Bad Ishl қаласының ғарыштық суретіне классификация 

Орындаған: Хамит Алтынбек 

Мырзабекова Ақбота

Құдайберген Сымбат

Бозкурт Ахмет

Тексерген: Забира Р.

Жұмыстың мақсаты: ArcGIS бағдарламалық кешенінде Мaximum Liklihood классификацияның  қандай жұмыстардың нәтижесінде жасалатынын  қарастыру, ENVI бағдарламасымен салыстыру;

Жұмыстың міндеті:  ArgGIS бағдарламасында классификацияның жасалу жолын үйрену;

1.Бізге берілген ғарыштық суретті Аргис бағдарламасында ашамыз. Қабаттың құрылымы( Слои-Свойства слоя) мен растрлық суретті RGB моделіне ауыстыратын терезе шығады. Берілген ғарыштық суреттің Бэндеттерін , өзімізге қажетті комбинацияда қоямыз. Ғарыштық суретті ашамыз. 

2. Ғарыштық суретті классификациялап, арнайы түстер беру үшін Arc Catalog қосымшасынан суретке арнайы шейп-файл құрамыз. Сонан соң оны Arc Map-тағы жұмыс орнына шақырамыз. Бізге шеп-файл ENVI бағдарламасындағы РОЙ құрудың қызметін атқарады. Геометрия түрін "Полигон" дейміз. Атрибуттар кестесіне қосымша баған береміз. Оның себебі объектілерді бөлгенде, олардың бір-бірінен айырмашылығын, осы атрибуттар кестесіндегі "Категориялар" ажыратады.  

3.Шейп-файл» (англ. Shapefile) — географиялық файлдардың векторлы форматтағы ең танымалы түрі. Бұл Esri компаниясының өнімдері мен басқа кешендерде жұмыс жасау мақсатында құрылып, уақыт өткен сайын заманға сай өңделіп отырады. 

Ғарыштық суреттегі объектілерді категорияларға бөлу үшін, құрылған шеп-файлмен жұмысты бастап, суреттегі нысандарды полигондармен бөлеміз.

4. Сигнатура құру. Сигнатура файлы, біз Мaximum Liklihood классификациялық өңдеуін қолданғанда қажетті командалардың бірі. ол  Эталондық мәліметтері берілген және растрлық каналдарының жинағы бар ASCII-файлын құрады. 

Символдардың стандартты кестесі (ASCII) — ақпарат алмасудағы америкалық стандартты кодтар негізінде даярланған символдардың стандарттық түрдегі кодтық кестесі. Мәліметтерді таңбалай отырып, оларды желілер арқылы жеткізу үшін пайдаланылатын жеті биттен (қосымша жұптық бит) тұратын таңбалық кодтар тізбегі.[1]

5. Maximum Likеlihood класификациясы. Максималды шындыққа жанасу(Maximum Likelihood Classification) алгоритмі, екі негізгі принциптерге сүйенеді: 

Әрбір мәннің ,көпөлшемді кеңістікте, пиксельдердің әр класқа бөлінуі, "Нормальді бөліну" заңына тәуелді болып келеді.

Байе теориясы қолданылады(шешім қабылдау теориясы).

Құралдар тізімінен осы команданы таңдаймыз. Осы терезеде кіретін суретпен, шеп-файлды , сигнатураны таңдап, класификация жасаймыз. 

6.  Создать произвольно расположенные точки (Create Random Points) құралы - полигонды, сызықты, нүктелі объектілер класының экстентінде немесе ішінде берілген нүктелерді кездейсоқ түрде орналастырады. 

Қойылған экстентте еркін нүктелерді құрастыру үшін, баламалы түрде х және у осьтері жүргізіледі. Бұл нүктелерге координата болады.Бірінші х осінде нүкте қойылған болса, у осінде бұл мәнге ұқсамайтын басқа координата алынады. Осындай минимальді және максималды мәндер аралығында, нүктелер біркелкі таралып, орналастырылады. Бұл процесс берілген нүкте санына жетпейінше, орындала береді. 2

7. Классификация кейін және берілген ғарыштық суретте, нүктенің орнында объектілердің түсі мен шынайы суреттегімен салыстыра отырып, атрибуттар кестесіне салыстыра отырып, жазамыз. 

