ترکیب بیزی آشکارسازهای چند مقیاسی برای استخراج جاده از تصاویر SAR

خلاصه

این مقاله یک الگوریتم ابتکاری استخراج شبکه جاده را با استفاده از تصاویر رادار دیافراگم مصنوعی (SAR) برای بهبود دقت استخراج جاده معرفی می‌کند. روش‌های پیشرفته، مانند استخراج کسری و بهینه‌سازی شبکه جاده‌ها، نتوانستند بخش‌های جاده‌ای پیوسته را در توالی‌های جداگانه به دست آورند، زیرا بهینه‌سازی نمی‌توانست قطعات نادیده گرفته شده توسط استخراج کسری را تغییر دهد. در این مقاله، الگوریتم پیشنهادی فرآیند استخراج و بهینه‌سازی کسری را به طور همزمان برای استخراج شبکه جاده ادغام می‌کند: (1) چارچوب بیزی برای انتقال استخراج شبکه جاده‌ای به استدلال مشترک احتمال استخراج کسری و اولویت بهینه‌سازی شبکه استفاده می‌شود. ; (2) آشکارساز ویژگی خطی چند مقیاسی (MLFD) و پرتو بهینه سازی شبکه معرفی شده است. (3) از میدان تصادفی شرطی (CRF) برای استدلال مشترک استفاده می شود. نتیجه بهینه جهانی است زیرا استخراج کسری و بهینه سازی شبکه به طور همزمان مورد بهره برداری قرار می گیرند. الگوریتم پیشنهادی این مشکل را حل می‌کند که کسری در فرآیند بهینه‌سازی شبکه کاهش می‌یابد و اثربخشی را در برنامه‌های کاربردی تصاویر SAR واقعی نشان داده است.

کلید واژه ها:

رادار دیافراگم مصنوعی ; شبکه جاده ای ؛ فیلد تصادفی شرطی ; بیزی _ آشکارساز ویژگی خطی چند مقیاسی

1. معرفی

1.1. SAR و استخراج شبکه جاده ای

تصاویر رادار دیافراگم مصنوعی (SAR) کاربردهای قابل توجهی در دنیای واقعی دارند، مانند نقشه برداری، سنجش از دور، برنامه ریزی شهری، کشاورزی و پیشگیری از بلایا [ 1 ]. در میان این کاربردها، استخراج جاده از علاقه تحقیقاتی قابل توجهی برخوردار است زیرا اهداف خطی (شامل جاده ها، پل ها، خطوط خط الراس و خطوط ساحلی) با تاریکی قابل توجهی در تصاویر SAR به دلیل پراکندگی عجیب ظاهر می شوند [2 ] .

دو مرحله کلی استخراج جاده از تصاویر SAR عبارتند از: تشخیص بخش محلی نامزد جاده و بهینه سازی شبکه جهانی جاده. عملگرهای تشخیص مختلف، مانند آشکارسازهای لبه معمولی [ 3 ] و عملگرهای مورفولوژیکی [ 4 ]، می توانند برای به دست آوردن بخش های نامزد از پیکسل ها یا سایت های محلی طراحی شوند. الگوریتم تشخیص نسبت بر اساس ویژگی های آماری توسعه یافته توسط توزی و همکاران. [ 5 ] تأثیر لکه را بسیار کاهش می دهد. برای بهینه‌سازی شبکه جاده، اطلاعات قبلی محدودیت‌هایی را برای تکنیک‌های انتخاب جهانی فراهم می‌کند [ 6 ، 7 ]. توپین و همکاران [ 8] یک تکنیک دو مرحله ای با اپراتورهای آشکارساز 1 (D1) و D2 برای استخراج نامزدهای اصلی پیشنهاد کرد. سپس، یک میدان تصادفی مارکوف (MRF) بر اساس نمودار متشکل از بخش‌های محلی برای بهینه‌سازی ساخت جاده ساخته شد. مدل MRF متغیرهای تصادفی باینری را بدون توجه به اینکه آیا بخش‌ها جاده‌های واقعی بودند، ارزیابی کرد و احتمال اتصال دو نامزد محلی را ارزیابی کرد. فرآیند بهینه‌سازی با به حداقل رساندن یک تابع انرژی با استفاده از آنیل شبیه‌سازی شده اجرا شد.

اکثر روش‌های سنتی تشخیص خط مبتنی بر اپراتور، بخش‌هایی را بر اساس ویژگی‌های محلی تصاویر SAR بدست می‌آورند. به دلیل نویز لکه ای در تصاویر SAR، برای به دست آوردن نتایج محلی به یک بهینه سازی جهانی نیاز است. انتخاب سراسری بخش‌های نامزد جاده اساساً یک فرآیند برچسب‌گذاری دسته‌بندی است که از اطلاعات زمینه‌ای استفاده می‌کند، به عنوان مثال، هر نامزد جاده به عنوان جاده یا نویز برچسب‌گذاری می‌شود. در [ 7 ، 8]، مدل‌های MRF برای شناسایی شبکه‌های جاده‌ای واقعی ساخته شدند. پیشرفته ترین MRF رویکردی است که از اطلاعات زمینه ای برای به حداقل رساندن تابع هزینه جهانی استفاده می کند که تأثیر مثبتی بر نتیجه طبقه بندی دارد. با این حال، MRF توزیع مشترک برچسب‌ها و داده‌ها را تخمین می‌زند و شامل توزیع داده‌هایی است که دستیابی به آن همیشه دشوار است. علاوه بر این، احتمال در یک سایت فقط از یک سایت به دست می آید، اما نه همه سایت ها، و عبارت قبلی فقط سایت های مجاور را مقایسه می کند [ 9 ، 10 ]. در مقابل، اطلاعات متنی جهانی در CRF برای مدل‌سازی احتمال عقبی برچسب‌ها در نظر گرفته می‌شود [ 11 ، 12]. CRF بر اساس حداکثر آنتروپی است و مزیت دستیابی به نتایج برچسب گذاری شده دقیق و قوی را دارد. وگنر و همکاران [ 13 ] یک فرمول جدید CRF برای برچسب‌گذاری جاده‌ها ایجاد کرد، که در آن موارد قبلی توسط گروه‌های درجه بالاتر با هدف توصیف اتصالات و تقاطع‌ها در ساختار جاده‌ها نشان داده می‌شد.

1.2. مشکلات و انگیزه

روش‌های سنتی دو مرحله‌ای مکمل یکدیگر نیستند و بخش‌های جاده معمولاً در روند بهینه‌سازی کاهش می‌یابند. در مطالعات قبلی ما، تجزیه و تحلیل هندسی چند مقیاسی برای تشخیص بخش [ 14 ] و بهینه سازی شبکه [ 15 ] استفاده شد. این دو مطالعه بر چالش‌های سنتی اصلی استخراج جاده از تصاویر SAR غلبه کردند، یعنی: (1) ویژگی‌های هندسی، مانند عرض و انحنای جاده‌های مختلف، در یک تصویر متغیر هستند. (2) تنوع دانش زمینه ای بخش. و (3) وجود نویز ضربی وابسته به سیگنال معروف به لکه. در [ 14 ]، یک آشکارساز ویژگی خطی چند مقیاسی (MLFD) ارائه شد که عملگر همبستگی نسبت را گسترش داد [ 7]] و تجزیه و تحلیل گوه [ 16 ]، و می تواند مستقیماً یک هدف خطی را شناسایی کرده و اندازه ماسک را به صورت تطبیقی تنظیم کند. الگوریتم بهینه سازی ارائه شده در [ 15 ]، که بر اساس یک چارچوب تجزیه و تحلیل تصویر چند مقیاسی بود، نمایشی از ویژگی های منحنی در فضا ارائه می دهد. تحقیقات بیشتر در مورد این دو روش شامل اجرای مستقل استخراج بخش و فرآیند بهینه‌سازی در این الگوریتم‌ها بوده است. کاهش نویز در بهینه‌سازی نیازمند محدودیت‌های قبلی است، در حالی که دانش قبلی تعاملات فضایی را منعکس می‌کند و با اطلاعات احتمالی نامزدهای جاده مرتبط است. بهینه سازی انجمن از بهترین ویژگی های هر دو استفاده می کند. بنابراین، ممکن است منجر به نتایج بهتر در برچسب گذاری جاده ها و سر و صدا واقعی شود.

