Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.
Από RemoteSensing Wiki
Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.
Πρωτότυπος τίτλος: A review of road extraction from remote sensing images
Συγγραφείς: Weixing Wang, Nan Yang, Yi Zhang, Fengping Wang, Ting Cao, Patrik Eklund
Δημοσιεύθηκε: Journal of Traffic and Transportation Engineering (english edition) 2016; 3 (3): 271-282
Εισαγωγή
Από την εκτόξευση του πρώτου αμερικανικού τηλεπισκοπικού δορυφόρου το 1972, μια σειρά τεχνολογιών που εφαρμόζονται στην επεξεργασία τηλεπισκοπικών εικόνων αναπτύχθηκε ραγδαία, συμπεριλαμβανομένων των τεχνικών της συμπίεσης, διάδοσης, ταξινόμησης, σύντηξης και κατανόησης. Οι υψηλής ανάλυσης τηλεπισκοπικές εικόνες όπως αυτές από τους δορυφόρους IKonos, QuickBird, WorldView και GeoEye παρέχουν έναν γρήγορο και οικονομικό τρόπο πρόσβασης στην πρόσφατα αποκτηθείσα γεωγραφική πληροφορία και θέτουν τη βάση για περαιτέρω εφαρμογές της τηλεπισκοπικής τεχνολογίας. Οι βασικές εφαρμογές των τηλεπισκοπικών εικόνων υψηλής ανάλυσης αφορούν μεταξύ άλλων την τηλεπισκόπηση πόλεων, τη γεωγραφική χαρτογράφηση, την παρακολούθηση και αξιολόγηση του περιβάλλοντος, τη γεωργία ακριβείας κ.α. Ο σλοπός των τηλεπισκοπικών εφαρμογών είναι η άντληση πληροφορίας και η κατανόηση της εικόνας. Η ψηφιοποίηση του οδικού δικτύου μέσω τηλεπισκόπησης είναι ένας απαιτητικός αλλά απαραίτητος ερευνητικός τομέας, ειδικά σε ό,τι αφορά τη διαχείριση κυκλοφορίας, τον πολεοδομικό σχεδιασμό, την πλοήγηση μέσω GPS κτλ. Η παρούσα εργασία πραγματοποιεί μια περίληψη των διαφορετικών τεχνικών που χρησιμοποιούνται τα τελευταία 30 χρόνια, ενώ παράλληλα εστιάζει σε πρόσφατα επιτεύγματα.
Χαρακτηριστικά του οδικού δικτύου και μοντέλα Οι δυσκολίες στην ψηφιοποίηση του οδικού δικτύου από τηλεπισκοπικές εικόνες έγγυται στο γεγονός ότι τα χαρακτηριστικά του οδικού δικτύου επηρεάζονται από τον τύπο του αισθητήρα, τη φασματική και χωρική ανάλυση, τις καιρικές συνθήκες, τις μεταβολές στη φωτεινότητα, τα χαρακτηριστικά του εδάφους κ.α. Σε γενικές γραμμές είναι αναγκαίο να γίνει βελτίωση μιας τηλεπισκοπικής εικόνας πριν να είναι δυνατή η εξαγωγή χρήσιμης πληροφορίας. Ένας δρόμος σε με τηλεπισκοπική εικόνα εμφανίζεται ως ένα επιμήκες γεωμετρικό τμήμα με 4 βασικές ομάδες χαρακτηριστικών: Γεωμετρικά Χαρακτηριστικά: Ένας δρόμος γενικά εμφανίζεται σαν μια λωρίδα με σταθερό πλάτος και εξαιρετικά μεγάλο λόγο μήκους/πλάτους, παρουσιάζοντας διασταυρώσεις. Φωτομετρικά Χαρακτηριστικά: Οι δρόμοι παροουσιάζουν δύο εμφανείς ακμές στις άκρες τους, ενώ οι φασματικές τιμές της επιφάνειας είναι σχετικά σταθερές και παρουσιάζουν μικρές μεταβολές, αλλά συνήθως είναι πολύ διαφορετικές από την περιβάλλουσα περιοχή. Τοπολογικά Χαρακτηριστικά: Σε γενικές γραμμές, το οδικό δίκτυο παρουσιάζει διασταυρώσεις