoprocessing environment to use a spatial reference from a feature class.

Approach C: Specify the resolution and domain

With this approach, you calculate the resolution and domain manually. Use this approach if you want to maximize the performance of low-precision data in an ArcSDE geodatabase.

Step 1: Calculate the resolution.

First, you must calculate an appropriate resolution. Set your resolution values to be 10 times smaller than the best accuracy of your data collection. This will ensure that the precision of your data collection is maintained in the geodatabase regardless of how you manipulate the data with ArcGIS (geoprocessing, topology cluster tolerance, geometry operations, and so on). Consider the following examples:

Calculating resolution based on data that uses a geographic coordinate system (GCS) is slightly more difficult because angular units (degrees) are not consistent everywhere on the planet. As the latitude changes, each degree of longitude represents a different length on the ground. If you want to calculate the resolution by using a linear unit with data in a GCS, you will have to perform some calculations. If you calculate an appropriate resolution when your angular units are at their largest, you will maintain even more precision in areas where angular units are smaller. For example, if you are maintaining 1-meter precision where 1 degree equals 100 miles on the ground, your geodatabase will maintain 1-centimeter precision where 1 degree equals 1 mile on the ground. In a geographic coordinate system, angular units are largest at the equator. Resolution will be the inverse of the linear length in 1 degree at the equator. As mentioned above, the resolution value should be divided by 10 to account for any ArcGIS processing operations. You can use the following equation:

For example, GCS_WGS_1984 has a circumference of 40075016.7 meters. Thus

Another option is to multiply the semimajor axis of the GCS by the number of radians per angular unit, which is the equivalent of

You can find this technical information about your GCS by opening its property dialog box in the Catalog tree. If you don't see the Coordinate Systems folder in the ArcCatalog tree, you can make coordinate systems visible from the General tab of the ArcCatalog Options dialog box in ArcCatalog.

Step 2: Check the resolution against your study area.

To validate that your resolution will work given your study area, divide the greater of the width or height (range) of your study area by the resolution. If the result is less than 2,147,483,647, your data can fit inside a domain with your chosen resolution.

Even though your data can fit inside a domain, your coordinates may fall outside the coordinate system boundary. Consider the following fictitious dataset with map units of meters:

A range of 800,000 (the width) divided by a resolution of 0.0001 equals 800,000,000, which is less than 2.14 billion therefore, the data will fit. However, the upper right corner of the study area will be 1,000,000,000x, 4,060,000,000y (that is, [1,000,000x] / 0.0001 and [4,060,000y] / 0.0001). Notice that the y-value is outside the 0 to 2.14 billion range by about 1.9 billion units. To store these coordinates inside the geodatabase, you must shift the domain to surround the data.

Step 3: Calculate an appropriate minimum x,y.

Before you can shift the domain to surround your data, you must identify the center of your domain in map units. The goal is to place your data in the center of the domain so your data can expand in all directions if necessary. All the calculations for shifting the coordinate system are in coordinate system units.

First, find the center of the domain in integer space:

Next, convert the center to coordinate system units by multiplying by the resolution. This example uses a resolution of 0.001:

Now that you have found the center of the domain in coordinate system units, you need to calculate a new minimum x and y of your domain. The formula for calculating the minimum x and y of your domain is as follows:

This equation finds the minimum coordinates of your domain to locate the center of your data at the center of the domain. Remember, all these calculations are in coordinate system units. Examine this equation for the x dimension given the example data.

First, find the center of your data:

Next, find the difference between the center of your data and the center of geodatabase space:

Because this is a negative number, the domain will shift to the left. Remember, the shift is applied to the domain, not the data. The shift is calculated for both dimensions, so you would need to repeat this process for the y-coordinate. If you are trying to maximize performance in an ArcSDE geodatabase, do not center the domain. Instead, set the minimum domain values as close to the data as possible.

Step 4: Create the dataset.

Once you have calculated the resolution and minimum x- and y-values, you are ready to create a feature dataset or stand-alone feature class. The first time you create one of these with the New Feature Class or New Feature Dataset wizard, uncheck the Accept default resolution and domain extent check box and enter the resolution and minimum x- and y-values you calculated. The maximum x- and y-values will be calculated automatically. For all subsequent data that you import or create, you can simply import this spatial reference. You can also set your geoprocessing environment so all new data created from geoprocessing operations uses this spatial reference. See approach A for how to set the geoprocessing environment to use a spatial reference from a feature class.


