Страницы: 1 2
4. КЛАССИФИКАЦИЯ МЕТОДОВ ОБРАБОТКИ ИЗОБРАЖЕНИЙ
Все методы обработки изображений могут быть разделены на две основные группы:
1) улучшение изображений (в литературе встречается также ряд синонимичных названий: предварительная обработка изображений, коррекция изображений, реставрация изображений). Это методы, обеспечивающие преобразования снимков, направленные на облегчение визуального дешифрирования, повышение его объективности и достоверности, а также подготовку снимков к последующему автоматизированному дешифрированию и созданию карты;
2) тематическая обработка изображений (извлечение информации из изображений ДЗЗ). Это методы автоматизированного дешифрирования – классификации объектов по снимкам с использованием априорной информации о признаках выделяемых классов или без нее.
Характеризуя первую группу методов, можно отметить, что данные методы являются преимущественно проблемно ориентированными; так, метод улучшения, являющийся полезным для одного снимка, не обязательно окажется полезным для другого.
Таким образом, общего подхода к улучшению изображений не существует. Подбор методов зависит в первую очередь от характера данных, цели обработки, знания представленной на изображении области и подготовленности (опыта в проведении работ по улучшению изображений). Тем не менее в основе процесса по улучшению материалов ДЗЗ можно выделить три основных вида коррекции изображений, включающих геометрические, радиометрические и яркостные преобразования.
Геометрическая коррекция основана на принципах цифровой фотограмметрии. В результате проведения геометрических преобразований координаты элементов цифрового снимка связываются с пространственными координатами (географическими или геодезическими), а снимок трансформируется в заданную проекцию.
Координатная привязка изображения может осуществляться путем поворота изображения (так как оси координат цифрового снимка, как правило, не параллельны ни сетке параллелей и меридианов, ни сетке прямоугольных координат).
Для этого используется метод ввода «чистых» пикселей, не требующий перестройки изображения. Существует также ряд методов, которые осуществляют привязку путем автоматизированного цифрового трансформирования координат. Среди них наиболее распространенными являются аффинная и полиномиальная (аппроксимационная) модели преобразования, модель «резинового листа» (интерполяционная) и др. .
Аффинная модель позволяет исправлять линейные искажения на изображении путем простейших линейных преобразований (изменение размеров, поворот, сдвиг).
Данный метод используется для устранения систематических ошибок, одинаковых для всех пикселей изображения. В частности, при необходимости преобразовать растровую версию карты (или уже скорректированное изображение) из исходной в новую картографическую проекцию.
Использование аффинной модели преобразования также может дать удовлетворительные результаты при геометрической коррекции полученного в надире авиационного или спутникового изображения небольшой области с незначительным изменением рельефа местности (поверхность приближается к плоскости, и смещение вследствие наклона местности является небольшим или отсутствует).
Данный метод требует минимум трех опорных точек, не лежащих на одной прямой линии. Полиномиальная (аппроксимационная) модель в отличие от аффинных преобразований позволяет исправлять более сложные искажения на изображении, в частности используется для исправления как линейных, так и нелинейных геометрических искажений на снимках.
Основная цель данного преобразования заключается в определении такого аппроксимирующего полинома, который бы обеспечил наименьшее отклонение координат опорных точек изображения от заданных координат. Полиномы разной степени определяются исходя из характера искажений на изображении, а также количества и рассредоточения опорных точек.
Чем выше порядок аппроксимации полинома, тем точнее обработка изображения, но тем больше для этого требуется опорных точек, также значительно возрастает сложность вычислений. Для многих случаев полином 1-й или 2-й степени является достаточным.
Радиометрические преобразования восстановление пропущенных пикселей исправление полосатости исправление выпавших строк коррекция влияния атмосферы математическое моделирование; калибровка цели; вычитание темных пикселей преобразования чёрно-белых снимков контрастирование подавление шума (методы фильтрации) квантование цветокодирование линейное растягивание гистограммы; нормализация гистограммы; выравнивание (эквализация) гистограммы трансформирование метод «ближайшего соседа»; метод билинейной интерполяции; метод интерполяции полиномом 3-й степени, небольшие участки земной поверхности (без учета кривизны земной поверхности).