και δεν υπάρχουν ξαφνικές διακοπές. Χαρακτηριστικά Υφής: Οι διαφορετικές υφές μιας εικόνες διατηρούν τοπικά χαρακτηριστικά, τα οποία υποδηλώνουν την ομοιογένεια της εικόνας. Η υφή χαρακτηρίζεται από την χωρική κατανομή των φασματικών εντάσεων των εικονοστοιχείων. Διαφορετικά στοιχεία του οδικού δικτύου έχουν και διαφορετικές ιδιότητες. Στην πράξη, οι περισσότερες μέθοδοι ψηφιοποίησης οδικού δικτύου χρησιμοποιούν συνδυασμό των χαρακτηριστικών του οδικού δικτύου αντί για ένα ξεχωριστό χαρακτηριστικό. Καθώς μια σειρά παραγόντων μπορεί να επηρεάσει την ποιότητα μιας τηλεπισκοπικής εικόνας, είναι σημαντικό να ληφθούν υπόψιν οι παρακάτω παράγοντες παρεμβολής: - η παρατηρούμενη εμφάνιση ενός δρόμου σε μια τηλεπισκοπική εικόνα έχει σημαντικές διαφορές, γεγονός που καθιστά την κατάτμηση της εικόνας δυσκολότερη, - σε κακές καιρικές συνθήκες, η μικρή διαφορά στις φασματικές τιμές μεταξύ της επιφάνειας του δρόμου και του περιβάλλοντος δυσκολεύει το διαχωρισμό και προκαλεί κακό αποτέλεσμα κατάτμησης, - το πλάτος του δρόμου επιλέγεται ανάλογα με τις προδιαγραφές και δρόμοι με διαφορετικά πλάτη διασταυρώνονται, - το φαινόμενο της ασυνέχειας εμφανίζεται συχνά ειδικά σε περιπτώσεις όπου υπάρχουν σήραγγες και υπόγειες διαβάσεις, - μια τηλεπισκοπική εικόνα περιλαμβάνει μεγάλα ποσά πληροφορίας και είναι αναγκαία η εκτίμηση της ταχύτητας, της ακρίβειας και πληρότητας του αλγορίθμου ψηφιοποίησης
Μέθοδοι Ψηφιοποίησης Οδικού Δικτύου
Μέθοδοι μέσω Ταξινόμησης: Οι μέθοδοι μέσω ταξινόμησης συνήθως κάνουν χρήση των γεωμετρικών και φωτομετρικών χαρακτηριστικών και της υφής του δρόμου. Η ακρίβεια της ταξινόμησης συχνά δεν είναι ικανοποιητική λόγω της λανθασμένης ταξινόμησης μεταξύ του οδικού δικτύου και άλλων φασματικά παρόμοιων αντικειμένων όπως κτίρια, υδάτινοι όγκοι, πάρκινγκ κτλ. Ανάλογα με τη χρήση ή όχι περιοχών εκπαίδευσης, οι μέθοδοι χωρίζονται σε επιβλεπόμενες και μη. Οι επιβλεπόμενες μέθοδοι βασίζονται στην επιλογή περιοχών εκπαίδευσης και σε μεγάλο βαθμό η ακρίβεια της μεθόδου βασίζεται στα επιλεγμένα δείγματα. Σε γενικά πλαίσια οι μέθοδοι επιβλεπόμενης ταξινόμησης χωρίζονται σε μεθόδους με τεχνητά νευρωνικά δίκτυα, διανύσματα υποστήριξης μηχανής (support vector machines – svm), τυχαία πεδία Markov (Markov random fields – MRV) και μέγιστης πιθανοφάνειας (maximum likelihood – ML). Τα τεχνητά νευρωνικά δίκτυα εμπνέονται από τα βιολογικά νευρωνικά δίκτυα, όπου το υπολογιστικό μοντέλο αποτελείται από κόμβους οι οποίοι είναι συνδεδεμένοι μεταξύ τους. Μια σειρά από μεθόδους έχουν αναπτυχθεί βασισμένες πάνω σε αλγόριθμους οπισθοδιάδοσης (back propagation algorithm), οι οποίες παρουσιάζουν έναν σημαντικό αριθμό μειονεκτημάτων, όπως η ανάγκη πολλαπλών δειγμάτων εκπαίδευσης, η μείωσης της απόδοσης με την αύξηση του αριθμού των κατηγοριών ταξινόμησης κ.