Processing an Image

Most image processing functions act on a bitmap in memory, which means that the changes become permanent when you save the image in a file. Some low-level functions act on a buffer that you manage (for example, when you process data as it is loaded).

Changing the Data Format

You can change the color resolution (bits per pixel) of an image using a number of high-level and low-level functions. For a list of these functions, refer to Doing Color Expansion or Reduction.

Windows always uses the RGB color-space model, and when loading or saving a file, LEADTOOLS converts image data to or from RGB, as necessary. Nevertheless, LEADTOOLS provides functions for other color-space models. You can use the high-level L_ColorSeparateBitmap and L_ColorMergeBitmap functions to create and merge color separations using a number of color-space models, including RGB, CMYK, CMY, HSV, and HLS. You can also use the low-level L_ConvertColorSpace function to convert raw data in a buffer from one color-space model to another, including RGB, YUV, CMYK, CMY, YIQ, HSV, and HLS.

If the source data is in the YUV colorspace rather than in BGR/RGB format, you can use the L_SetBitmapYUVData function to convert the YUV data to grayscale/BGR before being set in the BITMAPHANDLE. Use the L_GetBitmapYUVData function to convert a bitmap's grayscale or BGR data to YUV and store it in an output buffer.

The L_AutobinarizeBitmap automatically converts color images into binary (black and white) images, with several pre-processing options. These include eliminating the bitmap's background, (while keeping key features such as text) performing automatic color-leveling, and performing color-leveling with user-specified thresholds.

Changing the Data Type (Signed / Unsigned)

Image data can be changed from signed to unsigned and vice versa. Signed image data may contain some negative values. Converting data from signed to unsigned, and vice versa, is done by shifting the image data/intensity values by a specific value. The ability to shift image data back and forth between signed and unsigned is often useful in medical or analytical applications.

To change image data from signed to unsigned, which is often done before applying image processing or analysis functions, there are the following options:

L_ConvertBitmapUnsignedToSigned shifts the image data based on internal aspects of the bitmap.

L_ShiftMinimumToZero provides the user with the value by which the image data was shifted. This information can be used later, after image processing, to return the image to signed data.

L_ClearNegativePixels sets all negative pixels to 0, therefore creating an unsigned image.

After signed images have been converted to unsigned images image processing or analysis functions can be performed on the unsigned images. (Most image processing functions work only on unsigned data.) When the image processing or analysis is complete, convert the unsigned data back to signed data.

To change image data from unsigned to signed, which is often done after applying image processing or analysis functions, there are the following options:

L_ConvertBitmapSignedToUnsigned shifts the image data based on internal aspects of the bitmap.

L_ShiftZeroToNegative gives the user the ability to specify the amount by which to shift the image data, and dictates the minimum and maximum values that are output by the function.

Doing Geometric Transformations

Geometric transformations include resizing, trimming, rotating, shearing, flipping, or reversing a bitmap. Some geometric transformation functions are designed mainly for document imaging. For example, L_DeskewBitmap (Document and Medical Imaging toolkits ) and L_DeskewBitmapExt(Document and Medical Imaging toolkits ) let you automatically straighten scanned documents. L_DeskewBitmap has special flags that make it possible to straighten bank check images. For more information, refer to Deskewing.

LEADTOOLS also provides the L_TransformFile function for performing lossless flips, rotations and reversals. However, only certain file formats are supported at this time. This function provides better results than loading an image, transforming it using L_RotateBitmap, L_FlipBitmap or L_ReverseBitmap and then resaving it. It uses the TRANSFORMFILECALLBACK function for processing the file. The TRANSFORMFILECALLBACK function in turn uses the LEADMARKERCALLBACK function for writing any updated markers within the file. For more information, refer to L_TransformFile, TRANSFORMFILECALLBACK and LEADMARKERCALLBACK.

The L_DisplaceMapBitmap function displaces bitmap pixels horizontally and vertically according to the values of the displacement map image.

