ERDAS IMAGINE 2018 - hexagongeospatial.jp · erdas imagine 2018 （64 パチテ）を起動すると、これを優先ムヺデとして使用するヤヺゴヺに多くの利点がもたらされます。

リリースガイド ERDAS IMAGINE 2018

2018年 6月 1日

2018年 6月 1日 2

目次

目次 ...................................................................................................................................................... 2

このリリースについて ............................................................................................................................. 7

ERDAS IMAGINEの製品群 ................................................................................................................. 7

新しいプラットフォーム ............................................................................................................................ 7

64ビット ..................................................................................................................................... 7

ERDAS IMAGINE 2018（64ビット） ......................................................................... 8

ERDAS IMAGINE 2018（32ビット） ......................................................................... 8

新しいフィーチャー/ベクターデータ形式のサポート ...................................................................... 9

ArcGIS 10.5.1 ........................................................................................................................... 9

使用されなくなった IMAGINE Foundation ................................................................................... 9

新しいライセンス ....................................................................................................................... 10

新しい技術 .......................................................................................................................................... 11

機械学習分類演算子 ................................................................................................................ 11

NNDiffuseパンシャープン処理演算子 ..................................................................................... 11

フィーチャー抽出演算子 ............................................................................................................ 12

Spatial Modelerの他の新しい演算子 ....................................................................................... 12

Analyze Radiance ................................................................................................ 12

Classify Using K-Means ....................................................................................... 13

Classify Using Deep Learning ............................................................................. 14

Classify Using Machine Learning ........................................................................ 14

Compute Axis Length .......................................................................................... 14

Compute Circularity ............................................................................................. 15

Compute Compactness ....................................................................................... 15

Compute Concavity ............................................................................................. 16

Compute Convexity ............................................................................................. 16

Compute Corner Count ........................................................................................ 16

Compute Eccentricity ........................................................................................... 17

Compute Horizontal Skewness ............................................................................ 17

Compute Orientation ........................................................................................... 17

Compute Orthogonality ........................................................................................ 17

Compute Primary Axis Skewness ........................................................................ 18

2018年 6月 1日 3

Compute Rectangularity ...................................................................................... 18

Compute Secondary Axis Skewness ................................................................... 18

Compute Vertical Skewness ................................................................................ 18

Convert ................................................................................................................ 19

Convert To Surface ............................................................................................. 19

Create Bounding Box .......................................................................................... 19

Create Centerline ................................................................................................ 20

Create Centerpoint .............................................................................................. 20

Create Centroid ................................................................................................... 20

Create ConvexHull .............................................................................................. 21

Create File Dataset Reference ............................................................................ 21

Create Fitted Bounding Box ................................................................................. 22

Create Oriented Bounding Box ............................................................................ 22

Create Skeleton ................................................................................................... 23

Data Information .................................................................................................. 23

Define Deep Learning 2D Convolution Layer ...................................................... 24

Define Deep Learning 2D Pooling Layer ............................................................. 24

Define Deep Learning Activation Layer ............................................................... 24

Define Deep Learning Dense Layer .................................................................... 25

Define Deep Learning Flatten Layer .................................................................... 25

Define Functional Attribute .................................................................................. 25

Define Processing Area ....................................................................................... 26

Eliminate Unwanted Areas .................................................................................. 26

Extract NITF Shapefile ......................................................................................... 27

Find Item .............................................................................................................. 27

Generic Atmospheric Correction .......................................................................... 27

Get AWS Landsat 8 Scenes ................................................................................ 28

Get Band IDs ....................................................................................................... 29

Get DRA Params ................................................................................................. 30

Get ECW Options ................................................................................................ 31

Get JFIF Options ................................................................................................. 32

Get JPEG 2000 Options ...................................................................................... 32

Get Multispectral DRA Params ............................................................................ 33

Get NITF 2.x Options ........................................................................................... 33

Get Preference Value .......................................................................................... 34

Get Raster Values By Percentage ....................................................................... 34

2018年 6月 1日 4

Get Referenced Dataset ...................................................................................... 35

Get SIPS Defaults ............................................................................................... 36

Generate Functional Attributes ............................................................................ 36

Initialize CART ..................................................................................................... 37

Initialize Deep Intellect ......................................................................................... 37

Initialize Inception ................................................................................................ 37

Initialize K-Nearest Neighbors ............................................................................. 38

Initialize Naive Bayes........................................................................................... 38

Initialize Random Forest ...................................................................................... 38

Initialize SVM ....................................................................................................... 39

Intersect Features ................................................................................................ 39

Kurtosis Texture Per Feature ............................................................................... 39

Machine Intellect Information ............................................................................... 40

Machine Intellect Input ......................................................................................... 40

Machine Intellect Output ...................................................................................... 41

Mask Features ..................................................................................................... 41

Merge Features ................................................................................................... 41

Mean Euclidian Distance Texture Per Feature .................................................... 41

Metadata Input ..................................................................................................... 42

Normalize Height ................................................................................................. 42

Orthogonalize Geometry ...................................................................................... 43

Pan Sharpen By NNDiffuse ................................................................................. 43

Range Stretch ...................................................................................................... 43

Raster Cache ....................................................................................................... 43

Raster Statistics Per Feature ............................................................................... 44

Read Sensor Metadata ........................................................................................ 44

REMOVE ATTRIBUTES ...................................................................................... 45

Rename Attributes ............................................................................................... 45

Select Attributes .................................................................................................. 46

Set Band Names ................................................................................................. 46

Set Primary Geometry ......................................................................................... 47

Simplify Geometry ............................................................................................... 47

Skew Texture Per Feature ................................................................................... 48

Split By Skeleton ................................................................................................. 49

Stack Count ......................................................................................................... 49

Tasseled Cap ...................................................................................................... 49

2018年 6月 1日 5

Update Statistics .................................................................................................. 50

Variance Texture Per Feature ............................................................................. 50

Spatial Modeler - 全般 ............................................................................................................ 51

許容値と他の入力制約 .......................................................................................... 51

Stack <統計>演算子............................................................................................. 52

Spatial Model Editorでの他の地理空間製品への投資の活用 ............................... 52

演算子としての空間モデル .................................................................................... 53

ERDAS IMAGINE - 全般 ........................................................................................................ 54

新しいインクワイアカーソルパネル ..................................................................... 54

Google Earth Proのライブリンク ........................................................................... 59

ゾーン変化検出での独自の変化アルゴリズムの使用 .............................................. 59

EPSGのサポート ................................................................................................. 60

GDA2020 ............................................................................................................. 60

事前定義されたズーム倍率 ................................................................................... 60

Batchのサブセット ................................................................................................ 62

Batchの Edit Image Metadata（画像コマンドツール） ........................................... 64

IMAGINE SAR Featureユーザーガイド .............................................................. 66

新しいセンサーと形式 ............................................................................................................... 66

Sentinel-2の更新 ................................................................................................. 66

Sentinel-2の「トゥルーカラー」バンドの組み合わせ ............................................... 66

USGSの Landsat 7および 8 ................................................................................ 67

BPF点群形式 ...................................................................................................... 67

Esri ASCII ラスターの直接読み取り ...................................................................... 67

Sensor Independent Complex Data（SICD） ......................................................... 67

マルチセグメント NITFの活用 ............................................................................... 67

NITFセグメントを開く ............................................................................................ 67

SIPS画像チェーン ................................................................................................ 68

セキュリティインジケーター ................................................................................... 68

Planetの画像 ....................................................................................................... 68

WorldView-4 ........................................................................................................ 68

外部ピラミッド ........................................................................................................ 68

その他の新しいセンサー ....................................................................................... 68

地理空間 PDF ......................................................................................................................... 69

2018年 6月 1日 6

IMAGINE SAR Interferometry ................................................................................................. 69

Sentinel-1 Swath時系列コヒーレンス変化検出（CCD） .......................................... 69

CCD多偏波解析 .................................................................................................. 69

インターフェロメトリックのコレジストレーションの改善 ............................................... 69

システム要件 ....................................................................................................................................... 70

ERDAS IMAGINE ................................................................................................................... 70

ERDAS IMAGINEのシステム要件に関する注意事項 ............................................................... 72

PRO600 .................................................................................................................................. 72

PRO600のシステム要件に関する注意事項 .............................................................................. 73

このリリースについて

2018年 6月 1日 7

このリリースについて本書では、IMAGINE Photogrammetry（旧 LPS Core）と ERDAS ER Mapperを含め、ERDAS IMAGINE 2018（v16.5）の機能強化について説明します。本書には製品リリース時点での最新の情報が反映されていますが、最新バージョンについては、

Hexagon Geospatial SupportのWebサイトを参照してください。

このリリースには、機能強化と修正の両方が含まれています。このリリースで ERDAS IMAGINE に対して行われた修正については、「解決された問題」を参照してください。

本書では製品の機能の概要だけを示し、詳細をすべて説明しているわけではありません。詳細については、ERDAS IMAGINEのオンラインヘルプとその他の付属ドキュメントを参照してください。

ERDAS IMAGINEの製品群 ERDAS IMAGINE®は、高度なリモートセンシング解析と空間モデリングを実行することで新しい情報を作成します。また、ERDAS IMAGINEでは、2D、3D、動画、地図製作並みの地図構成で結果を表示できます。ERDAS IMAGINE製品群の中心部分は、地理空間データの生成に対するユーザーのニーズに対応できるように設計されています。また、生産性を高め、機能

を拡張するための専門的な機能を提供するオプションモジュール（アドオン）も用意されています。

IMAGINE Essentials®は、地図作成ツールとシンプルなフィーチャー収集ツールを備えたエントリレベルの画像処理製品です。

IMAGINE Essentialsでは、シリアルバッチ処理が可能です。

IMAGINE Advantage®は、高度なスペクトル処理、画像登録、モザイク化と画像解析、変化検出などの機能を備えています。

IMAGINE Advantageでは、パラレルバッチ処理によって出力を高速化できます。

IMAGINE Professional®には、高度なスペクトル処理、ハイパースペクトル処理、レーダー処理、および空間モデリングのための製作ツールセットが用意されています。また、ERDAS ER Mapper も含まれています。

