Figure 12 — Effects of atmospheric scattering

Chiều sâu khí quyển cung cấp các thông số được phân bổ theo chiều dọc như nhiệt độ, áp suất và thành phần trong khí quyển, sử dụng dữ liệu từ một bộ cảm trên bầu khí quyển. Mô tả khí quyển nằm trong ảnh thu nhận.

Atmospheric sounding provides a vertical distribution of atmospheric parameters such as temperature, pressure, and composition, for example aerosols, using data from a sensor above the atmosphere. The atmospheric profile is a derived image.

Trộn ở mức độ ô riêng lẻ được gọi là trộn điểm ảnh. Kỹ thuật trộn điểm ảnh kết hợp dữ liệu từ nhiều cảm biến, cũng như các nguồn phụ trợ, để đạt được độ chính xác tốt hơn độ chính xác có thể đạt được bằng cách sử dụng dữ liệu từ một nguồn duy nhất. Dữ liệu quan sát có thể được kết hợp, hoặc " trộn" tại một loạt các cấp độ bắt đầu là mức dữ liệu thô, tiến tới là mức đối tượng và kết thúc ở mức quyết định.

Sự kết hợp các dữ liệu thô của cảm biến thường yêu cầu các cảm biến đo trong cùng một môi trường vật lý như nhau. Nếu dữ liệu cảm biến không giống nhau, thì dữ liệu sẽ được hợp nhất ở mức đối tượng hoặc mức quyết định.

Hợp nhất ảnh đa cảm biến (điểm ảnh) thường sử dụng mạng lưới phù hợp để tự động phân loại các nội dung của cảnh ảnh địa lý dựa trên các yếu tố đầu vào khác nhau. Đối với loại hợp nhất này, việc đăng ký chung độ chính xác của ảnh đa cảm biến đang được sử dụng là cần thiết. Mã địa lý chính xác cũng là cần thiết nếu vị trí tuyệt đối trên trái đất là quan trọng. Để tái tạo dữ liệu ảnh thì cần phải biết khoảng cách giữa điểm ảnh thông thường và lưới chiếu bản đồ, nhưng phương pháp mới hơn thì có khả năng giải quyết với độ phân giải khác nhau.

Nên sử dụng các tiêu chuẩn cho phép hợp nhất các số đo tại vị trí của các ô riêng lẻ.

Fusion at the level of individual cells is termed pixel fusion. Pixel fusion techniques combine data from multiple sensors, as well as ancillary sources, to achieve better accuracies and inferences than could be achieved by use of data from a single source. Observational data may be combined, or "fused" at a variety of levels beginning with the raw data, proceeding to the feature level and ending at the decision level.

The fusing of raw sensor data usually requires that the sensors are measuring the same physical phenomena. If the sensor data are dissimilar, then the data shall be fused at the feature level or decision level.

Multisensor image (pixel) fusion commonly uses adaptive neural networks to automatically classify the contents of the Geographic Imagery Scene based on the various inputs. For this type of fusion, accurate co-registration of the multisensor images being used is essential. Accurate geocoding is essential if absolute Earth location is important. Resampling of image data to common pixel spacing and map projection is usually required, but newer methods are capable of dealing with different resolutions.

Standards that enable fusion of measurements at the level of individual cells should be used.

Siêu dữ liệu là dữ liệu về dữ liệu (ISO 19115). Siêu dữ liệu là cần thiết để mô tả thông tin địa lý và các dịch vụ. Nó cung cấp thông tin về việc xác định, mức độ, chất lượng, sơ đồ không gian và thời gian, tham chiếu không gian, và phân phối các dữ liệu địa lý kỹ thuật số.

Ảnh siêu dữ liệu được mô tả trong ISO 19115-2⁽⁸⁷⁾.

Metadata is data about data (ISO 19115). Metadata is required for describing geographic information and services. It provides information about the identification, extent, quality, spatial and temporal schema, spatial reference, and distribution of digital geographic data.