Соңында жалпы 300 нүктенің 192 нүкте ғарыштық суреттің бетінде жатыр. Атрибуттар кестесінде 102 нүктенің класификациялық түсі  мен шынайы суреттегі объектілері ұқсас. 

  Қорытынды: ArcGIS бағдарламалық кешенінде классификация жасау жұмысын толығымен қарастырып өттік десек болады. Бұл жерде біз басқарылатын классификация - Максимальды түрде шындыққа жанасу түрін қарастырдық. Каталогтан шейп-файл құрып, соған қажетті аумақты полигондар арқылы беріп алдық. Бұл жерде пиксельдер маңызды рөл атқарады. Өйткені олардың саны тым көп, немесе тым аз болуға да болмайды. Егер пиксель саны аз болса- ол сигнатура класын құруда жеткілікті мәлімет бермеуі мүмкін. Ал егер пиксель саны көп болса- берілген класқа қажетсіз пиксельдерді де өзімен қосып алуы мүмкін. Егер суретте n канал болатын болса, онда 10n мен 100n аралығында болу қажет.  Сигнатура файлын құрғаннан кейін классификация жасалынған аумақтың нәтижеден кейінгі суретін аламыз. Егер ғарыштық суретте қандай да бір кедергі (шу,діріл) пайда болса, сигнатура командасын қайтадан енгізуге болады. Біз соңында ұқсас нүктелерімізді , ғарыштық сурет бетіндегі жалпы нүкте санына бөліп, класификацияның жұмысының дәлдігін анықтадық. Maximum Likelihood класификациясы жұмысты 53% дәлдікке дейін орындаған. 

    MULTI-RESOLUTION SEGMENTATION

Орындаған: Хамит А., Аманкелді М.

Тексерген: Рахымбай З.

Жұмыстың мақсаты: Белгілі бір рұқсаттылықта берілген суреттерге сегментация жасау; өзіміз берген мәндерде  multi-resolution segmentation  алгаротимінде деңгеймен масштабтарға бөлу арқылы иерархия құру;

Жұмыстың міндеті: Деңгейлердің бір бірінен айырмашылығын салыстыру; бағдарламада сегментация жасау жолын үйрену;

1.Берілген Австрия аумағының ғарыштық суретін бағдарламада ашып, қабаттарына  Blue,red,green,nir мәндерін беріп, терезеде ашамыз. 

Procces Tree  терезесінде тышқанның оң жағын басып, Append New ұяшығын басып, арнайы терезені ашамыз.  

Алгоритм ұяшығында multi-resolution sigmentation таңдап, Daemon ұяшығында Pixel level- ді ең бірінше деңдейде таңдаймыз. Содан кейінгі деңгейлерде image object level таңдаймыз.

параметрі	сипаттамасы
Level атауы	Сегменттеу құрылған иерархиясындағы деңгей атауы.
Сурет Layer Массасы	пиксель / нысандар біріктіріледі ма, шешім қабылдау үшін пайдаланылатын біртекті шараны есептеу кезінде қабатының салмақ арттырады.Zero қабатын елемейді.
Тақырыптық Layer пайдалану	кез келген тақырыптық қабаттар қол жетімді болса, тақырыптық қабаттарды  сегменттеу аясында пайдалану үшін жеке өшірілуге мүмкіндік береді.
Scale Параметр	объектілердің ішінде спектрлік вариация болады , сондықтан олардың қорытқы мөлшерін  бақылайды.
Shape - Түс	нысандар пішіні және оның спектрлік түсі арасындағы салмақ оған сәйкес 0 болса, тек түсті> 0 болса,  саналады. Нысандар түсті бірге қалыптастырады деп есептеледі, сондықтан аз фракталдық шекарасы шығарылады.  Нысандар көп болған жағдайда , мәні жоғары болып саналады.
ықшамдылық Compactness	сегменттеу кезінде пайда объектілерді жинақылығыy білдіретін  салмақтық.

 4 деңгейде әр түрлі масштабпен (10, 50, 100, 250) «multiresolution segmentation» жасаймыз. ₍Суреттер жоғарыдан төмен орналасқан₎

Еселік сегменттеу жоғарғы нысан дисперсиясын білдіретін шекті же нысандарды (жеке пиксель бастап) топтастырып,  оған сәйкес итерациялық алгоритм көмегімен нысандарды қамтиды. 

