Лекції 1.9. Загальна характеристика баз картографічних даних в АГК та картографічних зрізів

План

1.9.1. Общая характеристика баз картографических данных в АГК и картографических срезов.

Одной из функций АГК является ввод, обработка, хранение и вывод по запросам оператора разнообразных картографических данных и специальных сведений о местности. Одной из главных функций АГК является получение пространственно-временной информации о быстродвижущихся объектах и местности и ее отображение в виде динамических сцен в реальном времени.

Такая информация должна быть заложена в базах данных АГК, что возможно лишь тогда, когда они построены с учетом методов технологии цифровой картографии.

Классическим примером такой технологии может служить канадская, основанная на геоинформационной системе CGIS.

CGIS предназначена для автоматизированной обработки информации, собираемой Службой инвентаризации земель при Правительственной комиссии Канады по окружающей среде. Информация включает в себя статистические данные, административные границы, линии побережья и орогидрографическую сеть и как основной источник – карты пригодности земель для разных видов использования: сельскохозяйственного, лесохозяйственного и рекреационного, карты фактического использования земель, оценки местообитания животного мира и экологические карты в диапазоне масштабов от 1:50000 до 1:200000 в универсальной поперечно-цилиндрической проекции Меркатора (UTM).

Главная характерная особенность системы CGIS – автоматизированный ввод картографического материала. В качестве устройства ввода использовано оптико-механическое растровое сканирующее устройство барабанного типа. Такая технология была применена впервые в мировой практике. В ней основной тип данных – данные о площадных объектах отображаются в виде замкнутых контуров (полигонов). Каждый тип данных (элемент тематического содержания карты) называется «покрытием» (coverage), а полигон покрытия – полем. Каждому полю соответствует уникальный идентификационный номер. Полное описание «покрытия» состоит из двух наборов данных: набора данных об изображении, содержащего компоненты описания границ всех контуров, и дескриптивного набора данных (тип контура, размер площади, координаты центральной точки), т.е. первому набору соответствует пространственное положение на карте, а второму – принадлежность к определенной классификационной единице ее легенды. Связь между ними осуществляется через индивидуальный номер.

Контурная информация с отдельных листов оригиналов карт переносится вручную на жесткую основу гравированием на пластинке со съемным слоем. Параллельно готовится прозрачная основа с идентификационными номерами контуров.

На первом этапе основа с линейными элементами помещается на барабан сканирующего устройства. Сканирование производится с записью на магнитную ленту с шагом 1/250 дюйма (порядка одной десятой миллиметра) в двоичном коде. Время сканирования листа основы размером 60 х 90 см составляет 10-15 минут. Далее осуществляется преобразование условных угловых координат в географические с последующим сжатием, т.е. производится преобразование растрового формата в векторный. Данные об изображении листа основы 75 х 75 см в сжатом виде занимают 56,25 Мбайт.

На втором этапе совмещенные основы с линейными элементами и с индивидуальными номерами помещаются на цыфрователь для записи координат четырех углов карты и точек, произвольно расположенных внутри каждого контура (по одной точке на контур). Следовательно, контур через номер связан с его именем в виде так называемого дескриптивного набора. Ввод дескриптивных данных производится через устройство подготовки данных на магнитных лентах и осуществляется дважды в двух независимых форматах с целью автоматического контроля для исключения ошибок.

Существующие в настоящее время технические средства превосходят средства CGIS и по разрешению сканирующего устройства, и по времени цифрования исходного картографического материала, и по степени автоматизации процесса цифрования карт. Однако система CGIS останется классическим примером ГИС, предназначенной для массового использования. Основной недостаток данной системы состоит в том, что она не содержит средств, позволяющих обеспечить отображение движущихся объектов на картографическом фоне и системы средств, позволяющих интерактивное взаимодействие с ними в реальном времени.

