Гибридный алгоритм распознавания строений на спутниковых снимках на основе метода жука и алгоритма исключения областей
Автор: Баранова И.В., Гилин С.В.
Статья в выпуске: 2 т.13, 2024 года.
Бесплатный доступ
В статье предлагается новый метод распознавания строений на спутниковых снимках. Представленный метод является гибридным, он основан на алгоритме исключения областей и методе жука. Алгоритм исключения областей представляет собой хорошо известный и эффективный способ сегментации изображения на регионы схожих пикселей по различным признакам: цвет, текстура, яркость, форма и т.д. Метод жука - классический метод контурного анализа, выполняющий последовательное вычерчивание границы между объектом и фоном. В рамках работы предлагаемого алгоритма сначала метод исключения областей выделяет потенциальные области, в которых могут находиться строения и устраняет нежелательные элементы на изображении (растительность, водные поверхности и дороги), которые могут быть ложно распознаны как строения. Далее модифицированный метод жука определяет местоположение и контуры строений. На финальном этапе среди обнаруженных объектов выявляются искусственно созданные объекты, у которых имеется объем. Для реализации проверки объектов на искусственное происхождение и объемность разработаны собственные методы. Представленный алгоритм распознавания показывает хорошую точность распознавания и не требует обучающей выборки. В статье описывается программная реализация предлагаемого метода. Демонстрируются результаты вычислительных экспериментов по оцениванию эффективности метода и сравнению с тремя известными алгоритмами распознавания.
Распознавание строений, спутниковые снимки, гибридный метод, метод жука, метод исключения областей, текстурные характеристики, границы зданий, потенциальные области, классификация
Короткий адрес: https://sciup.org/147243960
IDR: 147243960 | DOI: 10.14529/cmse240204
Список литературы Гибридный алгоритм распознавания строений на спутниковых снимках на основе метода жука и алгоритма исключения областей
- Гилин C.B. Задача автоматического распознавания зданий в водоохранных зонах на спутниковых снимках // Информационные технологии и математическое моделирование (ИТММ-2021): Материалы XX Международной конференции имени А.Ф. Терпугова, Томск, 1-5 декабря, 2021. Томск: Национальный исследовательский Томский государственный университет, 2022. С. 6-12.
- Захаров A.A., Тужилкин А.Ю. Сегментация спутниковых изображений на основе суперпикселей и разрезов на графах // Программные системы и вычислительные методы. 2018. № 1. С. 7-17. DOI: 10.7256/2454-0714.2018.1.25629.
- Фукунага К. Введение в статистическую теорию распознавания образов. Москва: Наука, 2009. 368 с.
- Горбачев В.А., Криворотов И.А., Маркелов А.О., Котлярова Е.В. Семантическая сегментация спутниковых снимков аэропортов с помощью сверточных нейронных сетей // Компьютерная оптика. 2020. Т. 44, № 4. С. 636-645. DOI: Ю.18287/2412-6179-СО-636.
- Shahoud A., Shashev D., Shidlovskiy S. Detection of Good Matching Areas Using Convolutional Neural Networks in Scene Matching-Based Navigation Systems // Ежегодная международная конференция по компьютерной графике и машинному зрению Графи-Кон (GraphiCon-2021): Труды Международной конференции по компьютерной графике и машинному зрению «Графикон», Томск, 27-30 сентября, 2021. Москва: Институт прикладной математики имени М.В. Келдыша РАН, 2021. С. 443-452.
- Не W., Li J., Cao W., Zhang L., Zhang H. Building Extraction from Remote Sensing Images via an Uncertainty-Aware Network. URL: https://arxiv.org/pdf/2307.12309 (дата обращения: 15.02.2024).
- Сорокин Д.В., Крылов A.C. Метод активных контуров для сегментации изображений. Москва: ООО «МАКС Пресс», 2022. 116 с.
- Чернов A.B., Чупшев Н.В. Автоматическое распознавание контуров зданий на картографических изображениях // Компьютерная оптика. 2007. Т. 31, № 4. С. 636-645.
- Панченко Д.С., Путятин Е.П. Сравнительный анализ методов сегментации изображений // Радиоэлектроника и информатика. 1999. Т. 4. С. 109-114.
- Воронцов К.В. Математические методы обучения по прецедентам. URL: http: //www. machinelearning. ru/wiki/images/6/6d/Voron-ML-l .pdf (дата обращения: 10.09.2023).
- Xu Yu., Wang K., Liu S., Yang S., Yan B. Atmospheric correction of hyperspectral data using MODTRAN model // Remote Sensing of the Environment: 16th National Symposium on Remote Sensing of China. 2008. Vol. 7123. P. 1-7. DOI: 10.1117/12.815552.
- Голуб Ю.И., Старовойтов B.B., Коноплин E.E. Сегментация примерно однородных по яркости областей // Искусственный интеллект. 2008. Т. 3. С. 332-338.
- Фурман Я.А., Кревецкий A.B., Передреев А.К. Введение в контурный анализ и его приложения к обработке изображений и сигналов. Москва: ФИЗМАТЛИЗ, 2002. 592 с.
- Сакович И.О., Белов Ю.С. Обзор основных методов контурного анализа для выделения контуров движущихся объектов // Инженерный журнал: наука и инновации. 2014. Т. 36, № 12. С. 1-11.
