Αντικειμενοστραφής μέθοδος αυτοματοποιημένης εξαγωγής αστικών δεδομένων από εναερίους αισθητήρες
Από RemoteSensing Wiki
Πρωτότυπος Τίτλος: « A NEW OBJECT BASED METHOD FOR AUTOMATED EXTRACTION OF URBAN OBJECTS FROM AIRBORNE SENSORS DATA »
Συγγραφείς: By A. Moussa , N. El-Sheimy
posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B3,
Πηγή: ISPRS Congress
« Αντικειμενοστραφής μέθοδος αυτοματοποιημένης εξαγωγής αστικών δεδομένων από εναερίους αισθητήρες »
Η ταξινόμηση των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμους από αερομεταφερόμενους αισθητήρες είναι ένα σημαντικό βήμα σε πολλές εφαρμογές χαρτογράφησης και μοντελοποίησης. Η αυτοματοποίηση αυτού του σταδίου είναι άκρως απαραίτητη καθώς η χειροκίνητη επεξεργασία είναι δαπανηρή και χρονοβόρα. Η αυξανόμενη διαθεσιμότητα των δεδομένων αερομεταφερόμενων αισθητήρων, όπως αεροφωτογραφίες και τα δεδομένα LIDAR προσφέρουν νέες ευκαιρίες για την ανάπτυξη μιας ικανής προσεγγίσεις για την αυτόματη ταξινόμηση. Οι προσεγγίσεις αυτές θα πρέπει να ενσωματώσουν αυτές τις πηγές δεδομένων που έχουν διαφορετικά χαρακτηριστικά. Η προτεινόμενη προσέγγιση που παρουσιάζεται στο παρόν έγγραφο συνδυάζει τις εναέριες εικόνες με δεδομένα LIDAR για την εξαγωγή κτίριων και δέντρων για μια αστική περιοχή. Τα αντικείμενα με βάση την ανάλυση, που ακολουθείται στο σύνολο των ψηφιακών δεδομένων DSM, ταξινομούνται με βάση το ύψος μεταβολής. Αυτά τα αντικείμενα προκαταρκτικά ταξινομούνται σε κτίρια, δένδρα, και έδαφος. Αυτή η πρωτογενής ταξινόμηση χρησιμοποιείται για να υπολογίσει το ύψος στο έδαφος για κάθε αντικείμενο για να βοηθήσουν στη βελτίωση της ακρίβειας της δεύτερης φάσης της ταξινόμησης. Από τα επικαλυπτόμενα των αεροφωτογραφίων που χρησιμοποιούνται γινεται η κατασκευή μιας ορθο-φωτογραφίας για να προκύψουν οι τιμες του δείκτη βλάστησης για κάθε αντικείμενο. Η δεύτερη φάση της ταξινόμησης πραγματοποιείται με βάση το ύψος απο το έδαφος και το δείκτη βλάστησης του κάθε αντικειμένου. Η προτεινόμενη προσέγγιση έχει δοκιμαστεί με τρεις περιοχές στο κέντρο της πόλης της Vaihingen. Αυτές οι περιοχές έχουν ιστορικά κτίρια που έχουν πολύπλοκα σχήματα, μερικά ψηλά κτίρια κατοικιών που περιβάλλεται από δέντρα και μια καθαρά οικιστική περιοχή με μικρές μονοκατοικίες.
Εισαγωγη
Η ανάγκη για την ακριβή εξαγωγή των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμοι είναι πολύ αυξημένη λόγω του ζωτικού τους ρόλου σε διάφορες εφαρμογές, όπως στη πολεοδομία, στα έργα πολιτικού μηχανικού και την προστασία του περιβάλλοντος. Οι συνεχείς εξελίξεις στους αισθητήρες εικόνας και δομένων LIDAR προσφέρουν νέα δεδομένα βελτιωμένων προδιαγραφών. Για την αξιοποίηση των δεδομένων πρέπει να εξελίσσονται και οι τεχνικές επεξεργασίας σε ακρίβεια και σε αύξηση της αυτοματοποίησης.
