Метод векторизации спутниковых снимков на основе их разложения по топологическим особенностям
Ключевые слова:
пространственные данные, разложение изображений, топологические особенности, векторизацияАннотация
Получение из растрового изображения объектов в векторном виде необходимо во многих сферах. Существующие методы векторизации спутниковых снимков не обеспечивают нужной точности автоматизации. В данной области требуется применять ручной труд, но объём поступающей информации зачастую превышает скорость обработки. Поэтому необходимы новые подходы для решения подобного рода задач. В статье предложен метод векторизации объектов на снимках с использованием разложения изображения на топологические особенности, который разбивает изображение на отдельные связанные структуры и при дальнейшей работе опирается уже на них. В результате уже на этом этапе изображение разбивается на древовидную структуру. Данный метод уникален по своему образу работы и в корне отличается от традиционных способов векторизации снимков. Большинство методов работает с помощью пороговой бинаризации, и основной задачей для них становится подбор порогового коэффициента. Главной проблемой в таком случае становится ситуация, когда на изображении имеется несколько объектов, для которых необходим разный порог. Метод отходит от непосредственной работы с яркостной характеристикой в сторону анализа топологической структуры каждого объекта. Предлагаемый метод имеет корректное математическое обоснование, в основе которого лежит алгебраическая топология. На основе метода разработана геоинформационная технология для автоматической векторизации растровых снимков с целью поиска находящихся на нем объектов. Тестирование проводилось на спутниковых снимках с разных масштабов. Разработанный метод сравнивался со специальным инструментом для векторизации R2V и превзошел его по средней точности. Средний процент у автоматической векторизации предложенного метода составил 81%, а у полуавтоматического векторизующего модуля R2V – 73%.
Литература
2. Kurlin V., Muszynski G. A Persistence-Based Approach to Automatic Detection of Line Segments in Images // Proc. CTIC: Comp. Topology in Image Context. 2019. pp. 137–150.
3. Edelsbrunner H., Harer J. Computational topology. An introduction. 2010.
4. Еремеев С.В., Абакумов А.В., Андрианов Д.Е., Титов Д.В. Метод разложения изображения по топологическим признакам // Компьютерная оптика. 2022. Т. 46. № 6. С. 939–947.
5. Bessmeltsev M., Solomon J. Vectorization of Line Drawings via Polyvector Fields // ACM Transactions on Graphics. 2019. vol. 38. no. 1. pp. 1–12.
6. Бобырь М.В., Архипов А.Е., Горбачев С.В., Цао Ц., Бхаттачарья С. Нечетко-логические методы в задаче детектирования границ объектов // Информатика и автоматизация. 2022. Т. 21. № 2. С. 376–404.
7. Von Gioi R.G., Jakubowicz J., Morel J.M., Randall G. LSD: A Fast Line Segment Detector with a False Detection Control // IEEE Transactions on Pattern Analysis and Machine Intelligence. 2010. vol. 32. no. 4. pp. 722–732.
8. Akinlar C., Topal C. Edlines: A Real-Time Line Segment Detector with a False Detection Control // Pattern Recognition Letters. 2011. vol. 32. no. 13. pp. 1633–1642.
9. Новоторцев Л.В., Волобой А.Г. Обнаружение и трехмерная реконструкция строений по аэрофотоснимкам // Программирование. 2019. № 6. С. 13–22.
10. Чернов А.В., Чупшев Н.В. Автоматическое распознавание контуров зданий на картографических изображениях // Компьютерная оптика. 2007. Т. 31. № 4. С. 101–103.
11. Кудряшов А.П., Соловьёв И.В. Выделение объектов на топографическом плане для реконструкции сцены городского пространства // Программная инженерия. 2019. Т. 10. № 11-12. С. 464–470.
12. Москаленко C.B., Гатчин Ю.А. Помехоустойчивый волновой алгоритм векторизации линейных растровых объектов // Вестник компьютерных и информационных технологий. 2009. № 5. С. 16–21.
13. Стержанов М.В. Быстрый алгоритм векторизации бинарных штриховых изображений // Доклады БГУИР. 2010. Т. 50. № 4. С. 88–94.