Более совершенная и современная система создания баз картографических данных, построенная под руководством С.В.Абламейко. Она совмещает процессы ручного цифрования и маркировки с автоматической векторизацией, распознаванием и интерактивной коррекцией, позволяет получать удовлетворительные временные характеристики для картографических данных.

Предложенная технология позволяет сократить время цифрования карт более чем вдвое в сравнении с существующей технологией ручного (полуавтоматического) цифрования.

Технические показатели системы следующие: время сканирования одного слоя карты – 40 мин; рабочая область цифрования – А0-А2, разрешение – 25 мкм. Диапазон обрабатываемых карт – от 1:25000 до 1:200000. Размеры карт – до 60 х 70 см.

Определены три базовых класса объектов:

а) линии (длина больше ширины), в выходной БД представляемые средними линиями (by their medial lines);

б) символы, представляемые одной-двумя точками;

в) области (region), представляемые контуром.

Map overlay – специальная форма географической карты с изображением каждого слоя только одним цветом. Каждый слой – черно-белый лист, содержащий картографические объекты одного цвета.

В качестве базовых приняты следующие типы слоев: дороги (желтый цвет на картооснове); растительность (forest) (зеленый); гидрография (синий); изолинии (коричневый); слой, содержащий объекты черного цвета.

Для представления картографических объектов в выходной БД необходимо определить три типа параметров: код объекта, метрику (геометрические координаты) и семантику (характеристики объекта). Код объекта определяется графическим представлением его образа и относится к конкретному объекту или к целому классу объектов. Метрика зависит от расположения объекта на карте. Линейные объекты представляются своими остовами (skeletons), символы – одной-двумя точками, области – контуром. Семантика отражает некоторые конкретные характеристики объектов (геометрические, конструктивные и др.). Они могут определяться двумя способами: графическим представлением (структура, цвет и т.д.); с помощью условных знаков и символов (текст различных шрифтов, сигнатур, текстура различных элементов и т.д.).

Характеристики сканирующего устройства: область сканирования – 680 х 510 мм; разрешение – 25, 50, 100 мкм; режимы сканирования – линейный (бит на пиксел), цветной (байт на пиксел).

Для обработки всей сканируемой информации используется четыре рабочие станции. Две из них связаны с ручными дигитайзерами. Один компьютер с плоттером большого формата используется для рисования и контроля получаемых цифровых карт. Вся технология состоит из трех основных процессов: ручного цифрования карт или их частей; автоматической векторизации слоев карт и картографических объектов; интерактивной корректировки данных в векторной форме. В состав рабочей станции входит два монитора.

База данных реализована на основе реляционной модели и состоит из трех файлов: метрики, семантики и справочника. Описание каждого объекта представляется тремя записями. Записи характеристик и метрики имеют переменную длину, запись справочного описания – фиксированную. Представление объекта дается в соответствии с русской системой классификации и кодирования картографической информации. СУБД реализует следующие функции: доступ к информации о конкретной карте, слою или к области карты; доступ к информации о конкретном объекте или к информации об объекте с заданными свойствами; контроль информации; преобразования карт: сшивка, разграфка, масштабирование, преобразование проекций и пр.

Данная система успешно применялась для составления национальных карт CCCР, включая Украину.

Для построения баз картографических данных в ней используется формат хранения Ф1, а затем его следующие модификации. Преимуществом этого формата является относительная простота и наглядность, возможность формировать записи и связи самому разработчику. Главным его недостатком является избыточность данных, которая существенно устраняется в его модифицированном варианте – формате хранения Ф20.

Главным достоинством отечественных форматов хранения - доступность, прозрачность, возможность работы на уровне исходных программных модулей. Последние модификации форматов хранения (F20S) позволяют добиваться существенной экономии вычислительных ресурсов.

Несмотря на существенную экономию, использование отмеченных форматов хранения порождает базы, представляющие собой огромные массивы, содержащие большую избыточность данных, что приводит к значительным временным затратам на поиск, обработку и отображение необходимой картографической информации.