Дисперсия шекті (ауқымды параметр)  объектілердің фракталдық шекарасын барынша азайту  үшін,  пішіні  параметрлерімен өлшенеді. Олардың нақты мөлшері мен өлшемдері негізгі деректерге тәуелді болып табылады. Дегенмен Дисперсия мәнін жоғарылатқан сайын,  нысандарды үлкейту  арқылы құрылатын болады.

Зертханалық жұмыс №6

CHESS BOARD SIGMANTATION 

Орындаған: Хамит А., Аманкелді М.

Тексерген: Рахымбай З.

Жұмыстың мақсаты: Белгілі бір рұқсаттылықта берілген суреттерге сегментация жасау; өзіміз берген мәндерде  cheesboard  segmentation алгаротимінде деңгеймен квадраттарға бөлу;

Жұмыстың міндеті: Деңгейлердің бір бірінен айырмашылығын салыстыру; бағдарламада сегментация жасау жолын үйрену;

1.Берілген Австрия аумағының ғарыштық суретін бағдарламада ашып, қабаттарына  Blue,red,green,nir мәндерін беріп, терезеде ашамыз. Бұл әр қабаттың каналдарының мәндері.

          Use geocoding  терезесінде белгі қоямыз, бұл ғарыштық суреттің  

           координаталарын енгізуге арналған.

Procces Tree  терезесінде тышқанның оң жағын басып, Append New ұяшығын басып, арнайы терезені ашамыз.  Algorathim→cheessboard sigmantation таңдаймыз. Domain → Pixel Level таңдаймыз. Algorithm parametеrs ұяшығында сигментацияға ат береміз және Object Size мәнін береміз. 

Осылай 1,5,20,50,100  Object Size –ға беріп, бөлек-бөлек сегментация құрастырамыз.

100

50

20

5

1

Қорытынды: Chessboard segmentation- бұл сегменттеудің ең қарапайм түрі болып есептеледі. Ол суретті қолданушының берген өлшемі бойынша суретті шаршылы объектілерге бөледі. Қаншалықты мән кіші болса, соншалықты жиі шршыларға бөлінеді. Біз суретіміздің рұқсаттылығымен, нысандарымыздың көрінуіне байланысты, арнайы қарап мән береміз. Сегментация базадағы мәндерді қарастырмайды, сондықтан үлкен объектілерді құрғанда, классификация жасау кезінде, дұрыс анықталмайды. Бұл ,ереже бойынша ол тек классификациямен бірге, өте күрделі жұмыс барысында қолданылады.  

                Ғарыштық суреттерді өңдеудегі классификациялардың ерекшеліктері

Орындаған: Хамит А. ГК151

Тексерген: Забира Р.

Жұмыстың мақсаты: Әр түрлі классификация түрлерінің қандай мақсатта қолданылатынын қарастыру, бір-бірінен айырмашылығын салыстыру;

Жұмыстың міндеті:  классификациялардың жасалу жолын үйрену;

1. 7 бэнді бар ғарыштық суретті алып, оны ENVI бағдарламасында Layer Stacking жасаймыз.

Ғарыштық суреттер Ертіс өзенінің орта ағысын алдым. 

Ертіс—Солтүстік Мұзды мұхит алабында жатқан өзен, Обь өзенінің  сол жақ саласы. Қазақстан жерінде Шығыс Қазақстан, Павлодар облыстары арқылы ағады. Жалпы ұзындығы 4248 км, оның 1698 км-і Қазақстан жерінде. Су жиналатын алабы 1643 мың км². Қазақ жерінде Ертіс ағынын Қатын, Қалба, Нарын, Тарбағатай және Сауыр жоталарынан, Құлынды даласынан жинайды. Көп жерінде тау сілемдерін тіле терең шатқалдар қалыптасқан. Бұл тұста жағаларының биіктігі 500 м-ге жетеді. Құлынды даласында өзеннің арнасы кеңейіп, жайылмасы пайда болады. Таулық аңғары (250 м биіктікке дейін) қылқан жапырақты орманды, оң жағы көбіне қарағайлы шабындықты келеді, осы тұстағы арнасының ені 100 – 150 м, Омбы қаласы тұсында 6 – 8 км, Тобыл кент тұсында 25 – 30 км-ге жетеді.

2. Одан соң суреттегі объектілерге ROI to Interest функциясымен аймақтарды түске бөлеміз.

