Vairāk

Rastra filtrēšana pēc pikseļu kopas lieluma ArcGIS?

Rastra filtrēšana pēc pikseļu kopas lieluma ArcGIS?


Man ir rastra attēls, kas attēlo salas upē (skat. Attēlu), kas izveidots, izmantojot šādu procesu:

1) Piestipriniet ūdens virsmu DEM un ūdensšķirtni DEM ar ierobežojošu daudzstūri (ūdens malu).

2) No ūdensšķirtnes DEM atņemiet ūdens virsmas DEM (satur salu - t.i. pacēluma vērtības> ūdens virsma).

3) Izmantojiet nosacījumu, lai tiktu saglabātas tikai vērtības> 0 (virs ūdens virsmas). Visas pārējās vērtības kļūst par “nav datu”. Tādējādi tiek iegūts šāds attēls:

Aplūkojot šo attēlu, jūs parasti varat izvēlēties lielo salu un savienot pāris mazākas salas. Es gribētu tikai saglabāt šīs salas un noņemt atsevišķus pikseļus vai pikseļu līnijas, kas ir izgriešanas procesa artefakti. Vai ir kāds veids, kā to paveikt ArcObjects/ArcGIS 10?

Es domāju kaut ko līdzīgu: paturiet pikseļu grupu tikai tad, ja tajā ir vismaz 3x3 logs, kurā ir vērtības. Tam vajadzētu radīt tikai 3x3 vai lielākas salas un noņemt visas garas pikseļu artefaktu "virknes".

EDIT: Pateicoties @whuber, esmu izdomājis šādu risinājumu. Turpināšu ar ceturto soli no vietas, kur iepriekš pārtraucu:

4) Pārvērst izvades nosacīto rastru vesela skaitļa formātā.

5) Reģionu grupa veselu skaitļu rastrs.

6) Veiciet zonālās ģeometrijas analīzi, pamatojoties uz apgabalu.

7) Piemērojiet nosacījumu rastram no 3. darbības, pamatojoties uz zonas ģeometrijas laukumu. Šajā piemērā es tikko izmantoju "VALUE> 1", kas nozīmē laukumu, kas ir lielāks par 1 m kvadrātu (ņemot vērā sākotnējā rastra izšķirtspēju 30 cm.

Šeit ir iegūtais rastrs:


Morfoloģiskie operatori ir paredzēti šim nolūkam, taču, manuprāt, jūsu ideja ir labāka, jo to var papildināt, lai (potenciāli) izmantotu augstuma datus.

Pirmkārt, RegionGroup režģis, lai katra šķietamā "sala" tiktu identificēta atsevišķi. Izmantojiet to kā zonu kopsavilkumu pamatu. Starp daudzajām iespējām ir:

  • Ja zonālais pacēlumu diapazons jebkurā salā ir nenozīmīgi mazs, jums, iespējams, ir artefakts (vai ļoti maza sala).

  • Aprēķiniet salas indikatora režģa 3x3 fokusa skaitu. Ja zonālais maksimums ir stingri mazāks par 9, jūsu sala patiešām ir pārāk izdilis.

  • Aprēķiniet salu teritorijas (šūnu skaitu). Īslaicīgi samaziniet visas salas par vienu šūnu (tas ir viens no morfoloģiskajiem operatoriem). Pārrēķiniet salu teritorijas. Novērst tos, kuru teritorijas ir pārāk mainījušās (iespējams, samazinājums par 75%vai pat 100%).

Zonu kopsavilkumu rezultātus var izmantot, lai identificētu un tādējādi atlasītu dzēšamās šūnas. Nosacīta operācija parūpēsies par šo pēdējo soli.


Pārskats par rīku komplektu Mapping Clusters

Mapping Clusters rīki veic klasteru analīzi, lai noteiktu statistiski nozīmīgu karsto punktu, auksto punktu, telpisko noviržu un līdzīgu pazīmju vai zonu atrašanās vietas. Rīku komplekts Kartēšanas klasteri ir īpaši noderīgs, ja ir jāveic darbības, pamatojoties uz vienas vai vairāku kopu atrašanās vietu. Piemērs ir papildu policijas darbinieku norīkošana, lai tiktu galā ar zādzībām. Telpisko kopu atrašanās vietas noteikšana ir svarīga arī tad, ja tiek meklēti iespējamie klasterizācijas cēloņi, kur notiek slimības uzliesmojums, bieži vien var sniegt norādes par to, kas to varētu izraisīt. Atšķirībā no rīku komplekta Analīzes modeļi metodēm, kas atbild uz jautājumu, vai pastāv telpiskā klasterizācija? ar jā vai nē, klasteru kartēšanas rīki ļauj vizualizēt klasteru atrašanās vietas un apjomu. Šie rīki atbild uz jautājumiem: Kur atrodas kopas (karstie un aukstie punkti)? , Kur incidenti ir visblīvākie ?, Kur ir telpiskās novirzes ?, Kuras pazīmes ir visvairāk līdzīgas ?, Kā mēs varam sagrupēt šīs pazīmes, lai katra grupa būtu visvairāk atšķirīga? Un Kā mēs varam grupēt šīs pazīmes, lai katra zona būtu viendabīga? .

