Синтез тематического слоя объектов транспортной сети
Автор: Федосеев Александр Андреевич, Головнин Олег Константинович, Михеев Сергей Владиславович
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 4-4 т.18, 2016 года.
Бесплатный доступ
Рассматривается вопрос построения тематического слоя объектов транспортной сети на базе космических снимков в условиях отсутствия спектральных признаков. В основе метода лежит использование разработанного в результате анализа характерных признаков объектов транспортной сети фильтра, применяемого к исходному изображению в режиме скользящего окна.
Тематический слой, транспортная сеть, космический снимок, яркость пикселя, ско значений яркости пикселей
Короткий адрес: https://sciup.org/148204779
IDR: 148204779
Текст научной статьи Синтез тематического слоя объектов транспортной сети
Модернизация транспортной инфраструктуры является неотъемлемой частью экономического развития современного государства. Рост числа и протяжённости автомобильных дорог относится к ряду приоритетных мероприятий по модернизации федеральных и региональных транспортных систем. При этом, становится актуальной задача оперативного выявления и учёта изменений объектов сети автомобильных дорог, а также определения характеристик и состояния объектов транспортной инфраструктуры [1]. Значительная площадь территории и большое число субъектов Российской Федерации диктуют необходимость разработки и внедрения подходов к решению указанных задач на основе использования материалов космической съёмки, предполагающих построение соответствующих тематических слоёв с изображением объектов интереса [2].
МЕТОД СИНТЕЗА ТЕМАТИЧЕСКОГО СЛОЯ
В основе процесса синтеза тематического слоя элементов транспортной сети (ТрС) на базе космического снимка лежит задача экстрагирования локальных областей, соответствующих объектам класса «Дорога», на этом снимке в условиях отсутствия пространства спектральных признаков (комплект снимка, состоящий из мультиспектрального и панхроматического изображений) или полного их отсутствия (ком-
плект снимка, состоящий из панхроматического изображения). В первом случае целесообразно использовать методы, позволяющие объединять спектральные свойства мультиспектральных изображений с пространственной информацией монохромных изображений [3–6]. Во втором случае резонно сосредоточиться на подходах объектно-ориентированного анализа изображений с использованием априорных знаний о характерных признаках распознаваемых элементов ТрС [7]. Рассмотрим случай отсутствия на изображении спектральных признаков.
Процесс синтеза тематического слоя элементов ТрС на базе комплекта, представленного монохромным (панхроматическим) изображением, основан на оценке распределения значений яркости целевых объектов исходного изображе- ния с использованием данных о характерных признаках этих объектов.
Объекту класса «Дорога» в каждом канале пространственно-спектрального куба соответствует прямоугольная область
7 ~ R d t i
7 ~ R ~ R 7 ~ R = d j ( a t i , b t ,
~ R a i1' ) ,
„~R 7~R где b i – ширина области, a i – длина области,
~R a i - угол поворота области в заданной системе координат.
Совокупность областей, соответствующих объектам класса «Дорога», обозначим
„ ~ r
D t i
~ р
= { d j } .
Пусть L = {l-} - множество объектов, не являющихся элементами ТрС. Совокупность областей, соответствующих этим объектам, обо-~ ~ значим D li = {d j }.
Для объекта класса «Дорога», ограниченного
7 ~R областью d i , определим следующие основные характерные признаки:
. значительная протяжённость, т.е. ширина
—~R области d i намного меньше её длины
— IR IR R btj < a ti ; (1)
. одинаковая ширина на всём протяжении
—— ~R
b i = const ;
. равномерное распределение функции яркости на участке протяжения, которое означает, что значение среднеквадратического отклонения (СКО) cr[ f ( x , y )] яркости пикселей каждого канала пространственно-спектрального куба,
— ~R принадлежащих области d i , стремится к нулю:
— ~ R
И f ( x , y )] ^ 0, ( x , y ) e d ‘ ;
. чёткие контуры, т.е модуль градиента
V f ( x , y ) функции яркости на границах области
—rr d i превышает среднее значение градиента Vf по всему каждому каналу пространственноспектрального куба:
—~ R
V f ( x , y ) > V f , ( x , y ) e dtl ; ( 4)
— r r
Функция, проверяющая соответствие d i основным характеристикам объектов класса «Дорога», имеет вид:
тов ТрС на космических снимках M ~ n представляет собой математическое описание процесса построения тематического слоя S N на основе исходного снимка I
M ~ N = F ~ N ( I,S N ) .