Менің ғарыштық суретімде 7 объекті болды және фонына бөлек түс беру керек болды. Өйткені, бағдарлама автоматты түрде фонға жақын түспен бояп, суреттің сапасы бұзылады.

3.Ең бірінші қолданған классификациямыз Maximum Liklihood. Бұл классификациямын бұрын жұмыс жасағандықтан, көп қиындық тудырмады. Жұмыс жасау принципі:барынша ықтималдық арқылы жіктеледі. Әдетте әр топта әр класы үшін статистикалық деректер таратылады деп есептелінеді және берілген белгілі бір пиксель арнайы класқа жататын ықтималдығын есептеп береді. Егер сіз ықтималдылығы шекті параметрін таңдағыңыз келмесе, пикселдер автоматты жіктеледі. Әрбір пиксель ең жоғары ықтималдығын (яғни, ең ықтималдығы) бар класқа тағайындалады. ең жоғары ықтималдық сіз көрсеткен шамадан кем болса, пиксель құпия болып қалып отырады.

Классификация объектілерді түспен жақсы ажыратып көрсетеді. Бірақ, мен күлгін түспен тау деп берген объектілерімді жасыл түске бояп тыстаған. Бұл жағдайға суреттегі бұлттар кедергі келтірген сияқты. Фонға қара түс берілді, бірақ классификация жасауда барлығы қара түске боялып кеткендіктен, алып тыстадым.

4.Келесі классификациямыз Parallelepiped: мультиспектральных деректер жіктеу үшін, қарапайым шешу ережесін пайдаланады. Кескін деректердің кеңістікте өлшемді параллелепипедтік жіктеу - объектілердің шекараларын қалыптастыру үшін, әрбір таңдалған класстың орташа құнынан стандартты ауытқу негізінде анықтайды.

Параллелепипедте су объектілері және үлкен объектілер жақсы көрінеді. Ұсақ объектілерді анық көрсете алмайды.

5.Жіктеу әдісі «Mahalanobis қашықтық» әр класы үшін статистиканы пайдаланады. Бұл ықтималдықты барынша жіктеу әдісіне ұқсас, бірақ жылдам және барлық классты ковариация лық тең деп қабылдайды. Барлық пикселдер қажетті таңдалған аймақтың ең жақын класына жіктеледі.

Суретте барлық үлкен де, ұсақ объектілерде анық көрінеді. Бірақта кейбір объектілердің түстері өзгеріп, артық боялып кеткен сияқты.

6.Ең аз қашықтық әдісі(алгоритм Minimum Distance Classification) әр "endmember" векторлардың орташасы пайдаланады және әр класс үшін орташа векторға белгісіз әрбір пиксель, евклидтік қашықтықты есептеп береді. Сізде олар таңдалған өлшемдеріне сәйкес келмесе, кейбір пиксел құпия болуы мүмкін, бұл жағдайда шекті стандартты ауытқуын немесе қашықтық белгіленбесе, барлық пиксел ең жақын класқа жіктеледі.

7.Спектрлік бұрыш әдісі (алгоритм Spectral Angle Mapper Classification).Бұл жағдайда, класқа пиксель қатынасы орта таптың және спектрлік ерекшеліктері (-пайдаланылатын арналар саны-N) туралы N өлшемді кеңістіктегі пиксель құндылықтарды, құны қалған арасындағы спектрлік бұрыштың максималды мәні алу арқылы анықталады.

Берілетін параметрлер:

• количество определяемых классов за счет загрузки файла областей интереса или файла в формате EVF; 
• Maximum Angle – максимальный угол (задается в радианах) 

                                                 

8.Спектрлік Ақпараттық алшақтық (SID) пиксель эталондық спектрі сәйкес келетін алшақтық шара қолданатын, спектрлік жіктеу әдісі болып табылады. Пиксел ұқсас екенін ықтималдығы дисперсиясы аз немесе үлкен қылып алыстыру арқылы табады. Осының қарсаңында жоғарыда өлшей отырып, пикселдердің айырмашылықтары жіктелмейді.

Параметрлерінде біз әр объектіге арнайы параметрлер беріп, оларды өшіріп, қоса аламыз.