Izveido telpiski blakus esošas zonas jūsu pētījuma apgabalā, izmantojot ģenētiskās augšanas algoritmu, pamatojoties uz jūsu norādītajiem kritērijiem.

Ņemot vērā svērto funkciju kopumu, identificē statistiski nozīmīgus karstos punktus, aukstos punktus un telpiskās novirzes, izmantojot Anselin Local Moran I statistiku.

Atrod apkārtējo trokšņu punktu elementu kopas, pamatojoties uz to telpisko sadalījumu. Laiku var iekļaut arī, lai atrastu telpas un laika kopas.

Ņemot vērā svērto funkciju kopumu, identificē statistiski nozīmīgus karstos punktus un aukstos punktus, izmantojot Getis-Ord Gi* statistiku.

Atrod dabiskas funkciju kopas, pamatojoties tikai uz objekta atribūtu vērtībām.

Ņemot vērā incidenta punktus vai svērtās pazīmes (punktus vai daudzstūrus), izveido statistiski nozīmīgu karsto un auksto vietu karti, izmantojot Getis-Ord Gi* statistiku. Tā novērtē ievades funkciju klases īpašības, lai iegūtu optimālus rezultātus.

Ņemot vērā incidentu punktus vai svērtās pazīmes (punktus vai daudzstūrus), tiek izveidota statistiski nozīmīgu karsto punktu, auksto punktu un telpisko noviržu karte, izmantojot Anselin Local Moran I statistiku. Tā novērtē ievades funkciju klases īpašības, lai iegūtu optimālus rezultātus.

Pamatojoties uz objektu atribūtiem, nosaka, kuras kandidātu pazīmes ir visvairāk līdzīgas vai visvairāk neatšķiras no vienas vai vairākām ievades funkcijām.

Identificē telpiskās novirzes punktu īpašībās, aprēķinot katras pazīmes lokālo izņēmuma faktoru (LOF). Telpiskās novirzes ir pazīmes neparasti izolētās vietās, un LOF ir mērījums, kas apraksta, cik atrašanās vieta ir izolēta no vietējiem kaimiņiem. Augstāka LOF vērtība norāda uz augstāku izolāciju. Šo rīku var izmantot arī, lai izveidotu rastra prognozēšanas virsmu, ko var izmantot, lai novērtētu, vai jaunās pazīmes tiks klasificētas kā novirzes, ņemot vērā datu telpisko sadalījumu.

Atrod telpiski blakus esošas funkciju kopas, pamatojoties uz objektu atribūtu vērtību kopu un izvēles kopu lieluma ierobežojumiem.

Mantojums:

Grupēšanas analīzes rīks bija pieejams šajā rīku komplektā pirms ArcGIS Pro 2.2, taču tas ir noņemts, jo ir uzlaboti šī rīka algoritmi. Lai vienkāršotu jaunās metodes un līdzekļus, ir izveidoti divi rīki, lai aizstātu grupēšanas analīzes rīku. Izmantojiet telpiski ierobežoto daudzfaktoru klasterizācijas rīku, lai izveidotu telpiski blakus esošas grupas. Izmantojiet daudzfaktoru klasterizācijas rīku, lai izveidotu grupas bez telpiskiem ierobežojumiem.


ASTER

ASTER jeb “Advanced Spaceborne Thermal Emission and Reflection Radiometer” ir uzlabots daudzspektru attēlveidotājs, kuru NASA uzsāka 1999. gada decembrī. ASTER aptver plašu spektra apgabalu ar 14 joslām no redzamā līdz termiskajam infrasarkanajam ar augstu telpisko, spektrālo un radiometrisko izšķirtspēju. . Telpiskā izšķirtspēja mainās atkarībā no viļņa garuma: redzamā un tuvā infrasarkanā (VNIR)-15 metru attālumā, īso viļņu infrasarkanais (SWIR)-30 metru attālumā un termiskais infrasarkanais (TIR)-90 metru attālumā. Katra ASTER aina aptver 60 līdz 60 km lielu platību. Lai uzzinātu vairāk par šo sensoru, skatiet sadaļu ASTER.


Par rastra datu analīzi

Ir daudzi veidi, kā jūs varat strādāt ar rastra datiem, veicot analīzi, un, iespējams, vēlēsities vizuāli analizēt rastra datus, izmantot tos kā fonu (pamata karti), lai vizuāli analizētu citus datus, vai izmantot tos analīzes darbībā.