新しいプラットフォーム

64ビット画像のサイズが大きくなるにつれて（たとえば、JPEG 2000で圧縮しても、1つのSentinel-2画像のサイズが 8 GBを超えることがあります）、最新のコンピューターシステムによって提供されるリソース（特に、通常組み込まれている追加のメモリ）を最大限に利用できることがますます緊急の課題となっています。以前のバージョンの ERDAS IMAGINEでは、バックグラウンド処理（Spatial Modelerなど）と 64ビットで動作するアプリケーション（セミグローバルマッチングなど）の提供で大きな進歩を遂げました。しかし、リボンインターフェイス自体（ewkspace.exe）は、常に 32ビットアプリケーションとして起動されていました。64 ビットで実行されるのは、リボンから起動できるアプリケーションの中で、リボンから独立して動作できる一部のアプリケーションに限られていました。つまり、リボンに組み込まれているアプリケーション（2D Viewや Spatial Model Editorなど）も32ビットとして実行されるため、各アプリケーションが使用できるメモリは最大でも 4 GBに制限されていました。

リボンが 32 ビットのままだった主な理由の 1 つは、リボンから実行できる機能の中に、64 ビットを実行するように変更できない機能（特に、サードパーティライブラリに依存する機能）が含まれていたので、すべて 32 ビットで実行する必要があったためです。

ERDAS IMAGINE 2018 では、起動および使用することをユーザーが選択できる、ERDAS IMAGINE リボンインターフェイスの 2 つの異なるバージョンが提供されることになりました。


2018年 6月 1日 8

ERDAS IMAGINE 2018（64ビット）

ERDAS IMAGINE 2018（64ビット）を起動すると、これを優先モードとして使用するユーザーに多くの利点がもたらされます。中でも最も大きな利点は、2D Viewが 64ビット環境で動作するようになるため、32ビットアプリケーションに課せられた 4 GBの制限を超えてメモリを使用できるようになることです。これにより、「メモリ不足」エラーが発生する可能性が低減されます。

もう 1つの利点は、空間モデルが Spatial Model Editorインターフェイス内で実行されているときでも、大規模なデータセットをより効率的に処理できるようになることです。以前は、64 ビット実行を利用するには、モデルをバックグラウンドモードで実行する必要がありました。そのため、モデルの進行状況を監視し、問題が発生した場合にモデルを変更して対処することが困難

でした。現在は、モデルを Editor内で効率的に実行し、必要に応じてモデルに直接変更を加えることができます。

ERDAS IMAGINE 2018（32ビット）

強調すべき点は、ERDAS IMAGINE 2018のどちらのモードも、ERDAS IMAGINE 2016で提供されていた同じ 64ビット機能のメリットを引き続き得られることです。ユーザーが ERDAS IMAGINE 2018（32ビット）を起動することを選択した場合、リボンは 32 ビットで動作しますが、他のアプリケーションは 64 ビットで実行できます（バックグラウンドでの空間モデルの実行など）。そのため、「ERDAS IMAGINE 2018（32ビット）」と呼ばれていますが、ERDAS IMAGINE 2018（32ビット）をインストールして起動するには、64ビット版のWindows と 64ビット CPUが必要になります。

しかし、64 ビットバージョンを使用できる場合に、32 ビットモードでリボンを起動するのはなぜでしょうか。前述のように、リボンから実行される一部のごく限られた機能は、64 ビットで動作するように更新できないことに変わりはありません。そのため、ERDAS IMAGINE 2018（64 ビット）にはこれらの機能はありません。これらの機能を日常的に使用する必要がある場合、ERDAS IMAGINE 2016で提供されていたすべての機能をユーザーが引き続き使用できるように、ERDAS IMAGINE 2016（32ビット）が用意されています。ERDAS IMAGINE 2018（32ビット）でのみ使用できる機能は次のとおりです。

1. ラスター形式

a. ER Mapperアルゴリズム

b. GRID

c. GRID Stack

d. ORACLE Georaster

e. SDE Raster

f. NITF 1.1（NITF 2.0および 2.1は 64ビットで使用可能）

g. VisionMap .sup

2. ベクター形式

a. Arc Coverage

b. ArcGISジオデータベース

c. SDEベクターレイヤー

3. 3D View/VirtualGISのMultiGen OpenFlightモデル

4. TerraModeler TIN Terrain形式

5. VisionMap Sensorモデル

6. ERDAS IMAGINE と GeoMedia間のライブリンク接続

作業でこれらの機能を日常的に使用する場合は、ERDAS IMAGINE 2018（64ビット）ではなく、ERDAS IMAGINE 2018（32ビット）を実行することを検討してください。


2018年 6月 1日 9

新しいフィーチャー/ベクターデータ形式のサポート PostGIS データベース（PostgreSQL 9.4/PostGIS 2.2）からフィーチャーを読み込むことができるようになりました。フィーチャーには、PostGIS Feature Proxy（pfp）経由でアクセスします。

GeoCSV との間でのフィーチャーの読み取り/書き込みのサポートも追加されています。次の点に注意してください。

読み取りは、点フィーチャーとジオメトリのないフィーチャーでサポートされています。

書き込みは、すべてのフィーチャーデータでサポートされています。点フィーチャーデータの場合、ジオメトリ属性と非ジオメトリ属性の両方が CSV ファイルに書き出されますが、他のフィーチャータイプの場合は、非ジオメトリ属性だけが CSV ファイルに書き出されます。

Microsoft SQL Server 2014を使用して、GeoMedia フィーチャー（.sfp）を保存できます。

ArcGIS 10.5.1 ERDAS IMAGINE 2018は、ジオデータベースサポートライブラリを提供するために、ライセンス版の ArcGIS 10.1～10.5.1がインストールされた環境でテストされており、この環境を使用している場合にサポート対象となることが発表されました。また、

IMAGINE Geodatabase Support コンポーネント（ArcGIS Engine 10.5 ベース）をインストールして、ジオデータベースをサポートすることもできます。

使用されなくなった IMAGINE Foundation ERDAS IMAGINE では、前提条件として IMAGINE Foundation をインストールする必要はなくなりました。IMAGINE Foundationのすべての機能が ERDAS IMAGINEインストーラー内に統合されました。


2018年 6月 1日 10

新しいライセンス Power Portfolio 2018 リリースでは、ライセンスは証明書ファイルベースの技術に基づかなくなります。代わりに、ライセンスはアクティベーション ID に基づくため、お客様はホスト ID や他のハードウェア関連のパラメーターを指定しなくても製品をアクティブ化できます。

また、ライセンスチームに電子メールで支援を求めなくても再ホストできるようになります。

Power Portfolio 2018 リリースには、ライセンスのインストール、ライセンスサーバーのセットアップ、より専門的なエラー処理を容易にするために改善されたツールも含まれます。

最後に、Power Portfolio 2018リリースでは、スタートアップ画面の「登録の終了」メッセージなど、製品内でのお客様への通知が改善されます。

これらの安全性の高い自動プロセスと新しいライセンスポータルによって顧客体験が向上します。

新しい技術

2018年 6月 1日 11

新しい技術

機械学習分類演算子機械学習は、明示的にプログラムせずにコンピューターを動作させる科学です。別の言い方をすれば、コンピューターがデータ

から学習するようにプログラムされるプログラミングの方法です。

機械学習アルゴリズムは以下に適しています。

• 既存の解決策では多数の手動調整や規則が必要になる問題：多くの場合、1 つの機械学習アルゴリズムにより、コードを簡素化してパフォーマンスを向上させることができます。

• 従来のアプローチを行っても優れた解決策が全くない複雑な問題：最適な機械学習技術によって解決策を見つける

ことができます。 • 変動する環境：機械学習システムは新しいデータに適応することができます。 • データマイニング：複雑な問題や大量のデータに関する知見が得られます。

地理空間現象は非線形であり、空間的および時間的に変動し、地理空間解析における課題を生み出すマルチスケールの変

動性を持ちます。超小型衛星からUAVまで、センサーの急増によってデータ量が大幅に増加しました。地理空間現象の複雑さと大量のデータには、機械学習手法を使った地理空間解析が適していました。

Hexagon Geospatialは、Spatial Modelerに機械学習アルゴリズムベースの分類演算子を導入しました。これらの演算子を使用して、教師ありおよび教師なしのラスター/ベクター分類を実行できます。教師あり分類演算子には、トレーニングデータと、分類を実行する際に使用するトレーニングデータの属性が必要です。教師なし分類演算子には、データをクラスタに分類する際に使用するデータの属性だけが必要です。

深層学習アルゴリズムに基づく分類演算子の別のセットも導入されています。これらは、ディープニューラルネットワークを使用して、分類を実行する際に使用する必要があるデータの属性を決定する機械学習アルゴリズムの一種です。

Inception に基づく分類演算子も導入されています。Inceptionは、Googleが導入した受賞歴のある深層学習分類アルゴリズムです。この演算子は、ユーザーのデータを使用して分類を実行するために再トレーニングすることができます。

NNDiffuseパンシャープン処理演算子もともと、ロチェスター工科大学のサン、チェン、メッシンガーが開発した近傍拡散ベースの（NNDiffuse）アルゴリズムは、最先端のパンシャープン技術です。このアルゴリズムが演算子として使用できるようになりました。これにより、高分解能マルチスペクトルデータから情報を抽出できる空間モデルを構築できます。

次の例では、右側に示す NNDiffuse でシャープン処理された画像は、左側に示す分解能の低い入力マルチスペクトル画像のスペクトル忠実度を維持しながら、空間分解能を 4倍（2 mピクセルから 0.5 mピクセル）に高めています。

新しい技術

2018年 6月 1日 12

フィーチャー抽出演算子 Hexagon Geospatial では、IMAGINE Objective の機能を強力な Spatial Modeler に移植しつつあります。IMAGINE Objectiveのいくつかの機能（分類器、ラスターキュー、ベクターキュー、ベクタークリーンアップ演算子など）が演算子として使用できるようになりました。これらを使用して、フィーチャー抽出ワークフローを構築できます。Spatial Modelerの拡張性を利用して、特定のアプリケーションに合わせて独自の分類器やキューを作成し、使用することもできます。

