А. П. Кирпичников, Д. И. Мифтахутдинов, И. С. Ризаев
РЕШЕНИЕ ЗАДАЧИ КОРРЕЛЯЦИОННОЙ ПРИВЯЗКИ ИЗОБРАЖЕНИЯ И ЦИФРОВОЙ КАРТЫ МЕСТНОСТИ
Ключевые слова: совмещение изображений, цифровая карта местности, корреляционная обработка изображений.
В работе рассмотрено решение задачи привязки изображения и цифровой карты местности методом корреляционной обработки двух изображений, позволяющим достичь высокой точности привязки для автоматического устранения погрешностей совмещения между ними.
Keywords: combining images, digital terrain maps, correlation image processing.
The work considers the solution of the binding images and digital maps by method of correlation processing of the two images to achieve high accuracy of snapping for automatically eliminating of alignment errors between them.
Введение
В настоящее время в Российских действующих системах разведки основной целью является нахождение новых (ранее неизвестных) объектов в заданном районе местности. Поэтому важной задачей является совмещение карты местности (ЦКМ) и её текущего изображения с последующим анализом результатов совмещения и поиска отличий.
На практике разновременные и разноспектраль-ные изображения одного и того же объекта или местности могут значительно различаться друг от друга и от их изображения на ЦКМ. Таким образом, перед нами встает ряд задач геометрической и амплитудной коррекции изображений, их привязки и совмещения. Осуществить привязку возможно по навигационным параметрам и при помощи поисковых алгоритмов, устанавливающих соответствие между элементами изображений.
Погрешности измерения навигационных параметров приводят к ошибкам совмещения изображения и ЦКМ. Основными причинами являются:
1. Задержка начала приема сигнала при формировании изображения.
Ошибка в определении задержки формируется за счет дискретности значения тактовой частоты опорного генератора (например, 1/56 МГц)
56 10 6 [Гц ] 2 56 10
2. Ошибка определения высоты носителя. Численный расчет ошибки (приближенный):
3. Ошибка определения границ кадра изображения.
Эта ошибка определяется, прежде всего, погрешностью углового датчика. Максимальная линейная ошибка за счет погрешности определяется
как Dmax СТр = 1,74-10-3 Dmax.
4. Ошибка определения координат самолета в наземной системе координат.
где D - дальность до точки кадра изображения, h -высота самолета, Д - ошибка измерения высоты самолета, Др - ошибка определения углового положения антенны в радианах, Д^ - ошибка определения истинного курса самолета в радианах.
Суммарная ошибка определения местоположения изображения равна корню квадратному из суммы квадратов составляющих погрешностей.
Для устранения возникающих ошибок совмещения возможно использование корреляционной привязки обработанных изображений и ЦКМ. При этом к основным трудностям при создании алгоритмов необходимо отнести, прежде всего, различия в принципах получения изображений. Кроме того, изображения большинства объектов существенно зависят от времени года. Поэтому необходимо при создании алгоритма корреляционной привязки изображений и ЦКМ иметь возможность выделить ориентиры с устойчивыми характеристиками.
Основные понятия корреляционно-регрессионного анализа
Основной задачей корреляционного анализа является оценка уравнения регрессии и определение тесноты связи между результативным признаком и множеством факторных признаков. Величина коэффициента корреляции есть выражение количественной тесноты связи .
Если рассматривать генеральную совокупность, то для характеристики тесноты связи между двумя переменными пользуются парным коэффициентом корреляции р, в противном случае, его оценкой -выборочным парным коэффициентом г.
Если форма связи линейная, то парный коэффициент корреляции вычисляют по формуле :
а выборочное значение - по формуле:
У(Х - X)(Y -Y)
При малом числе наблюдений выборочный коэффициент корреляции вычисляют по формуле:
пX X Т-X XX Т
Х X,2 - (X X)2
"X т 2 - (X Т)2
Изменения величины коэффициента корреляции находятся в интервале -1 < г < 1.
В случае, если коэффициент корреляции находится в интервале -1 < г < 0, то между величинами Х и У - обратная корреляционная связь. Если коэффициент корреляции находится в интервале 0 < г < 1, то между величинами Х и У - прямая корреляционная связь.
Логика применения корреляционной привязки
К основным этапам при совмещении можно отнести:
1. Выделение эталонов по карте, их предварительная обработка.
2. Преобразование эталонов изображения с учетом геометрии получаемого изображения.
3. Обработка изображения с целью выделения объектов местности.
4. Осуществление корреляционного поиска эталонов на текущем изображении.
5. Уточнение положения совмещаемого изображения с картой (коррекция навигационных координат).