Тематический слой S N представляет собой
—~R множество элементов d ji , описывающих отдельные объекты ТрС, для каждого из которых функция (5) имеет положительное значение
I N =| <— t i e S N | u ~ R ( cl t i ) = 1 1 ,
^ j = 1, K ~ N
где K ~ n - количество элементов ТрС в темати-
S IN ческом слое S .
Пусть выбрана некоторая точка (пиксель) p в пределах монохромного (панхроматического)
изображения I p = (x, y).
Для выбранной точки определяется локальная система координат, а также некоторая квад-
R R ui
I R . — I R . _ ,— I R
= u t ( d i ) = [( b t
~ R — ~ R
<< a t i ) л ( b t
^— — ратная область d p
— —
^— с центром в p , заданная
= const ) л ( ^ [ f ( x , y )] ^ 0) л ( V f ( x , y ) > V f )] .
длиной стороны ap (рис. 1):
^ — dp
—- —
= d ( a p , p ) .
Модель синтеза тематического слоя элемен-
^^

Направления
Пиксели, пересекаемые линией l „
Центральный пиксель p
Рис. 1. Иллюстрация процесса определения принадлежности
——
В пределах области d p определим направления, вдоль которых производится дальнейшее исследование. Значение шага ϕ угла поворота соответствующего направления вычисляется следующим образом:
S f ( i , j ) - M^t
D$ l a = i , j ______________________
2 n
π ϕ= , ϕ
a p a ≤i≤
p a — / n
—— при 0 < а < — ,
где N ϕ – количество секторов, на которое разбивается диапазон значений угла поворота [0, п ) . Значение шага ϕ угла поворота соответствующего направления зависит от длины стороны
ap ,.,ap n x — /
< i < при < а < n , 2 2 2
■4
a p a p
--< 1 <---■
2 J 2
———
Z— ^
— а— p области dp. Так, с ростом длины стороны
Z—^—
σ
d l a

d — a
—
——
— a p области d p значение шага ϕ уменьшается. Так как в расчёте участвуют только пиксели, определённые пересекающими их отрезками, построенными в соответствующих направлениях, значение шага ϕ выбирается таким образом, чтобы учесть все возможные комбинации таких пересечений. Направления, соответствующие повторяющимся сценариям пересечений, подлежат исключению.
ч—
Обозначим l а линию пересечения пикселей
—— — области d p в соответствующем направлении под углом а с центром в точке p . Обозначим ч—
— l— d а группу пикселей, пересекаемых линией lа в пределах области dp. Для оптимизации практических вычислений строится таблица всех возможных комбинаций пересечений линией lα пикселей области d p в зависимости от угла его
где f ( i , j ) - значение яркости пикселя, расположенного в i -ой строке и j -ом столбце области d p , n – число пикселей, пересекаемых линией l а под углом а .
Для каждого положения линии l а относительно оси абсцисс в соответствии с (8) находятся — dlα значения СКО σ яркости входящих в область dlа пикселей.
d l α
Среди всех полученных значений σ для всех возможных углов наклона линии l а относительно оси абсцисс определяется среднее значе-
Z—ч
—
-ч— —
наклона α и длины стороны a p области d p .
— l
Если для области d α функция (5) имеет положительное значение, то эта область может с определённой вероятностью считаться принадлежащей элементу ТрС.
Требуется для каждой точки p исходного изображения построить квадратную область Z-S "
d p , в пределах которой для каждой возможной
—l области d α вычислить значения СКО значений
-—S z—■ dlα dlα ние с , а также минимальное значение сmin:
—- d l α
-
— — — S с i ________
-
сd а= J------, i = 0, N— —— ;(9)
N ’ ’ dlа ’ dlα
-
• ч 1 • ч 1 * Ч •—Ч 3 • ч
-
l а а1 а — l — l r а — l
С mm = с mm ( d а , p ) = min( c d ( d а , p , а ) ,(10) α
где N l d α
—
- число областей dl а , образованных
пересечением пикселей области d p линией l а.