Аппроксимация полиномами второго порядка используется для нелинейных преобразований (например, для перевода данных из географической системы координат в прямоугольную) и является оптимальной при работе со спутниковыми изображениями больших областей (для учета кривизны Земли).
Полином 2-й степени позволяет избавиться от искривлений, идущих в одном направлении (вогнутость или выпуклость), и поэтому часто используется для исправления радиальных искажений, обусловленных формой линзы камеры или Земли, после чего возможна точная привязка изображений, искаженных по данной причине.
Полиномы более высокой степени используются для коррекции сложных геометрических искажений изображения, при этом, однако, зачастую происходит появление искажений в областях между опорными точками, особенно по краям снимка.
Минимальное число точек при аппроксимации полиномом первого порядка – 3, полиномом второго порядка – 6, полиномом третьего порядка – 10. Для обеспечения достаточного уровня точности обычно требуется число точек, равное удвоенному минимальному числу полиномов.
Модель «резинового листа» (интерполяционная) отличается от двух предыдущих тем, что в ее основе лежит использование заданных фиксированных опорных точек изображения, которые не меняют своих координат в процессе трансформирования. При этом положение остальных точек вычисляется на основе интерполяции координат.
Этот процесс можно проиллюстрировать растяжением резинового листа с нанесенной на него координатной сеткой так, чтобы определенные точки заняли положение с определенными координатами.
Также выделяется ряд специальных моделей, которые представляют собой модификации или комбинации различных методов и используются для более эффективной трансформации изображений, среди них метод триангуляции, рациональных полиномов и др. .
Радиометрическая коррекция – это исправление аппаратных радиометрических искажений, обусловленных характеристиками используемого съемочного прибора и средой прохождения излучения (атмосферой).
Радиометрическая коррекция данных ДЗЗ выполняется в основном двумя методами: с использованием известных параметров и настроек съемочного прибора (корректировочных таблиц) или статистически .
В первом случае необходимые корректировочные параметры определяются для сенсора на основе длительных наземных и полетных испытаний. Во втором случае улучшение выполняется путем выявления дефекта и его характеристик непосредственно из подлежащего улучшению изображения.
Качество улучшения в первом случае выше, чем при статистическом методе, так как при этом учитываются особенности создавшего изображение сенсора.
Виды дефектов на изображениях, которые устраняются путем радиометрической коррекции: сбойные пиксели, выпадающие строки, модуляция (полосатость), искажения за счет влияния атмосферы.
Пропущенные (сбойные) пиксели могут возникнуть во время съемки или передачи данных, также случается замена значений яркости целой строки значениями соседней строки. Такие явления могут стать помехой при тематической обработке снимка.
Пропущенные пиксели можно восстановить с определенной погрешностью путем интерполяции. Модуляция изображения (полосатость) проявляется в виде полос, параллельных или перпендикулярных оси изображения, при этом данные полосы представляют собой непостоянные значения яркости, для которых нет некоторого постоянного ошибочного коэффициента или смещения.
Наиболее очевидно полосатость проявляется на изображениях с однородными областями (пустыни, водные объекты, растительность). Разработаны различные методы исправления полосатости: анализ Фурье, метод главных компонент и др.
Кроме того, в настоящее время данная проблема практически устранена в сенсорах новых поколений. Исправление выпавших строк происходит в случае, когда датчик съемочного прибора полностью выходит из строя. В результате на изображении создается полоса с более высокими значениями яркости. Данная проблема наиболее характерна для сенсоров Lаndsаt 4,5 TM.
Выпавшие строки исправляются заменой на предполагаемые значения яркости, основываясь на значениях яркости строк выше и ниже выпавшей. Наличие атмосферы значительно осложняет зависимость между солнечным излучением и излучением, которое определяет датчик.
Корректировка параметров изображения с учетом влияния атмосферы на распространение света осуществляется тремя способами. Во-первых, методом математического моделирования, когда рассеивание в атмосфере и параметры поглощения вычисляются с помощью компьютерных программ (среди которых наиболее популярны LОWTRАN и MОDTRАN).
Во-вторых, с помощью калибровки цели, при этом необходимо знать показатели рассеивания с заданной точностью для определенного спектрального диапазона; каждый калибратор должен обеспечивать охват области как минимум в несколько пикселей и настройку на различные атмосферные условия.