Рассмотрим подробнее некоторые из этапов.
Получение эталонов
Этот этап осуществляется оператором или автоматически на основе знаний предполагаемого участка действий и объектов на нем расположенных, которые можно разделить на две группы. Первая -точечные, в частности - вышки, сооружения и т.д. Для их выделения на изображении можно использовать пороговую обработку значений яркости изображения. Однако основная трудность возникает при ассоциации данной "яркой" точки с объектом местности, вследствие того, что порог может быть превышен другим объектом. Недостаточная детализированность цифровых карт не позволяет в большинстве случаев выделить точечные объекты на местности.
Ко второй группе можно отнести протяженные, имеющие характерные формы, объекты. К ним, можно отнести гидрографию (реки, озера, береговая черта), дорожную сеть, населенные пункты и др. Эти объекты имеют характерные изображения и позволяют на основе знания их свойств по карте получить модель изображений для последующего поиска. Исследования показали целесообразность приведения эталонов к бинарному виду вследствие того, что невозможно предсказать уровень яркости объектов на формируемых изображениях. На рис.1 показано получение бинарного изображения реки по ЦКМ.
Рис. 1 - Пример получения бинарного изображения реки по ЦКМ
В качестве эталонных целесообразно выбирать характерные участки объектов, каковыми являются изгибы, пересечения, ветвления. Они обладают узкими автокорреляционными функциями и должны обеспечить эффективный поиск. Возможно применение автоматического алгоритма выбора положения эталонных участков путем анализа корреляционной функции выбираемых участков и района из которых они формируются. Используемые ориентиры выбираются для предполагаемого участка местности, получаемого по показаниям навигационной системы с учетом возможной величины ее ошибки.
Устранение геометрических искажений
Вопросом, требующим рассмотрения при реализации алгоритма корреляционной привязки, является выбор трансформируемой области. При этом возможно два варианта. Первый - приведение эталонных участков местности к текущему изображе-нию. Эта операция более выгодна с точки зрения вычислительных ресурсов, т. к. проще осуществлять обработку бинарного эталонного изображения. Второй способ связан с приведением текущего изображения к карте местности. Выбор способа преобразования осуществляется с учетом возможностей непосредственной реализации алгоритмов на практике.
Обработка полученных изображений
Непосредственно осуществлять поиск эталонных участков на получаемых изображениях нецелесообразно по причине большого количества объектов на местности, наличия значительной шумовой составляющей. Поэтому этапу поиска предшествует операция выделения искомых объектов. Основными методами, используемыми в настоящее время и позволяющими выполнять эту операцию, являются сегментация и оконтуривание изображений. Кроме того, для снижения зависимости результатов обработки изображений от искажающих случайных шумовых составляющих осуществляется фильтрация изображений. При этом в роли помех могут выступать те или иные компоненты самого изображения.
Сегментацию часто рассматривают как основной начальный этап анализа при автоматизации методов получения изображений, так как в результате строится изображение, качество выполнения которого во многом определяет успех решения задачи выделения объектов на изображении и дальнейшей корреляционной привязки. Пример пороговой бинарной
сегментации полученного и трансформированного изображения показан на рис.2.
Рис.2 - Пример трансформированного изображения
Обратим внимание, что для выделения различных объектов необходимо осуществлять разные способы обработки изображения. Так, для выделения прямых участков дорог можно применить специальные маски с последующей пороговой обработкой.
Поиск местоположения эталонных изображений на текущем изображении (привязка)
Основные варианты алгоритмов установления сходства изображений связаны с получением характеристик стохастической взаимосвязи текущего фрагмента изображения с эталонным изображением местности. Основой данных алгоритмов является корреляционная и спектральная теория сигналов.
Изображение эталонного фрагмента (выбранного на карте местности и представляемого матрицей и0 размером пхп), сравнивается с текущими изображениями фрагментами изображения в «зоне интереса» размером ЬхЬ. Ь=п+т, причем зона поиска определяется возможной ошибкой системы навигации.
В процессе скользящего поиска вычисляется «функция сходства» между фрагментами эталонного и текущего изображений. Необходимо найти функцию сходства, которая с максимальной точностью и достоверностью позволит локализовать фрагмент изображения, соответствующий эталону, устанавливая, таким образом, сопряженные точки на изображениях .
При корреляционном методе осуществляется поиск максимума коэффициента корреляции (тахг (к,1)) текущего фрагмента с эталоном
XXUo(x, У)и(х, у)
/(к, I) =-^-]-_, (7)
^[^х, у)]2 XX2}2
где и0 и и - центрированные значения яркостей эталона и фрагмента изображения. Эта операция необходима для устранения зависимостей значения коэффициента корреляции от энергетики участков.