Imagery metadata is described in ISO 19115-2⁽⁸⁷⁾.

Hầu hết các chuẩn trao đổi ảnh hiện tại dựa trên một mô hình thông tin dưới dạng mô tả trong một định dạng trao đổi. Các chỉ tiêu định dạng xác định trường dữ liệu và mô tả nội dung và ý nghĩa của các trường dữ liệu đó. Điều này có nghĩa nội dung thông tin có thể xác định bằng định dạng trao đổi này. Một số tiêu chuẩn hiện nay thậm chí tách "thông tin" của chúng từ phần mã hóa trong mô tả của tiêu chuẩn, nhưng cuối cùng nó là mã hóa được xác định các tiêu chuẩn này. Chỉ tiêu kỹ thuật này hỗ trợ việc phân chia các nội dung và nhà cung cấp dịch vụ, một mô hình nội dung thường tính đến việc định nghĩa cấu trúc một bản đồ trong các tiêu chuẩn mã hóa. Các mô hình nội dung bao gồm cấu trúc không gian và siêu dữ liệu. Các cấu trúc mã hóa là riêng biệt nhưng có liên quan.

Một mô hình nội dung mô tả nội dung thông tin của một tập hợp các dữ liệu địa lý, bao gồm việc xác định đối tượng và lược đồ không gian, ở đó các khía cạnh khác như chất lượng và tham chiếu địa lý được thể hiện trong các siêu dữ liệu liên kết. Các mô hình nội dung không bao gồm miêu tả, mã hóa, cấu trúc của dữ liệu để cung cấp môi trường trao đổi hoặc lưu trữ khác nhau. Siêu dữ liệu trao đổi có chứa thông tin về một trao đổi dữ liệu cũng không được định nghĩa trong mô hình nội dung.

Most existing imagery exchange standards imply an information model in terms of its representation in an exchange format. The format specification defines data fields and describes the contents and meaning of these data fields. This implicitly defines the information content that can be carried by this exchange format. Some of the existing standards even separate their "information" from the encoding within the description of the standard, but in the end it is the encoding that defines these standards. This Technical Specification supports the separation of content and carrier, where a common content model allows for a mapping to the structures defined in the encoding standards. The content model includes the spatial structure and the metadata. The encoding structure is separate but related.

A content model describes the information content of a set of geographic data, consisting of the feature identification and spatial schema, where other aspects such as quality and georeferencing are represented in the associated metadata. The content model does not include portrayal, encoding or the organization of the data to accommodate various storage or exchange media. Exchange metadata that contain information about a data interchange are also not defined by the content model.

Nén dữ liệu và sắp xếp dữ liệu có liên quan đến các khái niệm về cấu trúc mã hóa. Sắp xếp dữ liệu loại bỏ thông tin dựa trên nội dung của nó, trong khi nén dữ liệu loại bỏ thông tin dựa trên cấu trúc bit, không phụ thuộc vào ý nghĩa. Một ví dụ về nén chặt dữ liệu là việc loại bỏ các thông tin được biết mà không cần thiết cho các ứng dụng. Sắp xếp dữ liệu được áp dụng cho các khu vực mà không có dữ liệu cũng như các bit không cần thiết của dữ liệu số cho số chính xác thấp hơn. Nén dữ liệu loại bỏ thông tin dư thừa xảy ra ngẫu nhiên. Ví dụ, thay thế dãy mã hóa dài bằng dãy mã hóa ngắn hơn với cùng bits. Cả nén dữ liệu và sắp xếp dữ liệu có thể được áp dụng cho một tập dữ liệu, nhưng sắp xếp dữ liệu được quy định trong nội dung cụ thể, trong khi nén dữ liệu được quy định như một phần của cấu trúc mã hóa.

Một số định dạng mã hóa đặc biệt thích hợp cho ảnh địa lý được mô tả trong 8.3.5.2 đến 8.3.5.4.