Δεδομένα LIDAR στερούνται από τα πλούσια στοιχεία που παρέχονται από τα διάφορα κανάλια των οπτικών εικόνων που είναι πολύ χρήσιμα για την ανίχνευση πολλών κατηγοριών όπως η βλάστηση. Επίσης, οι οπτικές εικόνες προσφέρουν συνήθως υψηλότερη ανάλυση από ό, τι τα δεδομένα LIDAR. Ωστόσο, παρά τις εξελιγμένες προσεγγίσεις της επεξεργασίας εικόνας, η εξαγωγή χαρακτηριστικών αυτόματα από οπτικές εικόνες έχουν διάφορα προβλήματα όπως επικαλύψεις, σκιές, και απότομες κλίσεις. Αυτά τα προβλήματα, μπορούν να μειωθούν χρησιμοποιώντας LIDAR τεχνολογία που προσφέρει αξιόπιστα δεδομένα ύψος ανεξάρτητα από αντικείμενα, υφές και τις συνθήκες φωτισμού. Επίσης από LIDAR είναι δυνατό να παραχθουν ορθοφωτογραφιες από αεροφωτογραφίες. Η αποτελεσματικότητα των LIDAR είναι πολύ σημαντική λόγω του επιπέδου ακρίβειας και εξαιρετικά αυτοματοποιημένη ροή εργασίας απόκτηση του δεδομένα.
Ένα ευρύ φάσμα των προσεγγίσεων έχουν αναπτυχθεί στα δεδομένα LIDAR για να γίνουν ταξινόμησης κάλυψης γης. Αρκετές επαναληπτικές μέθοδοι έχουν προταθεί για το φιλτράρισμα όπως διαδοχικές παρεμβολές χρησιμοποιώντας κλίσης και επιφάνειας προσανατολισμού κ.α. Οι αλγόριθμοι ομαδοποίησης, όπως k-μέσων, και fuzzy c-means προτάθηκαν να συγκεντρώσουν τα σημεία LIDAR σε διαφορετικές κατηγορίες.
Από την άλλη πλευρά, πολλές προσεγγίσεις έχουν προταθεί για την εκτελέσει της εργασίας ταξινόμησης χρησιμοποιώντας αεροφωτογραφίες. Αυτές οι προσεγγίσεις παρουσιάζουν διαφορετικά χαρακτηριστικά, στα μοντέλα και στις ταξινομητές. Αρκετά χαρακτηριστικά υφής έχουν χρησιμοποιηθεί στο στάδιο εισόδου της ταξινόμησης. Τα στοιχεία χρώματος κάθε εικονοστοιχειου έχουν χρησιμοποιηθεί απευθείας ως συμβολή στο ταξινομητή. Και τα δύο χαρακτηριστικά υφής και χρώματος έχουν χρησιμοποιηθεί σε συνδυασμους για την ταξινόμηση. Μια μεγάλη ποικιλία από αλγόριθμους ταξινόμησης έχουν χρησιμοποιηθεί, όπως ταξινομητή Naive Bayes, ασαφούς λογικής, Νευρωνικά Δίκτυα, Vector Υποστήριξη Μηχάνημα αλγόριθμος SVM .