The L_PerspectiveBitmap function gives a bitmap a 3-D depth, as if it exists on a flat plane and has been skewed into a different shape. The L_ManualPerspectiveDeskew function corrects the view perspective.

The L_Keystone function maps a polygon to a rectangle (an inverse perspective transformation), and can be used to correct the perspective of images that were captured from portable devices at an angle.

The L_UnWarp function removes the distortion in an image of a cylindrical object, as if removing a label from off of the cylinder and flattening it out.

Use the L_BezierPath function to match the output curve with the curve between two corners of the shape before calling L_UnWarp. Be sure to call L_FreeBezierPath when finished in order to free all the memory associated with the structure.

The L_AlignImages function aligns two images (the pRefBitmap and pTempBitmap images) based on the locations of the input points. The images are combined, creating the ppOutBitmap image.

For a list of functions in this group, refer to Raster Image Functions: Doing Geometric Transformations. For information about memory allocation when a bitmap gets bigger, refer to Resizing Considerations.

Lightening, Darkening, and Filtering Images

A number of image processing functions let you change the values of pixels across a bitmap (or a region in the bitmap) using various algorithms and filters. You might do this to improve the appearance of the image, to analyze details in the image, or to apply artistic effects. The following topics provide details:

Adding Another Image to a Bitmap

The L_CombineBitmap function lets you add all or part of another bitmap to the target bitmap. You can pass flags to control whether the new pixels simply replace the old ones or are combined with the old ones in a specified way. You can also define regions in either or both of the bitmaps, and if you do, the function affects only the intersection of the regions. The L_CombineBitmap also lets the user combine bitmaps of different bits per pixel and specify which color planes to use when combining the bitmaps. For information about regions, refer to Defining and Using a Bitmap Region.

Source and destination bitmaps may be combined by warping all or part of a source bitmap into part of a destination bitmap. To combine images in this manner, use L_CombineBitmapWarp.

The L_UnderlayBitmap function also combines images, but it has a much more specific purpose. It combines two bitmaps so that one appears to be an underlying texture for the other.

LEADTOOLS provides several functions for picturizing an image. The L_PicturizeBitmap function replaces an image with a new image created by combining images present in a specific directory. L_PicturizeBitmapList replaces an image with a new image created by combining images present in a bitmap list. The L_PicturizeBitmapSingle function picturizes an image using various versions of a single image.

Two bitmaps can also be blended by combining the images with an opacity value. The L_AlphaBlendBitmap function combines two bitmaps with a fixed opacity value to create a new blended image. The L_FeatherAlphaBlendBitmap function combines two bitmaps with feathering by using a variable opacity that depends on a fade mask with specifying the region of the fade mask. A fade mask bitmap can be created using the L_CreateFadedMask function.

Borders and frames may be added to a bitmap using the L_AddBorder and L_AddFrame functions.

The L_BumpMapBitmap function lets you combine a bitmap with a bump image to create a three-dimensional texture pattern.

The L_CanvasBitmap function applies an image as an overlay for another image.

A number of other functions let you get and put pixel data. For example, you can fill a bitmap with a color, and you can get and put individual pixel values. For a list of functions, refer to Getting and Setting Pixel Values.

Treating the bitmap as a device context opens up many possibilities. The L_CreateLeadDC function lets you get the device context. You can then use Windows GDI functions to draw lines, text, or images on the bitmap. You can also use the LEADTOOLS special effects functions to add three-dimensional shapes or text, or to combine images in interesting ways. For details, refer to Implementing Special Effects.

L_TextureAlphaBlendBitmap combines image data from pBitmapMask and pBitmapUnderlay with an underlay effect. The result is used as a fade mask that will be used to combine pBitmapSrc and pBitmapDst with variable opacity. The result is combined again with pBitmapDst using a constant opacity (using nOpacity). The L_BricksTextureBitmap function creates a brick texture that makes the image look like it has been drawn on a brick wall.

The L_DigitalSubtractBitmap function does not combine images, but subtracts the live (destination) bitmap from the mask (source) bitmap to show the differences between the two bitmaps.

