فرمت تصویر چند رزولوشن

چکیده

در این مقاله ما یک روش و فرمت فایل جدید را ارائه می‌کنیم که امکان ایجاد، ذخیره و دستکاری تصاویر شطرنجی با وضوح چندگانه را فراهم می‌کند. تصاویر شطرنجی “کلاسیک” توسط رسترها (پیکسل ها) ساخته می شوند که در همان تصویر، هر شطرنجی (پیکسل) اندازه یکسانی دارد. تصاویر شطرنجی با وضوح چندگانه (mri) بر خلاف تصاویر شطرنجی “کلاسیک” هستند. فایل mri یک فایل متنی معمولی است که با استاندارد xml 1.0 مطابقت دارد و به موارد زیر اجازه می دهد: 1) تصاویر مبتنی بر شطرنجی را با وضوح متفاوت در یک فایل و در یک زمان ذخیره کنید (یعنی اجازه می دهد شطرنجی با اندازه های مختلف در یک تصویر وجود داشته باشد) ; 2) به راحتی هر بخشی از تصویر را به عنوان یک تصویر شطرنجی جداگانه صادر کنید و یک تصویر را به عنوان بخشی از یک شطرنجی وارد کنید. 3) برای تعریف مرجع جغرافیایی برای یک تصویر شطرنجی و استفاده از این تصویر به عنوان یک مدل GIS مبتنی بر شطرنجی. 4) برای انجام محاسبات (یعنی دستکاری تصویر) روی محتوای فایل. این یکی از ویژگی‌های مهم فرمت mri است که عملیات ریاضی را می‌توان همیشه در همان وضوح تصویر فعلی انجام داد. برای تأیید این عبارت، نحوه انجام کانولوشن روی یک فایل mri را ارائه می دهیم.

1. مقدمه

ذخیره سازی داده مبتنی بر شطرنجی روشی رایج در پردازش و دستکاری تصویر است. این به طور گسترده توسط سیستم های انفورماتیک فضایی نیز به عنوان “مدل داده مبتنی بر شطرنجی” استفاده می شود.

امروزه فرمت های فایل شطرنجی زیادی وجود دارد، اما حداقل در یک نقطه همه آنها بسیار شبیه به یکدیگر هستند: تصویر موجود در فایل، تنها یک وضوح در کل تصویر دارد. این بدان معناست که با دانستن ابعاد این تصویر (ستون‌ها و ردیف‌ها) می‌توان تعداد پیکسل‌های تصویر را بدون ابهام محاسبه کرد. هنگامی که سخت افزار مورد استفاده برای نمایش این تصویر نیز شناخته شده باشد، وضوح واقعی را می توان به عنوان DPI تعریف کرد.

از این رو، از آنجایی که رزولوشن در قسمت های جداگانه یک تصویر قابل تغییر نیست، هیچ راهی برای ذخیره داده های تصویر با وضوح متفاوت در یک تصویر وجود ندارد. در مواردی که قرار است از دو یا چند تصویر شطرنجی با وضوح متفاوت از یک شی استفاده شود، باید تصاویر جداگانه با وضوح کافی ایجاد شود – یک فایل برای هر وضوح، یا حداقل یک لایه برای هر وضوح.

یک مثال باید به افشای مشکل کمک کند.

یک نقشه شطرنجی (مدل فضایی) وجود داشته باشد که حاوی داده های یک دره با وضوح 10×10 متر و در خط وسط این دره یک جریان آب باشد. هدف این است که اطراف آن را با جزئیات بیشتر از خود دره بررسی کنیم، به عنوان مثال با وضوح 1 × 1 متر. تنها دو گزینه برای ذخیره نتایج در یک فایل شطرنجی وجود دارد.

• اولین انتخاب کاهش وضوح بخش‌های دقیق‌تر تصویر، برای تطبیق داده‌ها با بخش‌های با وضوح پایین نقشه است. این خود بررسی دقیق را بی معنی می کند.

• راه دیگر این است که وضوح بخش های با وضوح پایین را بهبود بخشید تا با آن مناطق دقیق تر مطابقت داشته باشد.