14. Костюк Ю.Л., Кон А.Б., Новиков Ю.Л. Алгоритмы векторизации цветных растровых изображений на основе триангуляции и их реализация // Вестник Томского Государственного Университета. 2003. № 280. С. 275–280.
15. Местецкий Л.М. Скелетизация многосвязной многоугольной фигуры на основе дерева смежности ее границы // Сибирский журнал вычислительной математики. 2006. Т. 9. № 3. С. 299–314.
16. Залесский Б.А. Комбинаторный алгоритм выделения контуров объектов на цифровых изображениях // Информатика. 2013. № 3. С. 13–20.
17. Фраленко В.П. Методы текстурного анализа изображений, обработка данных дистанционного зондирования Земли // Программные системы: теория и приложения. 2014. Т. 5. № 4. С. 19–39.
18. Бычков И.В., Ружников Г.М., Федоров Р.К., Попова А.К., Авраменко Ю.В. Классификация космоснимков Sentinel-2 Байкальской природной территории // Компьютерная оптика. 2022. Т. 46. № 1. С. 90–96.
19. Yan K., Xu Y., Chen H. Building Boundary Vectorization from Satellite Images Using Generative Adversarial Networks // The International Conference on Image, Vision and Intelligent Systems (ICIVIS 2021). Lecture Notes in Electrical Engineering, 2022. vol. 813. pp. 671–678.
20. Alsabhan W., Alotaiby T., Dudin B. Detecting Buildings and Nonbuildings from Satellite Images Using U-Net // Computational Intelligence and Neuroscience. 2022. vol. 2022.
21. Temenos A., Temenos N., Doulamis A., Doulamis N. On the Exploration of Automatic Building Extraction from RGB Satellite Images Using Deep Learning Architectures Based on U-Net // Technologies. 2022. vol. 10.
22. Guo M, Liu H, Xu Y, Huang Y. Building Extraction Based on U-Net with an Attention Block and Multiple Losses // Remote Sensing. 2020. vol. 12. no. 9.
23. Wei S., Ji S. Graph Convolutional Networks for the Automated Production of Building Vector Maps From Aerial Images // IEEE Transactions on Geoscience and Remote Sensing. 2022. vol. 60. pp. 1–11.
24. Xu Y., Jin S., Chen Z., Xie X., Hu S., Xie Z. Application of a Graph Convolutional Network with Visual and Semantic Features to Classify Urban Scenes // International Journal of Geographical Information Science. 2022. vol. 36. pp. 1–26.
25. Chartock E., LaRow W., Singh V. Extraction of Building Footprints from Satellite Imagery // Stanford University Report. 2017.
26. Hensel S., Goebbels S., Kada M. Building Roof Vectorization with PPGNET // The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLVI-4/W4-2021. 2021. pp. 85–90.
27. Фортуна-Сервантес Х.М., Рамирес-Торрес М.Т., Мартинес-Карранса Х., Мургуия-Ибарра Х.С., Мехия-Карлос М. Обнаружение объектов в аэронавигации с использованием вейвлет-преобразования и сверточных нейронных сетей: первый подход // Труды института системного программирования РАН. 2021. Т. 33. № 2. С. 149–162.
28. Нежевенко Е.С., Феоктистов А.С., Дашевский О.Ю. Нейросетевая классификация гиперспектральных изображений на основе преобразования Гильберта – Хуанга // Автометрия. 2017. Т. 53. № 2. С. 79–85.
29. Еремеев С.В., Абакумов А.В. Программный комплекс для обнаружения и классификации природных объектов на основе топологического анализа // Программные продукты и системы. 2021. Т. 34. № 1. С. 201–208.
30. Еремеев С.В., Абакумов А.В. Классификация объектов на изображениях с учетом искажений на основе двухэтапного топологического анализа // Научно-технический вестник информационных технологий, механики и оптики. 2022. Т. 22. № 1. С. 82–92.
31. Teh C.-H., Chin R.T. On the detection of dominant points on digital curves // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1989. vol. 11. no. 8. pp. 859–872.
Опубликован
Как цитировать
Раздел
Copyright (c) Сергей Владимирович Еремеев, Артём Владимирович Абакумов, Дмитрий Евгеньевич Андрианов, Тамара Александровна Ширабакина
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).