Ja vizuālā analīzē izmantojat rastra datus, iespējams, pārbaudāt ūdensšķirtnes pētījuma rezultātus vai meklējat iezīmes ēnotā reljefā, kas izveidots no digitālā pacēluma modeļa (DEM). Ja izmantojat rastra datus, lai palīdzētu analizēt citus datus, iespējams, jūs pārbaudāt un atjaunojat vektoru datus, piemēram, ceļus, izmantojot atjauninātus rastra datus kā pamata karti, lai noteiktu trūkstošo ceļu atrašanās vietu. Jebkurā no šiem analīzes veidiem jūs, visticamāk, uztraucaties par rastra vizuālo izskatu. Jums jāapsver atveidotāju veidi, kas tiek izmantoti rasteru parādīšanai (piemēram, izstieptie vai RGB saliktie renderētāji), un, iespējams, vēlēsities tos mainīt, piemērot dažāda veida stiepes histogrammai, lai uzlabotu konkrētu informāciju rastra datu kopā vai pat noņemt dažus no displeja rastra vērtībām.

ArcMap ir papildu rīki, kas palīdzēs jums analizēt rastra datus, piemēram, rīks Pixel Inspector, kas tiek izmantots, lai apskatītu pikseļu vērtību apgabalu jūsu rastra datu kopā, vai rīks Swipe Layer, kas tiek izmantots, lai interaktīvi atklātu slāņi zem slaucāmā slāņa. Lai uzzinātu vairāk par šiem rīkiem, skatiet sadaļu Pikseļu vērtību interaktīva apskate un Interaktīva atklāšana, izmantojot rīku Swipe Layer. Varat arī izmantot rīku Identificēt, lai iegūtu informāciju par pikseļu vērtību vienam pikselim, vai izmantot rīku Iegūt šūnu vērtību, kad strādājat ar ģeopārstrādes modeli.

  • ArcGIS telpiskais analītiķis —Šis paplašinājums nodrošina visaptverošu uzlabotas telpiskās modelēšanas un analīzes rīku komplektu, kas ļauj veikt integrētu rastra un vektoru analīzi.
  • ArcGIS 3D Analyst —Šis paplašinājums ļauj efektīvi vizualizēt, analizēt un ģenerēt virsmas datus un nodrošina rīkus trīsdimensiju modelēšanai un analīzei.

Izmantojot ArcGIS piedāvātos ģeopārstrādes rīkus vai kādu no šiem paplašinājumiem, varat automatizēt savas darbplūsmas, veidojot modeļus analīzes veikšanai. Modeļu veidošana ļauj savienot rīkus kopā. Lai uzzinātu vairāk par modeļu veidošanu, skatiet sadaļu Vienkārša modeļa izveide.

Lai ģenerētu jaunu rastra datu kopu, vienā (vai vairākās) rastra datu kopā varat izmantot matemātiskas darbības vai funkcijas. To var izdarīt, izmantojot rastra kalkulatoru vai ģeogrāfiskās apstrādes rīkus.

Rastra kalkulators ļauj veikt matemātiskus aprēķinus, izmantojot operatorus un funkcijas, kā arī atlases vaicājumus (sīkāku informāciju skatiet sadaļā Rastra kalkulatora izmantošana). Telpiskā analītiķa rīkkopa nodrošina līdzīgu matemātisko operatoru un funkciju komplektu, kas ļauj aritmētiski apvienot vērtības vairākos rasteros, matemātiski manipulēt ar vērtībām vienā ievades rastrī, novērtēt vairākus ievades rasterus un novērtēt un manipulēt ar vērtībām binārais formāts.
Zemāk ir matemātikas pamata piemērs, kas izmanto pievienošanu, lai pievienotu vērtības divām rastra datu kopām, lai izveidotu trešo rastra datu kopu. To var izdarīt, izmantojot rīku Single Output Map Algebra vai Plus rīks.

Attālums

Aprēķinos varat izmantot rastra datus, lai izmērītu vai aprēķinātu attālumu. Izmantojot Spatial Analyst paplašinājumu, varat veikt divu veidu attāluma aprēķinus: Eiklīda un izmaksu attālumu.

Eiklīda attāluma funkcijas apraksta katras šūnas attiecības ar avotu vai avotu kopu. Ir trīs eiklīda funkcijas:

  • Eiklīda attālums norāda attālumu no katras rastra šūnas līdz tuvākajam avotam. To var izmantot, lai atbildētu uz jautājumu: Kāds ir attālums līdz tuvākajai pilsētai?
  • Eiklīda piešķiršana identificē šūnas, kuras jāpiešķir avotam, pamatojoties uz tuvāko tuvumu. To var izmantot, lai atbildētu uz tādiem jautājumiem kā: Kāda ir tuvākā pilsēta?
  • Eiklīda virziens norāda virzienu no katras šūnas uz tuvāko avotu. To var izmantot, lai atbildētu uz jautājumiem, piemēram, Kāds ir virziens uz tuvāko pilsētu?