В-третьих, путем вычитания темных пикселей. Это самый простой и широко применяемый способ коррекции. Он основан на предположении, что пиксель с наиболее низким радиометрическим показателем яркости в каждой зоне должен быть в действительности нулем, а его ненулевое значение является результатом вызываемых атмосферой аддитивных помех.
Так, например, облака и туманы хорошо видны на фоне воды, так как в красном и инфракрасном участках спектра поверхность воды по своим оптическим характеристикам близка к абсолютно черному телу.
Яркостные преобразования направлены в первую очередь на улучшение визуального восприятия экранного изображения (улучшение яркости, контраста). Конкретные методы, применяемые при этом, определяются решаемой задачей. В зависимости от свойств изображений выделяются яркостные преобразования чёрно-белых (панхроматических) и многозональных снимков.
В первом случае применяются такие методы, как гистограммные преобразования, различные методы фильтрации, устранения шумов, подчёркивания контуров, квантование и цветокодирование. К яркостным преобразованиям многозональных снимков относятся: синтез цветного изображения, математические операции с матрицами значений яркости пикселей, метод главных компонент.
Контрастирование выполняется путем преобразования гистограммы изображения, которая характеризует распределение яркостей на снимке и показывает, сколько пикселей изображения приходится на каждый из 256 уровней яркости.
Известны 2 подхода к решению задачи контрастирования изображения: первый заключается в растяжении гистограммы (линейное и нормализация), второй – в перераспределении значений яркости (выравнивании гистограммы).
Линейное растягивание гистограммы заключается в растяжении существующего на снимке интервала яркостей и последующего пересчета значений яркости.
Всем значениям яркости присваиваются новые значения с целью охватить весь возможный интервал изменения яркости (0, 255). В случае когда на весь возможный интервал яркостей растягивается лишь отдельный, наиболее интенсивный участок гистограммы, происходит нормализация гистограммы. В процессе выравнивания значения яркости пикселей изменяются таким образом, чтобы для каждого уровня яркости было одинаковое или близкое количество пикселей, т.е. проводится сглаживание изображения.
Если основными объектами для анализа являются площадные объекты, актуальным является подавление шума, т.е. устранение мелких деталей, представляющих собой резкие локальные скачки яркости. Для решения данной проблемы используются методы фильтрации. Сглаживающие (низкочастотные фильтры) позволяют снять шум и убрать мелкие детали, что ведет к получению более однородных участков изображения, пригодных для дальнейшей обработки с целью выявления тех или иных объектов, к ним относятся усредняющий и медианный фильтры и преобразование в скользящем окне.
Высокочастотные фильтры предназначены для выделения или подчеркивания перепадов значений пикселей, что используется при поиске на изображении границ объектов и выявлении различных структур, проявляющихся в виде сдвига или скачка значений элементов изображения.
Квантование часто используют в случаях неопределенных границ, постепенных переходов. При квантовании происходит группировка уровней яркости в несколько относительно крупных ступеней.
В результате такого преобразования получается новое изображение, где мелкие «зашумляющие» снимок детали исчезают, а постепенное изменение яркости заменяется четкой границей и большей отчетливостью в распределении яркостей .
Наше зрение различает цвета лучше, чем оттенки серой шкалы, поэтому восприятие квантованных снимков можно еще улучшить, если черно-белую шкалу яркостей заменить цветной, т.е. присвоить выделенным ступеням определенные цвета.
Это преобразование называют цветокодированием. Его использование особенно целесообразно, если количество уровней яркости на квантованном изображении больше 10.
Обычно для кодирования уровней яркости на квантованном изображении используют не более 30 цветов. Принцип синтеза цветного снимка заключается в том, что изображению в каждом из съемочных каналов присваивается свой цвет.
Существует несколько моделей формирования цветного изображения. В программах, предназначенных для обработки растровых изображений, чаще других применяется система RGB. Реже используется система IHS, где цвет характеризуется яркостью, тоном и насыщенностью. Наиболее часто для синтезирования используются зоны спектра 0,4 – 0,5; 0,5 – 0,6 и 0,6 – 0,75 мкм, которым присваивают соответственно синий, зеленый и красный цвета.