Для соблюдения условий достоверности обнаружения необходимо установить порог (гпор) для величины взаимной корреляции.
Если тахг (к,1)>гпор, то с заданной вероятностью гарантируется сходство найденной пары фрагмен-
тов. Значение порога может быть задано вероятностью сходства фрагментов и коэффициентом корреляции .
Недостатком корреляционной меры сходства является ее чувствительность к геометрическим искажениям размеров сопрягаемых объектов, что выдвигает высокие требования к алгоритму сегментации объектов по полученному изображению.
Обычно в качестве критериев эффективности процедур идентификации сходства принимают точность совмещения фрагментов и вероятность ложной привязки.
На рис.3 показаны результаты поиска нескольких эталонных фрагментов на изображение. Эталоны, выделенные на ЦКМ, приведены к геометрии полученного изображения. На рис.4 приведен результат поиска эталонного изображения в случае приведения изображения к геометрии карты при тех же условиях.
Вычисление взаимосвязи эталона и изображения можно осуществлять на основе спектральной теории сигналов. Фактически метод также осуществляет поиск корреляционного интеграла, только в частотной области. В этом случае при помощи алгоритмов быстрого преобразования Фурье возможно значительно снизить потребные вычислительные затраты для организации вычислений.
На основе полученных значений невязок между прогнозируемым результатом по навигации и вычисленным с помощью корреляционного интеграла положениями эталона формируется поправка положения текущего изображения относительно ЦКМ.
Рис. 3 - Результаты поиска нескольких эталонных фрагментов
Рис. 4 - Результат поиска эталонного изображения в случае приведения изображения к геометрии карты
Рассмотренный метод корреляционной обработки двух изображений позволяет достичь высокой точности привязки текущего изображения с цифровой картой местности для автоматического устранения погрешностей совмещения между ними.
В работе предложен алгоритм выполнения привязки, основными этапами которого являются подготовка эталонов из карты, преобразования и обработка изображений местности и осуществление корреляционного поиска. Однако каждый из этих этапов при реализации требует учета особенностей используемых обзорных систем и цифровых карт местности.
Литература
1. Баклицкий В.К. Корреляционно-экстремальные методы навигации и наведения / Изд-во Тверь: ТО «Книжный клуб», 2009. - 360 с.
2. Грузман И.С., Киричук В.С., Косых В.П. и др. Цифровая обработка изображений в информационных системах./ Учебное пособие. - Новосибирск: Изд-во НГТУ, 2000. -168 с.
3. Кирпичников А.П., Мифтахутдинов Д.И., Ризаев И.С. Решение задачи геопозиционирования методом корреляционного сопоставления // Вестник технологического университета: Т.18 №3; - 2015. - 308 с.
4. Мифтахутдинов Д.И., Ризаев И.С. Особенности реализации алгоритмов совмещения изображений с цифровыми картами местности./ «Перспективы интеграции науки и практики». Материалы II Международной научно-практической конференции;-Ставрополь: 2015. - 94 с.
© А. П. Кирпичников - д-р физ.-мат. наук, зав. каф. интеллектуальных систем и управления информационными ресурсами КНИГУ, [email protected]; Д. И. Мифтахутдинов - магистрант 2 курса кафедры автоматизированных систем обработки информации и управления КНИГУ-КАИ; [email protected]; И. С. Ризаев - канд. тех. наук, профессор кафедры автоматизированных систем обработки информации и управления КНИГУ-КАИ; [email protected].
© А. P. Kirpichnikov - Dr. Sci., Head of the Department of Intelligent Systems & Information Systems Control, KNRTU, [email protected]; D. I. Miftakhutdinov - master student of the Department of Automated information processing and management, KNRTU-KAI, [email protected]; I. S. Rizaev - PhD, Professor of the Department of Automated information processing and management, KNRTU-KAI, [email protected].
Подробнее
- Сопоставление изображений на основе "характерных черт"
Литература для самостоятельного изучения
Книга ($\textit{Красовский, Белоглазов, Чигин}$) содержит изложение классической теории корреляционно-экстремального анализа двумерных полей, с которой мы рекомендуем обязательно ознакомиться в рамках углубленного курса.
Оригинальный подход к взаимной привязке изображений на основе так называемой беспоисковой корреляции изложен в книге ($\textit{Астапов, Васильев, Заложнев}$). Этот подход больше применим в области корреляционного слежения, чем в области сравнения произвольных изображений, но он привлекателен возможностью эффективной программной и аппаратно-программной реализации.