Spatial Modelerの他の新しい演算子 Hexagon Geospatialでは、Spatial Modelerに新しい演算子を追加し続けています。このセクションでは、新しい（または変更された）演算子を示し、その機能について簡単に説明します。各演算子の詳細については、ERDAS IMAGINE 2018のヘルプを参照してください。また、これらの機能の多くを使用した空間モデルの例については、Hexagon Geospatial Community の「Spatial Recipes」ページを参照してください。

Analyze Radiance

日付と時刻を指定すると、この演算子は局所勾配とアスペクトを使用し、直接ビームの照射を遮る光可視領域を含めるかどう

かに関わらず、日射（太陽/月の入射放射照度）または地球放射（既知の主要な反射率係数を使用した地表面からの反射放射輝度）を計算して、標高ピクセルごとに放射輝度の単位（1平方メートル当たりのワット数）で出力を提供します。

新しい技術

2018年 6月 1日 13

日射は、大気放射と地面放射による放射エネルギー伝達の中位の忠実度モデルを使用して計算されます。アルゴリズムでは、

光屈折と光散乱（レイリーおよびミー）の両方について、（平均 DEM 標高の標準圧力に基づいて）大気が考慮されます。また、地面を地球放射の二次光源と見なすため、（局所法線によって定義された）地表に入射する全エネルギーは、直接ビーム放射

照度、拡散放射（天空光）、地面アルベド（近接地形による非水平面の照射）の 3つの部分から成ります。

このアルゴリズムでは、標高グリッドのフットプリントが一定の限度を超えたときに、地球の曲率に対して効率的な多項式モデ

ルを使用するため、非常に広大な地理的領域に対してリアルな照明を生成できます。

次の左の画像は LiDARデータセットから計算された日射を示し、右の画像は同じデータセットと同じ時刻パラメーターから導出された影付きの日射を示しています。

Classify Using K-Means

K 平均法とは、データ点とそれに対応するクラス重心間の距離の平方和を最小化して、データを指定された数のクラスに分類する教師なし機械学習アルゴリズムです。

新しい技術

2018年 6月 1日 14

Classify Using Deep Learning

入力フィーチャーのジオメトリによって定義されたラスターゾーンを分類します。分類は、MachineIntellectポートで指定されたトレーニング済み機械知性を使って実行されます。結果は、出力フィーチャーストリームに属性として追加されます。

Classify Using Machine Learning

MachineIntellectポートで指定されたトレーニング済み分類器を使用して入力データの分類を実行します。

Compute Axis Length

この演算子は、フィーチャーのプライマリジオメトリの主軸と副軸の長さを計算します。また、2つの軸の比率も計算されます。

新しい技術

2018年 6月 1日 15

主軸と副軸の長さは、プライマリジオメトリフィールドの水平座標系の単位で表されます（2D 測定）。主軸と副軸の計算の詳細については、「Compute Primary Axis Skewness」を参照してください。

Compute Circularity

この演算子は、ジオメトリが真円にどれくらい近いかを測定します。真円度は次のように計算されます。

• ジオメトリのすべての点の座標を平均して中心点が算出されます。

• ジオメトリ上の各点から中心点までの距離が計算されます。

• 距離の標準偏差が計算されます。

• 1.0から標準偏差が減算されます。結果が 0より小さい場合は、0.0に設定されます。

したがって、値 1は値が 0.1のジオメトリよりも円形に近いジオメトリを表します。

Compute Compactness

この演算子はフィーチャーのコンパクト性を測定します。コンパクト性は、フィーチャーの外周に対する、面積がフィーチャーの

面積と等しい円の外周の比と定義されています。値の範囲は 0～1です。円形ジオメトリの場合、値は 1になります。

新しい技術

2018年 6月 1日 16

Compute Concavity

入力プライマリジオメトリの凹面度を計算します。

凹面は次のように計算されます。

値の範囲は 0～1 です。凹面のないジオメトリの場合、値は 0 になります。凹状のジオメトリは、常に少なくとも 1 つの内優角（180度を超え、360度未満の角）を持ちます。

Compute Convexity

この演算子はジオメトリの凸面度を測定します。凸性は、ジオメトリの外周に対するジオメトリの凸包外周の比と定義されてい

ます。値の範囲は 0～1です。凹面のないジオメトリの場合、値は 1になります。

Compute Corner Count

この演算子は、フィーチャーストリームのプライマリジオメトリの角の数をカウントします。

角は、角度（θ）が指定されたMinAngleからMaxAngleまでの範囲内にある頂点と定義されています。内角と外角の絶対値のうち、小さい方の値を使用して、角が指定された制約の範囲内にあるかどうかが判断されます。この演算子は、角度が θ ∈ [79°,101°]の角（ほぼ直交している角）をデフォルトで探します。

新しい技術

2018年 6月 1日 17

Compute Eccentricity

この演算子は、ジオメトリが正方形からどの程度逸脱しているかを測定します。偏心率は、副軸の長さに対する主軸の長さの

比と定義されています。

Compute Horizontal Skewness

水平歪度は、オブジェクトの水平方向の非対称度（つまり、垂直軸に対する非対称度）を測定します。これはオブジェクトの頂

点に基づいて計算されます。

歪度は、平均値周りの 3次積率と標準偏差の 3乗の比で計算されます。

Compute Orientation

ジオメトリの主軸と垂直軸の間の角度を計算します。

このメトリックは、フィーチャーの主軸と垂直軸（北）の間の角度を計算し、オブジェクトが垂直軸に対してどのように配置され

ているかを示します。向きの値の範囲は 0～180度で、垂直軸のゼロ（北）から始まり、時計回りに増加します。

Compute Orthogonality

この演算子は、ジオメトリが直交フィーチャー（すべての角が直角のフィーチャー）にどの程度似ているかを測定します。

新しい技術

2018年 6月 1日 18

Compute Primary Axis Skewness

このメトリックは、オブジェクトが主軸に対して（つまり、副軸を中心として）どの程度傾いているかを測定します。主軸に対して

対称であるオブジェクトの最小値は 0 です。正の値はオブジェクトが正の主軸方向に傾いていることを示し、負の値はオブジェクトが負の主軸方向に傾いていることを示します。

Compute Rectangularity

この演算子は、ジオメトリが矩形にどのくらい近いかを測定します。矩形度は、向きが指定された外接矩形の面積に対するオ

ブジェクトの面積の比と定義されています。値の範囲は 0～1です。矩形ジオメトリの場合、値は 1になります。

Compute Secondary Axis Skewness

このメトリックは、オブジェクトが副軸の方向に（つまり、主軸を中心として）どの程度傾いているかを測定します。主軸に対して

対称であるオブジェクトの最小値は 0 です。正の値はオブジェクトが正の副軸方向に傾いていることを示し、負の値はオブジェクトが負の副軸方向に傾いていることを示します。

Compute Vertical Skewness

垂直歪度は、オブジェクトの垂直方向の非対称度（つまり、オブジェクトの水平軸に対する非対称度）を測定します。正の歪度

はオブジェクトの上面までのテールの方が長いことを示し、負の歪度は下面までのテールの方が長いことを示します。ゼロ値

は、オブジェクトが垂直方向に対称であることを意味します。

新しい技術

2018年 6月 1日 19

Convert

Convert演算子が拡張され、Listデータ型から Tableデータ型への変換がサポートされるようになりました（Listに適切なデータが含まれていることが前提となります）。これは、List として生成される Iterator からの出力を処理する場合に特に役立ちます。

Convert To Surface

指定された出力範囲または暗黙の出力範囲で、TINを使用した補間によってラスターサーフェスを作成します。TINの凸包の外部の領域は NODATAになります。凸包内の領域には穴は含まれません。

Create Bounding Box

入力フィーチャーのプライマリジオメトリの座標系軸に平行な境界ボックスを作成します。このジオメトリがプライマリジオメトリとして追加され、元のジオメトリは出力フィーチャーに保持されます。

新しい技術

2018年 6月 1日 20

Create Centerline

この演算子は、入力フィーチャーのプライマリジオメトリから 1つの中心線を作成します。この中心線がプライマリジオメトリとして追加され、元のジオメトリは出力フィーチャーに保持されます。

Create Centerpoint

Create Centerpoint 演算子は、ジオメトリ内に中心点を作成します。中心点は、ジオメトリの内部にあることが保証されているという点で重心とは異なります。ただし、中心点の正しい位置は 1 つではありません。真の重心（質量中心）が必要な場合は、Create Centroid演算子を使用します。

Create Centroid

Create Centroid 演算子は、ジオメトリの重心（質量中心）に点を作成します。凸領域ジオメトリの重心は常に領域境界内にあります。非凸ジオメトリは、その外側に重心がある場合があります（たとえば、輪の重心は領域の穴の中にあります）。

新しい技術

2018年 6月 1日 21

Create ConvexHull

この演算子は、凹領域に隣接する2つの頂点を結ぶことによって、ジオメトリのすべての凹領域を削除します。このジオメトリがプライマリジオメトリとして追加され、元のジオメトリは出力フィーチャーに保持されます。

Create File Dataset Reference

ファイル名または URI 入力を指定して、ラスター画像へのアクセスに使用できるファイル名を出力します。複数の画像を含むデータセットを操作する場合、これはサブ画像へのファイル参照を取得する便利な方法です。

DatasetReference がサブ画像を参照する URI の場合、<FullDatasetFilename>_<ImageName>.sbi (例えば c:¥work¥some.ntf 内の Image1 は c:¥work¥some.ntf_Image1.sbi のように作成されます) というスキームに従って、データセットと同じディレクトリに.sbi プロキシファイルが作成されます。.sbi ファイルがすでに存在する場合、指定された参照先サブ画像を参照している場合は再利用され、参照していない場合は上書きされます。プロキシファイルが作成または上書きされた場合、CreatedProxyFileの出力は trueに設定されます（ただし、既存のプロキシファイルが変更されずに再利用された場合は設定されません）。

