Просмотр исходного текста страницы Создание скрипта на Python для ГИС GRASS

==Общий обзор==

===Вызов скрипта===

Сначала кратко пробежимся по основным моментам, а во втором разделе расмотрим реализацию более детально.

Начнём с того, что определимся с входными и выходными данными. Как представляется, от нашего скрипта логично потребовать того, что он будет принимать на входе:

* список изображений (растров), из которых будут извлекаться значения яркостей пикселей для последующей классификации;
* растр, в котором хранятся маски объектов различных классов;
* два числа - номера тех категорий (классов), для которых нужно рассчитать расстояние.

Также логично потребовать от скрипта, чтобы он выдавал на выходе число - значение расстояния Джефриса-Мацуситы для заданных классов. 

Таким образом, запуск скрипта будет выглядеть так:

 GRASS&gt; i.jmdist base=A2000.092.1,A2000.092.2,A2000.104.1,A2000.104.2 cover=class cats=1,2

где i.jmdist - название скрипта, base - параметр, в котором передается список анализируемых растров, cover - название растра масок, cats  - список категорий.


==== Формулы расчетов ====
<small>В качестве справки в данном подразделе приводятся формулы, по которым производятся вычисления.

Расстояние будет рассчитываться по формуле:

<math> 
J_{ij}=\sqrt{2(1-e^{-B})} \,
</math>

где B -- расстояние Бхаттачариа

<math> 
B=\frac{1}{8} MH +\frac{1}{2}\ln\Big\{\frac{|(\sum{}_i+\sum{}_j)/2|}{|\sum{}_i|^{1/2}|\sum{}_j|^{1/2}}\Big\},
</math>

которое, в свою очередь, расчитывается на основе расстояния Махалланобиса:

<math> 
MH=\sqrt{ (m_i-m_j)^t \Big(\frac{\sum{}_i{+} \sum{}_j}{2} \Big)^{-1}(m_i-m_j)},
</math>

где <math>\sum{}_i</math> и <math>\sum{}_j</math> --- ковариационные матрицы классов i и j соответственно, а <math>m_i</math> и  <math>m_j</math> --- вектора средних данных классов.</small>

===Основные моменты реализации===

Для того, чтобы рассчитать расстояние нам понадобится:

* вычислить векторы средних для каждого класса <math>m_t \,</math> ;
* вычислить матрицы ковариаций для каждого класса <math>\sum{}_t \,</math> ;
* вычислить искомое расстояние.

Для того, чтобы найти вектор средних значений, можно воспользоваться модулем [http://grass.gis-lab.info/grass64/manuals/html64_user/r.univar.html r.univar], который вычисляет различные статистики по растру. Для расчета матриц ковариаций существует модуль [http://grass.gis-lab.info/grass64/manuals/html64_user/r.covar.html r.covar].

Следовательно, нужно написать модуль, который будет играть роль "клея", т.е. модуль, который будет:

* Считывать параметры base, cover, cats, передаваемые из командной строки.
* Строить маски и расчитывать статистики. (Сделать прозрачными все данные, которые не относятск к первой категории, рассчитать вектор средних и ковариации для первого класса; сделать прозрачными все данные, которые не относятся ко второй категории, расчитать вектор средний и ковариации для второго класса). Т.е.:
** Построить соответствующую маску.
** Вызвать модуль r.univar, передать ему название анализируемого(мых) растра(ов) и считать ответ (средние значения) в вектор средних.
** Вызвать модуль r.covar и считать его ответ в матрицу ковариаций.
* После получения двух векторов стредних и двух матриц ковариаций, прозводить необходимые расчеты для вычисления искомого расстояния.

Здесь есть тонкое место: построение масок. Если не маскировать значения категорий, то расчеты будут производиться для всего растра в целом, а нам нужно получить соответствующие параметры для каждой категории в отдельности.

Для построения такого склеивающего модуля годится любой язык программирования, позволяющий запускать внешние программы. Здесь будет использован язык Python, соответственно, нужны знания о том, как Python производит создание и запуск подпроцессов.