Selekcja podobrazów dla potrzeb dopasowywania zdjęć lotniczych oparta na histogramach gradientu i sieci neuronowej

• Autorzy: Czechowicz A. , Mikrut Z.

Warianty tytułu

Selection of sub-images for aerial photographs matching purposes based on gradient distribution and neural networks

• Języki publikacji: PL

Abstrakty

PL

Artykuł przedstawia wyniki wykorzystania sieci neuronowych do selekcji podobrazów oraz wyniki wyszukiwania wybranych obszarów na pozostałych zdjęciach z wykorzystaniem rozkładu odpowiedzi dla sieci SOM Kohonena. Zaproponowano reprezentacje fragmentu obrazu oparta na rozkładzie wartości modułu gradientu i jego kierunku. Badania przeprowadzono na dziewięciuset podobrazach zdjęć lotniczych okolic Krakowa o różnym pokryciu terenu podzielonych na trzy kategorie: obszarów korzystnych, pośrednich i niekorzystnych pod względem wyszukiwania cech do orientacji wzajemnej. Dla każdego z obrazów, w oparciu o algorytm Canny’ego, wyznaczono krawędzie. Na podstawie wartości gradientu i kierunków wykrytych krawędzi sporządzono histogram, który następnie posłużył wyznaczeniu reprezentacji podobrazu w postaci profilu kierunku. Tak przygotowana reprezentacje wykorzystano do uczenia sieci neuronowych metoda nadzorowana (backpropagation) oraz nienadzorowana (Kohonena), a następnie do klasyfikacji obszarów nauczonymi sieciami. W przypadku sieci backpropagation miara efektywności klasyfikacji był globalny współczynnik rozpoznania oraz macierz pomyłek. Dla sieci Kohonena wyznaczano współczynnik kompletności i poprawności. Wyniki zestawiono z rezultatami otrzymanymi na drodze uczenia metoda wstecznej propagacji błędów, gdzie generowane na mapie Kohonena odpowiedzi stanowiły sygnał wejściowy dla warstwy backpropagation. W dalszym etapie wytypowane obszary korzystne poszukiwano na sąsiednich obrazach. Wzmocniony funkcja preferująca wysokie wartości rozkład odpowiedzi na mapie cech siec Kohonena, uzyskany dla podobrazów korzystnych, porównywano z rozkładem dla podobrazów o tych samych wymiarach na sąsiednich zdjęciach. Za miarę podobieństwa obszarów przyjęto współczynnik korelacji dla porównywanych odpowiedzi sieci.

EN

This paper describes the application of neural networks for selection of sub-images and the result of the search for the selected areas on the remaining photographs with the utilisation of Kohonen’s SOM network responses distribution. Image fragment representation based on the gradient magnitude values distribution and its direction was proposed. The research was conducted on nine hundred sub-images, taken from aerial photographs of the Cracow’s environs with different terrain cover, divided into three categories: advantageous, intermediate and disadvantageous areas in respect of searching for the features for mutual matching. The edges were detected with Canny algorithm. Based on the gradient values and the directions of the edges, the histogram was created and used to determine the representation of the sub-image in the direction’s profile form. The prepared representation served for teaching the neural network using supervised (backpropagation) and unsupervised (Kohonen) method and later for the classification. For the backpropagation network, the classification effectiveness was measured using the global recognition coefficient and the cooccurrence matrix. For the Kohonen network, the completeness and correctness coefficients were determined. Afterwards, the two networks were put together: the responses generated on the Kohonen map constituted the input signal for the backpropagation layer. In the next step, the adjacent images were sought for the chosen areas. Response distribution on the Kohonen network feature map, amplified with the function preferring the high values, was compared with the distribution for the same size sub-images of the adjacent photographs. To measure the similarity of the subimages, the correlation coefficient to compare network’s responses was used.

Słowa kluczowe

PL

fotogrametria; wzajemne dopasowanie; algorytm Canny'ego; histogram gradientów; SOM; sieci Kohonena; sieci backpropagation

EN

photogrammetry; mutual matching; Canny edge detector; gradient histogram; SOM; Kohonen networks; backpropagation networks

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2007
• Tom: Vol. 17a
• Strony: 149--158
• Opis fizyczny: Bibliogr. 10 poz.

Twórcy

autor

Czechowicz A.

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

autor

Mikrut Z.

• Katedra Automatyki, Akademia Górniczo-Hutnicza w Krakowie

Bibliografia

• 1.Alhoniemi E., Himberg J., Parhankangas J., Vesanto J.,2005 SOM Toolbox www.cis.hut.fi/projects/somtoolbox/
• 2.Beal M.,Demuth H., 1998 Neural Network Toolbox for use in Matlab, The MathWorks Inc. Czechowicz A., Mikrut Z.,2007 Wykorzystanie sieci Kohonena do selekcji podobrazów dla potrzeb dopasowania zdjec lotniczych, Automatyka AGH, t.11, z.3,w druku.
• 3.Heipke C., 1997 Automation of interior, relative and absolute orientation. ISPRS Journal of Photogrammetry & Remote Sensing, 52, s. 1-19.
• 4.Kohonen T., 1997 Self-Organizating Maps, New York , Springer-Verlag.
• 6.Parker J.R., 1996 Algorithms for Image Processing and Computer Vision, Wiley.
• 7.Stefano L., Marchionni M., Mattoccia S, 2004 A fast area-based stereo matching algorithm, Image and Vision Computing,22, s. 983-1005.
• 8.Tadeusiewicz R., 1993 Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, W-wa.
• 9.Vesanto J., Alhoniemi E., Himberg J., Parhankangas J., 2000 SOM Toolboxfor Matlab 5,
• 10.http//www.cis.hut.fi/projects/somtoolbox/documentation