انتخاب جهانی بخش‌های نامزد جاده اساساً یک فرآیند برچسب‌گذاری دسته‌بندی است. اعمال محدودیت‌های زمینه‌ای برای نامزدهای شناسایی‌شده می‌تواند تا حد زیادی اثربخشی تحلیل محلی را بهبود بخشد. در [ 7 ، 8 ]، مدل های MRF برای شناسایی شبکه های جاده ای واقعی ساخته شد. با این حال، MRF نمی تواند به طور کامل از اطلاعات زمینه ای جهانی در طول فرآیند برچسب گذاری استفاده کند. علاوه بر این، دستیابی به توزیع مشترک درگیر در MRF همیشه دشوار است. بنابراین، ما از CRF برای پیاده سازی استدلال مشترک در این مقاله استفاده می کنیم. CRF از مزایای دستیابی به نتایج برچسب گذاری شده دقیق و قوی و ارائه یک طبقه بندی نهایی با تخصیص احتمالات برخوردار است.

در این مقاله، ما یک چارچوب بیزی برای استخراج جاده می سازیم تا تعامل و یادگیری متقابل اطلاعات قبلی و احتمالی را انجام دهیم. در این کار: (1) یک چارچوب بیزی برای انتقال استخراج شبکه جاده‌ای به استدلال مشترک احتمال استخراج کسری و اولویت بهینه‌سازی شبکه استفاده می‌شود. (2) آشکارساز ویژگی خطی چند مقیاسی (MLFD) و پرتو بهینه سازی شبکه معرفی شده است. و (3) یک میدان تصادفی شرطی (CRF) برای استدلال مشترک استفاده می شود. استخراج کسری و بهینه‌سازی شبکه در یک روش پیاده‌سازی می‌شوند، بنابراین یک بهینه جهانی به دست می‌آید.

1.3. مشارکت و ساختار

سهم اصلی این مقاله معرفی یک تحلیل چند مقیاسی یکنواخت تحت چارچوب بیزی است که دو روش تشخیص هندسی مجزا و همچنین گسترش الگوریتم یادگیری و استنتاج در CRF را به هم مرتبط می‌کند:

(1): تجزیه و تحلیل چند مقیاسی برای ساخت هرم های تصویری بر روی داده های هر نگاه، که در آن هر تصویر به دنباله ای از مربع های دوتایی در هر سطح تقسیم می شود، معرفی شده است.
(2): بر اساس کار قبلی ما، از عملگرهای چند مقیاسی برای به دست آوردن احتمال و محدودیت های قبلی در CRF استفاده می شود: برای پتانسیل یکنواخت، یک آشکارساز به نام آشکارساز ویژگی خطی چند مقیاسی (MLFD) حداکثر پاسخ بخش های جاده را در مربع های دوتایی محاسبه می کند. در مقیاس های مختلف
(3): برای پتانسیل زوجی در CRF، پنج رابطه محدود، از جمله فواصل و زوایای متقاطع بین بخش‌های مجاور، تحت یک چارچوب پرتو به‌دست می‌آیند، و چندین تابع خطی کوتاه به‌طور دقیق طراحی شده‌اند تا از هموار شدن بیش از حد جلوگیری شود.

ساختار باقیمانده این مقاله به شرح زیر است. جزئیات چارچوب بیزی در بخش 2 ارائه شده است . بخش 3 پتانسیل یکنواخت در مدل CRF را شرح می دهد و بخش 4 پتانسیل جفتی در مدل CRF را شرح می دهد. بخش 5 خلاصه ای از جمله فلوچارت چارچوب بیزی را ارائه می دهد. در نهایت، بخش 6 آزمایشی را بر اساس داده های SAR هوابرد و فضابرد ارائه می کند و بخش 7 نتیجه گیری این مقاله را ارائه می دهد.

2. چارچوب بیزی

استخراج جاده را می توان به عنوان یک مشکل برچسب گذاری باینری در نظر گرفت و بسیاری از فرضیات قبلی در مورد جاده ها ممکن است در مدل ها کدگذاری شوند. در این مقاله، یک چارچوب بیزی برای انتقال استخراج شبکه جاده‌ای به استدلال مشترک احتمال استخراج کسری و اولویت بهینه‌سازی شبکه استفاده می‌شود. ما یک مدل CRF با شرایط قبلی دقیق طراحی شده برای استخراج جاده از تصاویر SAR می‌سازیم: (1) یک آشکارساز ویژگی خطی چند مقیاسی (MLFD) [14] این احتمال را برای بخش‌های جاده فراهم می‌کند تا نمایش پراکنده سازه‌های جاده را در چندگانه به دست آورند . داده های نگاه. (2) پیشین های محلی با چندین محدودیت از پرتو توصیف می شوند. تجزیه و تحلیل پرتو [ 15 ، 17] یک چارچوب چند مقیاسی برای تشخیص اجسام هندسی است که از طیفی از مقیاس، محلی‌سازی و بخش‌های خط جهت برای نمایش تصویر استفاده می‌کند. در اینجا، ما فلوچارت را برای ارائه چارچوب خود در شکل 1 ارائه می کنیم . ابتدا، چارچوب MLFD برای استخراج احتمال بخش‌های جاده با استفاده از هرم چند مقیاسی مورد سوء استفاده قرار می‌گیرد. سپس، تجزیه و تحلیل بیملت و محدودیت‌های فاصله قبلی برای تشکیل عبارت‌های واحد و زوجی در مدل CRF گنجانده شده‌اند. در نهایت، رویکرد بیزی مبتنی بر بهینه سازی حداکثر پسینی (MAP) [ 18 ] برای به دست آوردن نتایج استخراج جاده انجام می شود.

2.1. مدل CRF

به عنوان یک مدل گراف، CRF می تواند تصمیمات دقیقی را در مورد نتایج طبقه بندی ارائه دهد و توزیع احتمال دامنه برچسب گذاری شده را از نمونه های ورودی محاسبه کند. در مقایسه با MRF، که توزیع احتمال مشترک را برای بهینه‌سازی اطلاعات کلی مدل می‌کند، CRF مستقیماً توزیع احتمال خلفی فیلد برچسب را برای ارائه بهینه‌سازی ارتباط اطلاعات قبلی و احتمال ایجاد می‌کند.

اجازه دهید x نشان دهنده داده های مشاهده شده و y مجموعه برچسب باشد (دودویی،

- 1

یا یکی در این مقاله)؛ احتمال پسین را می توان به صورت نمایی به صورت زیر نشان داد:

پ (y | x) \propto انقضا {\sum من \in اس آ من (y من ، x) + \sum من \in اس \sum j \in ن من من من ج (y من ، y j ، x)}

(1)

I = \{x_{1}, x_{2}, \dots, x_{M}\}

یعنی تصویر I از M پیکسل یا سوپرپیکسل تشکیل شده است

x_{i}

(مجموعه ای از چند پیکسل)، که در آن i یک بخش را نشان می دهد

S = \{1, 2, \dots, M\}

از تمام بخش های تصویر و j یک قطعه در مجموعه همسایه است

N_{i}

از بخش i در فرمول (1)

A_{i}

I_{i j}

به ترتیب پتانسیل های واحد و جفتی هستند.

A_{i}

احتمال برچسب گرفتن بخش i را اندازه گیری می کند

y_{i}

، در حالی که

I_{i j}

تعامل بین بخش های i و j را توصیف می کند .

2.2. استدلال CRF برای استخراج جاده

علاوه بر مدل‌سازی مستقیم توزیع شرطی برچسب‌ها، یکی دیگر از جنبه‌های کلیدی CRF از نظر ما این است که نمونه‌های مشاهده‌شده، به عنوان مثال، بخش‌های جاده، در هر بخش دوتایی لازم نیست به‌طور مشروط مستقل باشند. رویکردهای چند مقیاسی برای CRF به طور گسترده در تشخیص هدف خطی [ 14 ، 15 ، 19 ] استفاده می شود، که در آن ویژگی ها در هر مقیاس متفاوت است. با استخراج ویژگی‌ها برای هر مقیاس هدف خطی احتمالی و یادگیری پارامترها به طور مشترک در مقیاس‌ها، مقیاس مدل را ثابت می‌کنیم.