Суретте бұлттың әсерінен көрінбейтін жерлер NULL, яғни бос аумақ болып қалады. Фонға берлген қара түс, көк түс болып берлуі де осында. Бұл классификация жоқ аймақтарды қара түске бояды, мен фонға бөлек рой бергендіктен ол көк түске боялған.

9.Екілік кодтау әдісі(алгоритм Binary encoding classification) деректерді кодтайтын және жиілік ауқымына қарай нол және бірлік Into спектрін жіктеу, тиісінше спектрлерді ортасынан төмен немесе жоғары қарай жіктейді. XOR функциясы кодталған мәліметтерді спектрдің, әрбір кодталған анықтамалық спектрін салыстырады және суретке жіктеу жасайды. Барлық пикселдер, белгіленген ең төменгі шекті, сәйкестік көзделмесе, сәйкес ең жоғары жолақтармен жіктеледі,Олар өлшемдерге сәйкес келмейтін болса, осы жағдайда, кейбір пикселдер ашуға жабуға болады.

10. ISODATA классификациясын қолданғанда өңдеуші келесі мәліметтерді енгізеді:

Number of Classes — число классов, которые будут выделены на снимке;

Maximum Iterations — максимальное число итераций;

Threshold – порог сходимости — количество пикселей (в процентах), которые меняют свою принадлежность к классу при переходе к следующей итерации;

Maximum Stdev from mean — максимальное стандартное отклонение от среднего;

Бақыланбайтын жіктеу нәтижелері қанағаттанарлық емес , сондықтан аймақтарға бөлу мен аумақтарды қажетсіз үшін қажетті заттарды бөлуге осы əдісті пайдалану тиімсіз.

11. Квалификатор K-Mean табиғи спектрлік кластардағы деректердің тобына статистикалық әдістерді пайдаланады. N-өлшемді деректерді бөлінетін топтардың санына операторлық таңдау қажет ететіндей кластерлі талдау арқылы оқиды Бұл жіктеу алгоритмі-алгоритм кездейсоқ оңтайлы спектрлік кластарды анықтағанша жүреді, содан кейін бұл бірнеше рет қайталану(менің жағдаймда 20 рет кайталанды) арқылы осы топтардың орталықтарының орнын анықтайды. Қаншалықты қайталану саны көп болса, соншалықты объектілер толықтай қамтылады.

Қорытынды:Классификация- ғарыштық түсірістегі объектілерді түс арқылы ажыратуға қажетті функция.Бірақ әр классификацияның өзінің қолданылатын мақсаты мен артықшылықтары мен кемшіліктері бар. Кейбірі суреттегі ірі объектілерді толыққанды қамтыса, кейбірі ұсақ объектілерді қарастырып шығады. Классификация объектілердің 100 пайызға дәл қамтып шығады деп айту қиын. Себебі түстердің ұқсастығы, олардың нақты берілмеуі көп жағдайда қателіктердің болуына әкеліп соғады. Сондықтан классификациядан кейін, алғашқы ғарыштық сурет пен соңғы нәтижені салыстыра отырып, қателіктерін қарастыру, артық етпейді деп ойлаймын.

Шығыс Қазақстан облысының Бесқарағай ауданын ENVI бағдарламасында Maximum Likelihood классификациясын қолдана отырып  дешифрлеу

Орындағандар: Мырзахмет Адиша

 Хамит Алтынбек

 Ерболқызы Асель

Жиенбаев Жарқын

 Тексерген : Рахымбай З.

Жұмыстың мақсаты: Осы уақытқа дейін ENVI бағдарламасымен жасаған жұмыстарды , кешенді түрде қайталап толыққанды үлкен көлемде жұмыс жасау.

Жұмыстың міндеті: Өткен зертханалық жұмыстарды қайталу, толық менгеру,

Шығыс  Қазақстан облысы 2-ші топқа берілді. Біз  тапсырманы орындау үшін  Шығыс  Қазақстан облысының Бесқарағай ауданын таңдадық.
   

 Ғарыштық суреттерді жүктеп алып, ENVI бағдарламасында Open Image File деп аштық.

Суреттер бөлек Band-те тұрғандықтан (Band1,Band2,Band3…), Оларды  Layer Stacking  командасы арқылы біріктіреміз. Кейін Choose түймешесін таңдап сақтаймыз.

Келесіде New Display деп сақтаған файлды ашамыз.