Compression and compaction are related to the concept of encoding structures. Data compaction removes information based upon its semantic content, while data compression removes information based upon the bit structure, independent of the meaning. An example of data compaction is the removal of information that is known by the application to be unnecessary. Data compaction is applicable for areas over which there is no data as well as unneeded bits of numeric data for lower precision numbers. Data compression removes redundant information that occurs randomly. For example, run length encoding replaces long runs of identical bits with a shorter code. Both data compaction and data compression may be applied to a dataset, but data compaction is specified in the content model, whereas data compression is specified as part of the encoding structure.

Some of the encoding formats of particular relevance for geographic imagery are included in 8.3.5.2 to 8.3.5.4.

ISO/IEC 12087-51⁽⁶⁰⁾ xác định định dạng ảnh cơ bản dùng để trao đổi là (BIIF). Nó cung cấp một mô tả chi tiết về cấu trúc tổng thể của định dạng cũng như các đặc điểm kỹ thuật của nội dung dữ liệu và định dạng cho tất cả các trường xác định. BIIF phù hợp với các chỉ tiêu kỹ thuật đối tượng kiến trúc và dữ liệu của ISO/IEC 12087-1 ⁽²⁸⁾ ISO/IEC 12087-5 ⁽⁶⁰⁾ cũng như cung cấp một định dạng dùng để chứa dữ liệu ảnh, biểu tượng và văn bản, cùng với một cấu trúc để chứa dữ liệu hỗ trợ ảnh-liên quan. BIIF

- Cung cấp những phương tiện nhờ đó các ứng dụng khác nhau có thể chia sẻ ảnh và liên kết thông tin,

- Cho phép ứng dụng để trao đổi thông tin toàn diện với người sử dụng có nhu cầu hay khả năng khác nhau, cho phép mỗi người dùng lựa chọn những dữ liệu phù hợp với nhu cầu và khả năng của mình,

- Giảm thiểu quá trình xử lý trước và xử lý sau của dữ liệu,

- Giảm tối đa định dạng, đặc biệt là đối với những ứng dụng trao đổi chỉ có một lượng nhỏ dữ liệu và hệ thống giới hạn về Băng phổ thông, và

- Cung cấp khả năng mở rộng để chứa dữ liệu trong tương lai, bao gồm cả đối tượng.

ISO / IEC 12087-5 ⁽⁶⁰⁾ hỗ trợ việc sử dụng các mô tả tiêu chuẩn quốc tế để xác định và thiết lập những ứng dụng chính của tiêu chuẩn, và quy định cụ thể cơ chế để đăng ký mô tả đó phù hợp với ISO / IEC 9973 ⁽⁹⁶⁾. Ví dụ như các định dạng ảnh NATO⁽⁹⁵⁾ và Mô tả trao đổi kỹ thuật số giới hạn mở được cung cấp như là một ví dụ trong E.3 của ISO / IEC 12087-5 ⁽⁶⁰⁾

ISO/IEC 12087-51^[60] specifies the Basic Image Interchange Format (BIIF). It provides a detailed description of the overall structure of the format as well as a specification of the valid data content and format for all defined fields. BIIF conforms to the architectural and data object specifications of ISO/IEC 12087-1^[28] ISO/IEC 12087-5^[60] also provides a data format container for image, symbol, and text, along with a mechanism for including image-related support data. BIIF

• 
  Provides a means whereby diverse applications can share imagery and associated information,
  
• 
  Allows an application to exchange comprehensive information with users with diverse needs or capabilities, allowing each user to select only those data items that correspond to their needs and capabilities,
  
• 
  Minimizes pre-processing and post-processing of data,
  
• 
  Minimizes formatting overhead, particularly for those applications exchanging only a small amount of data, and for bandwidth-limited systems, and
  
• 
  Provides extensibility to accommodate future data, including objects.
  