برای کاربردهای استخراج جاده، ما به طور انعطاف پذیر دو شکل از توابع ویژگی را در CRF پیکربندی می کنیم: تابع ویژگی حالت

ϕ_{i} (x)

از برچسب در بخش i در عبارت واحد و تابع ویژگی انتقال

μ (ϕ_{i} (x), ϕ_{j} (x))

از برچسب‌ها در بخش i و یک قطعه j مجاور به صورت زوجی. پتانسیل یکنواخت و پتانسیل زوجی با طبقه‌بندی‌کننده‌های مربوطه طراحی شده‌اند. ویژگی حالت برای تفسیر ویژگی‌های جاده به صورت پراکنده در نظر گرفته شده است، جایی که حداکثر پاسخ‌های بخش‌های دوتایی چند مقیاسی در MLFD به عنوان عناصر ویژگی عمل می‌کنند. ویژگی انتقال نشان دهنده روابط هندسی محلی بین بخش های همسایه، مانند فواصل زاویه ای و نقطه پایانی است. بنابراین، احتمال مشروط

P (y | ϕ (x))

می تواند توسط:

پ( y| ϕ ( x ) ) =1ز( ϕ ( x ) )انقضا {∑من ∈ اسآمن(yمن،ϕمن( x ) ) +∑من ∈ اس∑j ∈نمنمنمن ج(yمن،yj، μ (ϕمن( x ) ،ϕj( x ) ) }_پ�|�ایکس=1ز�ایکسانقضا∑من∈اسآمن�من،�منایکس+∑من∈اس∑�∈نمنمنمن��من،��،��منایکس،��ایکس

(2)

جایی که $Z (ϕ (x))$ تابع پارتیشن است و توسط:

ز( ϕ ( x ) ) =∑yانقضا {∑من ∈ اسآمن(yمن،ϕمن( x ) ) +∑من ∈ اس∑j ∈نمنمنمن ج(yمن،yj، μ (ϕمن( x ) ،ϕj( x ) ) ) _ز�ایکس=∑�انقضا∑من∈اسآمن�من،�منایکس+∑من∈اس∑�∈نمنمنمن��من،��،��منایکس،��ایکس

(3)

در ساختار گراف CRF مشروط به بخش مشاهده است

x_{n} (i)

( شکل 2 را ببینید )،

x_{n} (i)

قطعه نامزد در بخش i در مقیاس k است ،

x_{n} (j)

بخشی است که با آن در تعامل است

x_{n} (i)

ϕ_{n} (x_{i})

ویژگی احتمال ایجاد شده توسط یک درجه پارتیشن مشخص در مقیاس n است . متغیر تصادفی را می گیریم

x_{e}

یک راس در نمودار CRF باشد. برچسب آن

y_{e}

زمانی خواهد بود که در واقع روی خطوط جاده قرار گیرد.

3. پتانسیل واحد در مدل CRF ما

آشکارساز ویژگی خطی چند مقیاسی (MLFD) پتانسیل یکپارچه را ضبط می کند، که در آن حداکثر پاسخ های بخش های دوتایی چند مقیاسی به عنوان عناصر ویژگی عمل می کنند.

تابع پتانسیل واحد

A_{i} (y_{i}, ϕ_{i} (x))

اطلاعات را در یک بخش توصیف می کند و احتمال اینکه برچسب بخش i باشد را اندازه گیری می کند

y_{i}

برای داده های مشاهده شده x . CRFهای مختلف ممکن است طبقه‌بندی‌کننده‌های مختلفی را به عنوان پتانسیل‌های یکپارچه در نظر بگیرند، مانند پتانسیل تقویتی [ 17 ] و CRF هسته [ 15 ]. در این CRF، پتانسیل واحد ما توسط طبقه‌بندی کننده لجستیک عمومی [ 20 ] تعریف می‌شود و ویژگی‌های احتمال توسط MLFD ارائه می‌شود.

3.1. اطلاعات احتمال از MLFD

در [ 8 ]، آشکارساز ویژگی خطی چند مقیاسی یک فیلتر ماسکی طراحی می کند که یک تصویر را به چندین منطقه مختلف برای تشخیص بخش های منطقه محلی تقسیم می کند. محدوده اندازه ماسک با استفاده از روش چند وضوح انتخاب می شود. اپراتور می تواند اندازه ماسک را به صورت تطبیقی تنظیم کند و عرض و جهت ناحیه مرکزی را تغییر دهد. علاوه بر این، ویژگی های آماری و هندسی منطقه محلی در نظر گرفته شده است.

MLFD از ادغام آشکارساز خط نسبت (D1) و آشکارساز خط همبستگی متقابل (D2) [ 7 ] مشتق شده است. در طول روش MLFD، یک تصویر ورودی به طور مکرر به دو در دو مربع تقسیم می شود، و سپس، همانطور که در شکل 3 نشان داده شده است، یک چهار درخت برای هرم تصویر ساخته می شود . در هر سطح، MLFD پاسخ های تمام بخش های قبلی را محاسبه می کند. پاسخ ها به عنوان ویژگی در نظر گرفته می شوند و ارتباط ویژگی ها در سطوح مختلف به عنوان بردار ویژگی در اصطلاح احتمال چارچوب CRF در نظر گرفته می شود. در جزئیات، ماسک یک بخش محلی را به سه ناحیه مجاور تقسیم می کند ( شکل 3 ب را ببینید). سپس، پاسخ بخش محلی را می توان به صورت بیان کرد

r (v_{1}, v_{2}, w, μ_{1}, μ_{2}, μ_{3})

، جایی که

v_{1}, v_{2}

نقاط انتهایی خط مرکزی در ناحیه مرکزی، w عرض ناحیه مرکزی و

μ_{1}, μ_{2}, μ_{3}

مقادیر میانگین سه ناحیه در ماسک هستند که با استفاده از معادله زیر محاسبه می شوند:

μ من = (1 / n من) \sum s \in i آ س

(4)

که در آن s یک پیکسل با دامنه است $A_{s}$ و $n_{i}$ تعداد پیکسل های تک بخش i را می شمارد .

با l نشان دهنده طول ناحیه مرکزی و α بیانگر ضریب یکنواختی، پاسخ MLFD را می توان به صورت زیر تعریف کرد:

تی (m) = l α r ρ 1 - r - ρ - 2 r ρ, r, ρ \in [0, 1]

(5)

جایی که m خط مرکزی ماسک در ناحیه ای است که باید تشخیص داده شود و r و ρ به ترتیب پاسخ عملگرهای D1 و D2 هستند که در رابطه ( 6 ) ارائه شده است. α تداوم ناحیه مرکزی را که با r مرتبط است ارزیابی می کند .

⎧ ⎩ ⎨ ⎪ ⎪ r = دقیقه (r 12 ، r 13) r من ج = 1 - دقیقه (μ من / μ j ، μ j / μ من) α = (1-_r 12) \times (1 - r 23) ، ⎧ ⎩ ⎨ ⎪ ⎪ ρ = دقیقه (ρ 12 ، ρ 13) ρ 2 من ج = 1 / (1 + (n من + n j) n من γ 2 من ج 2 من ج + n j γ 2 j n من n j ( ج من ج - 1 ) 2)

(6)

جایی که $r_{i j}$ نشان دهنده پاسخ نسبت مناطق i و j است ، $c_{i j} = μ_{i} / μ_{j}$ و $γ_{i}$ واریانس دامنه ها در منطقه i است .

در این مقاله، با داده های SAR، می توانیم سه پاسخ MLFD مختلف را به دست آوریم

T^{K} (m)

در مورد ظاهرهای مختلف، به عنوان مثال،

K \in {h h, h v, v v}

T^{K} (m)

یک بردار به هم پیوسته است که از پاسخ‌هایی بر روی سه عنصر پراکنده تشکیل شده است

A_{s}^{h h}

دامنه عنصر پراکنده است

S_{h h}

. پاسخ ها

T^{K} (m)

در تابع ویژگی حالت و تابع ویژگی انتقال در CRF طراحی خواهد شد.

3.2. اصطلاح بالقوه Unary

در این مقاله، ما یک طبقه‌بندی کننده لجستیک کلی برای توصیف پتانسیل یکنواخت در CRF می‌گیریم، به عنوان مثال،

⎧ ⎩ ⎨ آ من (y من ، ϕ من (x)) = log (1 + ه - y من ω تی ساعت من (x)) ساعت من (x) = [تی 1 (متر من) ، تی 2 (متر من) ، \dots_تی n (متر من) ، 1] تی

(7)

جایی که $h_{i} (x)$ ماتریس ویژگی های چند مقیاسی بخش دوتایی i است که از پاسخ های MLFD تشکیل شده است. $T_{n} (m_{i})$ نشان دهنده حداکثر پاسخ MLFD در بخش i در مقیاس n است . بردار پارامتر مدل $ω = {[ω_{1}, ω_{2}, \dots, ω_{K}, α_{1}]}^{T}$ شامل وزنی برای هر آیتم در ماتریس است $h_{i} (x)$ و در طی فرآیند آموزشی یاد گرفته می شود و $α_{1}$ یک پارامتر مبادله است.