در حالت دوم، شطرنج‌های با وضوح پایین مجدداً نمونه‌برداری می‌شوند و رسترهای جدید با استفاده از روش درونیابی مناسب ایجاد می‌شوند. این روشی است که معمولاً مورد استفاده قرار می‌گیرد، زیرا امکان استفاده از نتایج بررسی و داده‌های تصویر قبلی را در همان زمان و در یک فایل می‌دهد. عیب این راه حل نیاز به حافظه بیشتر، زمان CPU بیشتر و ظرفیت ذخیره سازی بیشتر است.

تحقیق ما راه حلی ممکن برای این سوال و موارد مشابه ارائه می دهد.

پیکر و همکاران (1978) [ 1 ] همین مشکل را در زمینه نمایش دیجیتال زمین تشخیص داد. مقاله معروف آنها “شبکه نامنظم مثلثی” راه حل خوبی برای ذخیره و نمایش داده های برداری (ارتفاع) با فاصله غیر مساوی ارائه می دهد. اما هیچ سابقه قابل توجهی در مقالات علمی در قالب تصویر چند رزولوشن (بر اساس شطرنجی) ارائه شده در این مقاله یافت نشد.

2. فرمت فایل کانتینر تصویر چند رزولوشن

فرمت تصویر چند رزولوشن (mri)1 یک فایل ASCII XML است که با xml نسخه 1.0 مطابقت دارد (توضیحات فنی مفصل را در Bray و همکاران 2008 ببینید) [ 2 ]. ما استاندارد xml را انتخاب کردیم، زیرا یک فرمت باز و متقابل پلتفرم است و همچنین به طور گسترده در زمینه ژئوماتیک استفاده می شود، در بیشتر موارد برای نمایش داده های مبتنی بر برداری (Antoniou & Tsoulos 2006) [ 3 ]. فرمت mri امکان ایجاد و استفاده از قطعات چند رزولوشن را در یک فایل و در همان زمان فراهم می‌کند (شکل‌های 1 و 2 را ببینید). همچنین اجازه می‌دهد تا عملیات ریاضی (پردازش تصویر) روی داده‌ها با وضوح‌های مختلف انجام شود و رسترها (پیکسل‌ها) با وضوح‌های مختلف به‌عنوان یک آرایه یکنواخت مدیریت شوند.

ویژگی های اساسی این فرمت این است که هر رزولوشن فرعی را می توان به راحتی به عنوان یک تصویر جداگانه صادر کرد و همچنین به سادگی می توان مجموعه داده های دقیق تری را به هر شطرنجی تصویر متصل کرد.

فرمت mri اجازه می دهد تا اطلاعات را به عنوان داده های GIS مبتنی بر شطرنجی با ارجاعات فضایی کافی یا داده های تصویری ساده بدون هیچ مرجع مکانی ذخیره کند. این بدان معناست که همان مجموعه داده را می توان به عنوان یک تصویر شطرنجی ساده یا در صورت نیاز به عنوان یک مدل GIS مبتنی بر شطرنجی و جغرافیایی استفاده کرد.

Mri یک قالب با ساختار سلسله مراتبی است: هر وضوح یک سطح وضوح است و هر سطح وضوح ممکن است یک وضوح فرعی داشته باشد. تکرار مجاز است، از این رو از نظر تئوری تعداد قطعنامه های فرعی محدود نمی شود. تصور پایه این است که یک تصویر شطرنجی را می توان نه تنها به عنوان یک ماتریس، بلکه به عنوان بردارهایی با ساختار سلسله مراتبی نیز تعریف کرد، زمانی که هر خط از یک تصویر شطرنجی یک بردار است و هر بردار را می توان با استفاده از یک بردار به درستی به هر بردار دیگری پیوند داد. اشاره گر در فایل از آنجا که xml خود یک زبان سلسله مراتبی با پیوندها و اشاره گرها است، فرمت mri

به عنوان یک فایل متنی معمولی مطابق با استاندارد xml تعریف شدند.