Рассмотрим структуры баз картографических данных АГК на основе квадратомических деревьев

Известно, что количество данных, предназначенных для упаковки баз данных картографической информации, составляет значительные массивы.

В задачах поиска и анализа картографических данных, например, начиная от пространственных статических, требующих применения операции пересечения двух карт до сложных динамических задач, требующих работу АГК в реальном времени, свойственную системам оперативного управления, выбор принципа построения баз таких данных имеет решающее значение.

Рассмотрим пример, когда база данных содержит карту контуров, скажем в 50-метровых интервалах высоты и карту урожайности пшеницы. Необходимо определить все области между уровнями высоты от 300 до 500 м, где растет зерно, затрачивая при этом минимальные ресурсы. Здесь традиционные подходы определения граничных точек для выявления искомых областей являются весьма неэффективными. Напротив, в случае организации иерархических баз географических данных в виде квадратомического дерева областей, анализ сводится к операции пересечения двух карт, что допускает удаление больших массивов данных из рассмотрения и, что в свою очередь, ведет к значительной экономии вычислительных ресурсов и обеспечивает быстрый поиск и отображение нужной картографической информации.

Это обстоятельство послужило толчком для решения примененить такой подход при проработке принципов построения архитектур геоинформа-ционных баз данных систем оперативного взаимодействия. Рассмотрим одну из систем, работающих в реальном времени, например, систему разводки самолетов вокруг крупного аэропорта. Главной задачей такой системы является задача анализа воздушной обстановки.

При анализе воздушной обстановки часто приходится решать задачи, требующие применения поиска в геометрической области. Ранее такие задачи решались визуально диспетчерским коллективом аэропорта при считывании информации непосредственно с экранов кругового обзора, входящих в состав аппаратуры слежения. При этом, естественно, имели место ошибки, связанные с человеческим фактором и значительными погрешностями отображения, особенно тогда, когда экраны предельно загружены информацией. Понятно, что в такие моменты информация, отображающая воздушную обстановку, должна быть как можно более полной и точной для принятия адекватных решений задач управления, и какие бы то ни было ошибки просто недопустимы.

Поэтому, естественно, появилась необходимость возложить на плечи машины некоторые хорошо формализуемые задачи анализа обстановки. Здесь время обработки больших объемов информации может быть значительным, что может отрицательно повлиять на работу такой автоматизированной системы, ведя к увеличению времени разовой обработки массивов. Однако при использовании «хороших» архитектур баз данных и алгоритмов количество одновременно сопровождаемых объектов может быть увеличено в несколько раз, параллельно с этим можно производить решение прикладных задач, свойственных АГК.

Архитектура баз картографических данных, построенная на основе квадратомического дерева, содержит описание класса иерархических структур данных, общее свойство которых, основано на принципе рекурсивной декомпозиции пространства. Такой принцип широко используется для представления точечных данных, областей, кривых, поверхностей и даже объемных тел.

В основу рекурсивной декомпозиции положены следующие компо-ненты: тип данных; принцип, определяющий процесс декомпозиции; количество уровней, к которым применяется процесс декомпозиции.

Рассмотрим представление с помощью принципа квадратомического дерева изображения, показанного на рис. 1.9.1.

Область, показанная на рис. 1.9.1а, которая представлена двоичным массивом размерностью 8 на 8, рис. 1.9.2b, единицы (пиксели) соответствуют элементам изображения внутри области, а нули соответствуют элементам изображения, находящимся вне области. Двоичный массив на рис. 1.9.2b представлен блоками, рис. 1.9.1с, а его отображение в виде квадратомического дерева показано на рис. 1.9.1d. Как видно из этого рисунка иерархическая структура данных об изображении представляется деревом степени 4, т.е. каждый нелистовой узел имеет четырех потомков. Каждый потомок узла представляет квадрант области, на рис. 1.9.1d, они отмечены как NW, NE, SW, SE. Листовые узлы дерева соответствуют тем блокам, для которых никакое дальнейшее деление становится невозможным. Вершина считается ЧЕРНОЙ или БЕЛОЙ в зависимости от того, находится ли соответствующий блок полностью внутри или полностью вне рассматриваемой области.