4. پتانسیل زوجی در مدل CRF ما

تابع پتانسیل زوجی

I_{i j} (y_{i}, y_{j}, μ (ϕ_{i} (x), ϕ_{j} (x)))

تعامل فضایی بین دو بخش i و j را با توجه به کل داده های مشاهده شده x منعکس می کند . تفاوت با پتانسیل های دسته در MRF ها این است که قطعه j لزوماً نباید در همسایگی قطعه i باشد.، اما ممکن است یک بخش دلخواه از همه داده ها باشد. در چارچوب استخراج جاده، اطلاعات قبلی در پتانسیل زوجی تحت تجزیه و تحلیل بیملت مورد بهره‌برداری قرار می‌گیرد. ما به طور کامل از انعطاف‌پذیری طراحی ماتریس ویژگی در پتانسیل زوجی استفاده می‌کنیم و چندین محدودیت را بین بخش‌های همسایه محلی معرفی می‌کنیم. تابع پتانسیل زوجی با محدودیت های قبلی، از جمله طول قطعه، انحنا و فاصله تقاطع طراحی شده است.

4.1. محدودیت های قبلی تحت تجزیه و تحلیل بیملت

تجزیه و تحلیل Beamlet [ 21 ] یک چارچوب درک تصویر با وضوح چندگانه است که توسط Donoho و Hou در سال 2000 ایجاد شد. مقیاس، مکان و جهت‌گیری را بر اساس بخش‌های خطی سازمان‌یافته دوگانه بومی‌سازی می‌کند. در این چارچوب، یک تبدیل beamlet بر اساس فرهنگ لغت beamlet انجام می‌شود که از انواع بخش‌های خط در طیف وسیعی از مقیاس‌ها، مکان‌ها و جهت‌ها تشکیل شده است. سپس، هرم پرتو و نمودار را می توان برای الگوریتم بیملت ساخت.

تبدیل Beamlet از طریق تجزیه چند مقیاسی مشابه MLFD انجام می شود که به طور مکرر یک تصویر را به یک سری از بخش های دوتایی تقسیم می کند. در هر بخش، اتصال دو راس دلخواه یک قطعه پرتو را تشکیل می دهد. مجموع مقادیر سطح خاکستری پیکسل ها روی یک پرتو به عنوان تبدیل پرتو تعریف می شود، و پاسخ تبدیل پرتو گسسته در این مقاله به صورت زیر ارائه می شود:

تی (ب) = \sum p \in b g (p) / l (ب) 1/2__

(8)

جایی که $g (p)$ مقدار سطح خاکستری پیکسل p و طول است $l (b)$ تعداد پیکسل های قطعه b را می شمارد .

علاوه بر این، در طول تجزیه و تحلیل بیملت، از یک پارتیشن چند مقیاسی برای به دست آوردن دنباله ای از بخش های دوتایی استفاده می شود.

P

در سطوح مختلف هر مربع با یک پرتو نشان داده می شود و تجزیه پرتو برای نشان دادن بهترین پارتیشن به صورت زیر است:

پ o p t = ارگ حداکثر p \in P {\sum s \in p حداکثر b ~ s تی (ب) - λ # p}

(9)

جایی که $b \sim s$ ماسک پرتو b در قطعه دوتایی s و است $# p$ تعداد واحدهای مجموعه p را در یک سطح معین می شمارد. پارامتر λ ضریب جریمه پیچیدگی است که درجه تجزیه را اندازه می گیرد. λ کوچکتر بخش های بیشتری را به دست می آورد و جزئیات تصویر بیشتری را نشان می دهد، در حالی که یک λ بزرگ ممکن است خطوط کلی تصویر را با بخش های نویز کمتر تعیین کند.

برای به دست آوردن جواب بهینه برای معادله ( 9 )، یک فرآیند هرس از پایین به بالا برای چهار درخت ساخته شده استفاده می شود. برای یک بخش در مقیاس های مختلف، تنها بخش های حداکثر پاسخ ها در یک سطح حفظ می شوند:

\sum i = 1 4 تی (ب من) - 4 λ > T (ب پ) - λ

(10)

که در آن بخش‌های چهار زیرمربع ذخیره می‌شوند و پاسخ والد آنها به مجموع چهار پاسخ فرعی به‌روزرسانی می‌شود. در غیر این صورت، مربع های فرعی کنار گذاشته می شوند و والد آنها دیگر تقسیم نمی شوند. در معادله ( 10 ) $T (b_{i})$ پاسخ پرتوی مربع فرعی i است و $T (b_{p})$ مربع والد مربوطه آنهاست. در این مرحله هرس، نتایج نهایی جاده بیملت ارائه می شود.

سازمان ادراکی، که برای ارزیابی روابط ساختاری عناصر اولیه مختلف شناخته شده است، به طور گسترده در بینایی کامپیوتر استفاده شده است [ 22 ، 23 ]. در این مطالعه، روابط متنی بین بخش‌های جاده، مانند زوایای تقاطع، انحناها، فواصل نقطه پایانی و مجاورت‌ها، بهینه‌سازی جهانی را با محدودیت‌های قبلی موثر برای استخراج جاده از تصاویر SAR ارائه می‌دهد. همانطور که در شکل 4 نشان داده شده است، از چندین قید رابطه ای برای گروه بندی و برچسب گذاری بخش ها استفاده می کنیم .

فاصله زاویه ای: این مورد زاویه عبور دو خط را اندازه گیری می کند ( شکل 4 a را ببینید) و به صورت زیر تعریف می شود:

D آ = دقیقه (θ ، π - θ)

(11)

جایی که $θ_{1}$ و $θ_{2}$ زوایای مماس دو بخش با محدوده مقدار هستند $(- π / 2, π / 2]$ .

فاصله جانبی: فاصله جانبی قطعات در یک منطقه محلی باید کوچک باشد و به عنوان فاصله عمود از نقطه میانی خط کوتاهتر به خط بلندتر محاسبه می شود. همانطور که در شکل 4 ب نشان داده شده است، اگر L نشان دهنده طول پاره بلندتر و D فاصله عمودی این دو خط باشد، فاصله جانبی با:

D تی = D / L

(12)

فاصله نقطه پایانی: این شبیه به فاصله جانبی است، به طوری که d نشان دهنده حداقل فاصله تقاطع چهار نقطه انتهایی در دو خط و L نشان دهنده طول قطعه طولانی تر است، همانطور که در شکل 4 c نشان داده شده است. فاصله نقطه پایانی را می توان به صورت زیر نوشت:

D ه = د / ال

(13)

مجاورت: نزدیکی دو بخش، میزان احتمال نزدیک بودن بخش‌های مجاور به یکدیگر را اندازه‌گیری می‌کند و اهمیت ادراکی آنها را منعکس می‌کند، همانطور که در شکل 4 د نشان داده شده است. مجاورت به صورت زیر محاسبه می شود:

پ = L 2 / 2 π آر 2

(14)

که در آن L طول خط کوتاهتر و R حداقل فاصله تقاطع مشابه d در معادله ( 13 ) است.

پیوستگی: پیوستگی [ 23 ] رابطه ساختاری بین بخش‌ها را توصیف می‌کند و وزنی را که بخش‌های جاده باید به آن متصل شوند، همانطور که در شکل 4 نشان داده شده است، تعیین می‌کند . تداوم به صورت زیر تعریف می شود:

سی = 1 ( α 2 + β 2 ) ( w 1 + w 2 ر )

(15)

که در آن α و β زوایای تقاطع خطوط با خطوط افقی در نقاط انتهایی متصل هستند و $w_{1}$ و $w_{2}$ وزن صافی را در نقطه پایانی متصل و فاصله بین نقاط انتهایی اتصال را تعیین کنید. مشابه پاسخ های MLFD $T^{K} (m)$ در داده‌های SAR، پنج محدودیت بالا بر روی مجموعه داده SAR K محاسبه شده و در پنج بردار با سه عنصر ترکیب می‌شوند. بردارها به صورت نوشته می شوند $D_{K}^{a}$ ، $D_{K}^{t}$ ، $D_{K}^{e}$ ، $P^{K}$ و $C^{K}$ . در پتانسیل زوجی نهایی، سه بردار اول یکنواختی قبلی را تشکیل می‌دهند و دو بردار آخر پیشین وابسته به کنتراست را تشکیل می‌دهند.

4.2. اصطلاح پتانسیل زوجی

پتانسیل زوجی ما شامل یک قبل صافی و قبل وابسته به کنتراست است. با توجه به تعریض و صاف بودن معابر،

D^{a}

D^{t}

D^{e}

بین بخش‌ها در منطقه محلی بسیار کوچک هستند، به این معنی که مقدار کمتری از این صافی قبل انرژی بالاتری را اعمال می‌کند و ما باید به شدت فاصله بزرگ‌تری را جریمه کنیم.

