Nadzorowana detekcja tras komunikacyjnych z wykorzystaniem metod uczenia maszynowego

• Autorzy: Krawiec K. , Wyczałek I.

Warianty tytułu

EN

Supervised road detection using machine learning methodology

• Języki publikacji: PL

Abstrakty

PL

W pracy opisujemy nową metodę wykrywania drogowych tras komunikacyjnych na zobrazowaniu lotniczym lub satelitarnym. Proponowana metoda ma charakter strukturalny i bazuje na koncepcji profilu, rozumianego jako lokalny jednowymiarowy przekrój (rzut) obrazu. Tak rozumiane profile podlegają analizie poprzez ekstrakcję z nich cech zorientowanych na dyskryminowanie punktów reprezentujących drogi od punktów reprezentujących inne obiekty widoczne w obrazie. Cechy analizowane w proponowanej metodzie dobrane zostały do charakterystyki szlaków komunikacyjnych (głównie podłużny kształt); należą do nich m.in. wzajemne podobieństwo blisko zlokalizowanych profili o tej samej orientacji (ciągłość) oraz symetria. Dla polepszenia precyzji, profile obliczane są z wykorzystaniem próbkowania podpunktowego (sub-pixel sampling). W dalszych etapach przetwarzania metoda wykorzystuje algorytmy uczenia maszynowego (machine learning), w szczególności nadzorowane uczenie się z przykładów. Algorytm uczący się z przykładów dysponuje uczącą próbką pikseli, dla których przynależność do klas decyzyjnych (droga, nie-droga) jest znana. Informacja ta może być wprowadzona przez decydenta (eksperta) poprzez zaznaczenie wybranego obszaru obrazu reprezentującego szlak komunikacyjny, lub pochodzić z odpowiedniego modułu systemu informacji przestrzennej. Algorytm uczenia maszynowego pozyskuje wiedzę ze zbioru uczącego w procesie uczenia indukcyjnego. Wiedza ta jest następnie stosowana do klasyfikowania pozostałych punktów obrazu, dla których informacja ucząca nie jest znana. Ponadto, ponieważ wiedza ta jest wyrażona w dogodnej postaci drzewa decyzyjnego, może być poddana analizie przez eksperta (i potencjalnie skorygowana). Poza prezentacją metody praca zawiera opis jej implementacji komputerowej oraz eksperymentu obliczeniowego przeprowadzonego na rzeczywistym zdjęciu lotniczym terenu zabudowanego. Otrzymane wyniki dowodzą skuteczności proponowanego algorytmu i wskazują na użyteczność podejścia wykorzystującego uczenie maszynowe do analizy zdjęć lotniczych i obrazów satelitarnych.

EN

This paper presents a novel method of road detection in aerial and satellite imaging. This structural method is based on the concept of profile, meant as a local one-dimensional cross-section (cast) of raster image. We acquire such profiles from the image at different orientation angles and extract from them features well discriminating road pixels from non-road pixels. In particular, we use feature definitions tailored to road characteristics (mostly elongation); these include, among others, mutual similarity of close and equally orientated profiles (road continuity) and symmetry. To improve the precision of analysis, the method computes profiles using sub-pixel sampling. The further part of processing relies on machine learning, in particular, on supervised learning from examples. The algorithm is given a training sample of pixels, for which the decision class assignment (road, non-road) is known. This information may be manually entered by a decision maker (expert) by marking image regions representing road fragments, or alternatively, it may be retrieved from an appropriate module of a geographical information system. Given that information, the algorithm acquires the knowledge from training examples, performing so-called “inductive” learning. That knowledge may be then used to classify the remaining image pixels, for which the decision class assignment is not known. Moreover, the knowledge may be inspected (and potentially corrected) by the decision maker, as it is expressed in a readable form of a decision tree. The paper presents the algorithm in detail, describes its computer implementation, and demonstrates its application to an aerial image of urban area. The obtained results demonstrate the good performance of the method and indicate the usefulness of machine learning approach in analysis of aerial and satellite imagery.

