Εξαγωγή Οδικών δικτύων από δορυφορικές εικόνες και αεροφωτογραφίες μεγάλης διαχωριστικής ικανότητας με υψηλά επίπεδα θορύβου.
Από RemoteSensing Wiki
Πηγή
The University of Texas at Dallas
Τίτλος κειμένου
Extraction of Roads from High Resolution Aerial and Satellite Images with Heavy Noise
Συγγραφέας
Yan Li and Ronald Briggs
Εισαγωγή
Η εξαγωγή οδικών δικτύων από εικόνες ράστερ είναι ένα πάρα πολύ σημαντικό κομμάτι πολλών εργασιών GIS, το οποίο όμως αποδεικνύεται πολύ χρονοβόρο όταν πραγματοποιείται χειροκίνητα. Σε αυτή την εργασία γίνεται έρευνα για την εξαγωγή οδικών δικτύων από εικόνες υψηλής ανάλυσης, όπως δορυφορικές εικόνες και αεροφωτογραφίες. Μια εικόνα υψηλής ανάλυσης έχει συνήθως διαχωριστική ικανότητα από 0,5 μέχρι 1m. Με μια τέτοια διαχωριστική ικανότητα, η οδός δεν είναι πια μια λεπτή γραμμή, αντιθέτως αντικείμενα όπως αυτοκίνητα και δέντρα είναι εύκολα αναγνωρίσιμα. Εντούτοις, οι εικόνες αυτές αποτελούν σημαντική πρόκληση στην προσπάθεια αυτόματης εξαγωγής χαρακτηριστικών εξαιτίας της έμφυτης πολυπλοκότητας τους (πληθώρα αντικειμένων, οδοί με διαφορετικά φυσικά χαρακτηριστικά κ.λ.π). Δυστυχώς δεν υπάρχουν ακόμα μέθοδοι που να μπορούν να λύσουν αυτά τα προβλήματα αποτελεσματικά. Οι περισσότερες από τις υπάρχουσες μεθόδους εξαγωγής βασίζονται στα όρια των οδών. Για οδούς με ευθεία και καθαρά όρια, αυτά μπορούν να προσδιοριστούν χρησιμοποιώντας αλγόριθμους ανίχνευσης ακμών. Επειδή όμως οι οδοί δεν έχουν συνήθως τέτοια χαρακτηριστικά, το αποτέλεσμα της ανίχνευσης ακμών είναι τόσο πολύπλοκο, όσο και η ίδια η εικόνα. Σε αυτό το άρθρο, αναπτύσσεται μια ολοκληρωμένη μελέτη αυτόματης εξαγωγής που εκμεταλλεύεται τη φύση των οδών. Η μέθοδος δεν βασίζεται στις ακμές ώστε να ανιχνεύσει τις οδούς, αλλά προσπαθεί να προσδιορίσει τα pixel που ανήκουν στην ίδια περιοχή οδών βασιζόμενη στο πως αυτά συσχετίζονται οπτικά και γεωμετρικά. Η οδός θεωρείται μια ομάδα παρόμοιων pixel. H ομοιότητα καθορίζεται από την γενική μορφή της περιοχής που ανήκουν οι οδοί, την περιοχή του φάσματος που ανήκουν και τα γεωμετρικά χαρακτηριστικά της περιοχής. Η μέθοδος εξετάζει αρχικά τα οπτικά και γεωμετρικά χαρακτηριστικά των pixels χρησιμοποιώντας μια νέα τεχνική που ονομάζεται κύκλος αναφοράς. Στη συνέχεια τα pixel κλειδιά, συγκεκριμένα τα κεντρικά pixel, προσδιορίζονται, ώστε να εκπροσωπήσουν κάθε περιοχή. Τέλος, οι περιοχές επαληθεύονται με βάση τους γενικούς οπτικούς και γεωμετρικούς περιορισμούς που σχετίζονται με τις οδούς.
Εφαρμογή
Οι υπάρχουσες μέθοδοι για την εξαγωγή οδικών δικτύων καλύπτουν μια μεγάλη ποικιλία στρατηγικών και χρησιμοποιούν διαφορετικής ανάλυσης δορυφορικές εικόνες και αεροφωτογραφίες. Γενικά, οι μέθοδοι χωρίζονται σε δύο γκρουπ: ημιαυτόματες και αυτόματες. Οι περισσότερες όμως από αυτές τις μεθόδους ερευνούν υποθέσεις σχετικά απλοϊκών οδικών δικτύων και απαιτούν οι οδοί να είναι εύκολα αναγνωρίσιμες στις εικόνες. Κατά συνέπεια, είναι ιδιαίτερα ευαίσθητες σε παρεμβάσεις όπως αυτοκίνητα, σκιές ή συγκλίσεις και δεν παρέχουν πάντα συνεπή και αξιόπιστα αποτελέσματα. Ο στόχος της προτεινόμενης μεθόδου είναι να αναπτύξει μια πλήρη και πρακτική αυτόματη επίλυση του προβλήματος της εξαγωγής του οδικού δικτύου από υψηλής ανάλυσης δορυφορικές εικόνες και αεροφωτογραφίες. Η μέθοδος αποτελείται από δύο στάδια. Στο πρώτο στάδιο γίνεται εξαγωγή των οδών που είναι ευκολότερο να αναγνωριστούν, όπως οι κύριες οδικές αρτηρίες, και στο δεύτερο στάδιο των δυσκολότερων στην αναγνώριση οδών. Κάθε στάδιο εμπεριέχει τρία βασικά βήματα: φιλτράρισμα, κατάτμηση, ομαδοποίηση και οπτικοποίηση. Οι δύο παραδοχές που γίνονται είναι οι εξής:
Οπτική παραδοχή: Η πλειοψηφία των pixels της ίδιας οδού έχει παρόμοιες φασματικές υπογραφές που είναι αναγνωρίσιμες σε σχέση με τον περιβάλλοντα χώρο
Γεωμετρική παραδοχή: Η οδός είναι μια περιοχή που είναι σχετικά μακριά και στενή σε σύγκριση με άλλα αντικείμενα στην εικόνα.