D^{a}

D^{t}

D^{e}

. ما یک تابع سیگموئید را برای صافی قبل به صورت زیر معرفی می کنیم:

ψ س من ج = ⎧ ⎩ ⎨ 1 1 + انقضا ( ϑ ⊙ ( μ س من ج ( x ) - κ ) ) v s i j ، 0, من f y من = y j o t h e r w i s e

(16)

جایی که $μ_{i j}^{s} (x) = [D_{K}^{a}, D_{K}^{t}, D_{K}^{e}]$ بردار ویژگی مربوط به بخش های i و j در مجموعه داده SAR K است . $ϑ$ و $κ$ بردارهای خمش منحنی هستند $D^{a}$ ، $D^{t}$ و $D^{e}$ ; ⊙ نشان دهنده محصول هادامارد است. $v_{s i j}$ تأثیر هر فاصله بر همواری قبل را اندازه گیری می کند.

در امتداد جاده‌های نسبتاً پیوسته، بخش‌های مجاور فواصل زاویه‌ای و نقطه پایانی مشابهی دارند، و این پارامترهای بخش‌های جاده واقعی نزدیک به میانگین بردار مجموعه نامزدهای محلی خواهند بود. ما یک مجموعه محلی به دست می آوریم که شامل حداقل ده بخش در ناحیه همسایه قطعه است

x_{i}

، و سپس، بردار ویژگی میانگین را محاسبه می کنیم

{\bar{μ}}_{i}

و انحراف معیار

σ_{i}

. با فاصله اقلیدسی،

d_{i j} = μ_{i j} - {\bar{μ}}_{i}

انحراف بردار را اندازه گیری می کند

μ_{i j}

از جانب

{\bar{μ}}_{i}

، و وزن

v_{s i j}

به عنوان … تعریف شده است:

v s i j = ⎧ ⎩ ⎨ ⎪ ⎪ v s i j ، v s i j (1-_د من ج / (4 σ من)) ، 0, من f من f من f د من ج \leq σ من σ من < د من ج \leq 4 σ من د من ج > 4 σ من

(17)

تابع خطی کوتاه [ 13 ] وزن کامل را برای بخش های زوجی در داخل تضمین می کند

σ_{i}

، کاهش خطی وزن به بخش های بین

σ_{i}

4 σ_{i}

(آستانه تجربی) و بخش های زوجی بالاتر از چهار انحراف استاندارد را حذف می کند. عملکرد وزن دهی به طور قابل توجهی به جلوگیری از صاف شدن بیش از حد کمک می کند.

سپس، پیشین وابسته به کنتراست در مدل Ising [ 24 ] شکل زیر را به خود می گیرد:

ψ پ من ج = y من y j μ پ من ج (x) v تی p i j

(18)

جایی که $μ_{i j}^{p} (x) = [f_{i j} (x), P_{i j}, C_{i j}]$ بردار ویژگی مرتبط است، $f_{i j} = [h_{i} (x), h_{j} (x)]$ یکی از ویژگی های الحاق بخش های منفرد i و j است . $P_{i j}$ و $C_{i j}$ به ترتیب اولویت های مجاورت و تداوم را نشان می دهد. و $v_{p i j}^{T}$ نشان دهنده وزن برای $μ_{i j}^{p} (x)$ ، که در طول فرآیند آموزش CRF تنظیم می شوند.

در نهایت، پتانسیل زوجی در این مدل CRF به صورت زیر تعریف می‌شود:

من من ج (y من ، y j ، x) = ε ψ س من ج + η ψ پ من ج

(19)

که در آن ε و η نقاط قوت عبارت‌های زوجی را با عبارت واحد در مدل مبادله می‌کنند و از طریق یافتن مقدار بهینه در مجموعه آموزشی تنظیم می‌شوند. فرآیند بهینه سازی معادله (2) با نسخه بهبود یافته روش شبه نیوتن بر اساس نسخه ارائه شده توسط گولد و همکاران به کار گرفته شده است. [ 25 ].

5. پردازش پست

5.1. توزیع کامل خلفی CRF

با استفاده از تعاریف عینی پتانسیل یکنواخت در رابطه ( 7 ) و پتانسیل زوجی در معادله ( 19 )، احتمال پسین

p (y | ϕ (x))

در رابطه (1) می توان به صورت زیر بازنویسی کرد:

p (y | ϕ (x), Θ) \propto \prod من \in اس (1 + exp (- y من ω تی ساعت من (x)) \times_\prod من \in اس \prod j \in ن من (y من y j v تی μ من ج (x))

(20)

جایی که $Θ = \{ω, v\}$ مجموعه ای از پارامترها در مدل است.

5.2. روش های عادی سازی

در قسمت های بالا ویژگی های مختلف و محدودیت های قبلی را تعریف کرده ایم. اینها می توانند برای تفسیر خواص مختلف و ارائه توصیفی یکسان از ویژگی های جاده ها استفاده شوند. برای جلوگیری از بی ثباتی عددی در دوره آموزش CRF، روش های عادی سازی باید در مدیریت ماتریس های ویژگی معرفی شوند.

دوتایی سازی: برای فاصله زاویه ای از روش باینریزه سازی استفاده می شود

D^{a}

، فاصله جانبی

D^{t}

و فاصله نقطه پایانی

D^{e}

در این مطالعه. باینریزه کردن با مقایسه مقادیر ویژگی بخش با همسایگی چهار اتصال آن انجام می شود. گرفتن فاصله زاویه ای

D_{i j}^{a}

از قطعات در بخش i و j به عنوان مثال،

D_{i j}^{a}

با استفاده از رابطه ( 11 ) و میانگین فاصله زاویه ای محاسبه می شود

{\bar{D}}_{i}^{a}

بین بخش i و همسایگی آن به صورت زیر تعریف می شود:

D ¯ آ من = \sum k \in ن من D آ من ک / n u m (ن من)

(21)

جایی که $N_{i}$ مجموعه همسایگی بخش i است ، $D_{i k}^{a}$ فاصله زاویه ای قطعات در پاره های i و k و است $n u m (N_{i})$ مقدار مجموعه را می شمارد $N_{i}$ .

با توجه به تعریض و صاف بودن معابر،

D^{a}

D^{t}

D^{e}

بین بخش ها در مناطق محلی باید مقادیر کمی داشته باشند. بنابراین، ما آستانه تعیین می کنیم

T_{a}

با استفاده از چندین مجموعه از نتایج تجربی. به طور خاص، فاصله زاویه ای

D_{i j}^{a}

در صورت اختلاف مطلق از میانگین محلی حفظ خواهد شد

{\bar{D}}_{i}^{a}

کوچکتر از آستانه است

T_{a}

; در غیر این صورت دور ریخته می شود. بنابراین، باینری سازی به صورت زیر نوشته می شود:

D الف (ب) من ج = {1 ، 0, من f | D آ من ج - D ¯ آ من | \leq تی آ من f | D آ من ج - D ¯ آ من | > تی آ

(22)

شبیه به معادله ( 22 )، دوتایی ها برای فاصله جانبی

D_{i j}^{t}

و فاصله نقطه پایانی

D_{i j}^{e}

را می توان با جایگزینی اختلاف مطلق با نسبت بین مقدار ویژگی و میانگین محلی بدست آورد. برای آستانه ها، این دو باینری سازی را به صورت زیر تعریف می کنیم:

D t (ب) من ج = ⎧ ⎩ ⎨ 1 ، من f D تی من ج / D ¯ تی من \leq تی تی 0, من f D تی من ج / D ¯ تی من > تی تی; D e (ب) من ج = {1 ، من f D ه من ج / D ¯ ه من \leq تی ه 0, من f D ه من ج / D ¯ ه من > تی ه

(23)

برای نزدیکی

P_{i j}

و تداوم

C_{i j}

، پس پردازش به عنوان نسبت مقدار فعلی و میانگین محلی نرمال می شود، اما نه دوتایی ها، و می تواند به صورت زیر بیان شود:

⎧ ⎩ ⎨ پ (ب) من ج = پ من ج / پ ¯ من ج سی (ب) من ج = سی من ج / سی ¯ من ج

(24)

جایی که میانگین های محلی ${\bar{P}}_{i j}$ و ${\bar{C}}_{i j}$ با استفاده از روش مشابه برای محاسبه می شوند ${\bar{D}}_{i}^{a}$ در معادله ( 21 ).

