رویکردی جدید برای استخراج جاده های شهری با استفاده از تصویر هوایی با وضوح بالا

خلاصه

اطلاعات جاده‌ها نه تنها در زمینه نظامی بلکه در زندگی روزمره نیز اساسی است. استخراج خودکار جاده از تصاویر سنجش از راه دور می تواند منابعی برای برنامه ریزی شهری و همچنین پایگاه داده حمل و نقل و به روز رسانی نقشه فراهم کند. با این حال، به دلیل شباهت طیفی بین جاده ها و سازه های غیرقابل نفوذ، روش های فعلی که صرفاً از ویژگی های طیفی استفاده می کنند اغلب بی اثر هستند. در مقابل، اطلاعات دقیق قابل تشخیص از تصاویر هوایی با وضوح بالا، استخراج جاده را با ویژگی های بافت فضایی امکان پذیر می کند. در این مطالعه، یک روش مبتنی بر دانش ایجاد و پیشنهاد شده است. این روش ویژگی بافت فضایی را در استخراج جاده های شهری گنجانده است. ویژگی بافت فضایی در ابتدا توسط Moran’s I محلی استخراج می شودو بافت مشتق شده برای تقسیم بندی تصویر به باندهای طیفی تصویر اضافه می شود. پس از آن، ویژگی‌هایی مانند روشنایی، انحراف استاندارد، مستطیل، نسبت ابعاد و مساحت انتخاب می‌شوند تا فرضیه و مدل راستی‌آزمایی را بر اساس دانش جاده تشکیل دهند. در نهایت، راه ها با استفاده از مدل فرضیه و راستی آزمایی استخراج شده و بر اساس مورفولوژی ریاضی پس پردازش می شوند. روش پیشنهادی جدید با انجام دو آزمایش ارزیابی می شود. نتایج نشان می‌دهد که کامل بودن، صحت و کیفیت نتایج به‌ترتیب تقریباً به 94، 90 درصد و 86 درصد می‌رسد که بیانگر مؤثر بودن روش پیشنهادی برای استخراج جاده‌های شهری است.

کلید واژه ها:

بافت فضایی ; محلی Moran’s I ; مدل فرضیه ; مدل تأیید ؛ استخراج جاده

1. معرفی

به عنوان یک جزء کلیدی از سیستم های حمل و نقل، جاده ها متعلق به زیرساخت های نوسازی هستند. آنها هم در زمینه نظامی و هم در زندگی مشترک روزمره اهمیت دارند. با توسعه فناوری سنجش از دور، استخراج خودکار جاده از تصاویر سنجش از دور به موضوع مهمی در فتوگرامتری دیجیتال تبدیل شده است [ 1 ]. استخراج جاده می تواند منابعی را برای برنامه ریزی شهری، پایگاه داده حمل و نقل، به روز رسانی نقشه و مدیریت منابع زمین و همچنین راهنمایی در هنگام اضطرار و عملیات نجات بلایا فراهم کند [ 2 ].

با معرفی کامپیوترها، استخراج جاده ها به تدریج از عملیات دستی به اتوماسیون پیش رفت. الگوریتم‌های استخراج جاده‌های مختلفی در دهه‌های گذشته پیشنهاد شده‌اند، از جمله تشخیص لبه و خط [ 3 ]، طبقه‌بندی و قطعه‌بندی تصویر [ 4 ، 5 ، 6 ] یا مارهای درجه دوم متعدد [ 7 ]. ادغام اطلاعات طیفی و شکل نیز به عنوان ابزاری برای استخراج ویژگی های جاده مورد بررسی قرار گرفته است [ 8 ]. مروری بر روش های مختلف استخراج جاده توسط Kaur و همکاران ارائه شد. [ 9 ]، که فرآیند استخراج جاده را به سه مرحله تقسیم می‌کند: پیش پردازش تصویر، تشخیص جاده و پس پردازش. لی و همکاران [ 10] برخی از کاربردهای روش های نیمه اتوماتیک استخراج جاده را بررسی کرد. تریندر و همکاران [ 1 ] یک روش مبتنی بر دانش برای استخراج جاده از تصاویر هوایی پیشنهاد کرد. در روش آنها از خواص رادیومتری و هندسی جاده ها و ارتباط بین جاده ها در تصاویر با وضوح های مختلف برای استخراج جاده ها استفاده می شود. با این حال، این روش به تصاویر با وضوح متفاوت نیاز دارد که به دلیل عدم تطابق منابع داده های مختلف، دستیابی به آن دشوار است. شی و همکاران [ 11] یک روش یکپارچه برای استخراج خطوط مرکزی جاده اصلی شهری از تصاویر نوری ارائه کرد. این روش طبقه‌بندی طیفی- فضایی، C محلی Geary، ویژگی‌های شکل جاده، رگرسیون وزن‌دار محلی، و رای دهی تانسور را ادغام می‌کند. این روش فقط از باندهای طیفی استفاده می کند. در نتیجه، نمی تواند از اتصالات جاده ای پیچیده رسیدگی کند. میائو و همکاران [ 12] با استفاده از ویژگی‌های شکل و خطوط رگرسیون تطبیقی چند متغیره (MARS) که ویژگی‌های جاده را از پس‌زمینه جدا می‌کند، خط مرکزی جاده را از تصاویر با وضوح بالا استخراج کرد. در نتیجه، صافی خط مرکزی جاده استخراج شده افزایش یافت. با این وجود، روش پیشنهادی بر اساس خواص سطحی همگن است، اما اطلاعات بافت در نظر گرفته نمی‌شود. بنابراین، برای استخراج جاده های ناهمگن طیفی نامناسب است. سینگ و گارگ [ 13 ] از آستانه های جهانی تطبیقی و عملیات مورفولوژیکی برای استخراج شبکه های جاده ای از تصاویر ماهواره ای با وضوح بالا استفاده کردند. اشکال این است که برخی از غیر جاده ها نیز به عنوان جاده استخراج می شوند. آهنگ و سیوکو [ 14] ویژگی های شکل یکپارچه با نتایج طبقه بندی ماشین بردار پشتیبان پیکسلی برای استخراج جاده ها. با توجه به اینکه اطلاعات دقیق جاده ها در نظر گرفته نمی شود، روش آنها برای استخراج جاده از تصاویر با وضوح بالا نامناسب است. در نتیجه، الگوریتم های مختلفی برای استخراج جاده پیشنهاد شده است. با این حال، آنها یک مشکل مشترک دارند. اطلاعات دقیق به اندازه کافی در نظر گرفته نشده است و شباهت های طیفی بین جاده ها و سایر سازه های مصنوعی با سطوح غیرقابل نفوذ وجود دارد. در نتیجه، دقت استخراج در هنگام استفاده از باندهای طیفی به تنهایی نسبتاً پایین است.

