Введение 3
Постановка задачи 6
Обзор литературы 8
Глава 1. Сегментация областей дорог 9
1.1 Обзор различных подходов 9
1.2 Описание метода сегментации областей дорог 9
Глава 2. Методах выделения контуров 13
2.1 Обзор подходов 13
2.2 Детектор Саппу 16
2.3 Выделение контуров на областях скруглений 18
Глава 3. Оценка 20
Выводы 21
Заключение 22
Список литературы 23
В настоящее время, благодаря интенсивному развитию области дистанционного зондирования Земли, собираются большие объемах данных, которые применяются для решения различных задач в таких областях науки как экология (мониторинг состояния почвы, растительности, выявление лесных пожаров), гидрология (мониторинг изменений водоемов), геология (поиск полезных ископаемых), а также для разработки и обновления геоинформационных систем. Одним из важнейших этапов решения этих задач является дешифрирование — метод изучения и исследования объектов, явлений и процессов на земной поверхности, который заключается в распознавании объектов по их признакам, определении характеристик, установлении взаимосвязей с другими объектами [1]. Методы дешифрирования, в первую очередь, делятся на визуальные - выполняемые исполнителем вручную при помощи зрительного и логического восприятия и автоматизированные — осуществляемые компьютерными устройствами. Каждый метод имеет свои преимущества и недостатки (см. табл. 1).
Таблица 1: Сравнение визуального и автоматизированного дешифрирования
Визуальное | Автоматизированное
Высокая стоимость и длительность выполнения. | Низкая стоимость и длительность выполнения.
Для получения количественных оценок (длин, площадей и т.д) необходимы дополнительные инструменты. | Количественные оценки могут быть получены быстро и с высокой точностью.
Анализ изображения выполняется на уровне объектов | Анализ изображения выполняется на уровне пикселей /суперпикселей.
Анализ пространственной информации (форма объектов, относительные размеры, особенности распределения) не вызывает затруднений | Выполнение анализа пространственной информации требует решения целого ряда задач, а иногда может быть технически ограничен. Занимает значительно больше времени.
Полевое/Аэровизуальное дешифрирование позволяет определить объекты с максимальной точностью | Невозможно определить неотображаемые объекты (перекрытые другими объектами, тенями)
Конец таблицы 1.
Из указанной таблицы можно сделать вывод, что оба подхода дополняют другу друга и могут использоваться совместно.
За последнее десятилетие появилось множество платформ, позволяющих простым пользователями интернета осуществлять визуальное дешифрирование, тем самым создавая волонтерские геоинформационные системы (ВГИ). Самой популярной платформой ВГИ является некоммерческий проект OpenStreetMap (OSM), в котором по данным 2011 года уже участвует около 400 тыс. человек. Благодаря чему качество данных достаточно высокое, а в некоторых регионах точность карт даже выше, чем в коммерческих системах, что подтверждается следующими исследованиями: [2], [3], [4]. Таким образом проект OpenStreetMap открывает доступ к большому количеству самой различной информации (см. рис. 1), которую можно использовать (бесплатно в отличие от Google Maps, Яндекс. Карты и др.) для разработки методов автоматизированного дешифрирования, тем самым применяя сразу оба подхода.
Рис. 1: Демонстрация различных данных OpenStreetMap. Красным выделена линия, обозначающая дорогу.
Линейные объекты, такие как реки, узкие овраги, эрозийные промоины, тропы, заборы, дороги, линии электропередачи в OSM описываются с помощью ломаных линий, которым присваиваются определенные теги, описывающие помеченный объект. Тем самым обнаруживая объект, но не сегментируя его области.
Важной целью анализа аэрофотоснимков является извлечение областей, в которых транспортные средства могут фактически ездить. Например, в задачах поиска объектов, изначально известные области дороги облегчают задачу локализации перекрестков или обнаружения транспортных средств. Однако задача сегментации участков дорог довольно непроста, поскольку на спутниковых изображениях дорожные регионы заметно различаются. Ко всему прочему они могут перекрываться транспортными средствами, растительностью, тенями. Всё это существенно нарушает работу автоматических методов сегментации, однако дополнительные маркированные данные могут значительно улучшить её качество, даже в сложных сценах.
В данной работе было продемонстрировано эффективное использование общедоступной геоинформации. С её помощью подобным образом может быть решено множество задач. Однако стоит отметить и недостатки метода. Одним из них является зависимости от данных, маркированных людьми. Они могут оказаться неточными, однако с развитием волонтерских геоинформационных систем точность данных только растёт. Ещё одним недостатком является метод скругления углов, который не всегда может быть использован на сложных сценах.