در نهایت، ماتریس ویژگی انجمن

μ_{i j} (x)

در پتانسیل زوجی را می توان با استفاده از پنج محدودیت قبلی دودویی ارائه شده در بالا و ویژگی های بخش i و j تعیین کرد . سپس شکل قطعی به صورت زیر است:

μ من ج (x) = [f 1 من ج ، f 2 من ج ، \dots ، f n i j ، D الف (ب) من ج ، D t (ب) من ج ، D e (ب) من ج ، پ (ب) من ج ، سی (ب) من ج]

(25)

جایی که $f_{n i j} = [h_{n i} (x), h_{n j} (x)]$ ترکیب ساده ای از ویژگی های بخش های منفرد i و j در یک مقیاس خاص n است .

6. آزمایش ها و نتایج

6.1. داده ها و تنظیمات تجربی

برای ارزیابی روش استخراج جاده پیشنهادی، هر دو تصاویر SAR فضابرد و هوابرد برای آزمایش روش استفاده می‌شوند. دو داده اول، داده‌های واقعی TerraSAR هستند که در آلمان ( شکل 5 الف را ببینید) و ووهان، چین (نگاه کنید به شکل 6 الف) به دست آمده‌اند. اندازه تصویر اول است

1000 \times 1000

پیکسل و وضوح مکانی آن است

3.0

متر

\times 2.2

متر تصویر دوم یک صحنه گسترده با اندازه است

1152 \times 644

پیکسل ها حقایق زمین مربوطه تصاویر دو بعدی هستند که به صورت دستی برچسب گذاری شده اند ( شکل 5 ب و شکل 6 ب). ما همچنین از داده‌های SAR هوابرد، که با استفاده از تجهیزات توسعه‌یافته توسط چین و مشتق شده از SAR باند X هوابرد ارائه شده توسط مؤسسه 38 چین، شرکت فناوری الکترونیک، به دست آمده‌اند، برای ارزیابی روش پیشنهادی استفاده کردیم. منطقه آزمایش در نزدیکی شهرستان لینگشوی، استان هاینان، چین است. تصاویر دهانه در شکل 7 الف و شکل 8 الف ارائه شده اند و اندازه آنها هر دو است.

1000 \times 1000

پیکسل ها پارامترهای هر آزمایش که در طول فرآیند آموزش آموخته شده است، به شرح زیر فهرست شده است: در شکل 5 ، درجه تجزیه λ تیرچه به صورت 4.4 تنظیم شده است، و بردارهای خمش منحنی عبارتند از

ϑ

= [ 1 ، 5 ، 7 ] و

κ

= [30، 0.8، 0.5]، در حالی که در شکل 6 ، λ 2.3 است،

ϑ

= [ 1 ، 6 ، 5 ] و

κ

= [20، 0.8، 0.7]. برای صحنه های SAR هوابرد در شکل 7 a و شکل 8 a، روش های مقایسه ای MLFD و beamlet بر روی تصاویر دهانه پیاده سازی شده اند و درجه تجزیه λ به ترتیب 4.6 و 5.3 است. پارامترهای CRF، بردارهای خمش منحنی

ϑ

κ

توسط پارامترهایی از مجموعه داده اصلی SAR به هم متصل می شوند. در شکل 7 ،

ϑ

= [1.2، 4، 6، 1.8، 4.5، 6.3، 1.5، 4.2، 6.5] و

κ

= [22، 0.7، 0.75، 26، 0.74، 0.8، 24، 0.71، 0.78]، در حالی که در شکل 8 ،

ϑ

= [1.5، 5.1، 7.5، 2.1، 5.8، 8، 1.7، 5.3، 7.7] و

κ

= [32، 1، 1.2، 36، 1.4، 1.7، 33، 1.2، 1.4].

چندین معیار برای ارزیابی کیفی عملکرد استخراج جاده پیشنهاد شده است. به طور کلی، سه معیار برای ارزیابی وجود دارد [ 23 ] که به صورت زیر تعریف می شوند:

⎧ ⎩ ⎨ ⎪ ⎪ کامل بودن = L r / L g تی صحت = L r / L ن کیفیت = L r / (L ن + L u g تی)

(26)

که در آن کامل بودن به معنای نسبت طول حقیقت زمین است ( $L_{g t}$ ) که دقیقا استخراج شده است، $L_{r}$ طول تطبیق بین جاده های استخراج شده و حقیقت و صحت زمین است ( $L_{r} / L_{N}$ ) کسری از کل طول جاده استخراج شده را نشان می دهد ( $L_{N}$ ) که با جاده های واقعی مطابقت دارد. کیفیت توسط $L_{r} / (L_{N} + L_{u g t})$ ، با $L_{u g t}$ طول جاده های واقعی است که با جاده های استخراج شده مطابقت ندارند. اگر فاصله نقطه میانی بین جاده‌های استخراج‌شده و جاده‌های مرجع کمتر از تحمل معین باشد، در نظر می‌گیریم که جاده‌های استخراج‌شده با جاده‌های واقعی مطابقت دارند. تلورانس ها در این چهار تصویر به صورت 13، 8، 11 و 13 پیکسل تنظیم شده است.

6.2. نتایج تجربی

آزمایش‌های روش پیشنهادی و چندین آزمایش مقایسه‌ای با استفاده از تصاویر SAR فضایی واقعی و تصاویر SAR هوابرد انجام می‌شوند. برای داده های فضایی Terra-SAR، شکل 5 c و شکل 6 c بخش های جاده شناسایی شده را با استفاده از MLFD نشان می دهد. این روش در درجه اول خطوط کلی جاده را با تولید نویز نسبتا کمی پیدا می کند، اما MLFD نمی تواند تقاطع های جاده پیچیده را به خوبی اداره کند، همانطور که در تصویر اول واضح است. شکل 5 d و شکل 6 d نتایج تجزیه تیرآهن هستند که شامل جزئیات بیشتر جاده و بخش های پیچیده حتی در مناطق و تقاطع های پیچیده است. با این حال، این بخش های غیر جاده ای بیشتری را در مناطق همسایه محلی ایجاد می کند. شکل 5 e و شکل 6e شبکه‌های جاده‌ای هستند که پس از بهینه‌سازی سراسری توسط MRF از Tupin [ 8 ]، که بخش‌های طولانی مجاور را در هنگام نادیده گرفتن قطعات کوتاه با تعیین طول معین به خطوط متصل می‌کند. با این حال، در مناطق شهری متراکم که جاده‌ها دارای طول کوتاه و محیط پیچیده هستند، نمی‌تواند چنین خطوطی را استخراج کند، و به‌ویژه در مجموعه داده دوم که شامل بخش‌های کوچک جاده است، MRF به اشتباه برخی از بخش‌های کوتاه مثبت را کنار می‌گذارد. نتایج مدل CRF در شکل 5 f و شکل 6 ارائه شده است f ارائه شده است که از کل طرح استخراج شده توسط MLFD پیروی می کند و جزئیات دقیق را در صحنه های پیچیده استخراج شده توسط پرتوهای زمانی که نویز تا حد زیادی حذف می شود حفظ می کند. در مقایسه با MRF، بخش‌های جدید زیادی ایجاد می‌شود و خطوط جاده‌ها بسیار هموار هستند.

برای داده های SAR هوابرد، نتایج مقایسه ای روی تصاویر دهانه به دست می آید. شکل 7 c و شکل 8 ج جاده های MLFD را نشان می دهد که در آن بخش ها قطعات ناپیوسته هستند. با این حال، زمانی که تعداد کمتری غیرجاده رزرو شده است، روش MLFD بخش‌های مؤثر را در امتداد خطوط واقعی به‌دست می‌آورد. نتایج بیملت در شکل 7 d و شکل 8 d نشان داده شده است که در آنها قطعات کامل تری به عنوان یک کل و بخش های تصفیه شده تری در امتداد منحنی ها و چهارراه ها نسبت به MLFD به دست می آیند. جاده های بهینه سازی شده MRF در شکل 7 e و شکل 8 آورده شده استe، جایی که ما می توانیم مشاهده کنیم که بیشتر خطوط جاده با جاده های واقعی مطابقت دارند و به خصوص در امتداد چهارراه به هم متصل می شوند، اما برخی از بخش ها در اطراف مناطق پیچیده ساختمان گمراه کننده هستند. نتایج همجوشی الگوریتم CRF پیشنهادی در شکل 7 f و شکل 8 f ارائه شده است، جایی که بخش‌های جدید انتخاب می‌شوند، و سپس، جاده‌های مجاور به‌طور هموار به هم متصل می‌شوند. علاوه بر این، نویز بسیار کوچک تا حد زیادی کاهش می یابد. هر دو MRF و CRF برخی از شبه جاده ها مانند سقف ها و خطوط شکاف بین زمین های کشاورزی را حفظ می کنند.