Virsmas analīze

  • Aspekts —Jūs varat būt lauksaimnieks, kurš ir ieinteresēts atrast lauku apgabalā ar dienvidu aspektu.
  • Kontūras var būt noderīgas, lai atrastu vienādas vērtības apgabalus. Jums var būt interese iegūt augstuma vērtības konkrētām vietām un izpētīt zemes vispārējo gradāciju.
  • Griešana/aizpildīšana un griezuma aizpildīšana ir noderīga, ja vēlaties uzzināt divu virsmu izmaiņu apgabalus un apjomus. Tas identificē virsmu laukumus un tilpumus, kas ir mainīti, pievienojot vai noņemot virsmas materiālu. Iespējams, vēlēsities uzzināt noņemamā virsmas materiāla apjomu un laukumus un aizpildāmās vietas, lai izlīdzinātu ēku celtniecības vietu, vai arī vēlaties noteikt nogulumu erozijas un nogulsnēšanās reģionus upes ielejā.
  • Pakalnu ēna —Jūs varat izveidot pakalnu gan grafiskiem, gan analītiskiem nolūkiem. Grafiski paugurs var nodrošināt pievilcīgu un reālistisku fonu, parādot, kā citi slāņi tiek sadalīti attiecībā pret reljefa reljefu. No analītiskā viedokļa jūs varat analizēt, kā ainava tiek izgaismota dažādos dienas laikos, pazeminot un paaugstinot saules leņķi.
  • Slīpums —Jūs varētu vēlēties uzzināt ainavas slīpuma atšķirības, jo vēlaties atrast apgabalus, kuriem ir vislielākais zemes nogruvumu risks, pamatojoties uz teritorijas stāvuma leņķi (stāvākās nogāzes ir tās, kurām ir vislielākais risks).
  • Skatu nojume (redzamības līnija) —Skatu laukuma aprēķināšana ir noderīga, ja vēlaties uzzināt, cik redzami būs objekti. Piemēram, iespējams, vēlēsities atrast atrašanās vietu ar visplašāko skatu apgabalā, jo vēlaties uzzināt labāko skatu torņa vai gleznainā skata vietu.

Ekstrakcija

Ir dažādi veidi, kā izvilkt vai izgriezt šūnu apakškopu no rastra datu kopas. To var izdarīt pēc to atribūtiem vai telpiskās atrašanās vietas.

Šūnu izvilkšana pēc atribūta tiek veikta, izmantojot klauzulu WHERE, izmantojot rīku Izvilkt pēc atribūtiem. Piemēram, analīzei var būt nepieciešams no augstuma rastra izdalīt šūnas, kas atrodas augstāk par 100 metriem.

  • Šūnu grupas tiek identificētas, izpildot kritērijus, kas attiecas uz iekļūšanu noteiktā ģeometriskā formā vai ārpus tās.
  • Tiek noteiktas atsevišķas šūnu atrašanās vietas.

Lielākā daļa ieguves rīku ir pieejami ar paplašinājumu Spatial Analyst, tomēr Clip rīks ir pieejams ar jebkuru ArcGIS licenci.

Filtrēšana vai vispārināšana

Dažreiz rastra datu kopa satur datus, kas ir kļūdaini vai neatbilst pašreizējai analīzei vai ir detalizētāki, nekā jums nepieciešams. Piemēram, ja rastra datu kopa tika iegūta no satelīta attēla klasifikācijas, tajā var būt daudz mazu un izolētu apgabalu, kas ir nepareizi klasificēti. Vispārināšanas funkcijas palīdz identificēt šādas zonas un automatizēt uzticamāku vērtību piešķiršanu šūnām, kas veido apgabalus. Vispārināšanas funkcijas vai nu vispārina zonas, vai izlīdzina zonu malas.

Vispārināšanas rīku komplekts ir aprīkots ar paplašinājumu ArcGIS Spatial Analyst. Vispārināšanas rīki ir iedalīti trīs kategorijās: tie, kas darbojas (vispārina) zonās, ieskaitot reģionu grupu, sakost, sarauties, izvērsties un tievi, tie, kas darbojas uz (gludām) zonu malām, ieskaitot robežu tīru un vairākuma filtru, un tie, kas maina izšķirtspēju no datiem, ieskaitot apkopojumu.

Ūdens analīze

Ir divi galvenie veidi, kā veikt ūdens bāzes analīzi. Viena metode modelē ūdens plūsmu, bet otra - sastāvdaļu advekciju/izkliedi gruntsūdeņos. ArcGIS Spatial Analyst paplašinājums nodrošina rīkus abu veidu analīzei, un daudzu rīku ievadīšanai ir nepieciešams DEM.

Hidroloģijas rīku komplekts nodrošina rīkus, lai saprastu, kā ūdens plūst pa teritoriju un kā izmaiņas šajā apgabalā var ietekmēt plūsmu, piemēram, izlietņu noteikšana, plūsmas virziena noteikšana, plūsmas uzkrāšanās aprēķināšana, ūdensšķirtņu norobežošana un plūsmu tīklu izveide. Piemēram, plūsmas tīklus varat identificēt, izmantojot plūsmas uzkrāšanas rīku, vai ūdensšķirtnes, izmantojot plūsmas virziena rīku un ūdensšķirtnes rīku. Tālāk redzamais attēls ir straumes tīkls, kas iegūts no pacēluma modeļa.