وضوح پایه (بالاترین سطح وضوح) تصویری که به عنوان وضوح 0 (صفر) نامگذاری شده است. وضوح 0 یک تصویر شطرنجی به شکل درجه دوم است که در آن M ستون × N ردیف وجود دارد و هر رستر (سلول) باید دقیقاً حاوی یک داده مشخصه یا حداقل یک یادداشت NO_DATA باشد.

هر شطرنجی رزولوشن 0 ممکن است یک وضوح فرعی به نام رزولوشن 1 داشته باشد. این به این معنی است که یک مجموعه داده مشخصه به شطرنجی داده شده از وضوح 0 متصل است که نمایانگر قسمت داخلی این شطرنجی است. وضوح 1 با اندازه m ستون × n ردیف مشخص می شود. مشابه وضوح 0، هر رستر باید دقیقاً یک داده مشخصه یا حداقل یک یادداشت NO_DATA داشته باشد.

قطعنامه 1 ممکن است دارای یک رزولوشن فرعی نیز باشد که به نام Resolution 2 و غیره نامگذاری شده است.

هر شطرنجی فقط می‌تواند همان رزولوشن فرعی را در همان سطح وضوح داشته باشد. این بدان معناست که وقتی یک شطرنجی در سطح وضوح 0 با وضوح فرعی 1 وجود دارد، دیگر شطرنجی در سطح وضوح 0، فقط می تواند همان وضوح 1 را داشته باشد. برای مثال، اگر یک شطرنجی با وضوح سطح وضوح 0 دارای یک رزولوشن فرعی 40 × 40 (رزولوشن 1) ، سپس هر رستر دیگری با وضوح 0 فقط می تواند وضوح فرعی 40 × 40 داشته باشد.

لطفاً توجه داشته باشید که وضوح سطوح رزولوشن می‌تواند متفاوت باشد، بنابراین می‌توان وضوح متفاوتی را برای هر سطح وضوح به طور جداگانه تعریف کرد.

اکنون، در زیر آن یک فایل mri است که حاوی داده های تصویر شطرنجی b از شکل 2 است. در صفحه 3 و توضیح آن

 

• خطوط 1 تا 4:

یادداشت های عمومی xml.

• خط 5:

فراداده های جغرافیایی در صورت وجود، داده های موجود در فایل، باید به عنوان یک مدل GIS مبتنی بر شطرنجی تفسیر شوند. اگر وجود نداشته باشد (یعنی تگ در فایل نیست)، داده ها باید به عنوان یک تصویر شطرنجی، بدون هیچ مرجع مکانی تفسیر شوند.

ابرداده جغرافیایی بسیار شبیه به هدر یک فایل شطرنجی استاندارد ESRI ASCII است، از این رو تبدیل از ESRI ASCII به mri و بالعکس به یک فرآیند ساده تبدیل می‌شود.

EPSG – کد EPSG سیستم پیش بینی استفاده شده.

XLLCorner – مختصات X گوشه سمت چپ پایین تصویر.

YLLCorner – مختصات Y گوشه سمت چپ پایین تصویر.

Height2 – ارتفاع واقعی یک شطرنجی، بر حسب واحدهای تعریف شده توسط سیستم پیش بینی استفاده شده.

عرض – پهنای واقعی یک شطرنجی، بر حسب واحدهای تعریف شده توسط سیستم نمایش در حال استفاده.

• خط 6:

رسترها – شروع تمام داده های ویژگی شطرنجی وضوح را نشان می دهد. همیشه باید با /Rasters در پایان تعریف همه داده های ویژگی شطرنجی همه وضوح ها پایان یابد (به خط 27 مراجعه کنید).

• خط 7 – 10:

تعریف قطعنامه

رستر – آغاز تعریف یک قطعنامه. باید توسط/راستر بسته شود (نگاه کنید به: خط 10).

RES – سطح وضوح. همیشه باید یک عدد صحیح به عنوان پارامتر دنبال شود. یک تصویر شطرنجی نوع mri همیشه باید دارای رزولوشن سطح پایه (به نام “رزولوشن صفر”) باشد و پارامتر آن 0 (صفر) است.

ID – شناسه سری داده های ویژگی موجود در Raster داده شده. پارامتر یک عدد صحیح است که توسط کاربر یا سازنده فایل تعریف شده است.

