Sieci neuronowe w procesach automatycznej korelacji zdęć lotniczych

• Autorzy: Mikrut S. , Mikrut Z.

Warianty tytułu

EN

Neural networks in automatic matching processes on aerial images

• Języki publikacji: PL

Abstrakty

PL

Koncepcja opisywanych badan opierała się na wyborze kilku reprezentacji, które następnie korelowano przy pomocy metod klasycznych i neuronowych. W trakcie badań przetestowano metody klasyczne spasowania obrazów i porównano je z powstałymi w trakcie badan metodami neuronowymi. Przeprowadzono równie_ eksperymenty polegające na pomiarach manualnych, wykonanych przez niezależnych obserwatorów. Istota metodyki opartej o sieci neuronowe polegała na przygotowaniu odpowiednich reprezentacji fragmentów obrazów i zastosowaniu do ich klasyfikacji różnych typów sieci neuronowych. Jedna z przyjętych metod bazowała na rozkładzie wartości modułu gradientu obrazu oraz jego kierunku. Sprawdzono przydatność tej reprezentacji do selekcji podobrazów przy pomocy sieci neuronowej SOM Kohonena. Druga metoda polegała na wykorzystaniu transformaty log-polar i log Hough’a, które są uważane za uproszczone modele przetwarzania wstępnego, realizowanego przez systemy wzrokowe ludzi i zwierząt. Przydatność tej i następnej reprezentacji badano przy pomocy sieci neuronowej typu backpropagation. Do utworzenia trzeciej reprezentacji zastosowano siec ICM (Intersecting Cortical Model), która jest jedną z wersji PCNN (Pulse Coupled Neural Network). Przy pomocy tej sieci wygenerowano tzw. podpisy obrazów (signatures), czyli kilkudziesięcioelementowe wektory, opisujące strukturę obrazu.

EN

The concept of the research was based on the selection of several representations, which were later correlated by means of conventional, and neural methods. In the course of research, conventional methods of image matching were tested and compared with neural methods that originating from the research process. Additionally, experiments consisting in manual measurements, performed by independent observers, were conducted. The essence of methodology that was based on neural networks consisted in the preparation of suitable representations of image fragments and using them for the classification of various types of neural networks. One of the assumed methods was based on the distribution of image gradient module value and of its direction. The usability of that representation for the selection of sub-images was tested by means of SOM Kohonen neural network. Another method consisted in the utilisation of the log-polar and log-Hough transforms, which are considered to be simplified models of preliminary image processing, performed by visual systems of people and animals. The usability of that representation was tested by means of the backpropagation type of neural network. As regards the generation of the third representation, the ICM (Intersecting Cortical Model) network was applied, which is one of the versions of the PCNN (Pulse Coupled Neural Network). Using that network, the so-called image signatures, or vectors composed of tens of elements which describe the image structure, were generated.

Słowa kluczowe

PL

fotogrametria cyfrowa; sieci neuronowe; korelacja; spasowanie obrazów

EN

digital photogrammetry; neural networks; correlation; images matching

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2007
• Tom: Vol. 17b
• Strony: 505--515
• Opis fizyczny: Bibliogr. 25 poz.

Twórcy

autor

Mikrut S.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, AGH w Krakowie

autor

Mikrut Z.

• Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• 1.Barsi A., 2000. The impact of data compression and neighborhood information on the classification accuracy of artificial neural networks, International Archives of Photogrammetry and Remote Sensing. Amsterdam., Holland, Vol. XXXIII, Part B3
• 2.Czechowicz A., Mikrut Z., 2007. Wykorzystanie sieci Kohonena do selekcji podobrazów dla potrzeb dopasowania zdjęć lotniczych. Uczelniane Wydawnictwo Naukowo- Dydaktyczne Kraków – Półrocznik Automatyka, Tom 11; str. 329 – 343
• 3.Czechowicz A., Mikrut Z., 2007a. Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 17, Dobczyce (w tym tomie)
• 4.Duin R.P.W., 2000. PRTools Version 3.0 - a Matlab Toolbox for Pattern Recognition. Delft University of Technology, http://www.ph.tn.tudelft.nl/prtools
• 5.Eckhorn R., Reitboeck H.J., Arndt M., Dicke P., 1990. Feature linking via synchronization among distributed assemblies: Simulations of results from Cat Visual Cortex. NeuralComp. vol. 2, pp. 293-307
• 6.Hong F., Zhang Z., Daosheng D., 2000. A Hopfied neural network algorithm for automated name placement for point feature, International Archives of Photogrammetry and Remote Sensing. Amsterdam., Holland, Vol. XXXIII, Part B3
• 7.Hu X., Zhang Z., Zhang J., 2000. An approach of semiautomated road extraction from aerial image based on template matching and neural network. International Archives of Photogrammetry and Remote Sensing. Amsterdam., Holland, Vol. XXXIII, Part B3, s. 994 999
• 8.Ito Y., Hosokawa M., Lee H., Liu J.G., 2000. Extraction of damaged regions using sar data and neural networks, International Archives of Photogrammetry and Remote Sensing. Amsterdam., Holland, Vol. XXXIII, Part B1, s. 156-163
• 9.Kamiya I., 2000. Image classification by spatial shift invariant neural network, International Archives of Photogrammetry and Remote Sensing. Amsterdam., Holland, Vol. XXXIII, Part B3
• 10.Kinser J.M., 1996. A Simplified Pulse-Coupled Neural Network. Proc. SPIE, Vol. 2760, No. 3
• 11.Kohonen T., 1997. Self-Organizing Maps. New York , Springer-Verlag
• 12.Lindblad T., Kinser J.M., 2005. Image Processing Using Pulse-Coupled Neural Networks. Springer, Berlin Heidelberg New York
• 13.Matlab, 2006. Image Processing Toolbox For Use with Matlab. User's Guide. The MathWorks, Inc., Natick
• 14.Mikrut S. (red.), 2008. Ocena efektywności wykorzystania sieci neuronowych w procesach automatycznej korelacji obrazów zdjęć lotniczych. Monografia, Uczelniane Wydawnictwa Naukowo-Dydaktyczne AGH (praca w redakcji)
• 15.Mikrut Z., 2007. Tworzenie reprezentacji obszarów zdjęć lotniczych za pomocą sieci neuronowych klasy PCNN. Uczelniane Wydawnictwo Naukowo-Dydaktyczne Kraków – Półrocznik Automatyka, Tom 11, str. 355 – 364
• 16.Pajares G., Cruz J.M., Aranda J., 1998. Stereo matching based on the self-organizing feature-mapping algorithm, Pattern Recognition Letters 19, s. 319-330
• 17.Piekarski P., Mikrut Z., 2007. Wykorzystanie transformacji log-Hougha do tworzenia reprezentacji obrazu dla klasyfikatora neuronowego. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 17, Dobczyce (w tym tomie)
• 18.Sarjakoski T., 1988. Artificial intelligence in Photogrammetry. Photogrammetria (PRS) 42, s. 245-270
• 19.Schwartz E.L., 1977. Spatial mapping in the primate sensory projection: analytic structure and relevance to perception. Biological Cybernetics, nr 25, s. 181-194
• 20.Sunar F., Özkan C., 2000. Rectification of remotely sensed images with artificial neural network, International Archives of Photogrammetry and Remote Sensing. Amsterdam., Holland, Vol. XXXIII, Part B3
• 21.Tadeusiewicz R., 1993. Sieci neuronowe. AOW Warszawa
• 22.Tadeusiewicz R., Gąciarz T., Borowik B., Leper B., 2007. Odkrywanie właściwości sieci neuronowych przy użyciu programów w języku C\#. Polska Akademia Umiejętności Międzywydziałowa Komisja Nauk Technicznych, Kraków
• 23.Vieira C., Mather P., McCullagh M., 2000. The spectral-temporal response surface and its use in the multi-sensor, multitemporal classification of agricultural crops. International Archives of Photogrammetry and Remote Sensing. Amsterdam, Holland, Vol. XXXIII, Part B2
• 24.Weiman C.F.R., 1989. Polar exponential sensor arrays unify iconic and Hough space representation. Proc. SPIE vol.1192: Inteligent robots and computer vision VIII
• 25.Zheng Y-J, 1992. Feature extraction: a neural network oriented approach. Int. Archives of Photogrammetry and Remote Sensing, vol. 29