Метод векторизации спутниковых снимков на основе их разложения по топологическим особенностям

Обложка

Цитировать

Полный текст

Аннотация

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%.

Об авторах

С. В Еремеев

Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»

Email: sv-eremeev@yandex.ru
улица Орловская 23

А. В Абакумов

Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»

Email: artem210966@yandex.ru
улица Орловская 23

Д. Е Андрианов

Муромский институт (филиал) ФГБОУ ВО «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых»

Email: AndrianovDE@inbox.ru
улица Орловская 23

Т. А Ширабакина

Юго-Западный государственный университет

Email: tas_06@mail.ru
улица 50 лет Октября 94

Список литературы

  1. Miroshnichenko S.Yu., Titov V.S., Dremov E.N., Mosin S.A. Hough Transform Application to Digitize Rectangular Spatial Objects on Aerospace Imagery // Trudy SPIIRAN. 2018. vol. 61. pp. 172–196.
  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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».