برای غلبه بر مشکل فوق الذکر و بهبود دقت استخراج جاده، در این مطالعه روش جدیدی برای استخراج جاده های شهری از تصاویر سنجش از دور با وضوح بالا پیشنهاد شده است. روش استخراج جاده پیشنهادی مبتنی بر روش‌های مبتنی بر شی است [ 15 ]، که در آن ویژگی بافت فضایی با استفاده از آمار فضایی محلی استخراج می‌شود و بافت مشتق‌شده به باندهای طیفی برای استخراج جاده اضافه می‌شود.

2. روش شناسی

این مطالعه روشی را برای استخراج جاده های شهری از تصاویر هوایی با وضوح بالا پیشنهاد می کند. این روش به سه فرآیند کلیدی تقسیم می شود: استخراج اطلاعات بافت، استخراج جاده و پس پردازش. اطلاعات بافت ابتدا از تصاویر سنجش از دور استخراج می شود و به باندهای طیفی تصویر اضافه می شود. دوم اینکه معابر شهری با استفاده از مدل دانش بنیان استخراج می شوند. در نهایت، نتایج استخراج شده پس از پردازش برای حذف نویز با استفاده از مورفولوژی ریاضی. شکل 1 فرآیندها را به تفصیل نشان می دهد.

2.1. استخراج اطلاعات بافت

بافت تصویر به طور کلی تغییرپذیری فضایی داده های رادیومتری را توصیف می کند و به عنوان اعداد دیجیتال یک تصویر سنجش از دور بیان می شود. در استخراج ویژگی‌ها از تصاویر، اطلاعات بافت نقش مهمی در تمایز بین جاده‌ها، ساختمان‌ها و سایر اشیاء مصنوعی بازی می‌کند [ 16 ]. قبل از استخراج اطلاعات بافت، لبه‌های جاده در ابتدا با استفاده از یک فیلتر دوطرفه بهبود می‌یابند که به صورت [ 17 و 18 ] تعریف می‌شود.

B F [L] پ = 1 دبلیو پ \sum q \in s جی σ س (| | p - q | |) جی σ r (| L پ - L q |) L q

(1)

که در آن L تصویر است. ضریب نرمال سازی W _p تضمین می کند که مجموع وزن های پیکسل برابر با 1.0 است $G_{σ_{s}} (| | p - q | |)$ . $G_{σ_{r}}$ یک محدوده گاوسی است که تأثیر پیکسل q را زمانی که مقدار شدت Lq با L _{p متفاوت است کاهش}_می دهد . پیکسل هدفی که فیلتر می شود با p [ 17 ] و وزن مشخص می شود $G_{σ_{s}}$ برای پیکسل q با L گاوسی _p تعریف می شود . تصویر فیلتر شده توسط فیلتر دو طرفه توسط تجزیه و تحلیل مؤلفه اصلی (PCA) [ 19 ] پردازش می شود، نتیجه PCA با شاخص Moran’s I محلی برای استخراج بافت محاسبه می شود. سپس نتیجه با انباشتن لایه ها به باندهای طیفی تصویر اضافه می شود. Moran’s I محلی [ 20 ، 21 ] به این صورت تعریف می شود

من = n \sum n i = 1 \sum n j = 1 w من ج ( ایکس من - ایکس ¯ ) ( ایکس j - ایکس ¯ ) \sum n i = 1 \sum n j = 1 w من ج \sum n i = 1 ( ایکس من - ایکس ¯ ) 2

(2)

که در آن n تعداد مشاهدات جغرافیایی مرجع است، x _i ، x _j به ترتیب مشاهدات در مکان i و j ام هستند، و $\bar{x}$ میانگین مشاهدات مقدار وزن w _ij در رابطه (2) بر اساس همسایه های مجاور تعیین می شود و به صورت تعریف می شود.

w من ج = {10 اگر i ، j همسایگان مجاور هستند در غیر این صورت

(3)

یک کلاس خاص از قوانین همسایگی باید برای محاسبه Moran’s I محلی انتخاب شود . این قانون مشخص می کند که کدام پیکسل های مجاور باید با پیکسل مرکزی مقایسه شوند. انتخاب ها به شرح زیر فهرست شده اند [ 22 ]:

مورد روک	پیکسل های بالا، پایین، چپ و راست را انتخاب می کند.
پرونده اسقف	چهار پیکسل همسایه مورب را انتخاب می کند.
پرونده ملکه	هر هشت پیکسل مجاور را انتخاب می کند.
افقی	دو پیکسل مجاور را در یک ردیف انتخاب می کند.
عمودی	دو پیکسل مجاور را در یک ستون انتخاب می کند.
شیب مثبت	دو پیکسل مجاور را در گوشه های مخالف در یک مورب مثبت انتخاب می کند.
شیب منفی	دو پیکسل مجاور را در گوشه های مخالف در یک قطر منفی انتخاب می کند.