DatasetReference がファイル名またはデータセット内のプライマリ画像を参照する URI の場合は、データセットのファイル名が返されます。

許容される URIは、Get Subimage IDs演算子によって生成されます。

たとえば、次のモデルは、Sentinel 2データセットの 3番目のサブ画像のプロキシファイルを作成する方法を示しています。

新しい技術

2018年 6月 1日 22

Create Fitted Bounding Box

この演算子は、入力フィーチャーのプライマリジオメトリがぴったり収まる境界ボックスを作成します。このジオメトリがプライマリジオメトリとして追加され、元のフィールドはすべて出力フィーチャーに保持されます。

境界ボックスは、入力フィーチャーのプライマリジオメトリの凸包ジオメトリを生成し、凸包が収まる最小面積の矩形を見つけることによって決定されます。

Create Oriented Bounding Box

この演算子は、プライマリジオメトリと同じ主軸および副軸を持つように、入力フィーチャーのプライマリジオメトリの向きが指定された境界ボックスを作成します。この境界ボックスジオメトリがプライマリジオメトリとして追加され、元のジオメトリは出力フィーチャーに保持されます。

新しい技術

2018年 6月 1日 23

Create Skeleton

この演算子はフィーチャーからスケルトンを作成します。スケルトンとは、多角形形状の中心線に近似する、その形状のポリラ

イン表現です。触手のような形状の境界線を持つ多角形の場合、スケルトンは、ポリラインで表された形状の触手のような形

状の各部分を含むポリラインの集まりになります。

Data Information

データストリームに関する基本情報を提供します。

新しい技術

2018年 6月 1日 24

Define Deep Learning 2D Convolution Layer

機械知性を生み出すために Initialize Deep Intellect演算子の入力として使用できる、深層学習の畳み込み層を定義します。

畳み込み層では、入力画像に空間フィルターを適用して、エッジ、曲線、色などの顕著なフィーチャーを識別し、フィーチャーマップを作成します。フィーチャーマップとは、フィルターが入力画像内で識別するように設計されたフィーチャーの有無を示す画像です。

Define Deep Learning 2D Pooling Layer

機械知性を生み出すために Initialize Deep Intellect演算子の入力として使用できる、深層学習のプーリング層を定義します。

プーリングでは、フィーチャーマップ内の最も重要な情報を保持しながら、マップのサイズをダウンサンプリングします。これは、フィーチャーマップ上でフィルターを移動し、フィルターによって定義された領域内の代表値を取得することによって行われます。

Define Deep Learning Activation Layer

機械知性を生み出すために Initialize Deep Intellect演算子の入力として使用できる、深層学習の活性化層を定義します。

活性化層では、ネットワークに非線形性を導入します。ネットワークが複雑な関係を理解してモデル化できるように、非線形性

が導入されます。

新しい技術

2018年 6月 1日 25

Define Deep Learning Dense Layer

機械知性を生み出すために Initialize Deep Learning演算子の入力として使用できる、深層学習の高密度層を定義します。

高密度層のノードは完全に接続されています。つまり、高密度層のすべてのノードが前の層のすべてのノードに接続されて

いるということです。

Define Deep Learning Flatten Layer

機械知性を生み出すために Initialize Deep Learning演算子の入力として使用できる、深層学習の平坦化層を定義します。

平坦化層では、複数のフィーチャーマップを配列として配置します。

Define Functional Attribute

Define Functional Attribute演算子は、フィールド名と式を入力として受け取り、FunctionalAttributeデータ型を出力として生成します。関数属性は、Generate Functional Attributes演算子と、関数属性を使用する他の演算子に入力できます。

新しい技術

2018年 6月 1日 26

Define Processing Area

Define Processing Area演算子が拡張され、単位の有効な入力オプションとして「dd」（10進度）が認識されるようになりました。これまでは「度」が認識されていたため、文字列「dd」を出力する Cell Units演算子から自動的に値を得ることが困難でした。

Eliminate Unwanted Areas

この演算子は、指定されたしきい値に従って、フィーチャー内のジオメトリコレクションから穴や島を削除します。主要/最大領域は、しきい値に関係なく常に保持されます（領域内の穴は考慮されません）。

新しい技術

2018年 6月 1日 27

Extract NITF Shapefile

指定されたシェープファイル（存在する場合）を抽出します。通常、ShapeToExtract は、検索するシェープファイルの種類を示す文字列です（「IMAGE_SHAPE」、「CLOUD_SHAPES」、または「CLOUD_SHAPES_LineSample」（CSSHPA DES フィールドの標準値に対応））。ShapeToExtractは、シェープファイルを含む DESの数値インデックス（1ベース）に設定することもできます。

存在しないか、シェープファイルが含まれていない DES セグメントインデックスを指定するとエラーが発生します。.ntf に存在しないシェープファイルの種類（「IMAGE_SHAPE」）を指定した場合、出力は生成されませんが（ShapeFilenameOut が null）、エラーは発生しません。

Find Item

この演算子は、特定の項目をリストの内容と比較し、該当するすべての項目のインデックスを返します。比較項目の種類がリ

スト内の要素の種類と一致する必要があります。一致するものが見つからない場合は、空のリストが返されます。

Generic Atmospheric Correction

Rapid Atmospheric Correction空間演算子に実装されたアルゴリズムを基盤として、Coastal Blueから NIR2までの波長の少なくとも 4つのバンドを持つ 16ビット画像を、画像ヘッダーから抽出できるパラメーターに基づいて、地表反射率に大気補正できる新しい空間演算子が追加されました。地表反射率への補正には、シーン間の変動を正規化することによって、変化検出、

標準化された分類などのタスクや他のフィーチャー抽出タスクがさらに簡単になるという利点があります。

次の例は、Landsat 8のシーンを補正する方法を示しています。

新しい技術

2018年 6月 1日 28

Get AWS Landsat 8 Scenes

パブリック AWS S3 バケット（https://aws.amazon.com/public-datasets/landsat/）から、特定の入力パラメーターに対応するLandsat 8 の関連シーンをダウンロードします。SaveToDirectory は、シーンのダウンロードディレクトリを指定します。そのディレクトリ内の以前にダウンロードされたシーンが再利用されます（存在するシーンディレクトリには、Landsat 8の使用可能なシーンデータが含まれていると見なされます）。RegionOfInterestを網羅する十分なシーンがダウンロードまたは再利用されます。QueryMethod と CollectionModeFilterは、検討すべきシーンをさらに指定します。

この演算子は、Hexagon Geospatialが所有または管理していない外部サービスを利用することに注意してください。バケットはAmazon Web Services, Inc.によって提供され、データは USGSによって提供されます。サービスが中止されたり、サイトが移動したりした場合、演算子が機能しなくなる可能性があります。この演算子を使用する前に、上記のアドレスのWebページを確認することを強くお勧めします。

次の例では、ダウンロードされたデータ（個々の TIFF ファイル（Landsat 8 のシーンのバンドごとに 1 つ）で構成）が、7 バンドのマルチスペクトル画像として選択的にスタックされます。Boundary Inputを使用して、ダウンロードするシーンが定義されます。Get AWS Landsat 8演算子は、ダウンロードされたディレクトリのリストを出力します。Nth Item演算子を使用して、このリストの最初（0番目）の項目が抽出されます。Multi Filename Input演算子を使用して対象のディレクトリがスキャンされ、検索条件（LC8*_B?.tif）に一致するファイルのファイル名のリストが作成されます。この条件には、マルチスペクトル画像スタックに含めないバンド 8（高分解能 Pan）と 9（Cirrus）が含まれます。そのため、Remove Items を使用して、ファイル名のリストから 2 つのエントリを削除します。間引かれたファイル名のリストは、ファイル名のリストがラスターのリストに変換されるようにRaster Input演算子を単にラップする Iteratorに渡されます。また、Iteratorは各入力ファイル名を分解し、それらを文字列のリストに変えます。このリストは、後でモデルの Set Band Names演算子で使用されます。ラスターのリストが Stack Layers演算子に渡され、単一の 7バンドラスターが作成されます。通常、Landsat 8では DN 0を使用して NoDataを示すので、Set to NoData演算子を使用してそのように設定されます。その後、Set Band Namesによって、入力ファイル名から派生した適切なバンド名が各バンドに割り当てられます（これにより、元のバンド/波長情報が保持されます）。最後に、Raster Output によって、7バンドのMSI画像ファイルがディスク上に作成されます。

新しい技術

2018年 6月 1日 29

Iterator 2サブモデルを次に示します。

Get Band IDs

指定されたデータセット参照からバンド識別子を取得します。Raster Input演算子にファイル名ではなくバンド識別子を指定すると、指定されたバンドだけが開かれます。これにより、多数のバンドを持つラスターの 1 つのバンドで迅速な計算を実行する空間モデルでパフォーマンスを大幅に向上させることができます。

バンド IDは、次のような URI文字列です。 tag:intergraph.com,2013:DatasetNode?ds=file:///c:/data/lanier.img&node=%253ALayer_1

次に示す空間モデルでは、Get Band IDs演算子を使用して、他のラスターバンドを開かずに、1つのラスターバンドの統計を計算します。

新しい技術

2018年 6月 1日 30

Get DRA Params

これは、使用されなくなった同じ名前の演算子に代わる新しい演算子です。

Get DRA Params演算子を使用して、DRA Stretch演算子で使用する必要な入力値を取得します。ダイナミックレンジ調整（DRA）は、未加工の画像データをセンサーのダイナミックレンジから明確に定義されたメトリックのダイナミックレンジにマッピングして色調処理を実行する際に使用する手法です。マッピングが完了したら、標準化された補正処理を適用できます。

DRA アルゴリズムは、色調範囲のあらゆる部分から最大限の情報を取得できるように、画像のダイナミックレンジの調整と最適化を可能にします。このアルゴリズムでは、目的の範囲外の情報は削除されます。

入力画像の統計を計算し、デフォルトの DRAパラメーターを決定して、それらの DRAパラメーターを使用してストレッチを適用することを目的とした大規模なモデルでこの演算子を使用する方法の例を次に示します。

新しい技術

2018年 6月 1日 31

Get ECW Options

Enhanced Compressed Wavelet（ECW）形式の形式固有の出力オプションディクショナリを作成します。

この演算子を使用して、入力ラスターを ECWに変換する方法の例を次に示します。

この演算子を他の Get Options演算子と共に使用して、指定された出力ファイル名の拡張子に応じて、入力ラスターをサポートされているラスター形式に変換できるモデルを作成する方法の例を次に示します。