В книге ($\textit{Шапиро, Стокман}$) методам сопоставления изображений и объектов в двумерном пространстве посвящена глава 11. Здесь представляют интерес геометрические аспекты проблемы, которым в нашем изложении уделялось меньше внимания. Главы $12$ и $13$ посвящены восприятию трехмерных сцен. Их также можно рекомендовать для самостоятельного изучения, хотя изложение того же круга вопросов в книге нам кажется более полным и удачным.
В книге ($\textit{Форсайт, Понс}$) непосредственно задаче стереоотождествления посвящен небольшой раздел "бинокулярное совмещение изображений", который при этом содержит ряд интересных идей, отсутствующих в нашем изложении. В частности, описано стереоотождествление методом динамического программирования и ряд других методов. В широком смысле задаче реконструкции трехмерной пространственной информации по набору двумерных изображений посвящена вся часть III данной книги, включающая главы $10$ "Геометрия нескольких проекций", $11$ "Стереозрение", $12$ "Определение аффинной структуры по движению" и $13$ "Определение апроективной структуры по движению". Рассматриваемые здесь вопросы связаны с построением различных метрических и проективных соотношений между точками изображений и точками сцены, расчетом хода лучей и т.п. Эти вопросы не включены нами в данный учебный курс, поскольку они ближе к фотограмметрической области, чем к области обработки и анализа изображений, однако в рамках углубленного курса машинного зрения такие элементы следует признать необходимыми. В связи с этим мы рекомендуем всю III часть книги для углубленного самостоятельного изучения.
Список источников по разделу
- $\textit{Bertram S.}$ The UNAMACE and the automatic photomapper\Dslash Photogrammetric Engineering. 35. No.6. 1969. P.569 - 576.
- $\textit{Levine M.D., O"handley D.A., Yagi G.M.}$ Computer Determination of Depth Maps\Dslash Computer Graphics and Image Processing. 2. No.2. 1973. P.131 - 150.
- $\textit{Mori K., Kidode M., Asada H.}$ An iterative prediction and correction method for automatic stereocomparison\Dslash Computer Graphics and Image Processing. 2. No.3 - 4. 1973. P.393 - 401.
- $\textit{Ackerman F.}$ High precision digital image correlation\Dslash IPSUS. 1984. №9. P.231 - 243.
- $\textit{Gruen A., Baltsavias E.}$ Adaptive least squares correlation with geometrical constraints\Dslash SPIE. 1985. V.595. P.72 - 82.
- $\textit{Ohta Y., Kanade T.}$ Stereo by intra- and inter-scanline search using dynamic programming\Dslash IEEE PAMI. V.7. No.2. 1985. P.139 - 154.
- $\textit{Priice K.E.}$ Relaxation techniques for matching\Dslash Minutes of the Workshop of Image Matching, September 9-11, 1987, Stuttgart University, F.R.Germany.
- $\textit{Foerstner W.}$ A feature based correspondence algorithm for image matching. ISPRS Commision III Symposium, Rovaniemi, Finland, August 19-22, 1986\Dslash IAPRS. V.26-3/3. P.150 - 166.
- $\textit{Ayache N., Faverjon B.}$ Efficient registration of stereo images by matching graph description of edge segments\Dslash IJCV. V.1. No.2. 1987. P.107 - 131.
- $\textit{Ван Трис Г.}$ Теория обнаружения, оценок и модуляции. Т.1 - М.: Советское радио, 1972.
- $\textit{Василенко Г.И., Цибулькин Л.М.}$ Голографические распознающие устройства. - М.: Радио и связь, 1985.
- $\textit{Бочкарев А.М.}$. Корреляционно-экстремальные системы навигации\Dslash Зарубежная радиоэлектроника. 1981. №9. C.28 - 53.
- $\textit{Ярославский Л.П.}$ Цифровая обработка сигналов в оптике и голографии: Введение в цифровую оптику. - М.: Радио и связь, 1987.
- $\textit{Хорн Б.К.}$ Зрение роботов. - М.: Мир, 1989.
- $\textit{Денисов Д.А., Низовкин В.А.}$ Сегментация изображений на ЭВМ\Dslash Зарубежная радиоэлектроника, №10. 1985.
- $\textit{Davies E.R.}$ Machine Vision: Theory, Algorithms, Practicalities. - Academic Press., 2-nd Edition, San Diego, 1997.
- $\textit{T. Tuytelaars, L. Van Gool.}$ Matching widely separated views based on affine invariant regions\Dslash International Journal of Computer Vision 59(1). 2004. P.61 - 85.