برای سهولت محاسبات، w _ij به عنوان یک تنظیم شده و مجاورت موردی rook در این مطالعه انتخاب شده است.

2.2. استخراج جاده

در این مقاله، انتخاب و بازنمایی دانش راه بسیار مهم است. به طور کلی، دانش جاده از تصاویر سنجش از دور با وضوح بالا به شرح زیر توصیف می‌شود: (1) اشیاء جاده‌ای که توسط تقسیم‌بندی تصویر ایجاد می‌شوند، خاکستری نسبتاً همگنی را نشان می‌دهند که سطح مشخصی از کنتراست را با پس‌زمینه اطراف نشان می‌دهد [18] .]. (2) جاده ها نواری شکل با عرض ثابت هستند. (3) مستطیل شکل و نسبت ابعاد بالا است. (4) لبه های جاده آشکار است و دو لبه در دو طرف جاده موازی هستند. در این تحقیق از روش مبتنی بر دانش برای استخراج راه ها استفاده شده است. این روش از دو مرحله اصلی تشکیل شده است: ایجاد فرضیه و تأیید فرضیه. یک مدل فرضیه برای تولید فرضیه‌های جاده‌ها ایجاد می‌شود و این فرضیه‌ها بعداً با مدل تأیید تأیید می‌شوند.

هنگامی که یک جاده کامل با تقسیم بندی چند مقیاسی به چندین بخش جاده تقسیم می شود، مرز منظم بخش جاده به یک چندضلعی نامنظم تبدیل می شود. برای اشیاء چند ضلعی، استفاده از مستطیل خارجی یک روش موثر برای توصیف شکل تقریباً [ 23 ] است. به طور کلی، مستطیل خارجی شامل مستطیل حداقل محدود (MBR) و مستطیل محدود کننده حداقل مساحت (MABR) است. MABR می تواند جهت، طول، عرض و سایر مشخصات شکل یک جسم چند ضلعی را بهتر توصیف کند [ 23 ]. بنابراین، این مطالعه از MABR یک شی جاده برای بیان دانش جاده استفاده می کند. روش محاسبه MABR توسط Castleman [ 24 ] پیشنهاد شد. شکل 2a نمودار شماتیک MABR را نشان می دهد. مستطیل جستجو ابتدا حول مرکز چند ضلعی در یک زاویه فاصله زمانی منظم 5 درجه می چرخد. مساحت مستطیل های جستجو پس از هر چرخش محاسبه می شود و مستطیلی با کمترین مساحت، MABR قطعه جاده است. MABR در شکل 2 ب نشان داده شده است.

پارامترهای بیان کمی دانش جاده شامل روشنایی، میانگین، انحراف معیار، مستطیل، مساحت و غیره است. “روشنایی” برای نشان دادن مقدار خاکستری یک تصویر استفاده می شود، در حالی که “میانگین” برای نشان دادن مقدار خاکستری یک نوار از تصویر استفاده می شود. رابطه بین روشنایی و میانگین به صورت تعریف شده است

B = 1 ک \sum i = 0 ک متر ¯¯¯ من

(4)

جایی که B روشنایی است. K تعداد باندهای تصویر و ${\bar{m}}_{i}$ میانگین مقدار خاکستری باند i است . انحراف معیار منعکس کننده همگنی اشیاء جاده است. انحراف استاندارد به این صورت تعریف می شود

σ = 1 ن \sum i = 0 ن (تو من - تو ¯) 2 ————-⎷

(5)

جایی که σ انحراف معیار شی جاده است. N تعداد پیکسل های شی جاده است. $\bar{u}$ میانگین مقدار خاکستری شی جاده و u _i مقدار خاکستری پیکسل i در شی جاده است. با توجه به دانش جاده (1) ذکر شده در پاراگراف اول بخش 2.2 ، انحراف استاندارد اشیاء جاده تا حدی کم است و خاکستری تضاد خاصی را با پس زمینه اطراف نشان می دهد. بنابراین، روشنایی و انحراف معیار برای ساخت مدل فرضیه انتخاب می شوند. سه مؤلفه دیگر دانش جاده (بند 1، بخش 2.2) نشان می دهد که مستطیل شکل و نسبت ابعاد اجسام جاده نسبتاً زیاد است. اما مشکل دیگر این است که مستطیل شکل و نسبت ابعاد ساختمان ها نیز نسبتاً زیاد است. برای غلبه بر این مشکل، از منطقه برای از بین بردن تأثیرات منفی ساختمان ها استفاده می کنیم. ساختمان ها از نظر تصویر مستقل هستند و هم مرز نیستند. بنابراین مساحت ساختمان به طور قابل توجهی کمتر از مساحت جاده است. در نتیجه، مستطیل، نسبت ابعاد و مساحت برای توسعه مدل تأیید انتخاب شده‌اند. مستطیل بودن به شرح زیر است

R E = آ r o a d آ م A B R = آ r o a d آ م A B R \times دبلیو م A B R

(6)

که در آن RE مستطیل شکل جاده، A _جاده مساحت جاده، A _MABR مساحت MABR، L _MABR و W _MABR به ترتیب طول و عرض MABR هستند. بیان مدل فرضیه به صورت زیر است:

اچ r o a d = ب r o a d \cup اس r o a d ب r o a d = {b | ب 1 < b < ب 2}; اس r o a d = {s | س 1 < s < س 2}

(7)

که در آن _جاده H نشان دهنده جاده های فرضی است، b و s به ترتیب روشنایی و انحراف معیار جاده ها هستند، b با استفاده از میانگین مقدار خاکستری چهار باند (R، G، B و بافت فضایی) محاسبه می شود. b ₁ و b ₂ آستانه های از پیش تعریف شده برای روشنایی جاده ها هستند. $s_{1}$ و $s_{2}$ آستانه های از پیش تعریف شده برای انحراف معیار جاده ها هستند. برای اشیاء تولید شده توسط تقسیم بندی تصویر، اگر $b \in [b_{1}, b_{2}]$ یا $s \in [s_{1}, s_{2}]$ ، سپس اشیاء مربوطه به ترتیب به _جاده مجموعه B یا جاده _S تعلق دارند . مدل تأیید فرضیه برای حذف آن اشیاء کاذب مانند درختان، وسایل نقلیه و سازه‌های مصنوعی استفاده می‌شود. بیان مدل تأیید فرضیه به شرح زیر است:

V r o a d = اچ r o a d \cap Y ¯¯¯ Y = R \cup W \cup الف R = {r | r < r 1}; دبلیو = {w | w < w 1}; A = {a | یک < آ 1}

(8)

که در آن _جاده V نشان دهنده جاده ها پس از تأیید است، r، w و a به ترتیب مستطیل شکل، نسبت ابعاد و مساحت جاده ها هستند، r ₁ ، w ₁ و a ₁ آستانه های از پیش تعریف شده برای مستطیل شکل، نسبت ابعاد و مساحت جاده هستند. بخش ها به ترتیب برای اشیاء تولید شده توسط تقسیم بندی تصویر، اگر $r \in (0, r_{1})$ ، $w \in (0, w_{1})$ یا $a \in (0, a_{1})$ ، سپس اشیاء مربوطه به ترتیب به مجموعه R ، مجموعه W یا مجموعه A تعلق دارند . در معادله (8) $\bar{Y}$ مجموعه مکمل مجموعه Y است . معادله (8) به این معنی است که وقتی اشیاء موجود در جاده های فرضی در مجموعه Y قرار می گیرند، از _جاده H حذف می شوند . نتایج تایید شده جاده های استخراج شده است.

روش کامل برای استخراج جاده در شکل 3 نشان داده شده است که حاوی اطلاعات کافی و دقیق از کل روند آن است.

2.3. پس پردازش

در نتیجه تغییرات در وسایل نقلیه، خطوط، ساختمان ها و سایر اشیاء زمینی، صداها و حفره های خاصی در نتایج استخراج جاده ظاهر می شود. برای حذف آنها و بهبود دقت نتایج، نتایج استخراج شده را با عملیات بسته شدن مورفولوژی ریاضی پردازش می کنیم.

روش ریخت شناسی ریاضی توسط Matheron و Serra در سال 1964 معرفی شد و یکی از مهمترین چارچوب ها برای پردازش غیر خطی تصویر است [ 25 ]. عملیات اساسی مورفولوژی ریاضی شامل اتساع، فرسایش، باز شدن و بسته شدن است. عملیات بسته شدن به صورت تعریف شده است

A ∙ B = (A \oplus B) ⊖ B

(9)

که در آن • عملیات بسته شدن، A تصویر باینری، B عنصر ساختاری، ⊕ و ⊖ به ترتیب عملیات اتساع و فرسایش است. شکل 4 آزمایش عملیات بستن را نشان می دهد. شکل 4 a تصویر اصلی را نشان می دهد و شکل 4 b نتایج استخراج جاده را نشان می دهد. نتایج پس از پردازش توسط عملیات بسته شدن در شکل 4 ج نشان داده شده است.

در این مطالعه، عنصر ساختاری انتخاب شده دیسکی با شعاع r 2 پیکسل بود. هنگامی که عنصر ساختار در این مقیاس باشد، جاده ها تحت تأثیر منفی قرار نمی گیرند. در نتیجه، جاده ها به طور کامل تر استخراج می شوند.

3. نتایج و بحث

3.1. آزمایش 1

منطقه مورد مطالعه در Yangjiang، استان گوانگدونگ، چین واقع شده است. همانطور که در شکل 5 الف نشان داده شده است، یک تصویر هوایی 0.1 متری سه باند (قرمز، سبز و آبی) با اندازه 2808 پیکسل × 2719 پیکسل در این مطالعه استفاده شده است . این توسط مرکز ملی کاهش بلایای طبیعی چین ارائه شده است. عرض جاده تقریباً 10 متر است. نوع جاده شهری درجه یک است.

PCA یک ابزار استاندارد در تجزیه و تحلیل داده های مدرن است و می تواند داده ها را با اعمال جبر خطی فشرده و تقویت کند [ 19 ]. بعد داده ها را می توان با PCA کاهش داد. در این آزمایش PCA برای فشرده سازی داده ها و بهبود تصویر با استفاده از بسته نرم افزاری ENVI (Transform > Principal Components > Forward PC Rotation > Compute New Statistics and Rotate) انجام شد. مولفه های اصلی بر اساس ماتریس کوواریانس محاسبه شد. بعد داده های ورودی سه و بعد نتیجه PCA یک است. نتیجه PCA در شکل 5 ب نشان داده شد و برای استخراج اطلاعات بافت با Moran’s I محلی انتخاب شد.. با توجه به همسایه‌های مجاور، مجاورت‌های موردی روک برای محدود کردن مقایسه‌ها به پیکسل‌هایی که یک لبه مشترک دارند، انتخاب شدند. نتیجه به دست آمده توسط Moran’s I محلی در شکل 5 c نشان داده شده است و این نتیجه با انباشته شدن لایه ها به نوارهای اصلی تصویر اضافه شده است.