新しい技術

2018年 6月 1日 32

Get JFIF Options

JPEG ファイル交換形式（JFIF）の形式固有の出力オプションディクショナリを作成します。

Get JPEG 2000 Options

JPEG 2000形式の形式固有の出力オプションディクショナリを作成します。

新しい技術

2018年 6月 1日 33

Get Multispectral DRA Params

DRA Stretch演算子のカラー保持パラメーターを計算します。シングルバンド画像では、Get DRA Params演算子を使用します。ストレッチと表示を目的として、3つ以上の画像バンドにデータを供給しても、結果が意味のないものになる可能性があるため注意が必要です。

このモデルは、マルチスペクトル画像のカラー保持 DRA ストレッチを実行する方法を示しています。Raster Input では、メタデータの読み取りが有効になっています（ReadMetadata=true）。これにより、NITF画像の 1ピクセル当たりのビット数の決定の精度が向上します。Statistics演算子は、ラスター統計に加え、Dark Point と Bright Point（通常、これらのポートは非表示になっています）を提供します。PMinIn と PMaxInは、それぞれ 0.1 と 0.95に設定されています。実行時に簡単に調整できるように、これらをモデル入力にすることができます（特定の画像の PMin と PMax の適切なデフォルト値を見つけるには、PMinInと PMaxInの入力値を設定せずにGet Multispectral DRA Paramsを実行し、PMinOutと PMaxOutの結果の値を使用します）。

Get NITF 2.x Options

National Imagery Transmission Format（NITF）の形式固有の出力オプションディクショナリを作成します。

モデルでのこの演算子の使用例については、「Get ECW Options」を参照してください。

新しい技術

2018年 6月 1日 34

Get Preference Value

基本設定データベースから値を取得します。結果は String、Bool、Double、または Color です。指定された基本設定が存在しない場合は、エラーが発生します。

有効な基本設定は、$IMAGINE_HOME/defaultsにある拡張子が.pdfのテキストファイルで定義されています。これらのファイルは変更しないでください。

Category ポートでは、基本設定のカテゴリを指定します。これは、$IMAGINE_HOME/defaults にあるファイル名（.pdf 拡張子を除いたもの）に対応します（例：「rasterprocess」、「spatial_modeler」）。

Name ポートでは、カテゴリ内の基本設定名を指定します。pdf 基本設定ファイルのいずれかをテキストエディターで開くことで基本設定名を確認できます。

ERDAS IMAGINEの特定の基本設定のカテゴリと名前を簡単に見つけるには、Preference Editor（File/Preferences）でその基本設定を探し、値を変更して保存します。これにより、 $PERSONAL/v8preferenceの category.name : valueという形式のテキストファイルに行が追加されます。

Get Raster Values By Percentage

各バンドの要求されたピクセルの割合以上の最小ピクセル値を返します（ヒストグラムビニングの制限に従います）。

Statistics から、各バンドの累積画像ヒストグラムが計算されます。Values は、Percentage に対応する各バンドのビンの下限値が含まれたテーブルであり、ゼロカウントのビンを最初にスキップします。

次に示すモデルでは、すべてのバンドで輝度の上位 0.1%に含まれるピクセルの平均値を同時に計算します。（限定的な画像境界がある場合はそれを使用して）ラスターの統計値が計算され、Full Stats 出力が Get Raster Values By Percentage に接続されます。値が 0.1%のピクセルを持つバンド数であるシングルバンド画像が生成され（Gt、Integer、Stack Total）、入力画像は他のすべてのピクセルで NoDataに設定されます（Ge、Set To NoData、Either/Or）。最後に、大部分が NoDataの画像で統計がもう一度計算され（Statistics 2）、非 NoDataピクセル（すべてのバンドで同時に明るいピクセル）の Mean（平均値）が BrightMean出力ポートに接続されます。

新しい技術

2018年 6月 1日 35

Get Referenced Dataset

ラスターデータセットが指定された種類のプロキシファイルかどうかを確認します。そうであれば、プロキシによって参照されるファイル名を出力します。それ以外の場合は、元のファイル名を出力します。

次の空間モデルは、Get Referenced Dataset を使用して、RSETの作成時に参照される基礎となるデータセットを決定する方法を示しています。サブバンド画像プロキシファイル（.sbi）は、マルチ画像データセットのサブ画像にアクセスするために一般的に使用されます。許可された唯一のプロキシタイプとして sbi が指定された Get Referenced Dataset を使用して、.sbi ファイルが指定されている場合は基礎となるマルチ画像ファイルを取得し、それ以外の場合はユーザーが指定したファイルを取得します。

新しい技術

2018年 6月 1日 36

Get SIPS Defaults

特定のメタデータに基づいて SIPSのデフォルト値を返します。

Generate Functional Attributes

Generate Functional Attributes演算子は、Featuresデータ型を入力として受け取り、Featuresデータ型を出力として生成します。出力フィーチャーのスキーマには、式から計算された値を持つ 1 つ以上の追加属性が含まれている場合があります。これらは計算されているため、関数属性と呼ばれます。

新しい技術

2018年 6月 1日 37

Initialize CART

Classify Using Machine Intellect 演算子を使用してデータを分類する際の入力として使用される CART 分類器を定義し、トレーニングします。

CART（Classification and Regression Tree）は、決定木ベースの教師あり分類アルゴリズムです。

Initialize Deep Intellect

Classify Using Deep Learning演算子や Classify Images Using Deep Learning演算子を使用した画像の分類に使用できる機械知性を生み出すためのディープニューラルネットワークを定義し、トレーニングします。

Initialize Inception

新しいトレーニング画像に基づいて、トレーニング済み Inceptionモデルを再トレーニングします。Inceptionは、Googleが開発した 22層の畳み込みディープニューラルネットワークです。

新しい技術

2018年 6月 1日 38

Initialize K-Nearest Neighbors

Classify Using Machine Intellect 演算子を使用してデータを分類する際の入力として使用される K 近傍分類器を定義し、トレーニングします。

K近傍分類器は、インスタンスベースのノンパラメトリック学習分類器の一種です。K近傍の重み付き多数決による分類を実行します。

Initialize Naive Bayes

Classify Using Machine Intellect演算子を使用してデータを分類する際の入力として使用される単純ベイズ分類器を定義し、トレーニングします。

単純ベイズ分類器は、ベイズの定理に基づく単純な確率的分類器の一種です。

Initialize Random Forest

Classify Using Machine Intellect演算子を使用してデータを分類する際の入力として使用されるランダムフォレスト分類器を定義し、トレーニングします。

ランダムフォレストは決定木群であり、最も一般的な機械学習アルゴリズムの 1つです。

新しい技術

2018年 6月 1日 39

Initialize SVM

Classify Using Machine Intellect 演算子を使用してデータを分類する際の入力として使用されるサポートベクターマシン（SVM）分類器を定義し、トレーニングします。

サポートベクターマシン（SVM）は、クラスを分離する最適な超平面を見つけることによって分類を実行する教師あり機械学習アルゴリズムです。

Intersect Features

この演算子は、2 つのフィーチャーセットからトポロジを作成し、特定の空間関係に基づいてその 2 つのセットのトポロジの交差を計算します。

Kurtosis Texture Per Feature

この演算子は、フィーチャー内の入力ラスターのピクセルにKurtosis Texture演算子を適用し、尖度テクスチャ値の平均、中央値、および標準偏差を計算します。計算された統計値は、フィーチャーストリームに属性として追加されます。

フィーチャーのテクスチャを計算するときに、フィーチャー内のピクセルだけが考慮されます。移動する隣接ウィンドウの一

部のセルがフィーチャーの外部にある場合、フィーチャーの境界付近のテクスチャを計算するときと同様に、これらのセル

は計算時にNoDataセルとして扱われます。これにより、フィーチャー内のピクセルが、隣接するフィーチャーのテクスチャに影響を与えないようにすることができます。

新しい技術

2018年 6月 1日 40

Machine Intellect Information

機械知性に関する基本情報を提供します。

Machine Intellect Input

機械知性データを読み取ります。

新しい技術

2018年 6月 1日 41

Machine Intellect Output

機械知性データをファイルに保存します。

Mask Features

この演算子は、2つのフィーチャーセットからトポロジを作成し、Maskポートからジオメトリを減算することによって FeaturesInポートのジオメトリをマスクします。

Merge Features

この演算子は、属性一致や空間関係に基づいてフィーチャーのグループを結合し、関数属性を使用してグループのデータを要

約します。これは、まず入力フィーチャーをグループ化し、次にそれらのグループから出力フィーチャーを作成するという 2段階の操作です。

Mean Euclidian Distance Texture Per Feature

この演算子は、フィーチャー内の入力ラスターのピクセルにMean Euclidean Distance Texture演算子を適用し、平均ユークリッド距離テクスチャ値の平均、中央値、および標準偏差を計算します。計算された統計値は、フィーチャーストリームに属性として追加されます。

フィーチャーのテクスチャを計算するときに、フィーチャー内のピクセルだけが考慮されます。移動する隣接ウィンドウの一部の

セルがフィーチャーの外部にある場合、フィーチャーの境界付近のテクスチャを計算するときと同様に、これらのセルは計算時

新しい技術

2018年 6月 1日 42

に NoData セルとして扱われます。これにより、フィーチャー内のピクセルが、隣接するフィーチャーのテクスチャに影響を与えないようにすることができます。

出力フィーチャーストリームの属性名は、計算される統計のAttributeNamePrefix、AttributeBasename、およびラスターのバンド数に基づいて作成されます。作成された属性名が既存のフィールドの名前と一致し、フィールドタイプが適切であれば、既存のフィールドが上書きされます。それ以外の場合、操作は失敗します。