Gruntsūdeņu instrumentu komplekts nodrošina instrumentus, lai veiktu elementāru komponentu pieplūdes/dispersijas modelēšanu gruntsūdeņos. Darcy Flow un Darcy Velocity ģenerē gruntsūdens plūsmas ātruma lauku no ģeoloģiskiem datiem, daļiņu trase seko advekcijas ceļam caur plūsmas lauku no punktveida avota, un Porous Puff aprēķina sastāvdaļas momentālas izdalīšanās hidrodinamisko izkliedi, kad tā tiek pielietota pa plūsmas ceļu.

Šūnu vērtību maiņa (pārklasificēt)

  • Lai aizstātu vērtības, pamatojoties uz jaunu informāciju
  • Lai apvienotu noteiktas vērtības kopā
  • Vērtību pārklasificēšana kopējā skalā, piemēram, izmantošanai piemērotības analīzē vai izmaksu rastra izveidošanai izmantošanai izmaksu attāluma funkcijā
  • Lai iestatītu konkrētas vērtības uz NoData vai iestatītu NoData šūnas uz vērtību

Statistiskā analīze

ArcGIS Spatial Analyst paplašinājumā ir daudz rīku dažādu šūnu (rastra) statistisko analīžu veikšanai. Tie ir iedalīti trīs galvenajās grupās - vietējā, daudzfaktoru un apkaimes - ar rīku komplektiem katrai grupai.

  • Tie, kas aprēķina statistiku katrai atrašanās vietai, piemēram, minimālā vērtība
  • Tie, kas piešķir unikālu vērtību katrai unikālajai vērtību kombinācijai katrā vietā
  • Tie, kas piešķir atrašanās vietas šūnu ievades vērtību skaitu, atbilst noteiktiem kritērijiem attiecībā pret citu ievades vērtību
  • Tie, kas piešķir vērtību šūnas atrašanās vietā, kas atbilst noteiktiem kritērijiem attiecībā pret citām ievades vērtībām
  • Tie, kas piešķir rastra pozīciju, kurā ir šūnas vērtība, kas atbilst noteiktiem kritērijiem attiecībā pret citu ievades vērtību
  1. Izveidojiet daudzjoslu kolekciju (Izveidot rastra datu kopu).
  2. Izveidojiet klases vai kopas (Izveidot parakstus un Iso kopu).
  3. Novērtējiet un rediģējiet klases vai kopas (Dendrogram un Edit Signatures).
  4. Veiciet klasifikāciju (maksimālā varbūtības klasifikācija un klases varbūtība).

Apkārtnes funkcijas izveido izvades vērtības katrai šūnas atrašanās vietai, pamatojoties uz atrašanās vietas vērtību un noteiktā apkārtnē identificētajām vērtībām. Apkārtne var būt viena no diviem veidiem: pārvietošanās vai meklēšanas rādiuss.

Pārvietojamās apkaimes var pārklāties vai nepārklāties. Apkārtnes funkcijas, kas pārklājas, tiek sauktas arī par fokusa funkcijām, un tās parasti aprēķina noteiktu statistiku apkārtnē, un šie rīki ietver fokusa statistiku, filtru un fokusa plūsmu. Piemēram, iespējams, vēlēsities atrast vidējo vai maksimālo vērtību 3 x 3 apkārtnē. Augstās un zemās caurlaides filtru funkcijas, kas izlīdzina un akcentē datus, ir apkārtnes statistikas funkcijas pārklāšanās variācijas. Apkārtnes nepārklājas funkcijas vai bloķēšanas funkcijas ļauj aprēķināt statistiku noteiktā nepārklājošā apkārtnē, un tās tiek veiktas, izmantojot rīku Bloķēt statistiku. Bloka funkcijas ir īpaši noderīgas, lai mainītu rastra izšķirtspēju uz rupjāku šūnu izmēru. Rupjām šūnām piešķirtās vērtības var balstīt uz atsevišķu aprēķinu, piemēram, maksimālo vērtību rupjākajā šūnā, nevis izmantojot tuvākā kaimiņa noklusējuma interpolāciju.

Meklēšanas rādiusa funkcijas veic dažādus aprēķinus, pamatojoties uz to, kas atrodas noteiktā attālumā no punktu un lineārajām pazīmēm. Rīki tam ietver līniju statistiku un punktu statistiku.

Nosacīti

Nosacījuma rīki ļauj kontrolēt izvades vērtības, pamatojoties uz nosacījumiem, kas noteikti ievades vērtībās. Nosacījums, ko var lietot, ir vai nu atribūtu vaicājums, vai nosacījums, kura pamatā ir nosacījuma paziņojuma pozīcija sarakstā.

Nosacījums pēc atribūtu vaicājuma ļauj skaidri identificēt visas šūnas, kuru vērtība ir patiesa. Šīs šūnas var saglabāt sākotnējo vērtību, vai arī tās var iestatīt uz citu vērtību vai uz NoData. Šūnām, kuru vērtība ir nepatiesa, var iestatīt atšķirīgu vērtību diapazonu no patiesā stāvokļa. Piemēram, ja ievades rastra vērtība ir lielāka par 10, citādi atgrieziet 1, atgrieziet 100.