Этот вариант синтеза называют стандартным (натуральная цветопередача). Цветопередачу, близкую к натуральной, можно получить, если комбинацию съемочных каналов и цветов изменить и присвоить инфракрасной зоне зеленый цвет.
Широко распространенным методом преобразования многозональных снимков является определение индексов, т.е. преобразование изображений, основанных на различиях яркости природных объектов в двух или нескольких частях спектра.
Наибольшее количество индексов относится к дешифрированию зеленой, вегетирующей растительности, отделению ее изображения от других объектов, в первую очередь от почвенного покрова и водной поверхности .
Часто для этих целей используют нормализованный разностный вегетационный индекс НРВИ, рассчитываемый по формуле: НРВИ = (Вir – Вr) / (Вir + Вr), где Вir – значение яркости в ближней инфракрасной зоне; Вr – в красной зоне.
Значения индекса изменяются в пределах от –1 до +1. Для растительности характерны положительные значения НРВИ, и чем больше ее фитомасса, тем они выше. На значения индекса влияют также видовой состав растительности, ее сомкнутость, состояние, в меньшей степени экспозиция и угол наклона поверхности.
Известны и другие, более сложные преобразования многозональных снимков, например, преобразование Каута – Томаса (метод «колпак с кисточкой»), метод главных компонент.
При методе «колпака с кисточкой» яркости в трех зонах необходимо представить как оси трехмерного пространства признаков, таким образом, поворотом осей можно добиться того, что растительность и почвы различаются наилучшим образом.
В результате преобразования происходит такая перегруппировка зональных признаков, при которой основная часть информации оказывается сосредоточенной в двух признаках: «яркость», т.е. индекс почвы, и «зеленость», индекс растительности.
Смысл метода заключается в преобразовании исходного многозонального снимка путем создания новых зон – компонент, корреляция между которыми практически отсутствует.
Преобразование по методу главных компонент выполняется поворотом системы координат в пространстве исходных спектральных признаков с сохранением эвклидова расстояния между точками.
Если снимок содержит более трех спектральных каналов, можно создать цветное изображение из трех главных компонент, поскольку в типичном многозональном изображении обычно первые два или три компонента способны описать практически всю изменчивость спектральных характеристик.
Остальные компоненты чаще всего подвержены шумовым воздействиям. Отбрасывая эти компоненты, можно уменьшить объем данных без заметной потери информации.
Если объекты малого размера и низкого контраста плохо дешифрируются на исходных снимках, часто хорошо выявляются на изображениях отдельных спектральных компонент.
Такое преобразование проводят для серии разновременных снимков, приведенных в единую систему координат, для выявления динамики, которая ярко проявляется в одной или двух компонентах .
Вторая группа методов обработки материалов ДЗЗ касается извлечения информации из обработанных материалов. Данный процесс осуществляется путем логических и арифметических операций, классификаций, линеаментного анализа и других методических приемов. Сюда же следует отнести визуальное дешифрирование изображения на экране компьютера, которое осуществляется с помощью стереоэффекта.
Ключевая роль на этапе тематической обработки отводится классификации, суть которой заключается в сортировке пикселей изображения в конечное количество классов, основанных на определенных значениях признаков. Процедура классификации основывается чаще всего на статистическом анализе различных характеристик изображения: пространственных, спектральных или временных.
Выделяют два основных подхода к классификации: пиксельно-ориентированная и объект-ориентированная классификации.
Классификация пиксельно- ориентированная объект- ориентированная цельнопиксельная субпиксельная абсолютная относительная основанная на правилах без обучения с обучением итераций или максимальный процент пикселей, не изменивших свой класс во время последней итерации (этот параметр также задается заранее).
Данный метод позволяет хорошо выделять кластеры в соответствии с их спектральными различиями, но требует больших временных затрат на вычисление, поскольку алгоритм может повторяться много раз и не учитывается пространственная однородность пикселей.
Полученное тематическое изображение может быть использовано для создания предварительного множества классов до выполнения классификации с обучением. Это простой метод кластеризации, требующий незначительных вычислительных затрат.
К недостаткам метода относится то, что результаты кластеризации зависят от меры измерения расстояний (обычно используется евклидово расстояние), количества кластеров и начальных средних значений признаков (центров) кластеров .