- $\textit{Ярославский Л.П.}$ Точность и достоверность измерения положения двумерного объекта на плоскости\Dslash Радиотехника и Электроника. 1972. №4.
- $\textit{Abbasi-Dezfould M., Freeman T.G.}$ Stereo-Image Registration Based of Uniform Patches, International Archives of Photogrammetry and Remote Sensing. V. XXXI. Part B2. Vienna, 1996.
- $\textit{Schenk.}$ Automatic Generation of DEM`s, Digital Photogrammetry: An Addentum to the Manual of Photogrammetry\Dslash American Society for Photogrammetry{\&}Remote Sensing. 1996. P.145 - 150.
- $\textit{Gruen A,}$ Adaptive Least Squares Correlation: A powerful image matching technique\Dslash South African Journal of photogrammetry, Remoute Sensing and Cartography. V.14. Part 3. June, 1985.
- $\textit{Golub G.H., Ch. F. Van Loan.}$ Matrix computations. - John Hopkins University Press, 1983.
- $\textit{Пытьев ЮП.}$ Морфологический анализ изображений\Dslash Доклады АН СССР. 1983. Т.269. №5. C.1061 - 1064.
- $\textit{Haralick R.M. and Shapiro L.G.}$ Machine vision. - Addison-Wesley, 1991.
- $\textit{Zuniga O.A., Haralick R.M.}$ Corner detection using the facet model\Dslash Proc. IEEE Comput. Vision Pattern Recogn. Conf., 1983. P.30-37.
Многие задачи тематического дешифрирования сводятся к взаимному сопоставлению между собой изображений, сформированных с помощью датчиков различных физических полей. Ярким примером может служить развитие дистанционных методов контроля природных ресурсов и динамики экосистем (так называемого мониторинга), что сводится к сопоставлению снимков одной и той же территории, полученных в разное время и/или с помощью различных датчиков. Чаще всего используются оптическое, радиолокационное, радиотепловое, магнитное и другие поля. Совместное использование различных физических полей требует предварительной обработки соответствующих им изображений, например, с целью перевода изображений в одну спектральную область.
На практике изображения одного и того же объекта или участка местности, полученные в разное время или с помощью различных датчиков, могут значительно различаться один от другого. Отсюда вытекает ряд важных задач привязки, а также точной взаимной геометрической и амплитудной коррекции для последующего совместного анализа. В любом случае это требует установления соответствия между элементами исходных изображений, что сводится к выделению так называемых опорных (по другому, реперных или сопряженных) точек на изображениях, по которым можно осуществить координатную привязку снимков с одновременной геометрической коррекцией. (Точки на двух изображениях называются сопряженными, если они являются образами одной точки сцены ). Например, аэрокосмический компьютерный мониторинг предполагает наличие дискретного по времени наблюдения с небольшим временным интервалом, и поэтому, когда движущаяся камера фиксирует яркостный образ наблюдаемого объекта (оптическую поверхность) в виде последовательности изображений, то этот образ от снимка к снимку деформируется вследствие перспективных искажений и изменения положения камеры. Геометрия соответствующих деформаций моделируется проективными преобразованиями, которые составляют более обширный класс, нежели известные преобразования евклидовой геометрии (достаточно сказать, что длины и углы в проективной геометрии не сохраняются, а параллельные линии могут пересекаться! ).
Восстановление пространственного рельефа по стереоснимкам приводит к проблеме идентификации: установления точного координатного (поточечного) соответствия элементов стереоизображений. Решение этой задачи состоит в выделении пар реперных фрагментов и оценивании параметров «расхождения» соответственных точек (это именуется в стереофотограмметрии бинокулярной диспарантностью), по которым можно восстановить функцию геометрического преобразования и оценить поверхность трехмерной сцены (рельеф).