برای ارزیابی اثر پتانسیل واحد و پتانسیل زوجی در روش پیشنهادی، داده‌های TerraSAR به عنوان مثال برای مقایسه در نظر گرفته شده‌اند. همانطور که در شکل 9c نشان داده شده است ، حضور آشکار نویز در نتایج پتانسیل یکنواخت به تنهایی وجود دارد. به عبارت دیگر، برچسب های پیکسل های همسایه با یکدیگر سازگار نیستند. این به این دلیل است که روابط فضایی، یعنی محدودیت های قبلی، در این مدل در نظر گرفته نشده است. در مقابل، نتایج بهتری با مدل CRF فیوژن، که در شکل 9 d نشان داده شده است، به دست می‌آید، زیرا از اطلاعات زمینه‌ای بیشتر برای تسهیل استخراج جاده‌ای قوی و مؤثر استفاده می‌شود.

میز 1مقایسه ارزیابی های کیفیت برای هر روش بر روی تصاویر آزمایشی را ارائه می دهد. همانطور که در این جدول نشان داده شده است، MLFD دارای صحت قابل قبول، اما کامل بودن و کیفیت نامطلوب است، در حالی که بیملت به دلیل نمایش جزئیات بیشتر استخراج شده، از کاملیت و کیفیت بالاتری برخوردار است. سه شاخص CRF به طور قابل توجهی در هر دو تصویر افزایش می یابد. همچنین آشکار است که شاخص‌های کیفیت، که ارزیابی کلی و شاخص صحت را نشان می‌دهند، هر دو برای CRF بالاترین هستند. از آنجایی که پیام‌های اعتقادی در بین تمام سایت‌های تصویر ارسال می‌شوند و محدودیت‌های متعددی در آن دخیل هستند، هزینه زمانی CRF گران‌تر از MRF است، اما در همان مقیاس است. از آنجایی که MRF بخش های کوتاه جدا شده را حذف می کند و بخش های مجاور را بر اساس چندین قانون به خطوط الحاق می کند، شاخص های ارزیابی قابل قبولی برای همه تصاویر دارد.

7. نتیجه گیری

در این مقاله، یک چارچوب بیزی که عملگرهای تشخیص هندسی چند مقیاسی و کاربرد آن برای استخراج جاده از تصاویر SAR را ترکیب می‌کند، ارائه می‌شود. (1) سهم اصلی این مقاله معرفی دو روش تشخیص جاده برای تجزیه و تحلیل چند مقیاسی و ترکیب آنها با استفاده از چارچوب بیزی برای استفاده کامل از نقاط قوت تجزیه و تحلیل چند مقیاسی است. بهینه سازی ارتباط CRF منجر به شبکه جاده ای بهتر در مقایسه با روش های تشخیص جداگانه می شود. شبکه راه های گروه بندی شده از CRF بهترین ویژگی های هر روش را در خود جای داده است. به طور خاص، MLFD خطوط کلی جاده را هدایت می کند و صدای نسبتا کمی تولید می کند، در حالی که beamlet بخش های پیچیده ای را حتی در مناطق پیچیده و تقاطع ها ارائه می دهد. (2) در مدل CRF، MLFD ویژگی‌های احتمال چند مقیاسی را برای هر بخش دوتایی فراهم می‌کند، و محدودیت‌های قبلی تحت تجزیه و تحلیل پرتو به دست می‌آیند. الگوریتم یادگیری و استنتاج در یک ساختار هرمی یکنواخت، یافتن نتایج بهینه جهانی مشترک را تضمین می کند. (3) نتایج تجربی نشان می دهد که روش همجوشی پیشنهادی برای استخراج جاده در تصاویر SAR به طور قابل توجهی در صحت و کیفیت در مقایسه با هر اپراتور مستقل و رویکرد بهینه سازی مبتنی بر MRF بهبود یافته است، که کارایی روش همجوشی ما را با استفاده از CRF تأیید می کند.

منابع

او، سی. لی، اس. لیائو، ZX؛ Liao، MS Texture طبقه‌بندی داده‌های PolSAR بر اساس کدگذاری پراکنده متن‌های قطبش موجک. IEEE Trans. Geosci. Remote Sens. 2013 , 8 , 4576–4590. [ Google Scholar ] [ CrossRef ]
چنگ، جی. گائو، جی. کو، ی. Sun, JY بررسی استخراج شبکه جاده از تصاویر SAR. J. نمودار تصویر. 2013 ، 18 ، 11-23. [ Google Scholar ]
Canny, J. یک رویکرد محاسباتی برای تشخیص لبه. IEEE Trans. الگوی مقعدی ماخ هوشمند 1986 ، 6 ، 679-698. [ Google Scholar ] [ CrossRef ]
چانوسوت، جی. موریس، جی. لامبرت، P. تکنیک های همجوشی فازی برای تشخیص ویژگی های خطی در تصاویر SAR چند زمانی. IEEE Trans. Geosci. Remote Sens. 1999 , 37 , 1292-1305. [ Google Scholar ] [ CrossRef ]
توزی، ر. لوپس، آ. Bousquet, P. یک آشکارساز لبه آماری و هندسی برای تصاویر SAR. IEEE Trans. Geosci. Remote Sens. 1988 , 26 , 764-773. [ Google Scholar ] [ CrossRef ]
استویکا، آر. دسکامبز، ایکس. Zerubia, J. فرآیند نقطه گیبس برای استخراج جاده از تصاویر سنجش از راه دور. بین المللی جی. کامپیوتر. Vis. 2004 ، 57 ، 121-136. [ Google Scholar ] [ CrossRef ]
نگری، م. گامبا، پی. لیسینی، جی. Tupin، F. استخراج و منظم سازی شبکه های جاده ای شهری در تصاویر SAR با وضوح بالا. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2962-2971. [ Google Scholar ] [ CrossRef ]
توپین، اف. مایتر، اچ. منگین، ج. نیکلاس، جی. Pechersky، E. تشخیص ویژگی های خطی در تصاویر SAR: کاربرد در استخراج شبکه جاده ای. IEEE Trans. Geosci. Remote Sens. 1998 , 36 , 434-453. [ Google Scholar ] [ CrossRef ]
وگنر، جی. هانش، آر. تیله، ا. Soergel، U. Building Detection از یک Orthophoto و داده های InSAR با وضوح بالا با استفاده از فیلدهای تصادفی شرطی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2011 ، 4 ، 83-91. [ Google Scholar ] [ CrossRef ]
او، X. زمل، آر. Carreira، M. زمینه های تصادفی شرطی چند مقیاسی برای برچسب زدن تصویر. در مجموعه مقالات کنفرانس IEEE Computer Society در سال 2004 در مورد دید رایانه و تشخیص الگو، واشنگتن، دی سی، ایالات متحده آمریکا، 27 ژوئن تا 2 ژوئیه 2004.
هوانگ، ز. خو، اف. لو، ال. Nie, H. فیلدهای تصادفی شرطی مبتنی بر شی برای استخراج جاده از تصویر سنجش از دور. در سری کنفرانس های IOP: علوم زمین و محیط زیست ; IOP Publishing: بریستول، انگلستان، 2014; پ. 012276. [ Google Scholar ]
او، سی. شی، بی. ژانگ، ی. سو، ایکس. یانگ، دبلیو. Xu, X. الگوریتم استخراج مساحت ساختمان بر اساس میدان تصادفی مرزی قبلی و شرطی برای تصویر SAR. در مجموعه مقالات سمپوزیوم بین المللی زمین شناسی و سنجش از دور IEEE-IGARSS، ملبورن، استرالیا، 21 تا 26 ژوئیه 2013. ص 1321–1324.
وگنر، جی. مونتویا-زگارا، جی. شیندلر، ک. یک مدل CRF درجه بالاتر برای استخراج شبکه جاده ای. در مجموعه مقالات کنفرانس IEEE در مورد دید کامپیوتری و تشخیص الگو، پورتلند، OR، ایالات متحده آمریکا، 23 تا 28 ژوئن 2013. صفحات 1698-1705.
او، سی. لیائو، ز. یانگ، اف. دنگ، ایکس. Liao, M. یک آشکارساز ویژگی خطی جدید برای تصاویر SAR. Eurasip J. Adv. فرآیند سیگنال 2012 ، 2012 ، 1-9. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
او، سی. لیائو، ز. یانگ، اف. دنگ، ایکس. استخراج جاده از تصاویر SAR بر اساس تحلیل هندسی چند مقیاسی پاسخ‌های آشکارساز. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 1373-1382. [ Google Scholar ]
Donoho, D. Wedgelets: تخمین تقریباً حداکثری لبه ها. ان آمار 1999 ، 27 ، 859-897. [ Google Scholar ] [ CrossRef ]
دونیو، دی. لوی، او. استارک، جی. مارتینز، وی. تجزیه و تحلیل هندسی چند مقیاسی برای کاتالوگ های سه بعدی. در تلسکوپ های نجومی و ابزار دقیق ; انجمن بین المللی اپتیک و فوتونیک: Waikoloa، HI، ایالات متحده آمریکا، 2002; صص 101-111. [ Google Scholar ]
دونگ، ایکس. Zhang، Y. بازسازی تصویر SAR از داده‌های خام نمونه‌برداری نشده با استفاده از حداکثر تخمین پسینی. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2015 ، 8 ، 1651-1664. [ Google Scholar ] [ CrossRef ]
بورقیس، دی. لاکروا، وی. Perneel، C. تشخیص لبه و خط در تصاویر SAR قطبی. در مجموعه مقالات کنفرانس بین المللی شناخت الگو، شهر کبک، QC، کانادا، 11-15 اوت 2002. ص 921-924.
کومار، اس. هبرت، ام. زمینه های تصادفی متمایز. بین المللی جی. کامپیوتر. Vis. 2006 ، 68 ، 179-201. [ Google Scholar ] [ CrossRef ]
دونیو، دی. Huo، X. Beamlets و تجزیه و تحلیل تصویر چند مقیاسی. در روش های چند مقیاسی و چند وضوحی ; Springer: برلین، آلمان، 2002; صص 149-196. [ Google Scholar ]
جئون، بی. جانگ، جی. هونگ، ک. تشخیص جاده در تصاویر SAR فضابردی با استفاده از الگوریتم ژنتیک. IEEE Trans. Geosci. Remote Sens. 2002 ، 40 ، 22-29. [ Google Scholar ] [ CrossRef ]
ویدمن، سی. Ebner, H. تکمیل و ارزیابی خودکار شبکه های جاده ای. بین المللی قوس. فتوگرام Remote Sens. 2000 , 33 , 979-986. [ Google Scholar ]
Li, SZ Markov مدلسازی میدانی تصادفی در تحلیل تصویر . Springer Science & Business Media: New York, NY, USA, 2009; صص 30-31. [ Google Scholar ]
گولد، اس. روساکوفسکی، او. دوست خوب، من. باومستارک، پی. نگ، ا. Koller, D. کتابخانه ویژن STAIR. در دسترس آنلاین: http://ai.stanford.edu/ sgould/svl (در 22 اکتبر 2016 قابل دسترسی است).