Енді Basic Tools->Mosaicking командасы арқылы біріктіреміз. Мозайкада картаға түс бергенде Color Balancing функциясында суреттердің кемінде біреуі Fixed болуы қажет.

Біз үш суретті ашқаннан кейін, бізде суреттерді біріктіргенде қиыншылықтар болды. Аннотация құрған кезде , тек екі суретке қана құрылады. Сондықтан, бірінші мен екінші суреттерді біріктіріп, сақтап, сол мозайканы үшінші суретпен қосып, ауданның жалпы ғарыштық түсірілімін алдық.
•«Тігіс» сызығын анықтау үшін Annotation file параметрін қолданамыз.
•Мозаика жасау кезінде «тігіс» сызығы ең бетінде жатқан ғарыштық сурет үшін жасалады.
•Беткі сурет көрсетілген дисплейге барып, келесі команданы орындаймыз:
•Annotation терезесінде Object → Polyline командасын орындаймыз, яғни ғарыштық суретте «тігіс» сызығын полилиния арқылы көрсетеміз
•Полилинияны сызып болған соң, Object→Symbol деп өзгертіп, мозаика құрастыру барысында, кесіліп алынатын сурет бөлігіне символ қоямыз.
•Келесі кезеңде аннотацияны сақтаймыз, ол үшін File→Saveannotation…командасын орындаймыз.

Ендігі кезекте, жұмысымызды ArcGis-те жалғастырамыз. Ол үшін ArcMap-та шейп-файлы ашамыз. Өзімізге қажетті ауданды кесіп аламыз. Яғни Данные->Экспорт данных командасын орындаймыз. Жаңа шейп-файлға атын беріп сақтаймыз. Сол шейп-файлды ENVI бағдарламасына көшіріп, мозайканың бетіне қоямыз. Сол ауданды кесіп алып, сақтаймыз.

 Кесіліп сақталған ауданды ENVI бағдарламасына шақырып, түсірістің бетіне алып келеміз. Сол ауданды кесіп алып, сақтаймыз.

Енді аймақтарды бөлеміз, ол үшін Basic Tools->Region of Interest->ROI Tool командасын орындаймыз. Таңдаған аймағымыз өзен, егістік, бұлт, орман, жазықтық, елді-мекен, егістік алқабы атты қажетті аймақтарды құрып, оларға түстік эталон беріп, классификациялаймыз.

Кедесі кезекте ROI-ді сақтау қажет 

Ендігі кезекте Maximum Likelihood классификациясын қолдана отырып  дешифрлеу қажет. Ол үшін Classification-> Supervised->Maximum Likelihood командасын орындаймыз. Ройларды шақырып, картаны алдын ала қарап, сақтаймыз.

Картаны классификациялаған кейін, ендігі баспаға дайындап, безендіруіміз қажет. Ол үшін картаны ЕNVI бағдарламасындағы арнайы АrcMap-та ашатын функциясымен ArcGIS-те ашамыз. ArcGIS-те ашқаннан кейін, картамен бірге Қазақстан ауданының картасын шақырамыз. Бетте Бесқарағай ауданына шекаралас аймақтарды белгілеп, ат беріп, легендасын,масштабын , солтүстік сызығын салып, жалпы картаны безендіреміз. Шартты белгіде картадағы объектілердің тізімін жасап, дайын картамазды аламыз.

                    

Қорытынды: Ғарыштық түсірілімдерді ENVI бағдарламасында өңдеу тиімді және басқа ГАЖ бағдарламаларымен байланысы, оны қайталанбас бағдарлама етеді. ENVI бағдарламасында түсірістерді алып, олардан мозайка құрғанда, бағдарламаның бір кемшілігі – тек екі суретке ғана аннотация құра алады. Ал, төрт-бес сурет болған жағдайда, әр суретті бөлек біріктіру қажет. 

Мозайка құрылып болғаннан кейін, біз өзімізге қажетті ауданның территориясын кесіп, алуымыз үшін, шеп-файлдарды қолдану бағдарламаның бір артықшылығы екенін айтып кетсек болады.      

ENVI бағдарламасы ғарыштық түсірістерді өңдеуде ең көп қолданылатын бағдарламалардың бірі, Картографтардың барлығы осы Landsat жерсерігі мен ENVI бағдарламасын "Фотограметрия" саласында кеңінен қолданады.