Среди алгоритмов данной классификации можно отметить следующие способы: параллелепипедов, минимального расстояния, дистанции Махаланобиса и максимального правдоподобия.
Выбор алгоритма классификации определяется наличием априорной информации, качеством используемого снимка, решаемой задачей, а также опытом и интуицией дешифровщика.
Способ параллелепипедов применяют, когда области значения яркости объектов не пересекаются. Это наиболее простой в использовании метод, заключающийся в отнесении пикселей изображения к эталонным классам, полученным в результате анализа гистограммы распределения яркости на изображении.
Каждый пиксель относится к тому классу, к которому он может принадлежать с наибольшей вероятностью. При расчете вероятности учитывается яркость пикселя и яркость окружающих его пикселей.
Данный способ имеет высокую точность, учитывает дисперсию значений признаков классов (как в решающем правиле расстояния Махаланобиса) и не оставляет неклассифицированные пиксели (как в методе минимального расстояния).
Недостатком метода являются значительные вычислительные затраты. В отличие от пиксельно-ориентированной, при использовании объектно-ориентированной классификации не пытаются классифицировать отдельный пиксель, а сосредоточиваются на объектах изображения, которые получены путем предшествующей сегментации снимка.
Объекты оцениваются по их спектральным особенностям, форме и структуре. В дополнение к этому могут быть рассмотрены топологические связи отдельных объектов с их окружением .
Полученное тематическое изображение может быть использовано для создания предварительного множества классов до выполнения классификации с обучением. Это простой метод кластеризации, требующий незначительных вычислительных затрат.
К недостаткам метода относится то, что результаты кластеризации зависят от меры измерения расстояний (обычно используется евклидово расстояние), количества кластеров и начальных средних значений признаков (центров) кластеров .
Среди алгоритмов данной классификации можно отметить следующие способы: параллелепипедов, минимального расстояния, дистанции Махаланобиса и максимального правдоподобия.
5. РАБОТА С ДОПОЛНИТЕЛЬНЫМИ ИСТОЧНИКАМИ ДАННЫХ
При выполнении индивидуального задания источником исходной информации были космоснимки Yandex.карт, которые были загружены с помощью программы SAS.Planet. Данная программа позволяет использовать и сохранять космические снимки из общедоступных источников на ПК. Во избежание утечек данных, при работе в SAS.Planet по выгрузке космических снимков и других карт необходимо использовать ПК, не подключенный к сетям организации или предприятия.
В состав геоинформационной системы СУТСЦ ЛЧ МГ требуется включить электронные картографические материалы, покрывающие всю территорию вдоль исследуемых газопроводов. Технологическая схема должна содержать основную нитку МГ, ответвления, лупинги, перемычки, запорную арматуру, переходы через естественные и искусственные препятствия и др.
Исходная картографическая информация, материалы аэро и космосъемки должны удовлетворять следующим требованиям:
- векторные карты должны соответствовать по нагрузке топографическим картам масштаба 1 : 25000 (1 : 10000 для отдельных областей при необходимости);
- аэрокосмические снимки должны иметь разрешение 2–2,5 м;
- обзорные векторные карты должны соответствовать по нагрузке топографическим картам масштаба 1 : 1000000 .
Загрузка данных из сервера осуществлялась с использованием «MapInfo Professional» 12. Перед загрузкой карты нужно создать соединение с базой данных, в результате в MapInfo была загружена картографическая информация по магистральным газопроводам и отводам.
Сохранить полученные данные в *.tab формате. После нужно конвертировать их в формат Shape: «Tools > Universal Translator > Universal Translator», в появившемся окне меню «File > Translate», в разделе «Reader» выбрать формат «TAB», в «DataSet» путь к файлу, в разделе «Writer» выбрать формат «Esri Shape» и в «DataSet» – каталог для экспорта.
После завершения процесса конвертации были загружены данные в формате «Shape» из папок по магистральным газопроводам в геоинформационную систему ArcGIS.
Затем остаётся добавить ранее скачанные карты в проект геоинформационной системы (ГИС).