Định dạng dữ liệu cấu trúc (HDF) là định dạng dữ liệu tiêu chuẩn cho sản phẩm dữ liệu của tất cả các hệ thống quan sát Trái Đất của NASA (HDF-EOS) ^{(73, 74)} HDF là một định dạng tập tin đa-đối tượng được phát triển tại trung tâm quốc gia cho các ứng dụng siêu máy tính (NCSA) tại trường Đại học Illinois. NCSA phát triển HDF để hỗ trợ người dùng trong việc chuyển giao và thao tác dữ liệu khoa học trên hệ điều hành đa dạng và các nền máy tính, sử dụng giao diện gọi là FORTRAN và C và các tiện ích. HDF hỗ trợ một loạt các loại dữ liệu: những dãy dữ liệu khoa học n chiều, bảng, chú thích văn bản, một số loại ảnh raster, bảng màu liên quan của chúng và siêu dữ liệu. Thư viện HDF có các giao diện để lưu trữ và lấy các loại dữ liệu trong cả hai định dạng nén hoặc không nén.

Vì nhiều cấu trúc dữ liệu khoa học Trái Đất cần phải được xác định vị trí địa lý, NASA đã phát triển định dạng HDF-EOS với các quy ước bổ sung và các kiểu dữ liệu cho các tập tin HDF. HDF-EOS hỗ trợ các mạng lưới, điểm, và các kiểu dữ liệu không gian địa lý, cung cấp truy cập thống nhất cho các loại dữ liệu khác nhau trong một bối cảnh không gian địa lý. Thư viện phần mềm HDF-EOS cho phép một người sử dụng truy vấn hoặc tập hợp các nội dung của một tập tin bằng các thông số tọa độ Trái Đất và thời gian (nếu có một chiều không gian trong dữ liệu). Các công cụ xử lý các tập tin HDF chuẩn cũng sẽ đọc được các tập tin HDF-EOS. Tuy nhiên, những yêu cầu của thư viện HDF chuẩn không thể truy cập dữ liệu định vị, dữ liệu thời gian và siêu dữ liệu sản phẩm dễ dàng như các yêu cầu của thư viện HDF-EOS.

The Hierarchical Data Format (HDF) is the standard data format for all NASA Earth Observing System (HDF-EOS) data products^[73,74] HDF is a multi-object file format developed at the national center for supercomputing applications (NCSA) at the University of Illinois. NCSA developed HDF to assist users in the transfer and manipulation of scientific data across diverse operating systems and computer platforms, using FORTRAN and C calling interfaces and utilities. HDF supports a variety of data types; n-dimensional scientific data arrays, tables, text annotations, several types of raster images and their associated colour palettes, and metadata. The HDF library contains interfaces for storing and retrieving these data types in either compressed or uncompressed formats.

Because many Earth science data structures need to be geolocated, NASA developed the HDF-EOS format with additional conventions and data types for HDF files. HDF-EOS supports the grid, point, and swath geospatial data types, providing uniform access to diverse data types in a geospatial context. The HDF-EOS software library allows a user to query or subset the contents of a file by Earth coordinates and time (if there is a spatial dimension in the data). Tools that process standard HDF files will also read HDF-EOS files. However, standard HDF library calls cannot access geolocation data, time data, and product metadata as easily as with HDF-EOS library calls. .

Định dạng tập tin ảnh (TIFF) ⁽⁷⁵⁾ là một định dạng chính được phát triển bởi Tổng doanh nghiệp Aldus. Nó định nghĩa các nhãn để nhận biết nhiều loại mã khác nhau và cho phép nhãn “riêng” được mở rộng.