Metadata Input

MetadataInput演算子は、Rasterからメタデータを読み取ります。出力は Dictionaryオブジェクトです。

Normalize Height

この演算子は、選択した点の地面からの高さを計算し、点の Z値を計算値に置き換えます。

たとえば、次のモデルでは、送電線を侵害している可能性のある背の高い植生を特定します。

新しい技術

2018年 6月 1日 43

Orthogonalize Geometry

この演算子は、入力フィーチャーのプライマリジオメトリの直交ジオメトリを作成します。このジオメトリがプライマリジオメトリとして追加され、元のジオメトリは出力フィーチャーに保持されます。このプロセスでは、緻密化および単純化操作は適用され

ません。演算子はジオメトリの既存の頂点を使用します。

アルゴリズムでは、セグメントの長さと向きが解析され、入力多角形に最適な直交多角形が算出されます。直交性係数は、直

交多角形の作成の詳細度を決定する際に使用される相対的な用語です。この数値が大きいほど、作成される直角の角が少

なくなります。

Pan Sharpen By NNDiffuse

前述の「NNDiffuseパンシャープン処理演算子」を参照してください。

Range Stretch

開始値から終了値までの間の入力ラスターを、0～255（8ビット）に直線的にストレッチします。

Raster Cache

これは、使用されなくなった同じ名前の演算子に代わる新しい演算子です。

異なるピラミッドレベルで要求されたラスター平面のブロックをキャッシュします。ダウンストリームの演算子は、二重の I/Oオーバーヘッドを発生させずに、より小さなブロックサイズを使用することが可能になります。

新しい技術

2018年 6月 1日 44

Raster Statistics Per Feature

この演算子は、フィーチャー内の入力ラスターのピクセルの統計を計算します。計算された統計値は、フィーチャーストリームに属性として追加されます。デフォルトでは、平均が計算されます。他の統計値（標準偏差、最小値、最大値など）を計算する

には、該当するポートを有効にします。

これは、機械学習モデルのための情報を作成する際に特に役立つ演算子です。

Read Sensor Metadata

ラスターデータセットに関連付けられた、ベンダーが提供するメタデータファイルを読み取ります。メタデータファイルが見つかると、そのすべての内容が形式固有の領域のメタデータオブジェクトに追加されます。さらに、メタデータオブジェクトの一般的なスキーマフィールドが更新される場合もあります。

Spatial Model Editorで、SensorInポートをダブルクリックすると、使用可能なメタデータパーサーのリストが表示されます。SensorIn をこれらの値のいずれかに設定すると、対応するパーサーだけが使用されます。センサーが指定されていない場合は、パーサーのいずれかが成功するまで使用可能なパーサーが試されます。

Read Sensor Metadata 演算子を使用して、入力ラスターデータセットに関連付けられた、ベンダーが提供するメタデータファイルから情報を読み取り、Generic Atmospheric 演算子で使用されるパラメーターを計算するモデルの一部分の例を次に示します。

新しい技術

2018年 6月 1日 45

REMOVE ATTRIBUTES

この演算子は、入力フィーチャーから属性を削除します。

Rename Attributes

この演算子は、フィーチャーの属性の名前を変更します。名前を変更する属性が存在しない場合、演算子は失敗します。

新しい技術

2018年 6月 1日 46

Select Attributes

入力フィーチャーの属性を選択します。

Set Band Names

この演算子は、ラスターストリームのバンド名を設定します。

この演算子を使用して、出力バンドの名前を特定の名前リストに設定する方法の例を次に示します。この例では、Custom Table Input演算子を使用して文字列テーブルを作成します。文字列テーブルは、StringListに自動的に変換できます。

BandNames の StringList を作成するもう 1 つの方法は、Iterator 演算子を使用することです。Iterator 演算子を使用して、BandNamesを動的に作成する方法の例を次に示します。

新しい技術

2018年 6月 1日 47

Set Primary Geometry

この演算子は、フィーチャーストリームのプライマリジオメトリを指定します。フィーチャーストリームの属性は、それ以外は変わりません。ジオメトリに測定値を表す既存の属性がある場合、それらの属性は新たに指定されたプライマリジオメトリでは無効である可能性があります。

プライマリジオメトリフィールドの指定は、プライマリジオメトリフィールドでのみ機能するフィーチャー演算子を使用する場合に役立ちます。

Simplify Geometry

この演算子は、Douglas-Peucker アルゴリズムを使用してフィーチャーのプライマリジオメトリを単純化します。新しいジオメトリがプライマリジオメトリとして追加され、元のジオメトリは出力フィーチャーに保持されます。

新しい技術

2018年 6月 1日 48

Skew Texture Per Feature

この演算子は、フィーチャー内の入力ラスターのピクセルに Skew Texture演算子を適用し、斜めテクスチャ値の平均、中央値、および標準偏差を計算します。計算された統計値は、フィーチャーストリームに属性として追加されます。





新しい技術

2018年 6月 1日 49

Split By Skeleton

この演算子は、多角形のスケルトンが複数のポリラインで構成されている場合に、その多角形を小さな部分の集まりに変換し

ます。これは、入力ジオメトリのスケルトンを内部的に作成し、スケルトンの各ポリラインを使用して、それぞれが表す多角形の

部分を抽出することによって実行されます。

Stack Count

RasterInのレイヤーの中で、各ピクセルで要求された値の出現回数を含んでいるピクセルを持つ単一のレイヤーを返します。

この演算子を使用して、レイヤースタック内での Stack Majorityピクセル値の出現回数を確認する方法の例を次に示します。

この演算子を使用して、レイヤースタック内での特定の値の出現回数を確認する方法の例を次に示します。

Tasseled Cap

ラスターでタッセルドキャップ変換を実行します。

新しい技術

2018年 6月 1日 50

Update Statistics

既存のラスターファイルに統計を書き込みます。

Variance Texture Per Feature

この演算子は、フィーチャー内の入力ラスターのピクセルに Variance Texture 演算子を適用し、分散テクスチャ値の平均、中央値、および標準偏差を計算します。計算された統計値は、フィーチャーストリームに属性として追加されます。





新しい技術

2018年 6月 1日 51

Spatial Modeler - 全般

許容値と他の入力制約

Port Input演算子が拡張され、ポートを介して要求される情報に対する制約を定義する機能が提供されるようになりました。

次の例では、空間モデルに、モデルで処理されるセンサーを定義するためにユーザーが設定できる Port Inputがあります。このモデルが認識しているのは、センサーを表す 6 つの特定の値（1～6 の整数値）の解釈だけです。ただし、デフォルトでは、ユーザーは Port Inputプロンプトに任意の整数値を入力できるので、その値がモデルで認識されない場合（値 7など）、モデルを実行できません。

スクリーンショットに示すように、新しい機能を使用すると、1～6の有効な整数値だけを受け入れるように Port Inputに制約を設定できます。これにより、有効な値の入力だけを許可するユーザーインターフェイスをモデルに提供することで、他のユーザー向けに配布できる空間モデルを非常に簡単に作成できるようになります。

同様に、有効な入力文字列を定義して、モデルを実行するときにユーザーが選択できるポップアップリスト（次に示すセンサータイプのリストなど）を生成できます。

新しい技術

2018年 6月 1日 52

Stack <統計>演算子

メモリ使用量と処理時間の両面でより効率的に動作するように、Stack <統計>演算子（Stack Mean、Stack Majorityなど）が再実装されました。

さらに、解析から NoDataを除外するオプションも追加されました。100個の DEMレイヤーのスタック内の 1つのピクセル位置について考えてみましょう。レイヤーのこのピクセル列にNoData値が含まれている場合、これまでのStack <統計>解析では、その位置で NoDataが返されていました。このリリースでは、NoData値は解析から除外されます。たとえば、97個の NoData値と、300、400、500の 3つの値を持つピクセル位置は、Stack Median演算子を使用して解析すると、400が返されるようになります。

また、Stack <統計>演算子で特定の値を無視する機能も用意されています。1つ以上の Set to NoData演算子を使用して、適切な Stack <統計>演算子にラスターストリームを入力する前に解析から除外する値を設定するだけです。

Spatial Model Editorでの他の地理空間製品への投資の活用

Spatial Modeler環境で、ArcPyスクリプトを演算子として認識できるようになりました。ArcPyは、ArcGIS for Desktopの空間情報処理ツールにアクセスできる Pythonサイトパッケージです。

スクリプトが ERDAS IMAGINEによって検出されると、SME演算子ツリーリストに表示されるようになります。これらのスクリプトを他の演算子と組み合わせて使用することで、空間モデルでERDAS IMAGINEとGeoMediaの両方の利点を活用できます。

新しい技術

2018年 6月 1日 53

ERDAS IMAGINEで認識された ArcPyスクリプトを取得する方法の詳細については、Hexagon GeospatialのWebサイトでホワイトペーパー「Leverage ArcPy scripts in Spatial Modeler（Spatial Modelerでの ArcPyスクリプトの活用）」を参照してください。

演算子としての空間モデル

空間モデルを独自に演算子として扱い、[Operators]パネルに追加して他のモデルで簡単に再利用できるようになりました。

[Add to User Operators] オプションを使用すると、 Spatial Model Editor で現在開いているモデルが$PERSONAL/etc/UserOperators に保存されます。その後、そのモデルは[Operators]パネルに表示されるようになり、他のモデルで使用できます。

たとえば、次のようなモデルを作成したとします。

モデルの作成後、[Add to User Operators]オプションを選択すると、他の空間モデルで再利用できる新しいカスタム演算子が作成されます。

新しい技術

2018年 6月 1日 54

ERDAS IMAGINE - 全般

新しいインクワイアカーソルパネル

インクワイアカーソル機能が一新され、Spatial Modelerのプレビューウィンドウを操作する機能や、画像チェーンを使用して通常の 2D Viewで表示されるデータを操作する機能など、新しい機能が提供されるようになりました。

• ドッキング可能なパネル

新しいインクワイアカーソルは、独立したダイアログではなく、関連するリボンタブやツールグループと共に、カーソル位置の属性情報を表示するドッキング可能なパネルになっています。

新しい技術

2018年 6月 1日 55

• 複数のレイヤーの値の表示

（ERDAS IMAGIGNEウィンドウの左側の[Contents]に示されている）ビューに表示される複数のデータレイヤーがある場合、特定の位置に表示されているすべての画像の情報を、必要に応じて CellArrayに表示できます。