Идея записывать вместе с каждой фотографией координаты точки, в которой они сделаны, возникла еще на заре цифровой фотографии и была почти сразу реализована. Сегодня эта идея пришла в массы и обросла множеством сервисов. С самого начала возникла и сегодня продолжается реализация идеи на аппаратном уровне, когда GPS приемник прямо связывается с камерой, либо он в нее встроен, либо подсоединен к ней через последовательный порт, либо установлен на камеру и получает сигнал о том, что сделан снимок, от синхроконтакта вспышки. Sony выпустила также устройство GPS-CS1, которое записывает просто координаты каждые 15 с, а потом они синхронизуются по времени со сделанными снимками, и информация о координатах записывается в файле. Учитывая, что сегодня и GPS приемники, и камеры стали весьма распространенными и в повседневной жизни, возможно, вам и не придется покупать дополнительное устройство, можно воспользоваться уже имеющимся у вас GPS приемником и камерой, остается только привязать данные о координатах к конкретным снимкам. Раньше было существенное ограничение, связанное с тем, что память GPS навигатора переполнялась, и приходилось каждый день скачивать информацию в компьютер. Если вы снимали редко, а GPS использовался в навигации, то вполне вероятно, что, приехав из похода, вы сможете извлечь информацию только о последнем дне. Сейчас, когда у GPS навигаторов появилась возможность записывать пройденные пути на карты памяти, вопрос ее нехватки практически полностью снят. В Интернете можно найти несколько десятков программ, предназначенных для привязки фотографий к координатам. Более менее полный список можно найти и . Среди них есть и коммерческие, но большинство бесплатные и даже с открытыми исходными кодами. Я попытался попробовать многие их них, однако если по каким-то причинам программа сразу не начинала работать корректно, то я не пытался разобраться, а сразу переходил к следующей. Поэтому весьма вероятно, что среди тех программ, которые я отбраковал, есть и достойные, которые на другой конфигурации оборудования начнут работать сразу и без проблем. Коммерческие программы я тоже не рассматривал, поскольку их демонстрационные версии вносят умышленную ошибку около километра, и мне показалось неразумным тратить на них время при наличии большого количества открытых программ.
Кроме того, число рассматриваемых программ сократилось, поскольку у меня были достаточно специфические дополнительные требования. А именно: для записи координат использовался навигатор Etrex Venture Cx , который сохраняет данные о координатах в формате GPX (GPS Exchange Format). Формат стандартный, но выясняется, что фирма Garmin и некоторые создатели программ этот стандарт понимают по-разному. К счастью, есть универсальные программы, преобразующие один формат в другой. И среди них я бы выделил . В частности, в этой программе можно попросить преобразовать формат GPX, взятый из навигатора Garmin, в тот же самый формат, но результат этого преобразования будут понимать уже все программы.
Второе требование состояло в том, что мне хотелось сразу привязать фотографии в формате RAW, чтобы все полученные из исходных фотографии были уже с помеченными координатами, и не надо было бы снова определять координаты по времени, когда сделан снимок. Потому что с временем, как оказалось, существует довольно много проблем. И если их еще умножить тем, что преобразованные файлы сделаны и обработаны в разное время, и исходная информация времен снимка может быть потеряна или через некоторое время вы не сможете вспомнить, в каком часовом поясе вы снимали. Многие из рассмотренных мной программ имеют довольно изощренные настройки для коррекции возможных проблем с установкой времен. Тем не менее, лучше сразу настроить навигатор и камеру таким образом, чтобы этих проблем не возникало. У моего навигатора есть возможность выбрать способ записи трека - автоматический или через заданный интервал времени. В автоматическом режиме, если вы быстро перемещаетесь, то точек пишется много, если же стоите на месте, то они вообще не пишутся. Это позволяет получить запись пути одинаково качественно, передвигаетесь ли вы пешком, или едете на машине. Однако если вы долго снимаете с одной точки, то может создаться ситуация, когда в момент съемки GPS навигатор не записал координаты, поскольку они не отличались от записанных полчаса назад. Во многих программах можно задать интервал времени, в котором координаты считаются совпадающими со сделанным снимком. Однако отсутствие информации может означать не только то, что вы не перемещались, но и то, что сигнал от спутника был потерян. В этом случае, если интервал достаточно большой, то снимку могут быть приписаны координаты, существенно отличающиеся от истинных. Поэтому я рекомендую установить запись по времени с интервалом в 10 с. Если вы снимаете не из окна автобуса, то точность будет более чем достаточна.
Следующая глобальная проблема - это какое время устанавливать в камере. Если вы путешествуете, или делаете снимки осенью или весной, когда могут перевести время, то устанавливать в камере местное время мне кажется плохой идеей, тем более, что идея местного времени сегодня полностью дискредитирована. Солнце в зените над моим домом в Москве летом в 13 часов 15 минут. Сегодня средства транспорта позволяют перемещаться на многие тысячи километров, и разумнее использовать единое мировое время, а не объяснять, по какому времени и с учетом какого временного периода вы договаривались о встрече. Навигатор ведет протокол по времени UTC (Coordinated Universal Time). Поэтому это же время имеет смысл и выставить на камере и никогда не менять вне зависимости от переездов или времени года. Учитывая, что я записываю координаты с интервалом в 10 с, я предпочитаю называть это время по старинке GMT (Greenvich Meridium Time). Этот вариант более информативен, поскольку означает, что отсчет ведется от местного времени на меридиане Гринвича и при заданной мной точности не отличается от UTC. Зная свои собственные координаты и это время, вы всегда легко можете вычислить, когда же у вас солнце будет в наивысшей точке, то есть местный полдень. Вся эта информация для фотографа отнюдь не бесполезная, поскольку позволяет представить, откуда и куда будет падать свет в предполагаемой точке съемки. Все беды от наук, поэтому, вероятно, люди, обозвавшие утро полднем, стремились побыстрее отправить всех, кто учил в школе географию, в сумасшедший дом.