Tiêu chuẩn trao đổi dữ liệu GeoTIFF ⁽⁷⁶⁾ của ảnh raster địa lý là một phần mở rộng của định dạng TIFF mà quy định cụ thể nội dung và cấu trúc của một nhóm tập hợp nhãn để quản lý tham chiếu địa lý hoặc mã địa lý của ảnh raster. Mục đích của GeoTIFF là hỗ trợ khả năng tham chiếu của dữ liệu raster để gắn một ảnh raster vào một mô hình không gian đã biết hoặc phép chiếu bản đồ và để mô tả những phép chiếu đó. Các thông tin địa lý hỗ trợ trong cấu trúc nhãn GeoTIFF bao gồm lưới chiếu bản đồ, mốc đo lường, kích thước điểm ảnh mặt đất và các yếu tố địa lý khác. Định dạng GeoTIFF là phổ biến bởi vì ảnh này có thể được xem mà không cần tham chiếu địa lý bằng cách sử dụng phần mềm TIFF phổ biến rộng rãi.

The tagged image file format (TIFF) ^[75] is a public domain format originally developed by Aldus Corporation. It defines tags to identify several different types of coding and allows "private" tags for extension.

The GeoTIFF ^[76] data interchange standard for raster geographic images is an extension of the TIFF format that specifies the content and structure of a group of tag sets for trie management of georeferenced or geocoded raster imagery. The aim of GeoTIFF is to support a geodetically sound raster data georeferencing capability for tying a raster image to a known model space or map projection, and for describing those projections. The geographic content supported in GeoTIFF tag structure includes its cartographic projection, datum, ground pixel dimension, and other geographic variables. The GeoTIFF format is popular because the image it contains can be viewed in a non-georeferenced fashion using widely available TIFF software.

Ảnh có thể được nén bằng cách sử dụng các kỹ thuật và các quá trình khác nhau. Các bước chính của nén ảnh là các quá trình như biến đổi cosin rời rạc, nén ảnh dạng sóng, mã hóa chiều dài, mã hóa số học, nén ảnh phân đoạn, lượng tử hóa vector, JPEG ⁽⁵⁷⁾ và JPEG 2000 ⁽⁶⁾. Có những kỹ thuật khác để nén ảnh nhưng tất cả đều sử dụng cùng những bước chính cơ bản của quá trình xử lý. Khi mô tả hoặc "đánh dấu" dữ liệu lưu ý phải mô tả các kỹ thuật nén ảnh được sử dụng, các tham số/thuộc tính được sử dụng bởi thuật toán quan trọng như nhau. Hãy tham khảo các tiêu chuẩn được liệt kê trong phần tài liệu tham khảo để biết chi tiết liên quan đến các kỹ thuật nén ảnh khác nhau.

Chú ý, ISO/IEC 15444-1:2004 ⁽⁶¹⁾ xác định các kỹ thuật nén JPEG 2000. Nó chỉ ra một tập hợp những thông tin bị mất (bảo quản-bit) và các phương pháp nén làm mất dữ liệu để mã hóa nhị phân, sắc-liên tục, tỷ lệ-màu xám, màu sắc, hoặc ảnh màu tĩnh kỹ thuật số có sắc liên tục. Thêm vào đó nó

Imagery can be compressed using various techniques and processes. Major classes of imagery compression are processes such as discrete cosine transformations, wavelet imagery compression, run-length encoding, arithmetic encoding, fractal compression, vector quantization, JPEG ^[57] and JPEG 2000 ^[6]. There are other techniques for imagery compression but all use the same basic major classes of processing. It is necessary to remember when describing or "marking" data as to the imagery compression technique used that the parameters/attributes used by the algorithm are of equal importance. Refer to the standards listed in the reference section for details concerning the various imagery compression techniques.

Notably, ISO/IEC 15444-1:2004 ^[61] defines the JPEG 2000 compression technique. It specifies a set of lossless (bit-preserving) and lossy compression methods for coding bi-level, continuous-tone gray-scale, palette colour, or continuous-tone colour digital still images. Additionally it

- Quy định một dòng thông tin có chứa mã cú pháp để giải thích các dữ liệu ảnh nén,

- Quy định một định dạng tập tin,

- Cung cấp hướng dẫn về mã hóa các quy trình để chuyển đổi dữ liệu ảnh nguồn thành dữ liệu ảnh nén, và

- Cung cấp hướng dẫn làm thế nào để thực hiện các quá trình này trong thực tế.

