Краткий рабочий план и ключевые методы
1) Предобработка
- Скан/фото карты: коррекция кривизны, удаление фона, бинаризация/усреднение цвета для улучшения контуров.
- Спутник: облако, теневые артефакты, привести в нужную проекцию/ортофото (если нужно).
- Радиометрическая нормализация (гистограмма, сравнительные функции) перед сравнением.
2) Поиск соответствий (GCP / tie points)
- Ручной сбор контрольных точек (узлы речной сети, перекрёстки дорог, церкви) — обязательен, где символы однозначны.
- Автоматические/полуавтоматические подходы:
- Детекторы/дескрипторы: SIFT / SURF / ORB на трансформированных изображениях (градиенты, контуры). На картах полезно предварительно применять Canny и использовать контурные признаки.
- Мультимодальная привязка: регистрация по взаимной информации (Mutual Information) для разных типов данных.
- Геометрические признаки: выделение линий (Hough) — сопоставление речной сети/дорог; векторизация картографических объектов + ICP / Procrustes для векторной подгонки.
- Робастные методы отбора соответствий: RANSAC для удаления выбросов.
3) Выбор модели преобразования (в порядке увеличения сложности и гибкости)
- Аффинное (6 параметров): подходит при примерно однородной масштабной/угловой разнице.
Формула: $x^{\prime }=a_0+a_{1}x+a_{2}y,y^{\prime }=b_0+b_{1}x+b_{2}y$ Минимум точек: $\ge 3$.
- Проективная (гомография, 8 параметров): для перспективных/скошенных сканов. Минимум: $\ge 4$.
- Полиномиальное второго порядка (локальная кривизна): $x^{\prime }=a_0+a_{1}x+a_{2}y+a_3{x}^2+a_{4}xy+a_5{y}^2$ (аналогично для $y^{\prime }$). Минимум: $\ge 6$.
- Тон-плейт-сплайн (TPS) / piecewise (Delaunay) / rubber-sheeting: для нелинейных неравномерных деформаций бумаги (усадка, смятие). Требует большого числа GCP.
- Локальная (кубическая/сплайновая) деформация по сетке для устранения локальных искажений.
Выбор: начать с глобальной (аффин/гомография), если остатки большие — перейти на локальную (TPS или кусочно-линейную).
4) Оценка точности и валидация
- Остаточная погрешность и статистика: вычислить RMS для отложенных валидационных точек:
$\mathrm{RMSE}=\sqrt{\frac{1}{n}{\sum }_{i=1}^n((x_i^{\prime }-{\hat{x}}_i^{\prime }{)}^2+(y_i^{\prime }-{\hat{y}}_i^{\prime }{)}^2)}$ - Создать карту распределения ошибок (пер-пиксельный или по сетке).
- Кросс-валидация: держать часть GCP для проверки, не использовать в процессе подгонки.
5) Ресэмплирование
- Выбрать метод: nearest (сохранение категориальных признаков), bilinear/cubic (меньше артефактов при визуале). Учитывать влияние на аналитические показатели.
Анализ изменившегося ландшафта (подходы и алгоритмы)
1) Предварительные шаги
- Убедиться в точной геосовместимости (sub-pixel желателен для детекции мелких изменений).
- Маскирование неизменяемых областей (вода/облака/поля со сходной сезонностью).
2) Методы детекции изменений
- Пиксельные:
- Прямое вычитание/отношение каналов/индейсов (например, NDVI) для растительности: $\Delta =I_{\text{now}}-I_{\text{then}}$.
- Change Vector Analysis (CVA): вектор изменения в многоканальном пространстве.
- Объектно-ориентированные (OBIA):
- Сегментация обоих изображений → сопоставление объектов → классификация изменений (появление/исчезновение/замена типа).
- Классификация + сравнение:
- Обучение моделей (Random Forest, SVM) на старом и новом изображениях → матрица переходов классов.
- Глубокое обучение:
- Siamese/UNet модели для детекции изменений (требуют размеченных примеров).
- Анализ топографических изменений:
- Сравнение DEM/изо-уровней, выявление насыпей/выемок; если нет старого DEM — реконструкция рельефа по картам и космоснимкам.
- Постобработка:
- Морфологические операции, фильтрация мелких шумов, валидация с использованием спутников высокого разрешения и/или исторических данных.
Критичные источники ошибок (наиболее важные, приоритетно)
1) Неточности искажения самой карты (самая критична)
- Бумажная деформация: усадка/растяжение, локальные смещения знаков — требует локального выравнивания (TPS). Неправильная компенсация даёт систематические смещения.
2) Невозможность однозначно сопоставить объекты
- Символы карт и реальные объекты могут быть смещены (символы ставятся рядом, а не точно на место), объекты могли исчезнуть или быть переименованы — ошибки в GCP.
3) Ограниченное/неравномерное распределение GCP
- Мало точек, сконцентрированных в одном участке → большая неопределённость в других зонах.
4) Неизвестная/неверная проекция и масштаб карты
- Неправильная гипотеза о проекции приводит к систематическим искажениям.
5) Различия в датах/сезонах/освещении/спектре
- Сезонная смена растительности, уровень воды, сенсорные различия приводят к ложным срабатываниям при детекции изменений.
6) Различия в разрешении и символике
- Современный снимок — пиксели, карта — символы/штриховка; прямое сравнение даёт артефакты.
7) Сканирование/оцифровка: геометрические и радиометрические артефакты
- Наклоны, теневые полосы, шум сканера.
8) Ресэмплирование и интерполяция
- Размывание мелких объектов, смешивание классов при интерполяции.
Как минимизировать ошибки
- Много и равномерно распределённых GCP, часть — для валидации.
- Использовать гибридные трансформации: глобальная + локальная (TPS) и RANSAC.
- Кросс-валидация RMSE, карта ошибок, публикация неопределённости.
- Радиометрическая нормализация, маскирование сезонных эффектов.
- Сочетание методов: автоматическая регистрация + ручная корректировка ключевых точек.
- Использование вспомогательных источников: кадастровые, исторические планы, старые аэрофото, DEM.
Краткое резюме
- Начните с подготовки данных и точных GCP; попробуйте глобальные трансформации и оценивайте RMSE; при больших локальных искажениях применяйте TPS или piecewise warping. Для изменения ландшафта используйте сочетание индексов/пиксельных и объектно-ориентированных методов, а также машинное обучение/Deep Learning при наличии меток. Наиболее критичны: картографические деформации бумажной карты, ошибки GCP и сезонные/спектральные различия — их устранение существенно повышает надёжность результатов.