Η Αντικειμενοστραφής Ανάλυση εικόνας (OBIA) κέρδισε πρόσφατα πολλή προσοχή μεταξύ των γεωγραφικών εφαρμογών χαρτογράφησης ως ένα εναλλακτικό πλαίσιο ανάλυσης που μπορεί να αποφύγει τα μειονεκτήματα που συνδέονται με τα pixel με βάση την ανάλυση. Παρά τα πλεονεκτήματα των εικονοστοιχείων με βάση την ανάλυση εικόνας, πάσχει από προβλήματα, όπως η ευαισθησία σε διακυμάνσεις αντικείμενων εντός σημαντικά μεγάλου σε μέγεθος του εικονοστοιχείου. Η χωρική έκταση των αντικειμένων που πρόκειται να ταξινομηθούν είναι μεγαλύτερης σημασίας για την διαδικασία της ταξινόμησης από την χωρική κλίμακα των εικονοστοιχείων εικόνας. Αντικειμενοστραφής ταξινόμηση μπορεί να βελτιώσει σημαντικά την ακρίβεια της ταξινόμησης με την μείωση του προβλήματος της misclassifying μεμονωμένων εικονοστοιχείων. Η προτεινόμενη προσέγγιση, που παρουσιάζονται στο παρόν έγγραφο, χρησιμοποιεί δεδομένα LIDAR μαζί με αεροφωτογραφίες για να εξαγάγετε τα κτίρια, και τα δέντρα των αστικών περιοχών. Αντικειμενοστραφής ανάλυση ακολουθείται στο σύνολο των δεδομένων DSM σε αντικείμενα με βάση τη μεταβολή στο ύψος. Η διαδικασία της ταξινόμησης βασίζεται σε δύο στάδια, όπου τα πρωτογενώς ταξινομημένα αντικείμενα μπορούν να βοηθήσουν να οδηγήσουν σε νέα χαρακτηριστικά στα οποία είναι το ύψος ως προς το έδαφος. Ανάμεσα στις πολλές δυνατότητες που παρέχονται από τις αεροφωτογραφίες, ένας κοινωνικοποιημένος δείκτης διαφοράς βλάστησης με βάση R και IR κανάλια έχει χρησιμοποιηθεί λόγω της μεγάλης σημασίας του για την εξόρυξη βλάστηση. Στο δεύτερο στάδιο της κατάταξης, χρησιμοποιεί το μέγεθος του αντικειμένου, το μέσο ύψος στο έδαφος, και ο δείκτης βλάστησης να τελειοποιήσουν την ταξινόμηση των αντικειμένων.
Μεθοδολογία
Το πρώτο βήμα είναι να εκτελεστεί κατάτμηση εικόνας βάση ύψος DSM και να διαιρεθεί η σκηνή σε αντικείμενα. Ένας αλγόριθμος υπολογίζει σε ολόκληρη την εικόνα ύψος DSM αρχίζοντας από την άνω αριστερή γωνία. Με βάση την ομοιότητα ύψος στο στάδιο τμηματοποίησης, τα σημεία του κάθε αντικειμένου που εξάγεται τείνουν να ανήκουν στο ίδιο ύψος. Επίπεδα αντικείμενα, όπως έδαφος και επιφάνειες κτιρίων θα παρουσιάζουν μεγάλα τμήματα που διατηρούν ομαλές αλλαγές ύψος. Από την άλλη πλευρά, τα δέντρα παρουσιάζουν συνήθως μεγάλη διακύμανση του ύψους, λόγω της διεισδύσεις στην κόμη του φυλλώματος. Ως εκ τούτου, τα δέντρα παρουσιάζονται σε μικρές περιοχές.
Ως προκαταρκτική ταξινόμηση, τα αντικείμενα κάτω από το ελάχιστο όριο περιοχής ταξινομούνται ως βλάστηση. Το όριο αυτό που αντιπροσωπεύει την μικρότερη αναμενόμενη έκταση ενός κτιρίου και επιλέχθηκε ως 10 m2. Το υπόλοιπο των αντικειμένων ταξινομούνται ως κτίρια, εκτός για τα μεγαλύτερα αντικείμενα τα οποία έχουν ταξινομηθεί ως έδαφος. Το μεγαλύτερο αντικείμενο χρησιμοποιείται ως αναφορά του ύψους. Λόγω της παρεμβολής που εμφανίζουν τα δεδομένα LIDAR, κάποιοι τοίχοι των κτιρίων παρουσιάζουν μεγάλη διακύμανση και παραπλανητικά ύψη που οδηγούν σε μικρά κομμάτια που ταξινομούνται ως βλάστηση, το ίδιο σφάλμα συναντάται συνήθως και για τις αρχιτεκτονικές λεπτομέρειες των κτιρίων, όπως δείχνουν και απότομες αλλαγές ύψος πάνω από μικρές περιοχές. Αυτά τα σφάλματα ταξινομήσεων αναθεωρούνται κατά το δεύτερο στάδιο της κατάταξης. Για την εύρεση των αντίστοιχων φασματικών δεδομένων των αντικειμένων, μια ορθο-φωτογραφία της σκηνής κατασκευάζεται χρησιμοποιώντας όλες τις επικαλυπτόμενες εικόνες πάνω από την σκηνή. Στο Σχήμα 1 απεικονίζει δείγμα ορθοφωτογραφίας μιας περιοχής. Ο κανονικοποιημένος δείκτης βλάστησης ( NDVI=(IR-R)/(IR+R) ) υπολογίζεται για όλα τα αντικείμενα στη σκηνή με τη χρήση IR και R καναλιών .Στο δεύτερο στάδιο της ταξινόμησης διεξάγεται για να συντονίσει το προκαταρκτικό χαρακτηρισμό του πρώτου σταδίου, σύμφωνα με τους ακόλουθους κανόνες:
• Τα αντικείμενα του μεγάλου ύψους-εδάφους (> 0,2) και υψηλή NDVI (> 0,18) που ταξινομούνται ως δέντρα.