Nosacījuma paziņojuma nosacījumam —izvēlēšanas rīks — ir nepieciešams ievades parametrs (vai nu rastrs, vai konstante), kas norāda nosacījuma paziņojuma (vai rastra, vai konstanta) pozīciju, kas jāizmanto izvadam. Piemēram, ja ievades rastra norādītās šūnas vērtība ir 1, atgrieziet vērtību, kas norādīta pirmajā nosacījumā —, kas var būt rastrs, konstante vai izteiksme kartes algebrā — nosacījumu paziņojumu sarakstā, ja šūna ievades rastrs ir 2, atgrieziet nosacītā paziņojuma otrā rastra norādīto vērtību utt.

ArcGIS Spatial Analyst paplašinājumam ir trīs galvenie nosacījumu rīki. Con rīks veic nosacītu novērtējumu, rīks Pick veic vairākus patiesā stāvokļa novērtējumus, un rīks Set Null nosaka noteiktas vērtības NoData.

Svērtais pārklājums

Parastais telpiskās analīzes vaicājums ir noteikt katras šūnas atrašanās vietas piemērotību attiecībā uz dažiem kritērijiem. Kritēriji var būt relatīvās izmaksas, vēlmes vai riski. Piemērotības modeļi atbild uz tādiem jautājumiem kā: Kur ir labākā vieta mājas celtniecībai? Kāds ir lētākais ceļš ceļa būvei? un kuras teritorijas būtu jāsaglabā briežu dzīvotnei?


Rezultāti

Nozīmīgas kopas pēc metodes

1., 2. un 3. attēlā mēs parādām 95 % līmeņa telpisko filtrēšanas kopu izolīnus, izmantojot 0,4, 0,5 un 0,6 jūdžu filtru izmērus 2000. – 2002. Salīdzināšanas nolūkā tie ir pārklāti ar visticamāk nozīmīgākajām SaTScan kopām. Mēs novērtējām filtru izmēru izmaiņu ietekmi, izveidojot kartes ar dažādiem filtru izmēriem. Augstie zema dzimšanas svara rādītāji saglabājās, palielinot filtru izmērus līdz 0,4, 0,5 līdz 0,6 jūdzēm. Tas norāda, ka šīs atšķirības ir mazāk iespējamas nejaušības dēļ. 0,4 jūdžu filtra izmērs vai mazāki filtru izmēri parādīja vietējo mainīgumu daudz labāk nekā lielākie filtru izmēri 0,5 un 0,6 jūdzes (1. attēls). 0,4 jūdžu filtra izmēra rezultātā tika izveidoti pieci grupēti apgabali. No otras puses, kopas palielinājās, un apgabala ziemeļaustrumu daļā parādījās papildu kopas, kad izmantojām 0,5 jūdžu filtra izmēru (2. attēls). Kad mēs palielinājām filtra izmēru līdz 0, 6 jūdzēm, lokalizētās kopas apvienojās ar lielāku vienotu modeli, kas aptvēra apgabala rietumu daļu (3. attēls). 1. tabulā parādīta kopu kopējā platība abām metodēm ar dažādiem filtru izmēriem. Kad mēs izmantojām lielāku telpiskā filtra izmēru kā 0,8 jūdzes, telpiskās filtrēšanas tehnika zaudēja spēju noteikt paaugstinātas likmes, izņemot visblīvāk apdzīvotos Memfisas apgabalus.

Apgabali ar statistiski nozīmīgu augstu dzimstības līmeni, Šelbija, TN, 2000. – 2002. Kartēs ir redzamas SaTScan kopas ar maksimālo telpisko kopu izmēru 0,4 jūdzes. Tas parāda arī nozīmīgus telpisko filtru kopas ar maksimālo 0,4 jūdžu filtra izmēru.

Apgabali ar statistiski nozīmīgu augstu dzimstības līmeni, Šelbija, TN, 2000. – 2002. Kartēs ir redzamas SaTScan kopas ar maksimālo telpisko kopu izmēru 0,5 jūdzes. Tas parāda arī nozīmīgus telpisko filtru kopas ar maksimālo 0,5 jūdžu filtra izmēru.

Apgabali ar statistiski nozīmīgu augstu dzimstības līmeni, Šelbija, TN, 2000. – 2002. Kartēs ir redzamas SaTScan kopas ar maksimālo telpisko kopu izmēru 0,6 jūdzes. Tas parāda arī nozīmīgus telpisko filtru kopas ar maksimālo 0,6 jūdžu filtra izmēru.