Итак, если у нас камера и навигатор установлены по единому времени, то в дальнейшем можно игнорировать настройки Часовой пояс. Программы привязки фотографии к координатам
GPicSync
Для начальной пакетной обработки снятых фотографий я выбрал программу .
Спартанский графический интерфейс, работа только с папками, просмотр только JPEG, но свою задачу она выполняет и достаточно быстро. Отмечу, что есть довольно много программ, работающих из командной строки, которые могут поспорить с данной по аскетизму, но я не люблю работать с клавиатурой:-) Программа использует и . Распространяется по лицензии GPL. Есть версии для Windows и Linux. Поддерживается русский язык.
Работает она сразу с папками, позволяет пакетно преобразовывать сразу много фотографий, работает с RAW, понимает файлы GPX от Garmin, записывает координаты в EXIF , позволяет добавлять автоматически в ключевые слова IPTC ближайшие географические названия, которые она берет из баз данных в Интернете. Кроме того, что она записывает информацию о координатах в файлы фотографий, она также создает файл в формате KML или KMZ.
KML (Keyhole Markup Language - язык разметки Keyhole) - язык разметки на основе XML, служащий для представления трехмерных геопространственных данных в программе Google Earth, которая носила название «Keyhole» до её приобретения компанией Google. KMZ являются результатом сжатия KML-файлов ZIP-способом. Подробнее см .
Программа Google Earth распространяется бесплатно .
Если вы хотите в походных условиях (без быстрого интернета) сориентироваться, где же вы сделали снимки, их надо нанести на какую-нибудь карту, которая сохранена у вас в ноутбуке. Для этого можно воспользоваться вышеупомянутой программой GPS Babel и преобразовать в формат WPT для просмотра в программе или снова в формат GPX, но уже с включенными в него путевыми точками, отмечающими сделанные снимки, для просмотра в программе , т. е. нанести фотографии на ту самую карту, по которой вы ориентировались, когда пользовались своим GPS навигатором.
Для работы с отдельными фотографиями может оказаться хорошим выбором программа .
Эта программа написана на Java и, как следствие, одинаково легко запускается без переустановки и под Windows, и под Linux. Кроме того, она распространяется по лицензии GNU General Public License. Программа может все: работать с RAW файлами; просматривать их; записывать координаты в EXIF; просматривать положение фотографий на спутниковых снимках через программу Google Earth; добавлять географические названия в ключевые слова, пользуясь информацией с сайта . Чтобы добиться такой универсальности, программа использует внешние модули сторонних разработчиков, которые надо устанавливать отдельно: , .
Программа позволяет экспортировать фотографии не только в Google Earth, но и, не устанавливая дополнительных программ, контролировать положение точки съемки через .
Из минусов этой программы надо отметить, что она очень медленная, т. е. на подготовку просмотра фотографии в формате RAW может уйти около минуты, и без конвертации не понимает файлы Garmin. Программа используется для связи с GPS приемником а для конвертации файлов ее надо запускать отдельно. Некоторые географические названия могут быть вставлены кириллицей, что можно было бы только приветствовать, но некоторые программы просмотра отказываются работать с такими файлами:-(
Программа очень часто обновляется, так что есть надежда, что она будет совершенствоваться:-)
COPIKS PhotoMapper
Если работать только с файлами в формате JPEG и только под Windows, то неплохим выбором будет программа .
Она же весьма эффективно справляется с задачей упаковки ранее привязанных к координатам фотографий в формат KMZ. Можно посмотреть, как это выглядит, скачав файл в 500 КБ.
Locr GPS Photo
Для последующей обработки и размещения фотографий в интернете может быть полезной программа .
Удобна она и тем, что позволяет накладывать фотографии на космические снимки и карты, предоставленные разными компаниями. Можно выбирать между Google, Microsoft и YAHOO.