MyBaseRaster – شناسه سطح وضوح والد. در مواردی که RES = 0 باشد، دارای یک پارامتر-1 است (زیرا وضوح صفر وضوح والد ندارد). در هر حالت دیگری پارامتر برابر با پارامتر RES سطح وضوح والد است.

نام – نام رزولوشن، که توسط کاربر داده شده است. رشته کاراکترهای آزاد تشکیل شده

ستون ها – تعداد ستون ها.

ردیف ها – تعداد ردیف ها.

FromX – نشان دهنده تعداد ستونی است که شطرنجی اصلی وضوح داده شده در آن یافت می شود. اگر مقدار RES صفر باشد، FromX باید 1 باشد.

FromY—نشان دهنده تعداد ردیفی است که شطرنجی اصلی وضوح داده شده در آن یافت می شود. اگر مقدار RES صفر باشد، FromY باید 1 باشد.

NO_DATA – عدد صحیح، مقدار سلول های شطرنجی بدون داده.

داده – سری داده های ویژگی. هر عدد داده های ویژگی یک شطرنجی را نشان می دهد. اعداد پشت سر هم نوشته می شوند و با نقطه ویرگول از هم جدا می شوند. آخرین کاراکتر باید نقطه ویرگول باشد، فضاهای سفید نادیده گرفته می شوند. عدد اول داده های ویژگی شطرنج بالا سمت چپ و آخرین عدد همان شطرنج پایین سمت راست است. داده های صفت خوانده شده از چپ به راست، ماتریس را ردیف به ردیف از چپ به راست، از بالا به پایین ترسیم می کند.

تمام ساختارهای داده مستقل از فضای سفید هستند، بنابراین 10;11;12;13;20;21;22;23;30;31;32;33;40;41;42;43;یکسان خواهد بود.

• خط 11 – 14:

تعریف تفکیک پذیری فرعی ساختار همان است که در خطوط 7 – 10 نشان داده شده است. اکنون RES برابر با 1 است که نشان می دهد که وضوح فرعی سطح اول است و ID و Name نیز متفاوت هستند. مقدار MyBaseRaster (0) به رزولوشن 0 به عنوان وضوح والد اشاره دارد. همانطور که می توان از مقادیر ستون ها و ردیف ها خواند، این یک ماتریس 3 × 3 است، یک ماتریس فرعی (رزولیشن فرعی) شطرنجی که دارای مختصات X = 2 است. Y = 2 از وضوح صفر.

• خط 15 – 18:

• سطح فرعی دوم، قطعنامه فرعی 1. تفسیر همان است که در بالا ذکر شد.

• خط 19 – 22:

رزولوشن فرعی سطح اول شطرنجی در وضوح صفر، که در آن X = 2. Y = 3.

• خط 23 – 26:

رزولوشن فرعی سطح اول شطرنجی در وضوح صفر، که در آن X = 2. Y = 4.

• خط 27:

برچسب بسته شدن تعریف برای همه قطعنامه ها.

• خط 28:

تگ پایان فایل

2.1. تبادل اطلاعات

فرمت Mri اجازه می دهد تا داده های ویژگی را با استفاده از یک ویرایشگر متن ساده بین فایل های دیگر مبادله کنید. همچنین اجازه می دهد تا یک وضوح فرعی را به عنوان یک تصویر جداگانه در یک فایل جداگانه مدیریت کنید، یا محتوای یک تصویر را در فایل mri به عنوان یک وضوح فرعی درج کنید.

2.1.1. استخراج داده از یک فایل Mri

اجازه دهید هدف ما ایجاد یک فایل GIS جدید و مبتنی بر شطرنجی با استفاده از سطح وضوح فرعی 1 باشد، جایی که ID = 1 (در خطوط 11 – 15 در مثال تعریف شده است). در این حالت عملیات به شرح زیر است.

• مرحله 1 کپی کردن خطوط 11 – 14 در یک فایل جدید و خالی.

