Wykorzystanie sieci neuronowych w procesach fotogrametrycznych

• Autorzy: Mikrut S. , Mikrut Z.

Warianty tytułu

EN

Application of neural networks to photogrammetric processes

• Języki publikacji: PL

Abstrakty

PL

W niniejszym artykule poruszono problem wykorzystania sztucznych sieci neuronowych (SSN) w geoinformatyce obrazowej, ze szczególnym uwzględnieniem procesów fotogrametrycznych. Przedstawiono wyniki przeglądu literatury światowej oraz zaprezentowano rezultaty badań prowadzonych w ramach projektu dotyczącego użycia sieci do spasowania fotogrametrycznych zdjęć lotniczych. W oparciu o literaturę, przeanalizowano wyniki prac wykorzystujących sieci neuronowe do: klasyfikacji obrazów wielospektralnych, wydobywania cech, kalibracji kamer oraz spasowania obrazów. Zaprezentowano również wyniki własnych eksperymentów, bazujących na idei wykorzystania sieci opierającej się na wyborze specjalnej reprezentacji, która następnie jest wykorzystywana do spasowania obrazów fotogrametrycznych dla dwóch wybranych typów terenu. W badaniach wykorzystano sieci impulsujące ICM (Intersecting Cortical Model), będące jedną z wersji sieci PCNN (Pulse Coupled Neural Network), przy pomocy których wygenerowano tzw. podpisy obrazów (signatures), czyli kilkudziesięcioelementowe wektory, opisujące strukturę fragmentu obrazu. Wyniki badań częściowo potwierdzają słuszność przyjętych założeń, mimo występujących problemów związanych ze specyfiką obrazów fotogrametrycznych.

EN

The paper discusses the use of artificial neural networks in geoinformatics, particularly in photogrammetric image analysis. It reviews the relevant international publications (including the ISPRS congress proceedings) and discusses the outcome of research on the use of networks for matching photogrammetric images. The paper shows also results of tests, described in the literature, in which neural networks were applied to perform tasks such as feature extraction, multispectral image classification, camera calibration and matching. The idea of using neural networks is based on the selection of special representations. The essence of the neural networks-based methodology consists of preparing suitable representations of image fragments and of using them toclassify various types of neural networks. One of the methods adopted was based on the distribution and direction of image gradient module value. The research was conducted on forty four sub-images, taken from aerial photographs of two Polish cities: Bytom and Cracow. The areas shown in those images differed in their terrain cover. The images were divided into three categories: full sub-images, sub-images divided into 4 parts, and sub-images divided into 6 small parts. The research involved the Intersecting Cortical Model (ICM), a version of the Pulse Coupled Neural Network (PCNN), with which the so-called image signatures, i.e., a few dozen-element vectors that describe the image structure were generated. The preliminary results partially confirm the correctness of the approach adopted, despite problems resulting from the complex nature of photogrammetric images.

Słowa kluczowe

PL

sztuczna sieć neuronowa; spasowanie obrazów; fotogrametria cyfrowa

EN

artificial neural network; image matching; digital photogrammetry

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2008
• Tom: Vol. 18b
• Strony: 409--421
• Opis fizyczny: Bibliogr. 26 poz.

Twórcy

autor

Mikrut S.

• Katedra Geoinformacji, Fotogrametrii i Teledetekcji Środowiska, AGH w Krakowie, tel. [phone]

autor

Mikrut Z.

• Katedra Automatyki, AGH w Krakowie, tel. [phone]