شکل 1. فلوچارت برای چارچوب بیزی چند مقیاسی. ( الف ) تصویر ورودی؛ ( ب ) هرم چند مقیاسی. ( ج ) چارچوب آشکارساز ویژگی خطی چند مقیاسی (MLFD). ( د ) احتمال در پتانسیل یکنواخت. ( ه ) تجزیه و تحلیل beamlet; ( f ) محدودیت های قبلی در پتانسیل زوجی. ( g ) مدل میدان تصادفی شرطی (CRF). و ( ح ) استخراج جاده.

شکل 2. ساختار چند مقیاسی CRF مشروط به مشاهده

x_{n} (i)

. ( الف ) احتمال چند مقیاسی در پتانسیل واحد؛ ( ب ) تعامل چند مقیاسی در پتانسیل زوجی. و ( ج ) ساختار گراف CRF چند مقیاسی.

شکل 3. روش های تقسیم بندی. ( الف ) هرم چند مقیاسی؛ ( ب ) یک ماسک برای MLFD. و ( ج ) ماسک های اعمال شده برای هر سطح.

شکل 4. محدودیت های رابطه ای. ( الف ) فاصله زاویه ای؛ ( ب ) فاصله جانبی؛ ( ج ) فاصله نقطه پایانی؛ ( د ) مجاورت؛ و ( ه ) تداوم.

شکل 5. نتایج تجربی روی تصویر TerraSAR از Trudering، آلمان. ( الف ) تصویر اصلی؛ ( ب ) حقیقت پایه؛ ( ج ) نتایج MLFD. ( د ) نتایج بیملت. ( ه ) نتایج میدان تصادفی مارکوف (MRF) [ 8 ]; ( f ) نتایج همجوشی CRF.

شکل 6. نتایج تجربی روی تصویر TerraSAR از ووهان، چین. ( الف ) تصویر اصلی؛ ( ب ) حقیقت پایه؛ ( ج ) نتایج MLFD. ( د ) نتایج بیملت. ( ه ) نتایج MRF [ 8 ]؛ ( f ) نتایج همجوشی CRF.

شکل 7. نتایج تجربی بر روی اولین تصویر SAR هوابرد از هاینان، چین. ( الف ) تصویر دهانه؛ ( ب ) حقیقت پایه؛ ( ج ) نتایج MLFD. ( د ) نتایج بیملت. ( ه ) نتایج MRF [ 8 ]؛ ( f ) نتایج همجوشی CRF.

شکل 8. نتایج تجربی روی دومین تصویر SAR هوابرد از هاینان، چین. ( الف ) تصویر دهانه؛ ( ب ) حقیقت پایه؛ ( ج ) جاده های MLFD. ( د ) جاده های تیرآهن. ( ه ) نتایج MRF [ 8 ]؛ ( f ) نتایج همجوشی CRF.

شکل 9. اثر پتانسیل واحد و پتانسیل زوجی در روش پیشنهادی. ( الف ) تصویر TerraSAR؛ ( ب ) حقیقت پایه؛ ( ج ) نتیجه پتانسیل واحد به تنهایی. ( د ) نتیجه همجوشی CRF.

جدول 1. مقایسه شاخص های ارزیابی و هزینه (های) زمان.

© 2017 توسط نویسندگان؛ دارنده مجوز MDPI، بازل، سوئیس. این مقاله یک مقاله با دسترسی آزاد است که تحت شرایط و ضوابط مجوز Creative Commons Attribution (CC BY) (http://creativecommons.org/licenses/by/4.0/) توزیع شده است.

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی

1.1. SAR و استخراج شبکه جاده ای

1.2. مشکلات و انگیزه

1.3. مشارکت و ساختار

2. چارچوب بیزی

2.1. مدل CRF

2.2. استدلال CRF برای استخراج جاده

3. پتانسیل واحد در مدل CRF ما

3.1. اطلاعات احتمال از MLFD

3.2. اصطلاح بالقوه Unary

4. پتانسیل زوجی در مدل CRF ما

4.1. محدودیت های قبلی تحت تجزیه و تحلیل بیملت

4.2. اصطلاح پتانسیل زوجی

5. پردازش پست

5.1. توزیع کامل خلفی CRF

5.2. روش های عادی سازی

6. آزمایش ها و نتایج

6.1. داده ها و تنظیمات تجربی

6.2. نتایج تجربی

7. نتیجه گیری

منابع

قبلییک مدل مبتنی بر عامل تطبیقی از کبوترهای خانگی: یک رویکرد الگوریتم ژنتیک

بعدیپیوند OGC WPS 2.0 با چارچوب استاندارد دولت الکترونیک در کره: یک مورد پیاده سازی برای پردازش تصویر جغرافیایی-فضایی

بدون نظر

دیدگاهتان را بنویسید لغو پاسخ

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

خلاصه

1. معرفی

1.1. SAR و استخراج شبکه جاده ای

1.2. مشکلات و انگیزه

1.3. مشارکت و ساختار

2. چارچوب بیزی

2.1. مدل CRF

2.2. استدلال CRF برای استخراج جاده

3. پتانسیل واحد در مدل CRF ما

3.1. اطلاعات احتمال از MLFD

3.2. اصطلاح بالقوه Unary

4. پتانسیل زوجی در مدل CRF ما

4.1. محدودیت های قبلی تحت تجزیه و تحلیل بیملت

4.2. اصطلاح پتانسیل زوجی

5. پردازش پست

5.1. توزیع کامل خلفی CRF

5.2. روش های عادی سازی

6. آزمایش ها و نتایج

6.1. داده ها و تنظیمات تجربی

6.2. نتایج تجربی

7. نتیجه گیری

منابع

قبلییک مدل مبتنی بر عامل تطبیقی ​​از کبوترهای خانگی: یک رویکرد الگوریتم ژنتیک

بعدیپیوند OGC WPS 2.0 با چارچوب استاندارد دولت الکترونیک در کره: یک مورد پیاده سازی برای پردازش تصویر جغرافیایی-فضایی

بدون نظر

دیدگاهتان را بنویسید لغو پاسخ

قبلییک مدل مبتنی بر عامل تطبیقی از کبوترهای خانگی: یک رویکرد الگوریتم ژنتیک