پس از استخراج اطلاعات بافت، از روش تقسیم بندی چند مقیاسی برای تقسیم بندی تصویر استفاده شد. تقسیم بندی چند مقیاسی یک تکنیک ادغام منطقه از پایین به بالا است که با اشیاء یک پیکسل شروع می شود [ 26 ]. در مراحل بعدی، اشیاء تصویر کوچکتر در موارد بزرگتر ادغام می شوند. از طریق این فرآیند خوشه‌بندی زوجی، روش بهینه‌سازی زیربنایی ناهمگنی اشیاء تصویر حاصل را به حداقل می‌رساند. در هر مرحله، یک جفت از اشیاء تصویر مجاور با هم ادغام می شوند که منجر به کوچکترین رشد ناهمگنی تعریف شده می شود. اگر کوچکترین رشد از آستانه تعیین شده توسط پارامتر مقیاس فراتر رود، فرآیند متوقف می شود. پارامتر مقیاس [ 26] را می توان با تعداد پیکسل های هدف زمینی استخراج شده یا محدوده ساختار فضایی در تصویر تعیین کرد. هرچه پارامتر مقیاس کوچکتر باشد، فرآیند ادغام کمتر اجرا می شود. منطقه شی تصویر تولید شده نیز کوچکتر است و اندازه اشیاء تصویر تولید شده با افزایش پارامتر مقیاس افزایش می یابد. به این ترتیب، اشیاء تصویری همگن تولید می شوند. شکل 5 d نتیجه تقسیم بندی تصویر را نشان می دهد. اشیاء تولید شده توسط مدل فرضیه پردازش شدند و جاده های فرضی به دست آمدند، همانطور که در شکل 5 نشان داده شده است . متعاقباً از مدل تأیید فرضیه برای اعتبارسنجی جاده‌های فرضی و حذف جاده‌های کاذب استفاده می‌شود. در این فرآیند مقادیر b ₁, b ₂ , s ₁ , s ₂ , r ₁ , w ₁ و a ₁ به ترتیب 75، 105، 12، 15، 0.6، 2 و 50000 پیکسل تعریف شده اند. شکل 5 f جاده‌ها را پس از تأیید نشان می‌دهد که با عملیات بسته شدن مورفولوژی ریاضی پس از پردازش انجام شد. نتیجه پس از پردازش در شکل 5 نشان داده شده است . شکل 5 h نتیجه را با روش هو [ 27 ] نشان می دهد که در آن، ویژگی های طیفی و شکلی اما اطلاعات بافت در استخراج جاده استفاده می شود.

3.2. آزمایش 2

در مطالعه موردی دوم، روش پیشنهادی جدید بر روی یک تصویر با وضوح بالا که توسط وسایل نقلیه هوایی بدون سرنشین به دست آمده آزمایش می‌شود. اندازه تصویر 2080 پیکسل × 2395 پیکسل و وضوح مکانی آن 0.1 متر در هر پیکسل است. تصویر در شکل 6 الف نشان داده شده است. جاده های موجود در این تصویر دارای شاخه های زیادی هستند و چنین جاده هایی در عمل بسیار رایج هستند.

مانند آزمایش قبلی، Moran’s I محلی نیز برای استخراج اطلاعات بافت در این آزمایش پس از PCA استفاده شد. شکل 6b نتایج PCA را نشان می دهد که توسط Moran’s I محلی با مجاورت های موردی rook پردازش شده است. اطلاعات بافت در شکل 6 c به باندهای اصلی اضافه شد و روش تقسیم بندی چند مقیاسی دوباره برای تقسیم بندی تصویر اعمال شد. شکل 6 d نتیجه تقسیم بندی تصویر را نشان می دهد. مدل فرضیه برای استخراج جاده ها اعمال شد و نتیجه در شکل 6 e نشان داده شده است. در شکل 6e، برخی از ساختمان ها و سایر سطوح غیرقابل نفوذ، که باید حذف می شدند، با جاده اشتباه می شوند. مدل تأیید فرضیه برای حذف جاده های کاذب استفاده شد و نتیجه در شکل 6 f نشان داده شده است. در این فرآیند مقادیر b ₁ , b ₂ , s ₁ , s ₂ , r ₁ , w ₁ و a ₁ به ترتیب 110، 130، 4، 8، 0.5، 1 و 4000 پیکسل تعریف می شوند. عملیات بستن مورفولوژیکی برای پر کردن سوراخ ها اعمال شد. نتیجه در شکل 6 نشان داده شده است . شکل 6 h نتیجه به دست آمده با استفاده از روش هو را نشان می دهد [ 27] که در بخش 3.1 توضیح داده شده بود .

3.3. ارزیابی دقت

برای ارزیابی دقت نتایج استخراج جاده در دو آزمایش، آنها را با نمایش حقیقت زمینی ایجاد شده دستی از جاده ها مقایسه می کنیم. جاده های ترسیم شده به صورت دستی در شکل 7 نشان داده شده است که جاده های استخراج شده را برای مقایسه نشان می دهد.

سه معیار ارزیابی پذیرفته شده زیر برای ارزیابی میزان مطابقت نتایج استخراج جاده ما با مجموعه داده های حقیقت زمینی استفاده می شود [ 4 ، 5 ، 28 ، 29 ، 30 ].

سی o m p l e t e n e s s = تی پ تی پ + اف ن

(10)

سی o r r e c t n e s s = تی پ تی پ + اف پ

(11)

پرسش و پاسخ____= تی پ تی پ + اف ن + اف پ

(12)

جایی که TP نشان دهنده پیکسل های جاده استخراج شده است که با داده های مرجع منطبق است، FN به پیکسل های جاده ای اشاره دارد که در داده های مرجع هستند اما در نتیجه استخراج شده نیستند، و FP نشان دهنده پیکسل های جاده استخراج شده است که در داده های مرجع نیستند. جدول 1 دقت نتایج استخراج جاده را نشان می دهد.

از جدول 1 قابل مشاهده استکه نتایج استخراج شده نسبتاً دقیق است که کارایی روش پیشنهادی را توجیه می کند. در آزمایش 1، کامل بودن و صحت نتایج به ترتیب می تواند به 95.12% و 90.31% برسد و کیفیت نتایج 86.31% است. مقادیر دقت متناظر برای آزمایش 2 به ترتیب 93.56٪، 91.53٪ و 86.11٪ است. در مقایسه با روش موجود، روش پیشنهادی به دقت بالاتری دست می یابد. با این حال، برخی از خطاها هنوز به دو دلیل ممکن وجود دارد. اولین دلیل تأثیر پیکسل های مختلط است که مرز جاده را محو می کند و در نتیجه بر دقت استخراج جاده تأثیر می گذارد. دلیل دیگر تأثیر منفی وسایل نقلیه، درختان و گرد و غبار است که طیف‌های متفاوتی از جاده‌ها را نشان می‌دهند و بنابراین ممکن است به راحتی حذف شوند ( شکل 8) .). در تحقیقات آینده، از داده های برداری جاده می توان برای اتصال بخش های جاده شکسته استفاده کرد.