Comparing Images

Two bitmaps or parts of two bitmaps can be compared using the L_CorrelationBItmap function. This function compares all or part of one bitmap with all the areas of the same dimensions in another bitmap and finds those areas that match according to the measure of correlation. The L_CorrelationListBitmap function compares the images in hCorList with all the areas of the same dimensions in pBitmap and finds those portions that match according to the measure of correlation.

Extracting Bitmaps from a Series

The L_SliceBitmap function is designed to extract the individual slices from radiographic scanned film.

Detecting Image Features

The L_BlankPageDetectorBitmap function determines whether the scanned image is a blank page (empty) or not, also it gives the accuracy percentage of the result. This function helps in reducing disk storage of scanned images.

The L_InvertedPageBitmap function detects whether the image (page) is inverted (white text and black background). If it is inverted it is inverted again so the text is black and the background is white. Use this function to enhance OCR and clean-up function performance.

The L_LambdaConnectedness function performs image segmentation using a special region-growing algorithm called Lambda Connectedness.

The L_LevelsetBitmapRgn function performs semi-automatic segmentation (using the Levelset algorithm) to find the best-fitting contour that encapsulates the object.

The L_OtsuThreshold function performs image segmentation and color reduction using Otsu clustering on grayscale images. Otsu thresholding is typically used as a way to binarize an image.

Use the L_MICRDetection function to automatically detect Magnetic Ink Character Recognition (MICR) zones in a document image.

Use the L_MRZDetection function to automatically detect a Machine-Readable passport Zone (MRZ) in a document image.

The L_BlurDetection function determines whether an image is blurred. The L_GlareDetection function automatically detects the glare zone in an image.

The L_SignalToNoiseRatio function calculates the Signal To Noise Ratio (SNR) as the 10*log10 of the real value. This value gives an indication of the homogeneity of adjacent pixels in an image.

The L_KMeansBitmapSegmentation function is an algorithm for analyzing data. Each observation gets placed in the cluster having the mean nearest it.

The L_GWireGetMinPath function detects objects in an image using the G-Wire algorithm.

Auto Zoning (Detecting Image Features)

The L_AutoZoneBitmap function detects different zones (Text, Graphic and Tables) in an image automatically, and return the location (rectangle) and the data of each zone such as (text lines and table&aposs cells ) in an allocated memory. It could be used with OCR, or any application that needs to automatically separate images, tables and text within mixed raster content (MRC) images.

If the user has defined an AUTOZONECALLBACK function and passed a pointer to this function to L_AutoZoneBitmap, the callback function will receive each zone detected. This allows the user to process each image as desired.

When the allocated memory that contains the detected zones is no longer needed, it should be freed by calling the L_FreeZoneData function.

Magic Wand and Fast Magic Wand Operations

Magic Wand

Typically, the Magic Wand operation creates a Windows region or a LEAD region (L_RGN). Although the Fast Magic Wand operation works in the same manner and under the same conditions, it creates an OBJECTINFO structure containing two elements: a rectangle and a two-dimensional array.

The rectangle corresponds to the bounding box of the region. The two-dimensional array corresponds to the pixels belonging to that region by referencing included elements as 1 as opposed to 0 when they are not included.

The number, orientation and order of the elements of the two-dimensional array correspond to those pixels within the bounding rectangle. Thus, the exact shape and position of the region can be known.

To begin using the Fast Magic Wand operation, you must first initialize a Fast Magic Wand handle. This is done by calling the L_StartFastMagicWandEngine function. Once the handle is initialized, perform the fast magic wand operation by calling the L_FastMagicWand function. This function is used when it is needed to select many regions over one image, especially large images as it performs faster. When the OBJECTINFO structure obtained by the L_FastMagicWand is no longer needed, delete it by calling the L_DeleteObjectInfo function.

The L_ObjectCounter counts the objects in a binary image. It counts the black objects against a white background. If the background is black and the objects are white, use L_InvertBitmap and then use L_ObjectCounter.

When the fast magic wand handle is no longer needed, free the handle by calling L_EndFastMagicWandEngine. At this point this handle becomes invalid.


Pozri si video: Resampling Raster ArcGis. changing the cell size of Raster dataset in ArcGis