• مرحله 2 با استفاده از اطلاعات فایل mri موجود در تگ Geography (خط 5 در مثال) و مقادیر پارامترهای Columns، Rows، FromX، FromY و NO_DATA با وضوح فرعی، باید یک هدر نوع ESRI ASCII برای فایل جدید ایجاد کنید.

اگر XLLCorner-L _x

YLLCorner—L _y

ارتفاع-h عرض-w از X-S _x

از Y—S _y

سپس

(1)

هنگامی که x = X یکی از مختصات گوشه پایین سمت چپ در فایل جدید است.

علاوه بر این

(2)

وقتی y = Y مختصات دیگر گوشه پایین سمت چپ در فایل جدید است. با استفاده از مقادیر واقعی مثال در صفحه 5، x = 581,000 و y = 81,000.

• مرحله 3 ایجاد داده های ویژگی برای شبکه ESRI ASCII با استفاده از داده ها در تگ داده فایل mri. از آنجایی که فایل mri از نقطه ویرگول برای جداسازی داده ها استفاده می کند و شبکه ESRI ASCII از فضاها استفاده می کند، بنابراین باید نقطه ویرگول ها را به فاصله تغییر داد، اما تبدیل داده های دیگر (یا تبدیل ساختاری) ضروری نیست.

نتیجه یک شبکه ESRI ASCII است:

2.1.2. داده ها را در یک فایل Mri وارد کنید

ماتریس هدف ماتریسی است که سری داده باید درج شود، در حالی که ماتریس منبع منبع سری داده است. در نمونه واقعی، ماتریس هدف فایل ارائه شده در صفحه 5 است و ماتریس منبع به شرح زیر است:

ncols 4

  

برای ایجاد یک رزولوشن فرعی با استفاده از مجموعه داده منبع، باید ستون ها، ردیف ها، FromX، FromY و Nodata تعریف شوند.

اکنون،

سری داده ها به خودی خود ثابت می ماند، اما اعداد در هکتار ماتریس انحرافی که بزرگتر از 2m + 1 × 2n + 1 نیست و با نقطه ویرگول از هم جدا می شوند و آخرین کاراکتر نیز باید نقطه ویرگول باشد.

با استفاده از مقادیر حاصل، وضوح فرعی را می توان به صورت زیر تعریف کرد:

با کپی کردن این متن در فایل mri اصلی (صفحه 5.)، نتیجه یک رزولوشن فرعی جدید از رستر X = 4، Y = 2 در سطح وضوح RES 0 خواهد بود.

3. عملیات ریاضی – شامل یک تصویر چند وضوح

فرمت Mri امکان انجام عملیات ریاضی روی تصویر را فراهم می کند. در این مقاله تنها کانولوشن ارائه خواهد شد، زیرا روشی پیچیده و عمومی در زمینه پردازش تصویر شطرنجی است. این یک ویژگی مهم فرمت mri است که نتایج یک پیچیدگی همان وضوح ماتریس اصلی خواهد بود.

مثال زیر راهی برای اعمال یک ماتریس کانولوشن برای تعیین میانگین داده های ویژگی سلول ها ارائه می دهد.

معادلات ارائه شده دارای یک محدودیت قابل توجه است: یک ماتریس کانولوشن که بزرگتر از 2m + 1 × 2n + 1 نیست فقط می تواند استفاده شود. با این حال به راحتی می توان با استفاده از معادلات قسمت 3.2 از آن عبور کرد.

3.1. فرقه ها

به عنوان مثال، هنگامی که ماتریس کانولوشن در گوشه سمت راست پایین رزولوشن فرعی قرار دارد، بخش A، B، E و F باید در نظر گرفته شود.

3.2. پیچیدگی عمومی برای قطعنامه 0

معادلات زیر نحوه انحراف تصاویر منظم (بدون چند وضوح) را نشان می دهد، زمانی که تصویر M × N و ماتریس کانولینگ J × K باشد ( شکل 3 را ببینید ).