КРАЙ изображения – это внешний край квадрата, соответствующего массиву. Два пикселя считаются 4-смежными, если они смежные друг к другу в горизонтальных или вертикальных направлениях. Если имеет место смежность в угле (т.е. диагональная смежность), то пиксели считаются 8-смежными.

Черная область – это максимальный 4-связный набор черных пикселей, т.е. набор S такой, что для любых пикселей p,q из S существует последовательность пикселей =, ,…, в S такая, что 4-смежен к, причем 0< i < n.

Белая область – это максимальный восьмисвязный набор белых пикселей, который определен аналогично. Считается, что пиксель имеет четыре грани, каждая из которых имеет единичную длину. Граница черной области состоит из набора граней пикселей, непосредственно её составляющих, которые также являются гранями белых пикселей.

Аналогичная формулировка применима и для блоков. Если изображение представлено полутоновым, то вводится понятие уровней серого. Это понятие может распространяться на узел. Так все не листовые узлы на рис. 1.9.1 считаются серыми.

Поскольку карты представляют собой 2-мерные области, то рассмотрим представление именно таких областей.

Квадратомическое дерево областей – это объект класса представлений, которые характеризуются максимальной совокупностью блоков, на которые разбивают данную область. Обычно, блоки определены своими центрами и радиусами. Такое представление называют серединным осевым преобразованием (MAT).

Квадратомическое дерево – это вариант максимального блокового представления. Блоки должны быть непересекающимися и иметь стандартные размеры (длины их сторон должны соответствовать степеням двойки). Цель разбиения - получить систематический способ представления гомогенных частей изображения. Таким образом, чтобы трансформироватьданные об изображении в квадратомическое дерево, должен быть выбран критерий, в соответствии с которым можно утверждать,

что часть изображения, входящая в блок является гомогенной (т.е., однородной). Используя этот критерий, массив изображения последовательно подразделяется на квадранты, подквадранты, и т.д., пока не будут получены гомогенные блоки. Этот процесс представляет собой регулярную декомпозицию.

Обратим внимание, что блоки квадратомического дерева не обязательно должны соответствовать максимальным гомогенным областям в изображении. Наиболее вероятно, что существуют объединения блоков, которые все еще являются гомогенными. Чтобы получить сегментацию изображения на максимальные гомогенные области, мы должны позволить объединяться смежным блокам (или объединениям блоков) до тех пор, пока возникающая в результате область все еще остается гомогенной. Это достигается алгоритмом «разбиение и объединение». Однако возникающее в результате разбиение больше не будет представляться квадратомическим деревом; вместо этого, конечное представление находится в форме графа смежности. Таким образом квадратомическое дерево используется как начальный шаг в процессе сегментации. Например, рис. 1.9.2 b, с, и d показывает результаты последовательного применения объединения, разбиения, и группировки к начальной декомпозиции изображения представленного на рис. 1.9.2a. В этом случае, изображение первоначально разбивается на 16 равновеликих квадратных блоков. Затем, «объединяющий» шаг пытается формировать блоки побольше, рекурсивно объединяя группы из четырех гомогенных «братьев» (например, четыре блока в NW и SE квадрантах на рис. 1.9.1b). Шаг «расщепляющий» рекурсивно разбивает блоки, которые не гомогенны (например, NE и SW квадранты на рис. 1.9.1c). В заключение, «группирующий» шаг объединяет все гомогенные 4-смежные черные блоки в одну область; 8-смежные белые блоки аналогично объединяются в белые области.

Дата добавления: 2014-01-13