α., οπότε νέες μέθοδοι αναπτύσονται συνεχώς. Οι μέθοδοι που κάνουν χρήση διανυσμάτων υποστήριξης μηχανής είναι επιβλεπόμενες μέθοδοι οι οποίες αναπτύχθηκαν αρχικά για πραγματοποίηση ταξινόμησης και ανάλυση παλινδρόμησης. Παρουσιάζουν κάποια πλεονεκτήματα σχετικά με τη δυνατότητα γενικοποίησής τους και χρησιμοποιούνται ευρέως για την ανίχνευση αντικειμένων σε τηλεπισκοπικές εικόνες. Ωστόσο, παρουσιάζουν δυσκολίες στη χρήση τους όπως η επιλογή του διαστατικού χώρου, περιοχών εκπαίδευσης κ.α. Οι μέθοδοι με τη χρήση τυχαίων πεδίων Markov ανήκουν σε κλάδο της θεωρίας πιθανοτήτων και μπορούν να εξηγήσουν την συσχέτιση μεταξύ φυσικών φαινομένων. Η αλληλεπίδραση μεταξύ των εικονοστοιχείων διατηρεί μια χωρική συσχέτιση ώστε η εικόνα μπορεί να αναλυθεί αποτελεσματικά με τη χρήση τυχαίων πεδίων Markov πειγράφοντας τα στατιστικά χαρακτηριστικά της υφής. Ο αλγόριθμος χρησιμοποιείται ευρέως στην ανίχνευση ακμών, την κατάτμηση εικόνας κ.α. Η ταξινόμηση μέγιστης πιθανοφάνειας είναι μία από τις πιο συχνές μεθόδους επιβλεπόμενης ταξινόμησης. Κάνει χρήση της γκαουσιανής συνάρτησης πιθανοφάνειας και υπολογίζει την πιθανότητα κάποιου εικονοστοιχείου να ανήκει σε κάποια από τις κατηγορίες και το τοποθετεί στην κατηγορία με τη μεγαλύτερη πιθανότητα. Πρόσφατα, με σκοπό τη βελτίωση της ακρίβειας της ταξινόμησης, μια σειρά ερευνών πραγματοποιοούνται πάνω στον συνδυασμό διαφορετικών μεθόδων ταξινόμησης. Η ιδέα είναι να γίνεται εκπαίδευση διαφορετικών αλγορίθμων ταξινόμησης πάνω στις ίδιες περιοχές και στη συνέχεια να συνδυάζονται τα αποτελέσματα της ταξινόμησης. Οι μη επιβλεπόμενες μέθοδοι δεν απαιτούν την εκπαίδευση και έχουν κάποια πλεονεκ΄τηματα όσων αφορά στην επίλυση θεμάτων ταξινόμησης, αλλά σε γενικές γραμμές παράγουν αποτελέσματα χαμηλότερης ακρίβειας.
Μέθοδοι Έμπειρων Συστημάτων: Η ψηφιοποίηση δρόμων κάνοντας χρήση μόνο του τοπικού φάσματος και της πληροφορίας της υφής είναι δύσκολη. Τα μονέλα που κάνουν χρήση κάποιων κοινών παραμέτρων συνήθως κάνουν εξαγωγή κάποιων δομικών στοιχείων σύμφωνα με τη μεταξύ τους σχέση και εντοπίζουν συγκεκριμένες κατασκευές με σκοπό την υλοποίηση της τελικής ανίχνευσης αντικειμένου. Ενώ μια σειρά μεθόδων έχουν χρησιμοποιηθεί για την ψηφιοποίηση δρόμων από τηλεπισκοπικές εικόνες, οι μέθοδοι αυτές έχουν μια σειρά μειονεκτημάτων. Μέθοδοι Μαθηματικής Μορφολογίας: Η μέθοδος μαθηματικής μορφολογίας έχει επιστήσει την προσοχή μιας σειράς ακαδημαϊκών κύκλων σε τομείς όπως η επεξεργασία εικόνας, η αναγνώριση προτύπων κ.