No otras puses, SaTScan sniedza konsekventus rezultātus ar lielākiem filtru izmēriem. Apgabali, kuriem pēc vairākkārtējas pārbaudes ir koriģēti statistiski nozīmīgi rādītāji, tika parādīti arī kā augsta līmeņa apgabali telpiskās filtrēšanas izlīdzinātās zema dzimšanas svara kartēs. SaTScan kopas bija diskrētas, salīdzinot ar telpisko filtrēšanas kopu nepārtraukto izplatīšanu. Visticamākās SaTScan kopas un nepārtrauktās telpiskās filtrēšanas kopas bija koncentrētas Šelbijas apgabala rietumu daļā. Palielinoties kopu lielumam, parādījās sekundāras kopas ar mazāku nozīmi. Iegūtie klasteri bija apļveida formā iepriekš noteiktā maksimālā telpiskā kopas lieluma robežās. Visticamākās kopas parādījās tajās pašās vietās ar lielākiem rādiusiem, izņemot jaunas sekundārās kopas tuvumā.

2. tabulā ilustrētas mātes un ģimenes īpašības pēc kopu novērtēšanas metodes un veida. To māšu etniskās, ekonomiskās un izglītības īpatnības, kuru dzimums ir kopā, ir diezgan līdzīgas neatkarīgi no filtra lieluma. Izmantojot abas metodes, klasteri kļūst arvien neviendabīgāki, palielinoties filtra izmēram. Lai gan, palielinoties izlases lielumam, varētu sagaidīt lielāku neviendabīgumu, iespējams, ka kopas ārējās daļas sāk iejaukties labāk izglītotās un turīgākās kopienās. Vienīgā būtiskā atšķirība starp abām metodēm bija kopējais jaundzimušo skaits katrā attiecīgajā klasteru tipā. Telpiskās filtrēšanas kopās ir gandrīz 3 reizes vairāk dzimušo nekā SaTScan ar 0,4 jūdžu filtra izmēru. Tas daļēji var būt saistīts ar faktu, ka kopējā platība, ko aptver telpiskās filtrēšanas kopas, ir gandrīz 3 reizes lielāka nekā kopējā platība, ko aptver SaTScan kopas.


FME uzskata CADRG galamērķa datu kopu par konteinera mapes nosaukumu. Katram līdzekļa tipam konteinera mapē ir apakšmape. Katras apakšmapes iekšpusē ir satura rādītāja fails A.TOC un viena vai vairākas apakšmapes, kurās ir daži kadru faili. Rāmja faili un to apakšmapes ir nosauktas saskaņā ar specifikāciju MIL-STD-2411.

Visi viena un tā paša CADRG līdzekļa tipa rastra līdzekļi ir sagrupēti zem viena satura rādītāja faila. Katra rastra iezīme attēlo vienu robežas taisnstūri, bet, ja rastra funkcijas apjoms pārklājas ar divām vai vairākām zonām, rastra līdzeklis tiks sadalīts vairākos robežu taisnstūros, no kuriem katrs aptver rastra apakškopu vienā zonā. Saskaņā ar specifikāciju blakus esošās zonas pārklājas viena ar otru, un rastra dati krustošanās zonā tiks atkārtoti abos robežu taisnstūros. Tā kā katrai zonai ir noteikti vertikāli/horizontāli intervāli un izšķirtspēja, iespējams, būs jāpārveido robežu taisnstūri.

Katrs robežu taisnstūris tiks sadalīts vienā vai vairākos kadru failos. Katra rāmja faila izmērs ir 1536 x 1536. Kad rāmja rindu vai kolonnu skaits ir mazāks par 4, rakstnieks neveidos rāmja failu, jo rakstītājam telpiskās kompresijas veikšanai ir nepieciešamas vismaz 4 rindas un kolonnas. . Trīs paletēs ir attiecīgi 216, 32 un 16 ieraksti, ja rastram nav NoData vērtības, vai attiecīgi 217, 33 un 17 ieraksti, ja rastram ir NoData vērtība. Katrs paletes ieraksts ir četru baitu vērtība RGBM. Pirmais baits R satur sarkanās intensitātes līmeni, otrais baits G satur zaļo intensitātes līmeni, trešais baits B satur zilo intensitātes līmeni, bet ceturtais baits M satur vienkrāsainu (pelēktoņu) intensitātes līmeni, kas ir sarkanas krāsas aritmētiskā kombinācija. , zaļās un zilās intensitātes līmeņi. Vienādojums, ko izmanto, lai aprēķinātu vienkrāsainu intensitātes līmeni, ir: 0,299 (sarkans) + 0,587 (zaļš) + 0,114 (zils).

Paletēs pēdējie ieraksti (attiecīgi 217., 33. un 17. ieraksts) ir rezervēti NoData vērtībai jeb “caurspīdīgajiem” pikseļiem gadījumos, kad datu trūkst vai tie nav pieejami konkrētajā ģeogrāfiskajā atrašanās vietā. RGBM vērtības CADRG paletē nodata ierakstam ir 0, 0, 0, 0.