Słowa kluczowe

PL

detekcja; klasyfikacja; uczenie się z przykładów; uczenie nadzorowane

EN

object detection; satellite imagery; aerial imagery; classification; learning from examples; supervised learning

• Wydawca: Zarząd Główny Stowarzyszenia Geodetów Polskich
• Czasopismo: Archiwum Fotogrametrii, Kartografii i Teledetekcji
• Rocznik: 2006
• Tom: Vol. 16
• Strony: 361--371
• Opis fizyczny: Bibliogr. 18 poz.

Twórcy

autor

Krawiec K.

• Instytut Informatyki, Politechnika Poznańska, tel.[phone]

autor

Wyczałek I.

• Zakład Geodezji, Politechnika Poznańska, tel. [phone]

Bibliografia

• 1. Auclair-Fortier, M. F., Ziou, D., Armenakis, C., and Wang, S., 2001. Automated Correction and Updating of Road Databases from High-Resolution Imagery. Canadian Journal of Remote Sensing, Vol. 27 No.1, s. 76-89.
• 2. Baltsavias, E.P., 2004. Objection extraction and revision by image analysis using existing geodata and knowledge: current status and steps towards operational systems. ISPRS Journal of Photogrammetry & Remote Sensing, 58, s. 129-151.
• 3. Bolc L., Zaremba P., 1992. Wprowadzenie do uczenia się maszyn. Akademicka Oficyna Wydawnicza, Warszawa.
• 4. Cichosz P., 2000. Systemy uczące się, WNT, Warszawa.
• 5. Doucette, P., Agouris, P., Stefanidis, A., 2004. Automated Road Extraction from High Resolution Multispectral Imagery. Photogrammetric Engineering & Remote Sensing, Vol. 70, No. 12, December 2004, s. 1405-1416.
• 6. Gao, J. and Wu, L., 2004. Automatic Extraction of road networks in urban areas from Ikonos imagery based on spatial reasoning. Proc. ISPRS XXth Congress, Istanbul, 12-23.07.2004.
• 7. Haverkamp, D., 2002. Extracting straight road structure in urban environments using Ikonos satellite imagery. Optical Engineering, 41(9), s. 2107-2110.
• 8. Heipke, C., Pakzad, K., Willrich, F., Peled, A., 2004. Theme Issue: Integration of Geodata and Imagery for Automated Refinement and Updating of Spatial Databases (Editorial). ISPRS Journal of Photogrammetry & Remote Sensing, 58, s. 127-128.
• 9. Klang, D.,1998. Automatic Detection of Changes in Road Databases Using Satellite Imagery. International Archives of Photogrammetry and Remote Sensing, Vol. 32, Part 4 "GIS-Between Visions and Applications", Stuttgart, 1998, s. 293-298.
• 10. Krawiec, K., Stefanowski, J., 2003. Uczenie maszynowe i sieci neuronowe. Wydawnictwo Politechniki Poznańskiej, Poznań.
• 11. Langley P., 1996. Elements of machine learning. Morgan Kaufmann, San Francisco.
• 12. Michalski R.S., Tecuci G. (red) 1994. Machine learning: a multistrategy approach, Vol. 4, Morgan Kaufmann, San Francisco.
• 13. Open Source Computer Vision Library: Reference Manual, 2001.
• 14. Quinlan J.R., 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann, San Francisco.
• 15. Witten I.H., Frank E., 1999. Data Mining: Practical Machine Learning Tools and Techniques with Java Implementations. Morgan Kaufmann, San Francisco.
• 16. Zhang Q., Couloigner I., 2006. Automated road network extraction from High Resolution Multi-spectral Imagery. Proc. ASPRS Annual Conference, Reno, Nevada, 1-5.05.2006,
• 17. Zhang C., Baltsavias E., O’Sullivan L., 2005. Performance evaluation of ATOMI system for road database updating from aerial film, ADS40, Ikonos and Quickbird orthoimagery. Proc. ISPRS Workshp CMRT 2005 Object Extraction for 3D City Models, Road Databases and Traffic Monitoring - Concepts, Algorithms and Evaluation, Vienna, 29-30.08.2005
• 18. Zhang, Y. and Wang, R., 2004. Multi-resolution and Multi-spectral Image Fusion for Urban Object Extraction. Proceedings of ISPRS XXth Congress, Istanbul, 12-23.08.2004.