Bibliografia

• 1. Ahadzadeh S., Valadanzouj M., Sadeghian S., Ahmadi S., 2008. Detection of Damaged Buildings after an Earthquake Using Artificial Neural Network Algorithm. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing, China, Vol. XXI, Part B8, s. 369-372.
• 2. Aria E.H., Saradjian M.R., Amini J., Lucas C., 2004. Generalized cooccurrence matrix to classify IRS-1D images using neural network. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Istambul, Turkey, Vol. XX, Part B7., s. 114-116.
• 3. Barsi A., 1996. Thematic classification of Landsat image using neural network. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vienna, Austria, Vol. XVIII, Part B3, s.48-52.
• 4. Barsi A., 2000. The impact of data compression and neighborhood information on the classification accuracy of artificial neural networks. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Amsterdam, Holland, Vol. XIX, Part B7, s. 140-147.
• 5. Barsi A., Heipke C., Willrich F., 2002. Junction extraction by artificial neural network system – JEANS, IntArchPhRS XXXIV/3b, Graz , s.18-21
• 6. Bischof H., Schneider W., Pinz A., 1992. Multispectral classification of Landsat images using neural network, IEEE Trans. on Geosience and Remote Sensing, Vol. 30, No 3, s. 482-490.
• 7. Bock S., 1996. A region-based approach to land-use classification of remotely –sensed image data using artificial neural network. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vienna, Austria, Vol. XVIII, Part B7, s.71-76.
• 8. Cetin M., Kavzoglu T., Musaoglu N., 2004. Classification of multi-spectral, multitemporal and multi-sensor images using principal components analysis and artificial neural networks: beykoz case. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Istambul, Turkey, Vol. XX, Part B4, s. 951-956.
• 9. Chen C., Chen S., Shyn S., 1996. Classification of remote sensing imagery using an unsupervised neural network. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vienna, Austria, Vol. XVIII, Part B7, s. 112-117.
• 10. Dreyer P., 1993. Classification of land cover using optimized neural nets on SPOT data, Photogrammetric Engineering and Remote Sensing, Vol. 59, No. 5, s. 617-621.
• 11. Elaksher A., 2008. Multi-image matching using neural networks and photogrammetric conditions. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing, China, Vol. XXI, Part B3, s. 39-44.
• 12. Hara Y., Atkins R., Yueh S., Shin R., Kong J., 1994. Application of neural networks to radar image classification, IEEE Trans. on Geoscience and Remote Sensing, Vol. 32, No. 1, s. 100-109.
• 13. Kamiya I., 2000. Image classification by spatial shift invariant neural network. Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Amsterdam, Holland, Vol. XIX, Part B7, s. 636-639.
• 14. Kepuska V., Mason, S., 1991. Automatic signalized point recognition with feed-forward neural network, IEE Conference Publication, 2-nd International Conference on Artificial Neural Networks, London, Nr 349, s. 359-363.
• 15. Korbicz J., Obuchowicz A., Uciński D., 1994. Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• 16. Lindblad T., Kinser J.M., 2005: Image Processing Using Pulse-Coupled Neural Networks. Springer-Verlag, Berlin, Heidelberg
• 17. Mendonca M., da Silva I., Castanho J., 2002. Camera calibration using neural networks. Journal of WSCG - poster abstract at 10-th Int. Conf. Central Europe on Computer Graphics, Visualization and ComputerVision (WSCG 2002), Vol. 10, nr 1-3.
• 18. Mikrut S., Mikrut Z., 2007. Sieci neuronowe w procesach automatycznej korelacji zdjęć lotniczych. Archiwum Fotogrametrii, Kartografii i Teledetekcji, Vol 17b, s. 505-515.
• 19. Mikrut Z., 2007. Tworzenie reprezentacji obszarów zdjęć lotniczych za pomocą sieci neuronowych klasy PCNN. Uczelniane Wydawnictwo Naukowo-Dydaktyczne Kraków – Półrocznik Automatyka, Tom 11, s. 355 – 364.
• 20. Mokhtarzade M., Valadan Zoej M., Ebadi H., 2008. Automatic Road Extraction from High Resolution Satellite Images Using Neural Networks, Texture Analysis, Fuzzy Clustering and Genetic Algorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing, China, Vol. XXI, Part B3b, s. 549-556.
• 21. Resko B., Baranyi P., Hashimoto H., 2003. Camera Control with Disparity Matching in Stereo Vision by Artificial Neural Networks. In Workshop on Intelligent Solutions in Embedded Systems, Vienna, Austria.
• 22. Tadeusiewicz R., 1993. Sieci neuronowe. AOW Warszawa.
• 23. 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.
• 24. Törma M, 1996, Self-organizing Neural Network in Feature Extraction. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vienna, Austria, Vol. XVIII, Part B2, s.374-379.
• 25. Wang J., Hsiao C., 1999. On Disparity Matching in Stereo Vision via a Neural Network Framework, Proc. Natl. Sci. Counc. ROC(A), Vol. 23, No. 5, s. 665-678.
• 26. Zhou L., Yang X., 2008. Use of Neural Networks for Land Cover Classification from Remotely Sensed Imagery. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Beijing, China, Vol. XXI, Part B7, s. 575- 578.