Φιλτράρισμα
Το βήμα του φιλτραρίσματος γίνεται για να αναγνωριστούν τα pixels - κλειδιά που πιθανόν ανήκουν σε ένα οδικό τμήμα. Οι δύο καινούργιες τεχνικές που προτείνονται εδώ είναι ο κύκλος αναφοράς και το κεντρικό pixel και βασίζονται στην ανίχνευση ακμών. Ο κύκλος αναφοράς για ένα pixel είναι ο μεγαλύτερος κύκλος με κέντρο το pixel, που δεν περιέχει κάποια ακμή. Κεντρικό pixel θεωρείται αυτό που έχει μεγαλύτερο κύκλο αναφοράς σε σχέση με τα γειτονικά του, σε μια περιοχή 3x3. Σε ιδανική περίπτωση όλα αυτά τα κεντρικά pixel όταν ενωθούν σχηματίζουν τον κεντρικό οδικό άξονα.
Κατάτμηση
Στο στάδιο της κατάτμησης, επιβεβαιώνονται οι περιοχές που είναι πιθανά οδικά δίκτυα με βάση τα κεντρικά pixel. Αυτό γίνεται μέσα από γεωμετρικές αλλά και οπτικές παραδοχές. Για παράδειγμα ένας δρόμος που είναι επιμήκης, θα έχει ένα μεγάλο αριθμό κεντρικών pixel. Άρα μόνο οι περιοχές που έχουν μεγάλο ποσοστό κεντρικών pixel σε σχέση με τις μέσες ακτίνες των κύκλων, θα είναι υποψήφιες για να αποτελέσουν οδικά δίκτυα. Οπτικά, μπορούν να αποκλειστούν σε αυτό το στάδιο κάποιες περιοχές που προφανώς δεν αποτελούν οδικό τμήμα. Σε μια έγχρωμη απεικόνιση, για παράδειγμα τα δέντρα και η βλάστηση φαίνονται πράσινα. Επίσης οι περιοχές αυτές έχουν πολύ πιο τραχεία υφή από ένα οδικό τμήμα.
Ομαδοποίηση και οπτικοποίηση
Μετά το στάδιο της κατάτμησης τα οδικά τμήματα είναι συνήθως ατελή και ασύνδετα εξαιτίας του θορύβου. Στο στάδιο αυτό, ομαδοποιούνται τα ημιτελή οδικά τμήματα για να προκύψουν τα αρτιότερα τελικά αποτελέσματα για την εξαγωγή των οδικών δικτύων. Τα βασικά προβλήματα εδώ είναι η ανίχνευση των οδικών τμημάτων που σχετίζονται μεταξύ τους και ο τρόπος με τον οποίο θα ομαδοποιηθούν. Και εδώ οι παραδοχές που γίνονται είναι γεωμετρικές αλλά και οπτικές. Αν για παράδειγμα, υπάρχει ένα μικρό κενό μεταξύ δύο όμοιων τμημάτων που βρίσκονται στην ίδια ευθεία, ο αλγόριθμος θα υποθέσει ότι πρέπει αυτά να ομαδοποιηθούν. Το αποτέλεσμα όλων αυτών των διαδικασιών φαίνεται στην εικόνα 5 όπου έχει εξαχθεί το τελικό προϊόν με το σύνολο του οδικού δικτύου.
Σύνοψη
Στο παρόν άρθρο προτείνεται μία νέα αυτόματη μέθοδος εξαγωγής οδικών δικτύων που θα αντιμετωπίζει τα προβλήματα των υπαρχουσών τεχνικών, στηριζόμενη στα οπτικά και γεωμετρικά χαρακτηριστικά των οδών. Η προσέγγιση αυτή είναι αξιόπιστη και δεν απαιτεί εκ των προτέρων γνώση της κατάστασης του οδικού δικτύου και του περιβάλλοντος χώρου. Τέλος, είναι αποτελεσματική ακόμα και για πολύπλοκες αεροφωτογραφίες και δορυφορικές εικόνες.