Tiêu chuẩn nén ảnh có liên quan hiện đang được sử dụng như sau:

- U.S. MIL-STD-188-199, chuẩn định dạng truyền ảnh quốc gia cho giải nén lượng tử vector, 27 tháng Sáu, 1994, bao gồm cả lưu ý 1⁽⁵⁸⁾;

- N106-97, Văn bản hướng dẫn và chuẩn Băng phổ thông chuẩn định dạng truyền ảnh quốc gia, 25 tháng 8 năm 1998 ⁽⁵⁹⁾;

- ISO/IEC 15444-1:2004, Công nghệ thông tin - hệ thống mã hóa ảnh JPEG 2000: hệ thống mã lõi ⁽⁶¹⁾;

- ISO/IEC 15444-4:2004, Công nghệ thông tin - hệ thống mã hóa ảnh JPEG 2000: thử nghiệm phù hợp ⁽⁶²⁾;

- BPJ2K01.00, Công nghệ thông tin - đồ họa máy tính và xử lý ảnh – mục đăng ký địa lý – lớp: Hồ Sơ BIIF - Hồ sơ BIIF cho Phiên bản JPEG 2000 01.00 (Phiên bản mới nhất) ⁽⁶³⁾

• 
  Specifies decoding processes for converting compressed image data to reconstructed image data,
  
• 
  Specifies a code stream syntax containing information for interpreting the compressed image data,
  
• 
  Specifies a file format,
  
• 
  Provides guidance on encoding processes for converting source image data to compressed image data, and
  
• 
  Provides guidance on how to implement these processes in practice.
  

• 
  U.S. MIL-STD-188-199, Vector Quantization (VQ) Decompression for the National Imagery Transmission Format Standard, 27 June 1994, including Notice 1 ^[58];
  
• 
  N106-97, National Imagery Transmission Format Standard Bandwidth Compression Standards and Guidelines Document, 25 August 1998 ^[59];
  
• 
  ISO/IEC 15444-1:2004, Information Technology— JPEG 2000 image coding system: Core coding system ^[61];
  
• 
  ISO/IEC 15444-4:2004, Information Technology— JPEG 2000 image coding system: Image coding system: Conformance testing ^[62];
  
• 
  BPJ2K01.00, Information Technology — Computer Graphics and image processing — registered graphical item — Class: BIIF Profile — BIIF Profile for JPEG 2000 Version 01.00 (Latest Version) ^[63]
  

Mục 8.4 mô tả tất cả các lớp UML và các thông tin khác bao gồm các gói kiến thức ảnh thể hiện trong hình 3.

Subclause 8.4 describes all the U'ML classes and other information which comprises the Imagery Knowledge package shown in Figure 3.

Kiến thức là một sự tổng quát, tích hợp những điều thu được từ thực tế và khái quát hoá. Kiến thức dựa trên ảnh được tích lũy bằng cách nghiên cứu có hệ thống và được tổ chức bởi các nguyên tắc chung. Một khía cạnh của việc chuyển các thông tin thành kiến thức là việc nhận biết những thông tin dư thừa. Kiến thức mới có thể được tạo ra từ kiến thức hiện có bằng cách sử dụng suy luận logic.

Kiến thức bao hàm nhiều thông tin hơn so với việc mã hóa các sự kiện, nó cũng bao gồm khả năng sử dụng những sự kiện trong tương tác với thế giới.