Для всех возможных областей dl а , образо-
ванных пересечением пикселей этих областей
яркости пикселей, входящих в область d l
—
- -
α , и из
этих значений определить минимальное для дальнейшего анализа.
линией l а , проверка условий (3) и (4) выглядит следующим образом:
-Ч ч—
1 <
Область d α
чч чч
~ — — — l ,— — l ,— — — l
f ( i , d l 5 ) = [( k d - ^ mn i > t-p ) a ( ^ mm ^ 0)] ,(11)
1 I
характеризуется математиче-
ским ожиданием M
*—ч '~™■ lα lα d , дисперсией D d и СКО
^— d l а
σ
значений яркости этих пикселей:
M d l α
S f ( i , j )
i . j
—-
2 n z—-4
a p
, у < i <
-
a p — . n
— при 0 < а < — ,
-
где Tp - устанавливаемое пороговое значение, определяющее минимально допустимую разницу модуля градиента функции яркости на границах области объектов ТрС и среднего значения функции яркости контуров объектов на изображении I .
l
Области d α , для которых функция (11) положительна, подлежат дальнейшей дополнительной проверке, в соответствии с которой модуль разности значений яркости каждого пикселя области l d α и яркости пикселя p не должен превышать
ч-ч
ч-ч
ч-ч p
»“/•/« П —, _
< i < при < а < n , 2 2 2
a
π
a ' . ap
--< i <---■
2 J 2

Рис. 2. Схема работы метода экстрагирования элементов ТрС на базе объектно-ориентированного подхода
p d а некоторого порогового значения TDN :
P- P P-
P 1 - P1 P P. P1 P
| DN d a - DN d a | < T ^N , (12)
где DN d'a - значение яркости i -го пикселя, вхо-
P l P d a дящего в область d a , DNp - значение яркости пикселя p.
Схема работы метода экстрагирования элементов ТрС на базе объектно-ориентированного подхода представлена на рис. 2.
ЗАКЛЮЧЕНИЕ
Описанный подход обеспечивает экстрагирование элементов ТрС на космических снимках высокого разрешения в условиях отсутствия спектральных признаков на базе объектно-ориентированного подхода. Получаемые результаты обеспечивают построение тематического слоя элементов ТрС.
Список литературы Синтез тематического слоя объектов транспортной сети
- Федосеев А.А., Михеев С.В., Головнин О.К. Технология Data Mining в задачах прогнозирования развития транспортной инфраструктуры //Современные проблемы науки и образования. 2013. № 1. URL: http://www.science-education.ru/107-8153 (дата обращения 08.09.2016).
- Михеев С.В., Федосеев А.А., Головнин О.К. Учёт мультиколлинеарных атрибутов пространственно-распределённых данных, полученных с помощью беспилотных летательных аппаратов//Известия Самарского научного центра Российской академии наук. 2015. Т. 17. № 2 (5). С. 1053-1057.
- Csatho J.F., Schenk A.F. Multi-sensor data fusion for automatic scene interpretation//International archives of photogrammetry and remote sensing. 1998. Vol. 7. Pp. 336-341.
- Gao J., Wu L. Automatic extraction of road networks in urban areas from Ikonos imagery based on spatial reasoning . URL: http://www.isprs.org/proceedings/XXXV/congress/comm3/papers/290.pdf.
- Shrivakshan G., Chandrasekar C. A comparison of various edge detection techniques used in image processing//International journal of computer science issues. 2012. Vol. 9. Issue 5. No. 1. Pp. 269 -276.
- Zhang Y. Texture-Integrated classification of urban treed areas in high-resolution color-infrared imagery//Photogrammetric engineering and remote sensing. 2001. Vol. 67. Pp. 1359 -1365.
- Change detection from remotely sensed images: From pixel-based to object-based approaches/M. Hussain //ISPRS Journal of photogrammetry and remote sensing. 2013. Vol. 80. Pp. 81-106.