3.4. انتخاب پارامتر

در روش پیشنهادی جدید، پارامترهای کمی مانند مقیاس تقسیم بندی با توجه به وضوح تصویر ورودی تنظیم می شوند. به طور کلی، مقیاس تقسیم بندی و عرض جاده همبستگی مثبت دارند. در این مقاله عرض جاده W _جاده تقریباً 100 پیکسل است و مقیاس تقسیم بندی با توجه به تجزیه و تحلیل مشخصات تصویر به 100، 110، …، 300 تنظیم شده است. پس از مقداری آزمون و خطا، روش استخراج پیشنهادی با مقیاس تقسیم‌بندی 200 زمانی بهترین عملکرد را دارد که همگنی اشیاء جاده بالاترین باشد. ما می توانیم تعریف دقیق همگنی را در [ 31]. مقیاس تقسیم بندی بهینه زمانی که عرض جاده ضخیم تر از 100 پیکسل باشد بزرگتر از 200 خواهد بود و بالعکس. علاوه بر این، بر اساس آزمایش‌های متعدد، به یک نتیجه تجربی رسیدیم که مقیاس تقسیم‌بندی بهینه معمولاً 2 است.

\times W_{r o a d}

. با این حال، هنگامی که برای شبکه های جاده ای پیچیده اعمال می شود، انحرافات خاصی ممکن است رخ دهد، و مقیاس تقسیم بندی بهینه معمولاً در محدوده

(2 \pm 0.5) W_{r o a d}

که می تواند در تعیین محدوده کلی مقیاس تقسیم بندی بهینه استفاده شود.

با این حال، برخی از انتخاب پارامترها نیاز به تعامل دستی در روش پیشنهادی دارند. ما یک تحلیل حساسیت روی روش پیشنهادی را با تغییر هر پارامتر در یک محدوده معقول انجام می‌دهیم در حالی که سایر پارامترها را ثابت نگه می‌داریم [ 32 ]. کیفیت ( Q )، که در بخش 3.3 معرفی شده است ، برای ارزیابی کمی پارامتر آزاد استفاده می شود. هنگامی که Q به حداکثر جهانی می رسد، مقدار متناظر پارامتر آزاد به عنوان مقدار آستانه انتخاب می شود. برای انتخاب پارامترها در آزمایش 1، نتایج کمی برای پارامترهای آزاد در شکل 9 نشان داده شده است که چندین مقدار معقول b ₁ ، b _{2 را با هم مقایسه می کند.}، s ₁ ، s ₂ ، r ₁ ، w ₁ و a ₁ ( بخش 2.2 ). با توجه به آزمایشات، مقادیر b ₁ ، b ₂ ، s ₁ ، s ₂ ، r ₁ ، w ₁ و a ₁ به ترتیب 75، 105، 12، 15، 0.6 و 2 تنظیم شده است. پارامترهای رایگان مربوطه در آزمایش 2 نیز با استفاده از همین رویه تنظیم می شوند.

4. نتیجه گیری

در این مطالعه، بازنمایی و استخراج دانش راه بررسی شده و روشی مبتنی بر دانش برای استخراج جاده‌های شهری از تصاویر هوایی با وضوح بالا پیشنهاد شده است. به طور خاص، روش پیشنهادی شامل ویژگی‌های بافت، طیفی و شکل است. در مقایسه با روش‌های موجود، که از ویژگی‌های طیفی و شکلی بدون اطلاعات بافت استفاده می‌کنند، روش پیشنهادی دقت بهبود یافته‌ای را نشان می‌دهد، همانطور که در جدول 1 نشان داده شده است . علاوه بر این، با استفاده از مورفولوژی ریاضی در مرحله پس پردازش، روش پیشنهادی همواری خوبی لبه‌های جاده را نشان می‌دهد و تأثیر منفی وسایل نقلیه، خطوط و سایر اجسام زمینی را کاهش می‌دهد. کیفیت کلی نتایج بالاتر از 85 درصد است.

رویکرد جدید توسعه یافته با استفاده از تصاویر هوایی RGB با وضوح بالا ارزیابی می شود. نتایج تجربی نشان می دهد که روش پیشنهادی می تواند برای استخراج جاده ها با موفقیت مورد استفاده قرار گیرد. با توجه به تأثیر پیکسل‌های مختلط، تحقیق در مورد الگوریتم‌های تقویت‌کننده هدف برای افزایش تضاد بین جاده‌ها و سایر نشانگرهای زمین ارزش کاوش را دارد. علاوه بر این، مقدار کمی از بخش های جاده شکسته در آزمایش ها ظاهر می شود. بنابراین، استفاده از داده‌های برداری جاده برای اتصال این بخش‌های جاده شکسته، تحقیقات بیشتری را تضمین می‌کند.