Cơ sở kiến thức ảnh là một thành phần của gói Kiến thức ảnh thể hiện trong hình 3. Phân loại và hiểu về ảnh (xem 8.4.3) cũng là một phần của gói Kiến thức ảnh được hiển thị trong hình 3. Các cơ sở để tách những khái niệm này là cơ sở kiến thức ảnh áp dụng bộ sưu tập ảnh sẵn có ngược lại với việc phân loại ảnh xử lý những ảnh riêng lẻ.

Knowledge is an organized, integrated collection of facts and generalizations. Imagery-based knowledge is accumulated by systematic study and organized by general principles. One aspect of moving from information to knowledge is the identification of redundancies. Knowledge differs from data or information in that new knowledge may be created from existing knowledge using logical inference.

Knowledge is more than a static encoding of facts; it also includes the ability to use those facts in interaction with the world.

Image Knowledge Base is a component of the Imagery Knowledge package shown in Figure 3. Image understanding and classification (see 8.4.3) is also another component of the Imagery Knowledge package which is shown in Figure 3. The basis for separating these concepts is that an image knowledge base assumes a ready archive of imagery whereas image classification processes individual images.

Cảm biến cung cấp một phần thông tin về các hiện tượng xảy ra trong môi trường. Từ nguồn thông tin này, các khu vực trong một ảnh có thể được tổng hợp theo một khái niệm duy nhất, tức là đối tượng có tên. Quá trình chuyển dữ liệu thô thành các thông tin chứa nội dung có ý nghĩa ví dụ như độ phủ đa giác. Quá trình này cũng có thể được gọi là sự nhận biết ảnh: diễn giải những kiến thức cơ bản của cảnh ảnh địa lý bằng máy tính.

Mục tiêu chính của hệ thống nhận biết ảnh (IUSs) là để xây dựng một mô tả cảnh ảnh địa lý trong IG_Scene. Điều này trái ngược với việc xử lý ảnh là biến đổi một IG_Scene thành cái khác. IUSs phân tích một ảnh hoặc nhiều ảnh để giải thích các cảnh ảnh địa lý trong những giới hạn của mô hình đối tượng trong IUSs. Thuật ngữ giải thích ở đây đề cập đến sự tương ứng giữa mô tả cảnh ảnh địa lý và cấu trúc của ảnh. Nó liên kết các đối tượng thực (ví dụ như nhà cửa, đường giao thông) với các đối tượng hình học được xác định trong ảnh (ví dụ như điểm, đường, khu vực).

Hầu hết các cảnh ảnh địa lý bao gồm nhiều loại yếu tố khác nhau liên quan đến nhau thông qua chức năng của chúng. Vì vậy, để hiểu cảnh ảnh địa lý thì việc hiểu các mối quan hệ không gian giữa các đối tượng cũng như kiến thức về tính chất của chúng là cần thiết. Sử dụng những kiến thức về mối quan hệ của các đối tượng và thuộc tính của chúng, lUSs có thể suy ra cấu trúc của cảnh ảnh địa lý. Đối với những đối tượng có nội dung cơ bản thì cần phải đặt tên.

Sensors provide partial information about phenomena occurring in the environment. From this source of information, regions in an image can be aggregated under a single concept, i.e. a named feature. The process moves raw sensed data to higher semantic content information, e.g. polygonal coverages. This process may also be called image understanding: knowledge-based interpretation of visual Geographic Imagery Scenes by computers.

A primary objective of image understanding systems (lUSs) is to construct a symbolic description of the Geographic Imagery Scene depicted in an IG_Scene. Contrast this with image processing that transforms one IG_Scene into another. lUSs analyse an image or images to interpret the Geographic Imagery Scene in terms of "the feature models given to the lUSs as knowledge about the world. Here interpretation refers to the correspondence between the description of the Geographic Imagery Scene and the structure of the image. It associates features (e.g. houses, roads) with geometric objects identified in the image (e.g. points, lines, regions).