(3)

(4)

(5)

3.3. پیچیدگی برای قطعنامه فرعی

پیچیدگی بخش‌های چند رزولوشن یک تصویر با پیچیدگی یک تصویر شطرنجی ساده متفاوت است. اولین وظیفه ما این است که تمام مناطق ممکن را تعریف کنیم ( شکل 4 را ببینید ). مرحله دوم، ارائه معادلات برای هر بخش است (به قسمت های 3.3.2 تا 3.3.11 مراجعه کنید).

معادله یک مساحت نحوه محاسبه نتیجه مورد نیاز را شرح می دهد. این معادلات از جدایی ساخته شده اند

بردارهای نرخ هر بردار یک خط منحصر به فرد (سلول ها یکی پس از دیگری از چپ به راست) در بخش داده شده است.

اجازه دهید فرض کنیم که هدف محاسبه میانگین داده های ویژگی سلول ها در زیر ماتریس کانولوشن است. سپس هر معادله مجموع یک بردار و مجموع تمام بردارها تقسیم بر تعداد سلول‌های ماتریس کانولوشن (j × k، به شکل 5 ) خواهد بود که نتیجه جستجو را نشان می‌دهد.

هر بخش (منطقه) دارای سیستم معادلات و پارامترهای a، b و i خاص خود در معادلات است. معادلات و پارامترها را می توان به پارامترها و معادلات بخش “A” که بعداً ارائه می شود (معادلات زیر فلش) ردیابی کرد.

پس از حل معادلات قسمت های 3.3.1 تا 3.3.10، مرحله بعدی محاسبه نتیجه معادله در قسمت 3.3.11 است. میانگین مورد نظر است و نتیجه پیچیدگی را می دهد.

سیستم معادله باید با عبور ماتریس از وضوح فرعی تکرار شود.

در ادامه برای درک اینکه معادلات چه چیزی را می سازند، مطالعه شکل 4-6 مفید است .

3.3.1. قوانین مشترک

(6)

3.3.2. بخش “الف” (I)

(7)

(8)

(9)

3.3.3. بخش “B” (I + 1)

(10)

(11)

(12)

(13)

3.3.4. بخش “C” (I – M)

(14)

(15)

(16)

(17)

3.3.5. بخش “D” (I + 1 – M)

(18)

(19)

(20)

(21)

3.3.6. بخش “E” (I + M)

(23)

(24)

(25)

(26)

3.3.7. بخش “F” (I + 1 + M)

(27)

(28)

(29)

(30)

3.3.8. بخش “G” (I – 1)

(31)

(32)

(33)

(34)

3.3.9. بخش “H” (I – 1 – M)

(35)

(36)

(37)

(38)

3.3.10. بخش “I” (I – 1 + M)

(39)

(40)

(41)

(42)

3.3.11. میانگین برای i

(43)

4. تبدیل یک فایل به فرمت وکتور

فرمت Mri امکان تبدیل شطرنجی-بردار را فراهم می کند، زیرا حاوی داده های کافی برای تعیین نقطه مرکزی هر سلول شطرنجی هر رزولوشن فرعی است. مقدار فعلی پارامترهای XLLCorner، YLLCorner، Height، Width، MyBaseRaster، Columns، Rows، FromX، FromY، NO_DATA همیشه مشخص هستند و محاسبه نقطه مرکزی هر سلول شطرنجی را ممکن می‌سازند ( شکل 7 ). ساده ترین راه احتمالا ایجاد یک فایل برداری نقطه ای اسکی است. مدل مبتنی بر برداری حاصل می‌تواند طبق معمول مورد استفاده قرار گیرد، مثلاً یک مدل TIN برای تجسم سه بعدی ایجاد کند.

5. راه های بیشتر توسعه

وضوح چند رنگ در یک تصویر: هر رزولوشن فرعی باید مدل رنگی خاص خود را داشته باشد. عملاً فقط یک برچسب در فایل xml است که حاوی مدل رنگ استفاده شده است. این اجازه می دهد تا از تصاویر شطرنجی با مدل های رنگی مختلف در یک تصویر استفاده کنید، بنابراین نیازی به تبدیل تصاویر جداگانه به یک مدل رنگی قبل از وارد کردن آن نیست. مثلا:

در این حالت می توان از چندین مدل رنگ در یک تصویر استفاده کرد، اما تنها یکی می تواند توسط رزولوشن های فرعی استفاده شود. اجازه دهید ثابت شود که یک سوال مهم است، چگونه می توان محاسبات را انجام داد، زمانی که دو یا چند مدل مختلف باید به طور همزمان در نظر گرفته شوند؟

وضوح چندگانه توسعه یافته: هر رزولوشن فرعی باید وضوح متفاوتی داشته باشد. این حداکثر انعطاف پذیری را در عمل به ارمغان می آورد. از سوی دیگر مشکلات زیادی در زمینه تحلیل تصویر و پردازش تصویر وجود خواهد داشت. ذخیره سازی داده های ویژگی در ساختار فایل ارائه شده در این مقاله بسیار ساده خواهد بود، زیرا تگ xml امکان تعریف رزولوشن های مختلف را با استفاده از نتایج فرعی می دهد.

این سؤال به طور طبیعی مطرح می شود که چگونه می توان محاسبات (به عنوان مثال: کانولوشن) را هنگامی که شطرنجی با وضوح های فرعی مختلف در مجاورت یکدیگر قرار دارند انجام داد؟ وقتی نقل قول آن عدد صحیح نیست چه باید کرد؟

ام آر آی سه بعدی این در GIS سه بعدی بسیار مفید خواهد بود، به عنوان مثال در زمینه مدل‌سازی زمین‌شناسی یا مدل‌سازی هواشناسی. ایده اصلی مانند MRI دو بعدی است و ساختار فایل مشابه خواهد بود. مشکل اصلی این است که پیشینه ریاضی، معادلات و افکار ارائه شده در این مقاله احتمالاً در این مورد ناکافی خواهد بود.

6. خلاصه

در زمینه نقشه برداری و تجزیه و تحلیل فضایی مبتنی بر GIS، استفاده از تصاویر شطرنجی به طور همزمان با دو یا چند وضوح متفاوت یک مشکل رایج است. این مشکل را می توان به دو بخش تقسیم کرد: ذخیره سازی تصویر و انجام عملیات ریاضی روی آن.

تحقیقات ما یک راه حل ممکن برای این وضعیت ارائه می دهد، زیرا فرمت تصویر چند رزولوشن (mri) اجازه می دهد

• برای ذخیره تصاویر مبتنی بر شطرنجی با وضوح متفاوت در یک فایل و در یک زمان.

• وارد کردن یا صادرات آسان هر قسمت از تصویر به عنوان یک تصویر جداگانه.

• برای تعریف مرجع جغرافیایی برای یک تصویر شطرنجی و استفاده از این تصویر به عنوان یک مدل GIS مبتنی بر شطرنجی.

• برای انجام محاسبات (یعنی دستکاری تصویر) روی محتوای فایل.

علاوه بر این، فرمت mri امکان سازگاری و قابلیت همکاری گسترده را فراهم می کند، زیرا یک فایل متنی است که با استاندارد xml 1.0 مطابقت دارد.

همانطور که نشان دادیم امکان انجام عملیات ریاضی بر روی یک فایل mri وجود دارد، الگوریتم و معادلات مناسب برای اجرای یک کانولوشن ارائه شد و به امکان تبدیل یک شطرنجی چند رزولوشن به فرمت برداری اشاره کردیم.

در عمل، فرمت mri نه تنها در زمینه GIS، بلکه در زمینه ذخیره سازی و پردازش کلی تصویر نیز باید بسیار مفید باشد. Mri امکان گرفتن عکس‌ها و فیلم‌های چند رزولوشن یا دوربین‌های امنیتی را می‌دهد، زمانی که فقط یک شی متحرک باید با وضوح کامل ذخیره شود در حالی که پس‌زمینه ممکن است با وضوح پایین‌تر ذخیره شود.

در مورد توسعه بیشتر فرمت mri، ما سه نکته اصلی را پیشنهاد کردیم:

• وضوح چند رنگ • توسعه چند وضوح • وضوح چند بعدی 3D.

طبیعتاً، هر راه دیگری برای توسعه قالب و ایده های mri توسط نویسندگان قدردانی خواهد شد.

منابع