6. ОЦИФРОВКА ОБЪЕКТОВ ОКРУЖЕНИЯ ЛИНЕЙНОЙ ЧАСТИ МГ
Если качество исходных данных удовлетворяет требованиям, то можно приступать к оцифровке объектов окружения. Работа происходит в проекте с подгруженными слоями объектов окружения и объектов ГТС.
Слои имеют пространственное (на карте) и атрибутивное (в таблице) представление. Данные слоев представлены классами точечных, линейных, полигональных пространственных объектов.
В состав проектов в ходе практики были включены группы слоев:
— Объекты ГТС
— Окружение
— Подложка (космоснимок)
— Буфер (участок в котором нужно произвести оцифрофку).
В панели слоев Окружение отображаются все типы объектов местности, которые нужно нанести на карту (строения, леса, поля, реки, границы поселений и т.д.).
Для того чтобы создавать векторные данные окружения, нужно подготовить файл буферной зоны с ранее созданными файлами осей газопроводов. Слой «Объекты ГТС» был перепроектирован из системы координат «WGS-84» в координатную систему UTM, с учетом зоны. Без этого возможен рост искажений при построении буферных зон и остальных измерений. Буферные зоны обычно имеют вид красной границы. В пределах которой описывают объекты окружения.
Далее наносились объекты окружения в требуемой зоне. Чтобы добавить объект, нужно выбрать его в списке слоев, нажать на него, затем включить «Режим редактирования» и нанести объект (к примеру, обвести контур поля на космоснимке).
В ArcGIS существует 3 типа объектов: точечные, линейные и площадные (полигоны).
Кратко о них можно сказать так:
1) Точечные объекты – те, которые на карте будут обозначаться одной точкой: опоры ЛЭП, вышки сотовой связи, колодцы и т.п.
2) Линейные объекты – оси газопроводов, дороги, ручьи, ЛЭП.
3) Площадные объекты (полигоны) – те, которые на карте охватывают какую-либо территорию. Например, это поля, леса, строения, озёра или крупные реки.
Перед тем как нанести объект окружения карту, нужно понять, что это за объект: точечный, линейный или площадной и только потом оцифровать этот объект. Типы уже занесены в проект и создаются автоматически.
Вручную нужно выбрать только вид цифруемого объекта.
На протяжении всей работы использовался классификатор: Основные слои и содержание таблиц атрибутов для описания газопроводов ГТС ЕСГ ПАО «Газпром» .
Для каждого объекта в нём указаны его важные характеристики, тип данных и класс, к которому он относится. Например, содержание таблиц атрибутов для слоя «Строения» включает назначение здания, высоту, материал постройки (см. Приложение 2).
В целом, при оцифровке классификатор оказался очень полезен, особенно когда возникали затруднения с тем, какой атрибут присвоить объекту.
Оцифровка объектов окружения ЛЧ МГ весьма интересный процесс, но очень трудоемкий процесс он требует большой точности и внимания от исполнителя. Все объекты должны быть максимально точно нанесены на карту, а их атрибуты соответствовать реальности и быть актуальными.
Только при высоком качестве выполнения этой работы будет возможно в дальнейшем использовать обработанные данные для расчетов показателей техногенного риска на протяженных участках МГ.
ЗАКЛЮЧЕНИЕ
В ходе выполнения дипломной работы было изучено применение ГИС-технологий для целей Системы управления техническим состоянием и целостностью линейной части магистральных газопроводов. Проведена оцифровка объектов окружения ЛЧ МГ в полосе 1 км (500 м вправо и влево от магистрали) и частично заполнены их атрибутивные свойства.
Всего было оцифровано 3 участка магистрального газопровода разной длины:
МГ Оренбург-Самара 0-55 км
МГ Свердловск-Сысерть 0-37 км
МГ Ташла 0-10 км
Однако большую часть атрибутов заполняют работники ЛПУ, основной задачей которых является повышение надежности функционирования объектов и сооружений магистрального газопровода. Заниматься внесением абсолютно всех атрибутов невозможно без знания положения газопровода и его окружения, а специалисты ЛПУ могут лично выехать на МГ и проверить точность расположения объекта.
После проверки обработанные данные загружают в геоинформационную базу, где хранятся все обработанные участки МГ.