Ievads

Satelīti, kas riņķo ap Zemi ar tālvadības iespējām, attāli uztveramu attēlu veidā uztver informāciju par Zemes ģeogrāfiju. Šie attēli ir Zemes virsmas attēlojumi, skatoties no kosmosa, un satur intensitāti aptuveni tādos fiziskos daudzumos kā saules starojums, kas atstarots no zemes, izstarotais infrasarkanais starojums vai atpakaļ izkliedētā radara intensitāte [14]. Šo informāciju satelītos uztver vairāki sensori, kas uztver starojumu dažādiem viļņu garumiem, un tā tiek sniegta daudzpektrālu rastra datu veidā. Izmantojot vairākus sensorus vienam un tam pašam ģeogrāfiskajam apgabalam, tiek uztverta dažāda veida informācija, kas ietver termisko attēlu (infrasarkano staru), redzamo starojumu (zils, zaļš un sarkans) utt., Un tiek saglabāta kā atsevišķas joslas [2]. Daudzspektru un daudzdimensiju dati parasti ir pieejami daudzjoslu ģeoreferencētu marķētu attēlu failu formātu (GeoTIFF) failu veidā, kas ir TIFF formāta paplašinājums. Landsat 7 attēls ir GeoTIFF faila formā, kas sastāv no 8 spektra joslām, un katra spektrālā josla saglabā atšķirīgu viļņu garumu, kas izkliedēts vai izstarots no Zemes virsmas. Iepriekšējais GeoTIFF standarts aprobežojās ar 4 GB rastra datu atbalstu, ko ir aizstājis pašreizējais Big GeoTIFF standarts, un tas ļauj uzglabāt attēlu failus, kas lielāki par 4 GB TIFF konteinerā [17]. Tas bija nepieciešams, ņemot vērā pieaugošo telpisko izšķirtspēju un vienlaicīgu joslu skaitu, kas bija jāsaglabā ģeogrāfiskajā apgabalā. Ir pieejams arī liels skaits Giga Pixel izšķirtspējas (10 9 pikseļi) attēlu no tādiem domēniem kā biotehnoloģijas un kriminālistika, kas tiek saglabāti arī Big GeoTIFF formātā. Šāda veida datu organizēšana un pārvaldība pati par sevi ir milzīgs uzdevums, un to apstrādei ir jāprojektē paralēlas un izplatītas sistēmas, kas ļaus ātrāk apstrādāt terabaitus datu un nodrošinās rezultātus ierobežotā laikā.

Rastra attēls sastāv no ģeogrāfisku objektu attēlojuma divdimensiju ainā, un tas ir divdimensiju atsevišķu attēla elementu masīvs, ko sauc par pikseļiem, kas sakārtoti kolonnās un rindās [45]. Katrs pikselis atsevišķi attēlo informāciju par Zemes virsmas apgabalu. Informāciju par apgabalu attēlo intensitātes vērtība un atrašanās vietas adrese divdimensiju attēlā. Lai gan intensitātes vērtību attēlo izmērītā atstarošanās spēja, atrašanās vietu attēlo (ģeogrāfiski atsauces attēla) vērtība (garums, platums) [43]. Vienam pikselam daudzjoslu attēlā ir vairākas vērtības atkarībā no sensoru skaita, kas uztvēra informāciju par šo ģeogrāfisko atrašanās vietu. Atsevišķas joslas parasti tiek izmantotas neatkarīgi, atkarībā no nepieciešamās ģeotelpiskās analīzes un starpniecības rezultātiem kopā, lai izveidotu galīgos rezultātus. Visas šīs joslas, ja tās tiek izmantotas kopā ar ģeotelpisko analīzi, sniegs precīzāku attēlojumu par Zemes virsmas parādībām. Ir pieejami daudzi paņēmieni attēla daudzjoslu datu (pikseļu) glabāšanai un sakārtošanai bināros failos, piemēram, joslu secība (BSQ), josla, kas savienota ar pikseļiem (BIP), un josla, kas sakļauta pēc līnijas (BIL). BIL formātā tiek glabāti pirmā pikseļa dati no visām dažādajām joslām pirmajā rindā, bet otrā pikseli - no dažādām joslām otrajā rindā un tā tālāk [20]. Viens šāda formāta piemērs ir sensora dati, kas iegūti no franču satelīta [pazīstams arī kā SPOT (Satellite Pour l’Observation de la Terre, kas tulkojumā nozīmē Satelīts Zemes novērošanai)] [64]. Šajā pētījumā tiek izmantots pielāgots ievades formāts, kas ir līdzīgs BIL, lai pārvarētu dažas grūtības, ar kurām saskaras, apstrādājot šādus bināros datu formātus MapReduce vidē. Ir atsevišķa sadaļa (“Ģeometriskā telpa uz spektrālo telpu (sagatavošanās posms)”), kurā tiek apspriestas detaļas un datu formāts, kas nepieciešams, lai ievadītu izstrādāto ieguves sistēmu.

Papīram ir šāda struktūra. Pārskats par lielo ģeotelpisko datu ieguves sasniegumiem ir sniegts sadaļā “Saistītie darbi”. Sadaļā “Piedāvātā metodoloģija” ir apspriesta un izstrādāta jauna pieeja daudzpektrālu datu pārvēršanai ģeometriskā telpā. Sadaļā “Rezultāti un diskusijas” ir iegūto rezultātu analīzes kopsavilkums. 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.


Skatīties video: Ewmapa Lekcja I Zakładanie nowej bazy