Most Geographic Imagery Scenes are composed of features of various kinds related to each other through their functions. Thus, to understand the Geographic Imagery Scene, knowledge about (spatial) relations between features as well as knowledge about their intrinsic properties is needed. Using knowledge about feature relations and properties, lUSs conduct reasoning about the structure of the Geographic Imagery Scene. For features with a semantic basis, a set of named feature types is required.

Trường hợp của lG_ClassifiedImage và IG_SegmentedImage có thể được tạo ra như là sản phẩm trung gian trong quá trình trích xuất IG_Feature từ một ảnh.

Các điểm ảnh trong một IG_ClassifiedImage có các thuộc tính được gán nhãn bởi con người hoặc quá trình phân loại tự động đã xác định và gán cho các điểm ảnh các giá trị thuộc tính tương tự. Các nhãn có thể dùng để nhận biết các loại đối tượng hoặc những giá trị thuộc tính được liệt kê trong danh mục đối tượng.

Ví dụ 1: Quá trình phân loại tự động có thể gán nhãn "nước" - một giá trị liệt kê của thuộc tính "kiểu bề mặt" – cho tất cả điểm ảnh trong một ảnh gần hồng ngoại mà có cường độ dưới mức một ngưỡng giá trị nào đó.

IG_Segmentedlmage là kết quả của việc áp dụng quá trình nhận dạng mô hình như phân nhóm hoặc phát hiện cạnh một ảnh. Các điểm ảnh của ảnh được chia ra thành các nhóm riêng biệt. Mỗi nhóm là một ví dụ về IG_Segmented, do đó các ảnh trong nhóm phải được dán nhãn cùng với nhận dạng đối tượng và kiểu đối tượng. Hình học của đối tượng được mô tả bằng một danh sách các tọa độ dùng để nhận dạng các điểm ảnh trong nhóm.

Ví dụ 2: Quá trình phân nhóm áp dụng để phân loại ảnh trong Ví dụ 1 có thể tạo ra tập hợp các điểm ảnh mà có thể xác định được các yếu tố như sông, ao, hồ.

Cả IG_Classiftedlmage và IG_Segmentedlmage là sự nhận biết của CV_DiscreteCoverage trong đó các phần tử bề mặt là ô lưới.

Các tập hợp điểm ảnh trong một ảnh phân đoạn có thể được mô tả nhiều hơn trong điều kiện hình học dạng véc tơ như là các điểm, các đường cong hoặc bề mặt. Kết quả thu thập của GM_Object sẽ hình thành một IG_FeatureCoverage.

Các lớp UML để phân loại hình và nhận biết ảnh được liệt kê trong Bảng 11.

Instances of lG_Classifiedlmage and IG_Segmentedlmage may be created as intermediate products during the process of extracting instances of IG_Feature from an image.

The pixels in an IG_Classifiedlmage have been attributed with labels as a result of human interpretation or an automated classification process that identifies pixels with similar attribute values. The labels may identify feature types or attribute listedValues specified in a feature catalogue.

EXAMPLE 1 An automated classification process might assign the label "water" - a listedValue of a "surfaceType" attribute - to all grid cells In a rear Infrared Image that have an Intensity below some threshold value.

An IG_Segmentedlmage is the result of applying a pattern-recognition process such as clustering or edge detection to an image. The pixels of the image are assigned to discrete groups. Each group is an instance of IG_Segmented Feature, so its members shall be labelled with a feature identifier and a feature type. The geometry of the feature is described by a list of grid coordinates that identify the pixels in the group.

EXAMPLE 2 A clustering process applied to the classified image in Example 1 might produce clusters of pixels that could be identified as individual rivers, ponds and lakes.

Both IG_Classiftedlmage and IG_Segmentedlmage are realizations of CV_DiscreteCoverage in which the surface elements are grid cells. .

The clusters of pixels in a segmented image can be further described in terms of vector geometry as points, curves or surfaces. The resulting collection of instances of GM_Object makes up an IG_FeatureCoverage.

The UML classes for image classification and understanding are listed in Table 11.