新しい技術

2018年 6月 1日 56

• プレビュー/画像チェーンの値

Spatial Model Editor でプレビューを実行するとき（または画像チェーンオプションを使用して画像を表示するとき）の一般的な要望として、インクワイアカーソルを使用して、モデルで生成された値をその場で確認できるようにすることがありました。新しいインクワイアカーソルではこれが可能になりました。

新しい技術

2018年 6月 1日 57

• インクワイアフィーチャープレビュー

Spatial Model Editorの[Preview]オプションの使用時に、新しいインクワイアカーソルでは、生成されるフィーチャー（ベクター）レイヤーの情報も表示できます。

• 近傍値

新しいインクワイアカーソルでは、対象となる位置に隣接するピクセルのビューも表示できるようになりました。

新しい技術

2018年 6月 1日 58

クラス名などの文字列フィールド値も表示できます。

新しい技術

2018年 6月 1日 59

Google Earth Proのライブリンク

Google Earth Pro v7.3.xのリリースで、Googleは ERDAS IMAGINEのライブリンク機能の正しい動作を妨げていたCOMサーバーのバグに対処しました。さらに更新された ERDAS IMAGINE 2018では、Google Earth Pro v7.3.xがインストールされているかどうかを検出し、インストールされている場合は[Google Earth]タブが表示されます。さらに、Google Earth Proを起動し（まだ実行されていない場合）、2つのアプリケーション間の接続を有効にします。

ゾーン変化検出での独自の変化アルゴリズムの使用

ゾーン変化検出のアーキテクチャが、カスタム変化検出アルゴリズムを受け入れるように変更されました。関心がある変化を

適切に検出する独自のアルゴリズムを使用できるようになりました。ゾーン変化レイアウトの[Process]タブにある[Algorithm]ドロップダウンメニューから選択できるオプションのアルゴリズムも用意されています。

Spatial Modeler Editorでカスタム変化検出アルゴリズムを構築し、特定の場所に保存すると、IMAGINEによって自動的に選択されます。カスタム変化検出アルゴリズムを構築する方法の詳細については、Hexagon GeospatialのWebサイトでホワイトペーパー「Building a custom change detection algorithm for Zonal change detection in ERDAS IMAGINE（ERDAS IMAGINEでのゾーン変化検出のカスタム変化検出アルゴリズムの構築）」を参照してください。

新しい技術

2018年 6月 1日 60

EPSGのサポート

ERDAS IMAGINE投影ライブラリが更新され、EPSGバージョン 9.1の投影データセットが含まれるようになりました。

GDA2020

オーストラリアでは、現在の Geocentric Datum of Australia 1994（GDA94）に代わり、Geocentric Datum of Australia 2020（GDA2020）と呼ばれる新しい公式測地系への変更が進められています。この測地系は、ERDAS IMAGINE 2018 に実装されています。

事前定義されたズーム倍率

最新の高分解能画像をサポートするために、2D View の[Scale]プルダウンに拡大/縮小スケールオプションが追加されまし

た。

新しい技術

2018年 6月 1日 61

新しい技術

2018年 6月 1日 62

Batchのサブセット

ERDAS IMAGINE 2016以前で設定されていた方法と同様に Batch Editorにコマンドを送信するオプションが[Batch]ダイアログに追加されました。これにより、新しい Spatial Modeler を使用してバッチ処理を実行するときに、ユーザーが通常設定したい変数よりも多くの変数が公開されるという複雑さが軽減されます。

新しい技術

2018年 6月 1日 63

コマンドに追加する変数がないことを示す、[Batch (original)]を使用したときのデフォルトの結果：

[Batch (variabalized)]を使用したときのデフォルトの結果：

新しい技術

2018年 6月 1日 64

Batchの Edit Image Metadata（画像コマンドツール）

Edit Image Metadata ツールを使用して、一連の画像（ワールドファイル情報だけが含まれた TIFF ファイルなど）の投影情報を設定するバッチジョブを設定する際の長年にわたる不満の 1つは、すべての画僧の地理的範囲が簡単に上書きされ、全く同じ値に設定される可能性があることでした。

これは、[Map Info Options]ダイアログを使用して目的の投影を設定したときに、ダイアログで最初の画像の左上Xおよび左上 Y 地図座標も渡されていたからです。このことに気付き、固定値を置き換える変数を手動で設定しない限り、バッチ処理で目的の投影と共に、その 1つの地図範囲がすべての入力画像に適用されていました。

ERDAS IMAGINE 2018では、Edit Image Metadataが強化され、[Upper Left X]、[Upper Left Y]、[Pixel Size X]、[Pixel Size Y]の各パラメーターが、処理される各入力画像から情報を取得する変数として Batch に自動的に渡されるようになりました。投影と単位だけが固定値として渡されます。

ただし、ユーザーが[Map Info Options]ダイアログで 1つ（または複数）の値を手動で設定した場合、それらの値は必要な値と見なされ、Batch Editorに固定値として渡されます。

新しい技術

2018年 6月 1日 65

新しい技術

2018年 6月 1日 66

IMAGINE SAR Featureユーザーガイド

IMAGINE SAR Featureモジュールで提供される SAR フィーチャー抽出/解析機能を使い始めるユーザーを支援するために、このモジュールのユーザーガイドが提供されるようになりました。

新しいセンサーと形式

Sentinel-2の更新

（Windowsコンピューターで長いパス名を使用する際の問題を緩和するために）2016年後半にESAとUSGSによって導入された Level 1Cデータの最新の形式は、ERDAS IMAGINEで直接読み取ることができます。

Sentinel-2の「トゥルーカラー」バンドの組み合わせ

以前は、Sentinel-2の 13バンドデータを使用し、（[Multispectral]タブで）トゥルーカラーバンドの組み合わせを選択すると、RGBにバンド 4,3,1が使用されていました。問題は、Sentinel-2データのバンド 1は分解能が低いため（バンド 4,3,2の 10mに対し、60m）、青にバンド 1 ではなくバンド 2 を使用することを好むユーザーがいることです。これをサポートするオプションが追加されました。

新しい技術

2018年 6月 1日 67

USGSの Landsat 7および 8

USGSの最新の形式の.tar.gzアーカイブファイルをインポートできるようになりました。

インポーターは、Landsat-8 CDR反射率データも処理します。

BPF点群形式

BPF点群データの直接読み取り/書き込みのサポートが追加されました。

Esri ASCII ラスターの直接読み取り

Esri の ASCII ラスター形式のラスター情報（米国内外で提供される標高データなど）を直接読み取ることができるようになりました。

Sensor Independent Complex Data（SICD）

多くの場合、最新の SAR画像は、SICDジオメトリ情報を含む NITF形式で配信されます。現在、ERDAS IMAGINEは SICD画像を直接読み取るだけでなく、オルソ補正やインターフェログラムメトリック処理などの処理オプションも提供できます。

マルチセグメント NITFの活用

最新のNITFデータは、ピクセル品質情報、雲量、単一の画像の複数のタイルなど、複数の画像セグメントで構成されている場合があります。このデータに非常に簡単にアクセスして活用できるようになりました。

NITFセグメントを開く

NITF Segments ファイルタイプを使用して、複数のセグメント（ベクターオーバーレイを含む）が含まれた NITF ファイルにワンステップでアクセスできるようになりました。このオプションを使用して NITF を開くと、表示可能なすべてのセグメントが個別のレイヤーとして 1つの 2D Viewに読み込まれます。

新しい技術

2018年 6月 1日 68

SIPS画像チェーン

SIPS画像チェーンが強化され、EMin/EMax DRAパラメーターをより正確に提示し、使用できるようになりました。また、SIPSベースの画像調整に求められる動作を提供するために、明るさ/コントラストコントロールも改善されました。

セキュリティインジケーター

機密環境でのソフトウェアの使用をサポートするために、表示する画像のセキュリティ区分に基づいて異なる色を表示するよう

に、2D Viewのタイトルバーを設定できます。

Planetの画像

Planetは、2016年後半に RapidEye と PlanetScopeの画像の形式を変更しました。新しいデータを ERDAS IMAGINEで直接読み取ることができるようになりました。

WorldView-4

画像をオルソ補正する機能を含め、DigitalGlobeの最新の画像製品を直接読み取ります。

外部ピラミッド

SOCETによって生成された TIFF形式の外部ピラミッドレイヤーの読み取りが直接サポートされるようになりました。

その他の新しいセンサー

次のプラットフォームを読み取ることができます。RPC や他のセンサーモデルを使用してオルソ補正できるものも多数あります。

• PeruSAT-1

• PlanetScope （Planetの RapidEyeの最新の形式）

• Sentinel-2（最新のバリアント）

新しい技術

2018年 6月 1日 69

• VNREDSat-1

• E2 SLC製品用の Envisat形式（ASAR）の ERS-1

地理空間 PDF GDALの地理空間 PDFエンジンを使用して、入力画像とオーバーレイレイヤーからのマルチレイヤー地理空間 PDFドキュメントの作成や、地図構成からのシングルレイヤードキュメントの作成が可能になりました。

地理空間 PDF ドキュメントは、Spatial Modeler環境で Create Geospatial PDF演算子を使用して生成することもできます。

IMAGINE SAR Interferometry

Sentinel-1 Swath時系列コヒーレンス変化検出（CCD）

このツールにより、Sentinel-1 Swath画像のマルチ画像時系列解析の設定と実行のプロセスが効率化されます。

CCD多偏波解析

コヒーレンス変化検出ツールで多偏波 SAR画像を使用できるようになりました。

インターフェロメトリックのコレジストレーションの改善

画像のコレジストレーションはすべてのインターフェロメトリック処理の基本であり、最終的な精度を決定する基礎となります。コ

レジストレーションアルゴリズムが更新され、Sentinel-1や PalSARなどの最新のセンサーに対応するようになりました。

システム要件

2018年 6月 1日 70

システム要件

ERDAS IMAGINE

コンピューター/プロセッサー 64ビット：Intel 64（EM64T）、AMD 64、または同等の CPU

（マルチコアプロセッサーを強く推奨）

メモリ（RAM） 16 GB以上を強く推奨

ディスク容量

� ソフトウェア - 4 GB

� サンプルデータ - 7 GB

データストレージ要件は、地図作製プロジェクトによって異なります。1

オペレーティングシステム 2、3

� Windows® 7 SP1以上、Professionalおよび Ultimate（64ビット）

� Windows® 8（Standard）、Professionalおよび Enterprise（64ビット）4

� Windows® 8.1（Standard）、Professionalおよび Enterprise（64ビット）4

� Windows 10 Pro（64ビット）4

� Windows Server® 2008 R2 SP1（64ビット）

� Windows Server 2012 R2（64ビット）

� Windows Server 2016（64ビット）

ソフトウェア

� OpenGL 2.1以上（通常、サポートされているグラフィックスカードが付属 5）

� Adobe® Reader® 7以上

� Internet Explorer® 9以上（JavaScriptを有効化）、または Firefox® 32以上（JavaScriptを有効化）

� Java Runtime 1.7.0.80以上 - IMAGINE Objectiveには JREが必要です。インストールおよび構成済みのJRE バージョン 1.7.0.80以上を使用できます。