منابع

تریدر، جی. وانگ، ی. تفسیر جاده مبتنی بر دانش در تصاویر هوایی. بین المللی قوس. فتوگرام Remote Sens. 1999 , 32 , 635-640. [ Google Scholar ]
Luo, Z. تجزیه و تحلیل و تحقیق استخراج جاده از تصاویر سنجش از دور با وضوح بالا، شانگهای . دانشگاه جیائو تونگ شانگهای: شانگهای، چین، 2008. [ Google Scholar ]
داس، اس. میرنالینی، تی تی; Varghese, K. استفاده از ویژگی های برجسته برای طراحی یک چارچوب چند مرحله ای برای استخراج جاده ها از تصاویر ماهواره ای چندطیفی با وضوح بالا. IEEE Trans. Geosci. Remote Sens. 2011 , 49 , 3906–3931. [ Google Scholar ] [ CrossRef ]
میائو، ز. وانگ، بی. Shi, W. یک روش نیمه خودکار برای استخراج خط مرکزی جاده از تصاویر VHR. IEEE Geosci. سنسور از راه دور Lett. 2014 ، 11 ، 1856-1860. [ Google Scholar ] [ CrossRef ]
شی، دبلیو. میائو، ز. Debayle, J. یک روش یکپارچه برای استخراج خط مرکزی جاده اصلی شهری از تصاویر سنجش از دور نوری. IEEE Trans. Geosci. Remote Sens. 2014 , 52 , 3359–3372. [ Google Scholar ] [ CrossRef ]
یوان، جی دی؛ وانگ، WB; یان، ال. لی، آر. استخراج خودکار جاده مبتنی بر لژیون از تصاویر ماهواره ای. IEEE Trans. Geosci. Remote Sens. 2011 , 40 , 4528–4538. [ Google Scholar ] [ CrossRef ]
ناکاگورو، ی. ماخانوف، اس.اس. Dailey، MN آزمایش های عددی با همکاری چند مار درجه دوم برای استخراج جاده. بین المللی جی. جئوگر. Inf. علمی 2011 ، 25 ، 765-783. [ Google Scholar ] [ CrossRef ]
گروت، ا. هیپکه، سی. Rottensteiner, F. استخراج شبکه جاده ای در مناطق حومه شهر. فتوگرام ضبط 2012 ، 27 ، 8-28. [ Google Scholar ] [ CrossRef ]
کائور، ا. سینگ، آر. روش های مختلف استخراج جاده از تصاویر ماهواره ای: بررسی. بین المللی J. Res. 2015 ، 2 ، 1025-1032. [ Google Scholar ]
لی، ی. خو، ال. Piao, H. استخراج جاده نیمه اتوماتیک از تصویر سنجش از دور با وضوح بالا: بررسی و چشم انداز. در مجموعه مقالات نهمین کنفرانس بین المللی IEEE در سال 2009 در مورد سیستم های هوشمند هیبریدی، شنیانگ، چین، 12 تا 14 اوت 2009. ص 204-209.
شی، دبلیو. میائو، ز. وانگ، کیو. ژانگ، H. طبقه بندی طیفی فضایی و ویژگی های شکل برای استخراج خط مرکزی جاده های شهری. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 11 ، 788-792. [ Google Scholar ]
میائو، ز. شی، دبلیو. ژانگ، اچ. وانگ، X. استخراج خط مرکزی جاده از تصاویر با وضوح بالا بر اساس ویژگی‌های شکل و خطوط رگرسیون تطبیقی چند متغیره. IEEE Geosci. سنسور از راه دور Lett. 2013 ، 10 ، 583-587. [ Google Scholar ] [ CrossRef ]
سینگ، پی پی. Garg، RD استخراج خودکار جاده از تصویر ماهواره ای با وضوح بالا با استفاده از آستانه جهانی تطبیقی و عملیات مورفولوژیکی. شرکت هندی Remote Sens. 2013 , 41 , 631-640. [ Google Scholar ] [ CrossRef ]
آهنگ، ام جی; Civco، D. استخراج جاده با استفاده از SVM و قطعه‌بندی تصویر. فتوگرام مهندس Remote Sens. 2004 ، 70 ، 1365-1371. [ Google Scholar ] [ CrossRef ]
الخضيري، د. کاراواگی، آی. Giada، S. ارزیابی آسیب ساختاری از داده‌های IKONOS با استفاده از تکنیک‌های تشخیص تغییر، تقسیم‌بندی شی‌گرا و طبقه‌بندی. فتوگرام مهندس Remote Sens. 2005 ، 71 ، 825-837. [ Google Scholar ] [ CrossRef ]
آهنگ، جی. وانگ، ایکس. Li, P. تشخیص آسیب ساختمان شهری از تصاویر VHR با گنجاندن ویژگی‌های بافت زمانی و مکانی. J. Remote Sens. 2012 ، 16 ، 1233-1245. [ Google Scholar ]
پاریس، اس. کورنپرابست، پ. تامبلین، جی. دوراند، ف. فیلترینگ دوطرفه: نظریه و کاربردها. پیدا شد. روندها (R) محاسبه. گرافیک Vis. 2008 ، 4 ، 1-73. [ Google Scholar ] [ CrossRef ]
وانگ، جی. Qin، Q. ژائو، جی. بله، X. فنگ، ایکس. Qin، X. یانگ، ایکس. تشخیص و ارزیابی مبتنی بر دانش جاده های آسیب دیده با استفاده از تصویر سنجش از دور با وضوح بالا پس از فاجعه. Remote Sens. 2015 ، 7 ، 4948–4967. [ Google Scholar ] [ CrossRef ]
Shlens, J. A Tutorial on Principal Components Analysis. 2014. در دسترس آنلاین: http://arxiv.org/pdf/1404.1100v1.pdf (در 7 آوریل 2014 در دسترس است).
امرسون، CW; لام، NS; Quattroch، DA مقایسه واریانس محلی، بعد فراکتال، و موران I به عنوان کمک به طبقه بندی تصاویر چند طیفی. بین المللی J. Remote Sens. 2005 ، 26 ، 1575-1588. [ Google Scholar ] [ CrossRef ]
Anselin، L. شاخص های محلی ارتباط فضایی-LISA. Geogr. مقعدی 1995 ، 27 ، 93-115. [ Google Scholar ] [ CrossRef ]
زو، ز. Su, W. تجزیه و تحلیل طبقه بندی تصویر SPOT 5 بر اساس آمار فضایی محلی. J. Remote Sens. 2011 ، 15 ، 957-972. [ Google Scholar ]
چنگ، پی. یان، اچ. Han, Z. الگوریتمی برای محاسبه مستطیل محدود کننده حداقل مساحت یک چندضلعی دلخواه. J. Eng. Graphics 2008 , 1 , 122-126. [ Google Scholar ]
Castleman، KR پردازش تصویر دیجیتال ; Prentice Hall: Upper Saddle River، نیوجرسی، ایالات متحده آمریکا، 1995. [ Google Scholar ]
دیاس، اف. کوستی، جی. Najman, L. عملگرهای بعدی برای ریخت شناسی ریاضی در مجتمع های ساده. تشخیص الگو Lett. 2014 ، 47 ، 111-119. [ Google Scholar ] [ CrossRef ]
مالک، ر. خدم، ر. Belhadj-Aissa، A. تقسیم بندی چند مقیاسی برای تصاویر سنجش از دور بر اساس قانون ناهمگنی حداقل. در مجموعه مقالات کنفرانس نظریه پردازش تصویر، ابزارها و کاربردها، پاریس، فرانسه، 14 تا 17 اکتبر 2014.
هو، جی. ژانگ، ایکس. شن، ایکس. Zhang, C. روشی برای استخراج جاده در تصاویر سنجش از دور با وضوح بالا بر اساس تجزیه و تحلیل تصویر شی گرا. فناوری سنسور از راه دور. Appl. 2006 ، 21 ، 184-188. [ Google Scholar ]
ویدمن، سی. هیپکه، سی. مایر، اچ. ارزیابی تجربی محورهای جاده ای استخراج شده به طور خودکار. در مجموعه مقالات کنفرانس 1998 بینایی کامپیوتری و تشخیص الگو (CVPR)، سانتا باربارا، کالیفرنیا، ایالات متحده آمریکا، 23 تا 25 ژوئن 1998. صص 172-187.
لین، تی. دبرا، F. استراتژی های ارزیابی کمی برای تولید مدل سه بعدی شهری از داده های سنجش از دور. محاسبه کنید. گرافیک. 2015 ، 49 ، 82-91. [ Google Scholar ]
بویکو، ا. توماس، اف. استخراج جاده ها از ابرهای نقطه ای متراکم در محیط شهری مقیاس بزرگ. ISPRS J. Photogramm. Remote Sens. 2011 , 66 , S2–S12. [ Google Scholar ] [ CrossRef ]
چن، سی. تشخیص و ارزیابی آسیب برای پل روی آب از تصاویر سنجش از دور نوری با وضوح بالا. Ph.D. پایان نامه، دانشگاه پکن، پکن، چین، 9 ژوئن 2013. [ Google Scholar ]
گائو، سی. Sun، Y. استخراج خودکار خط مرکزی جاده از تصاویر با استفاده از داده های GPS جاده. Remote Sens. 2014 , 6 , 9014–9033. [ Google Scholar ]