α. Από τη δεκαετία του ’80 ερευνητές χρησιμοποιούν τη μέθοδο για ψηφιοποίηση δρόμων από τηλεπισκοπικές εικόνες, ωστόσο τέτοιες μέθοδοι συνήθως συνδιάζονται με διαφορετικές μεθόδους κατάτμησης της εικόνας. Οι μέθοδοι μαθηματικής μορφολογίας παρέχουν κάποια βασικά πλεονεκτήματα τα οποία τις καθιστούν ευρέως χρησιμοποιούμενες για την ψηφιοποίηση δρόμων από τηλεπισκοπικές εικόνες, ωστόσο στην πράξη η κατάτμηση της εικόνας επηρεάζεται σημαντικά από την επιλογή των στοιχείων (σχήμα και μέγεθος). Μοντέλα Ενεργού Περιγράμματος: Η βασική ιδέα της μεθόδου είναι η χρήση μιας συνεχούς καμπύλης για την έκφραση της κατατομής των αντικειμένων και του ορισμού συνάρτησης ενέργειας με σκοπό η διαδικασία κατάτμησης να ορίζεται από την κατώτατη τιμή της συνάρτησης ενέργειας. Η χρήση του μοντέλου σε συνδυασμό με άλλες μεθόδους αποτελεί αυξανόμενη τάση για τη δημιουργία σωστών αποτελεσμάτων κατάτμησης σε τηλεπισκοπικές εικόνες. Δυναμικός Προγραμματισμός και Ομαδοποίηση: Ο δυναμικός προγραμματισμός εφαρμόζει μια μαθηματική μέθοδο για την επίλυση της βελτιστοποίησης της διαδικασίας απόφασης. Σε γενικές γραμμές, ένα παραμετρικό μοντέλο του δρόμου εκφράζεται ως συνάρτηση κόστους και στη συνέχεια γίνεται χρήση δυναμικού προγραμματισμού ως υπολογιστικού εργαλείου για τον ορισμό της βέλτισης πορείας μεταξύ των σημείων εισαγωγής.
Σύκριση
Όπως προαναφέρθηκε, κάθε αλγόριθμος έχει τα αντίστοιχα πλεονεκτήματα και μειονεκτήματα και ως εκ τούτου είναι δύσκολη η χρήση αποκλειστικά μιας μεθόδου για την επίτευξη υψηλής ακρίβειας κατάτμησης. Ως αποτέλεσμα οι διαδικασίες ψηφιοποίησης δρόμων πρέπει να συμπεριλαμβάνουν μια σειρά μεθόδων. Τα περισσότερα υπάρχοντα μοντέλα αντιμετωπίζουν τον δρόμο ως μια στενή φωτεινή λωρίδα και παράγουν καλό αποτέλεσμα ανίχνευσης. Ωστόσο, με την συνεχώς αυξανόμενη ανάλυση των εικόνων, τα χαρακτηριστικά των δρόμων αποκτούν μεγαλύτερη λεπτομέρεια με εντονότερες παρεμβολές λόγω οπτικού θορύβου και επομένως απαιτούν μια πιο λεπτομερή περιγραφή. Επομένως η επίτευξη ενός λεπτομερούς μοντέλου και η γρήγορη και ακριβής ψηφιοποίησης των δρόμων αποτελέι κοινό ενδιαφέρον πολλών ερευνητών.
Συμπεράσματα Η συγκεκριμένη εργασία επικεντρώνεται κυρίως στην ψηφιοποίηση κεντρικών και τροφοδοτικών δρόμων από τηλεπισκοπικές εικόνες. Οι περισσότερες από τις υπάρχουσες μεθόδους μπορούν με επιτυχία να αναγνωρίσουν δρόμους οι οποίοι έχουν ομογενή επιφάνεια, κάνοντας χρήση διαφορετικών χαρακτηριστικών. Ωστόσο, σε περιπτωσεις όπου ο περιβάλλων χώρος αποτελείται από υδατικές επιφάνειες, δέντρα, κτίρια, γρασίδι ή αυτοκίνητα και ειδικά από κατασκευές όπως υπερυψωμένες διαβάσεις, η φηφιοποίηση συχνά αποτυγχάνει, εισάγοντας κενά και ασυνέχειες. Επομένως, είναι αναγκαία επιπλέον έρευνα κυρίως λόγω της δυσκολίας της ενσωμάτωσης τέτοιου είδους ασυναφειών στην διαδικασία μοντελοποίησης, της ανάγκης χρήσης διαφορετικών και πολλαπλών χαρακτηριστικών των δρόμων σε μια τηλεπισκοπική εικόνα (υφή, φασματική υπογραφή κτλ) και της ανάγκης δημιουργίας μιας πλήρως αυτοματοποιημένης μεθόδου.
Σύνδεσμος πρωτότυπου κειμένου: [1]