� Python 3.4（Pythonは、必要に応じてSpatial Modelerで使用できます。ほとんどの場合、64ビットのPythonが必要です。ただし、32ビットの ERDAS IMAGINE/Spatial Model Editorを実行する場合や、64ビットを実行しないように smprocessを構成する場合は、32ビットの Python も必要になります。)

� Microsoft DirectX® 9c以上

� .NET Framework 4.0

� MSXML 6.0

推奨グラフィックスカード � NVIDIA® Quadro® K5200、K4200、K2200、K420 6

� NVIDIA Quadro K5000、K4000、K600 6

ステレオ表示用

推奨モニター

� NVIDIA 3D Vision™ Kitに対応した 120 Hz（以上）の LCDモニター7

システム要件

2018年 6月 1日 71

周辺機器

すべてのソフトウェアインストールに次のデバイスが必要です。

� スクロールホイール付きWindows互換マウスまたは同等の入力デバイス

� 印刷にはWindows対応のハードコピーデバイスが必要 8

ソフトウェアセキュリティ（Hexagon Geospatial Licensing 2018）には、次のいずれかが必要です。

� イーサネットカード、または

� ハードウェアキー用 USBポート x1

高度なデータ収集には、次のいずれかのハンドコントローラーが必要です。9

� TopoMouse™または TopoMouse USB™

� Immersion 3Dマウス

� MOUSE-TRAK

� Stealth 3D（Immersion）、S3D-E タイプ、シリアルポート

� Stealth Z、S2-Zモデル、USBバージョン

� Stealth V、S3-V タイプ（シリアルデバイスとして追加）

� 3Dconnexion SpaceExplorerマウス 10

� EK2000 Hand Wheels

� EMSEN Hand Wheels

� Z/Iマウス

ArcGIS および GeoMedia との相互運用性

� ERDAS IMAGINEは、GeoMedia 2014、GeoMedia 2015、GeoMedia 2016、またはGeoMedia 2018がインストールされているコンピューターに安全にインストールできます。ただし、最大限の互換性を確保するため

に、適合するバージョンをインストールすることを強くお勧めします。

� ERDAS IMAGINE 2018でライブリンクを使用するには、GeoMedia 2018が必要です。インストールの順序は問いません。

� ERDAS IMAGINEは、* .mdb と*.gdbの両方の種類のパーソナルジオデータベースと対話できます。

� ERDAS IMAGINEは、ArcGIS® バージョン 10～10.5.1がインストールされているコンピューターに安全にインストールできます。

� ERDAS IMAGINE と IMAGINE Photogrammetry は、ArcGIS Server 10 ジオデータベースサーバー（ArcSDE）と対話できます。エンタープライズジオデータベースの読み込みや操作を行うには、以下が必要です。

o 適切なバージョンの ArcGIS for Desktop（バージョン 10～10.4.1）をインストールしてライセンスを取得する。または

o IMAGINE Geodatabase Support（ArcEngine 10.5ベース）をインストールする（ライセンスは不要）。

データベースエンジン

� PostGIS 2.2：PostGISを使用して、GeoMedia フィーチャー（.sfp）を保存できます。

� Oracle Server 12c 12.1.0.2.4 64-bit：Oracle Server 12cを使用して、Oracle GeoRaster（.ogr）（Oracle Spatialが必要）、SDE Raster（.sdi）（ArcGIS for Serverが必要）、Oracle Spatial Features（.ogv）（Oracle Spatialが必要）、および GeoMedia フィーチャー（.ofp）を保存できます。

� Microsoft SQL Server 2014：Microsoft SQL Server 2014を使用して、GeoMediaフィーチャー（.sfp）を保存できます。

システム要件

2018年 6月 1日 72

ERDAS IMAGINEのシステム要件に関する注意事項 1 通常、ディスク I/O は、地理空間データ処理において最も時間のかかるタスクです。高速のハードディスクを使用すると、生産性が向上します。1つのディスクからデータを読み込み、2つ目のディスクに一時データを書き込み、3つ目のディスクにデータを書き込むと、パフォーマンスが向上します。ディスクアレイは生産性を向上させますが、一部の RAID オプションではパフォーマンスが低下します。ネットワークディスクドライブは、ネットワークの制限を受けます。

2 サーバーオペレーティングシステムは、IMAGINE Photogrammetry、ORIMA、ERDAS ER Mapperではサポートされていません。

3 IMAGINE Photogrammetryの 3Dステレオ表示と周辺機器の要件により、オペレーティングシステムの選択肢が限られます。

4 ERDAS ER Mapperは、Windows 8ではサポートされていません。Windows 8.1では実行可能と見なされています。

5 Windowsでは、サポートされているすべてのグラフィックスカードに対応する汎用OpenGLドライバーが提供されています。ただし、これらのアプリケーションには、OpenGLに最適化されたグラフィックスカードとドライバーが推奨されます。

6 以前のバージョンの IMAGINE Photogrammetry と ORIMAで認定済みのグラフィックスカードも互換性がある可能性がありますが、現在のバージョンでは認定されていません。

7 以前のバージョンの IMAGINE Photogrammetry と ORIMA で認定済みのステレオモニターも互換性がある可能性がありますが、現在のバージョンでは認定されていません。

8 HP-RTL ドライバーが推奨されます。64 ビット版のWindows プリントサーバーには、64 ビットのプリントドライバーが必要です。

9 Stealth S-Mouse（S2-Sモデル）とMOUSE-TRAKは、Stereo Analyst® for ERDAS IMAGINEでのみサポートされているハンドコントローラーです。

10 3Dconnexion SpaceExplorerマウスは、IMAGINE Photogrammetryでサポートされています。

PRO600

コンピューター/プロセッサー 64ビット：Intel 64（EM64T）、AMD 64、または同等の CPU

（マルチコアプロセッサーを強く推奨）

メモリ（RAM） 4 GB（最小）、8 GBを強く推奨

ディスク容量 � ソフトウェア - 1 GB

データストレージ要件は、地図作製プロジェクトによって異なります。11

オペレーティングシステム � Windows® 7 SP1以上、Professionalおよび Ultimate（64ビット）

� Windows® 8 （Standard）、Professionalおよび Enterprise（64ビット）

ソフトウェア

� IMAGINE Photogrammetry 2016 12

� Bentley Systems, Incの次のいずれかの製品 12

o MicroStation V8i（SS1～SS3 Update 2）

o Bentley Map V8i（SS1～SS3スタンドアロンまたは for MicroStation）

o Bentley Map Enterprise V8i（SS1～SS3）

システム要件

2018年 6月 1日 73

推奨グラフィックスカード � NVIDIA® Quadro® K5200、K4200、K2200、K420 13

� NVIDIA Quadro K5000、K4000、K600 13

ステレオ表示用推奨モニター

� NVIDIA 3D Vision™ Kitに対応した 120 Hz（以上）の LCDモニター14

周辺機器

すべてのソフトウェアインストールに次のデバイスが必要です。

� スクロールホイール付きWindows互換マウスまたは同等の入力デバイス

� 印刷にはWindows対応のハードコピーデバイスが必要 15

ソフトウェアセキュリティ（Intergraph Licensing 11.11.1）には、次のいずれかが必要です。

� イーサネットカード、または

� ハードウェアキー用 USBポート x1

高度なデータ収集には、次のいずれかのハンドコントローラーが必要です。16

� TopoMouse™または TopoMouse USB™

� Immersion 3Dマウス

� MOUSE-TRAK

� Stealth 3D（Immersion）、S3D-E タイプ、シリアルポート

� Stealth Z、S2-Zモデル、USBバージョン

� Stealth V、S3-V タイプ（シリアルデバイスとして追加）

� 3Dconnexion SpaceExplorerマウス

� EK2000 Hand Wheels

� EMSEN Hand Wheels

� Z/Iマウス

PRO600のシステム要件に関する注意事項 11 通常、ディスク I/Oは、地理空間データ処理において最も時間のかかるタスクです。高速のハードディスクを使用すると、生産性が向上します。1つのディスクからデータを読み込み、2つ目のディスクに一時データを書き込み、3つ目のディスクにデータを書き込むと、パフォーマンスが向上します。ディスクアレイは生産性を向上させますが、一部の RAID オプションではパフォーマンスが低下します。ネットワークディスクドライブは、ネットワークの制限を受けます。

12 ここに記載されているその他の要件が PRO600に暗黙的に適用されます。

13 以前のバージョンのPRO600で認定済みのグラフィックスカードも互換性がある可能性がありますが、現在のバージョンでは認定されていません。

14 以前のバージョンのPRO600で認定済みのステレオモニターも互換性がある可能性がありますが、現在のバージョンでは認定されていません。

15 HP-RTL ドライバーが推奨されます。64ビット版のWindowsプリントサーバーには、64ビットのプリントドライバーが必要です。

16 Stealth S-Mouse（S2-Sモデル）とMOUSE-TRAKは、Stereo Analyst® for ERDAS IMAGINEでのみサポートされています。

Documents

ERDAS IMAGINE 2018 - hexagongeospatial.jp · erdas imagine 2018 （64 パチテ）を起動すると、これを優先ムヺデとして使用するヤヺゴヺに多くの利点がもたらされます。