شکل 1. نمودار جریان روش پیشنهادی جدید.

شکل 2. مستطیل محدود کننده حداقل مساحت (MABR). ( الف ) نمودار شماتیک MABR. ( ب ) MABR شی جاده.

شکل 3. نمودار جریان تفصیلی روش پیشنهادی.

شکل 4. آزمایش عملیات بستن. ( الف ) تصویر اصلی؛ ( ب ) نتایج استخراج جاده. ( ج ) نتایج عملیات بسته شدن.

شکل 5. نتایج تصویر اول. ( الف ) تصویر منطقه مطالعه؛ ( ب ) باند 1 نتایج تجزیه و تحلیل مؤلفه اصلی (PCA). ( ج ) نتیجه توسط Moran’s I محلی ؛ ( د ) نتیجه تقسیم بندی تصویر. ( ه ) جاده فرضی. ( و ) جاده پس از تأیید. ( g ) جاده استخراج شده و برهم نهی تصویر اصلی. ( h ) نتیجه با استفاده از روش هو.

شکل 6. نتایج تصویر دوم. ( الف ) تصویر منطقه مطالعه؛ ( ب ) باند 1 نتایج PCA. ( ج ) نتیجه توسط Moran’s I محلی ؛ ( د ) نتیجه تقسیم بندی تصویر. ( ه ) جاده فرضی. ( و ) جاده پس از تأیید. ( g ) جاده استخراج شده و برهم نهی تصویر اصلی. ( h ) نتیجه با استفاده از روش هو.

شکل 7. جاده مرجع و جاده استخراج شده. ( الف ) داده های جاده مرجع آزمایش 1. ( ب ) جاده استخراج شده از آزمایش 1. ( ج ) داده های جاده مرجع آزمایش 2. ( د ) جاده استخراج شده از آزمایش 2. (که در آن مثبت واقعی با قرمز، مثبت کاذب با سبز و منفی کاذب با آبی نشان داده شده است).

شکل 8. تأثیر منفی وسایل نقلیه و درختان. ( الف ) وسایل نقلیه؛ ( ب ) تأثیر منفی وسایل نقلیه. ( ج ) گرد و غبار که طیف های مختلفی را به عنوان جاده ارائه می کند. ( د ) تأثیر منفی گرد و غبار.

شکل 9. تست حساسیت پارامترهای آزاد. ( الف ) آستانه روشنایی b ₁ ; ( ب ) _آستانه روشنایی b2 ; ( ج ) آستانه انحراف استاندارد s ₁ ; ( د ) آستانه انحراف استاندارد s ₂ ; ( ه ) آستانه مستطیلیت r ₁ ; ( و ) آستانه نسبت ابعاد w ₁ .

جدول 1. ارزیابی دقت استخراج جاده.

© 2016 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.

به اشتراک بگذارید و استناد کنید

;کاربردهای GIS مقالات

درخواست مشاوره

09120049370

8 صبح تا 12 شب