Привязывать фотографии с ее помощью я так и не научился, поскольку не нашел способа преобразовать GPX в приемлемый для нее формат NMEA. Поэтому для меня ее основное предназначение размещать фотографии в интернете. Это не единственная служба которая предоставляет подобную услугу, можно размещать фотографии в интернете и на сайте .
Удобным дополнением оказалась программа , которая позволяет редактировать координаты вручную, находить точку съемки в программе Google Earth по данным, записанным в EXIF, а также проводить обратную операцию - записывать координаты найденной на космическом снимке точки съемки в EXIF.
За последний год идея получила бурную поддержку в массах, и скоро любую точку земной поверхности можно будет увидеть не только из космоса, но и с уровня земли. Включив в Google Earth слой «География в интернете/Panoramio», вы увидите, что земля буквально усыпана пометками точек съемки, щелкнув по которым, можно увидеть фотографию.
Помимо возможности добавлять изображения в контент страницы посредством FilePicker из визуального редактора TinyMCE, разработчики и дизайнеры в CMS Made Simple уже давно ищут возможность так называемой ассоциации одного изображения и страницы. Для чего это нужно? Вот несколько примеров:
Для создания графического меню, в котором выводится не текст, а изображение. Посмотрите на интересный пример графического меню в стиле Mac или графическое меню с иерархией внизу сайта после слова Portfolio.
Для создания списка страниц (типа тизера) с привязанным к каждой странице изображением.
Для ограничения редакторов страницы, которые не в состоянии уменьшать и аккуратно вставлять изображения в контент. В этом случае им предлагается выбрать из списка одну из уже загруженных картинок, которая потом в шаблоне вставляется в нужном месте нужного размера. Или возможность загрузки изображений, которые будут уменьшаться при загрузке автоматически.
На данный момент существуют три возможности привязки изображения к странице (по крайней мере других я не знаю).
Вариант 1: Изображение на вкладке Опции
Это была самая первая попытка привязки изображения к странице, которая и сейчас еще доступна на вкладке Опции при редактировании страницы. Здесь можно выбрать одно из изображений в списке файлов, которые предварительно были загружено в папку uploads/images . Путь к этой папке можно изменить только глобально в общих настройках сайта (Администрирование сайта » Общие настройки, вкладка Настройки редактирования страниц ). Выбранное изображение становится доступным в шаблоне меню через переменную $node->image , а его эскиз через $node->thumbnail . При помощи этой опции можно ассоциировать только одно изображение с одной странице, т. е. 1:1.
Вариант 2: Изображение посредством тега {content_image}
Вторая попытка. Тег добавляется в основной шаблон сайта. Если добавить тег несколько раз, то можно присоединить несколько изображений для одной и той же страницы. В административной панели в этом случае отображается выпадающее меня для выбора загруженных файлов (как и в варианте 1), а на самой странице он выдает HTML тег img. {content_image} более интеллигентен, чем первый вариант, в частности он позволяет настроить папку, в которой хранятся изображения.
Но его большой недостаток, как и у первого варианта, заключается в том, что изображения, которые можно выбрать из списка, предварительно должны быть загружены в систему с помощью менеджера файлов или в пункте Управление изображениями. Если Вы (в воспитательных целях) удалили кнопку "Вставить/редактировать изображение" из визуального редактора, дабы запретить их прямую вставку в контент сайта, то Ваш редактор сначала должен загрузить картинки, а потом уже редактировать страницу. Второй недостаток: если этих изображений очень много, то список получается огромный и в нем можно легко запутаться.
Вариант 3: Использование модуля GBFilePicker
Необычайно гибок. Он позволяет не только выбирать уже загруженные изображения, но и загружать их "на лету" во время редактирования страницы, а также удалять и даже редактировать уже загруженные, не выходя со страницы редактирования контента . Список изображений в выпадающем меню при этом может быть показан или отключен (например, если в папке уже присутствуют 100 изображений, то список скорей всего бесполезен).
Несколько примеров, как этот тег может выглядеть в административном интерфейсе на странице с редактированием контента, в зависимости от используемых параметров.
Возможности модуля: уменьшение файлов при загрузке, исключение определенных файлов из списка по суффиксу или префиксу в названии файла, возможность ограничить расширения для загружаемых файлов, возможность ограничить доступ к файлам в зависимости от пользователя, создание эскизов. И особенно люблю я этот модуль за то, что он не только название файла в списке, но и его эскиз редактору показывает, что для забывчивых необычайно удобно.
Этот вариант, пока самое лучшее, что я вижу в CMS Made Simple. Именно его мои редакторы сайтов схватывают интуитивно.
Please enable JavaScript to view the