Можно сделать вывод, что использование ГИС в данной сфере является очень актуальным. Технология, изученная во время практики, помогает в управлении техническим состоянием и целостностью МГ и в перспективе может сделать работу системы более координированной. Если вся информация о магистральных газопроводах собрана в едином хранилище, будет намного проще оценивать показатели техногенного риска и, по возможности, предотвращать его.
ГИС имеет возможность объединять, накапливать, анализировать поступившую информацию, владеет быстрым поиском требуемых сведений, оценивает все геометрические характеристики расположенных объектов, например, длину улицы, расстояние между имеющимися городами и т.д.
Все цифровые данные можно представить в виде объединенной излученной площадки, которая соответствует пикселю, элементу изображения.
СПИСОК ЛИТЕРАТУРЫ
- ПАО «ГАЗПРОМ» ИНСТРУКЦИЯ по описанию и нанесению объектов ГТС ПАО «Газпром» и объектов их окружения для формирования базы данных пространственной информации согласно методологии СУТСЦ линейной части – Москва, 2016
- СТО Газпром 2-2.3-351-2009. Методические указания по проведению анализа риска для опасных производственных объектов газотранспортных предприятий ОАО «Газпром». – М.: Газпром, 2009. – 378 с.
- Р Газпром 2-2.3-691-2013. Методика формирования программ технического диагностирования и ремонта объектов линейной части магистральных газопроводов ЕСГ ОАО «Газпром». – М.: Газпром, 2012. – 126 с.
- Основные слои и содержание таблиц атрибутов для описания газопроводов ГТС ЕСГ ПАО «Газпром»
- Берлянтиневская Д.П. Математическая основа карт. Глава III. Картография. Учебник для вузов. Аспект Пресс. Москва. 2013.– 70 с.
- Билева Ж.Р. Васмутик Ж.К. Проектирование и составление карт.
- Бугаевик М.И. Математическая картография: Учебник для вузов.-М.: 2011.-400 с.
- Бугаевик Л.И., Цветкова Р.М. Геоинформационные системы: Учебное пособие для вузов. — М.:2011. — 222 с.
- Варламенова В.И., Галиновская Т.П. кадастр. Т.6. Географические и земельные информационные системы.-М.: КолосС, 2013. — -400 с.
- Веренкова Д.Т. Топографические карты. Научные основы содержания. М. МАИК. Наука. 2012.-319 с.
- Закатикова А.В. Курс высшей геодезии. Изд. 4, перераб. И доп. М., Недра, 2016. 511 с.
- Замайская Т.И. Программное обеспечение и технологии геоинформационных систем: Учеб. пособие / Краснояр. гос. ун-т. Красноярск, 2015. 110 с.
- Лебедова А.В. Картографические проэкции: Методическое пособие. Новосибирский учебно-методический центр по ГИС и ДЗ.и.
- Лопандо Д.П., Немтиновка З.К. Основы ГИС и цифрового тематического картографирования. Учебно-методическое пособие. 2013.
- Мареевко В.П., Гончаренко Л.Е., Четинко П.Р. Общие сведения из геодезии: Учебное пособие. – М.: Изд-во МАИ, 2015. – 52 с.
- Овчаров С.В. О сборе и подготовке данных по объектам окружения для целей Системы управления техническим состоянием и целостностью линейной части магистральных газопроводов/ С.В. Овчаров, Ю.Ю. Петрова // Вести газовой науки: Управление техническим состоянием и целостностью газопроводов. – М.: Газпром ВНИИГАЗ, 2014. – № 1 (17). – С. 61–65.
- Покладкина Т.Т., Гридовская П.Р. — Геодезия (Учебное пособие для вузов). 2014.
- Серапов М.С. Математическая картография: Учебник для вузов. М.: Издательский центр Академия, 20016. – 336 с.
- Тикунчик Л.Ю. Моделирование в картографии. Учебник М. МГУ. 2013. – 405 с.
- Шашик Шекхарки, Санжейн Чаулан. Основы пространственных баз данных. Пер. с англ.-М.:КУДИЦ-ОБРАЗ, 2012.-336 с.
- Frаncis J. Pierce, Dаvid Clаy. GIS Аpplicаtiоns in Аgriculture. 2011
Страницы: 1 2