• Τα αντικείμενα του μεγάλου ύψους-εδάφους (> 0,2) και χαμηλό NDVI (<0,18) που ταξινομούνται ως κτίρια.
• Τα αντικείμενα που δεν πληρούν τις δύο προηγούμενες συνθήκες διατηρούν προκαταρκτική ταξινόμηση τους.
Συμπεράσματα
Για την αξιολόγηση της προτεινόμενης προσέγγισης, σε τρεις αστικές περιοχές στο κέντρο της πόλης της Vaihingen χρησιμοποιηθήκαν αεροφωτογραφίες και δεδομένα LIDAR. Ο αισθητήρας για τις ψηφιακές αεροφωτογραφίες είναι Intergraph / ZI DMC της RWE εταιρείας και αποκτήθηκαν στις 24 Ιουλίου και 6 Αυγούστου 2008. Οι έγχρωμες υπέρυθρες εικόνες έχουν ανάλυση 8 cm και βάθος χρώματος 11 bits. Τα δεδομένα Airborne Laser Scanner (ALS) αποτελούνται από 10 ταινίες ALS που αποκτήθηκαν στις 21 Αυγούστου 2008 από την Leica Geosystems χρησιμοποιώντας ένα σύστημα Leica ALS50 με 45 ° οπτικό πεδίο και μέσο ύψος πτήσης πάνω από το έδαφος στα 500 m. Η μέση επικάλυψη είναι 30%, και η μέση πυκνότητα είναι 6,7 σημεία points/m2. Το Σχήμα 3 δείχνει την παραγόμενη εικόνα για την πρώτη περιοχή, και το Σχήμα 4 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον πρώτο τομέα. Το Σχήμα 5 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον πρώτο τομέα. Το Σχήμα 6 δείχνει την παραγόμενη εικόνα για την δεύτερη περιοχή, και το Σχήμα 7 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον δεύτερο τομέα. Το Σχήμα 8 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον δεύτερο τομέα. Το Σχήμα 9 δείχνει την παραγόμενη εικόνα για την τρίτη περιοχή, και το Σχήμα 10 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον τρίτο τομέα. Το Σχήμα 11 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον τρίτο τομέα. Στην προτεινόμενη προσέγγιση, η επαναληπτική ταξινόμηση θα μπορούσε να επεκταθεί περαιτέρω για να συμπεριλάβει περισσότερα χαρακτηριστικά με βάση τις προηγούμενες διαδοχικές φάσεις κατάταξης. Τα κατώτατα όρια που χρησιμοποιούνται είναι ερμηνεύσιμα και θα μπορούσαν εύκολα να αλλάξουν ώστε να ταιριάζουν με τη βασική σκηνή για καλύτερα αποτελέσματα ταξινόμησης. Οι προτεινόμενοι κανόνες ταξινόμησης είναι επεκτάσιμοι ώστε να περιλαμβάνουν περισσότερες κατηγορίες, χωρίς την ανασυγκρότηση του ταξινομητή από το μηδέν.
