• Українська
  • English
ISSN 2415-3400 (Online)
ISSN 1028-821X (Print)

ОБРОБЛЕННЯ МОНОХРОМНОГО ЗОБРАЖЕННЯ ЗЕМНОЇ ПОВЕРХНІ ДЛЯ ВИЯВЛЕННЯ СПОРУД

Горобець, ОМ
Organization: 

Харківський національний університет імені В. Н. Каразіна
4, майдан Свободи, Харків, 61022, Україна

E-mail: alex.n.gorobets@gmail.com

https://doi.org/10.15407/rej2017.04.011
Мова: російська
Анотація: 

У статті описано новий метод поетапної обробки зображень для виявлення будівель на чорно-білих знімках дистанційного зондування Землі в різних діапазонах довжин хвиль.

Метод заснований на особливостях форми більшості антропогенних об’єктів, контури яких складаються з прямих країв, розташованих під прямим кутом один до одного. Представлення зображення у вигляді роздільних масивів величини і напрямку градієнта яскравості дозволяє виявляти обʼєкти як у випадку з білими обʼєктами на чорному тлі, так і з чорни-
ми – на білому. Розроблений двовимірний адаптивний фільтр зображення дозволяє виявити прямі краї об’єкта навіть якщо фрагмент зображення має низький контраст і високий рівень шумів. Подальша обробка тільки списку відрізків, на відміну від оброблення всього растрового зображення, дозволяє істотно скоротити час обробки.

Розроблено алгоритм, який при обробці вихідного зображення формує обмежений набір обʼєктів, форма яких близька до антропогенних.

Запропонований метод може бути використаний в якості алгоритму сегментації зображень і формування на їх основі гіпотез для подальшого розпізнавання за допомогою нейронних мереж. Метод також продуктивний як засіб для автоматизації та підвищення ефективності підготовки оператором тренувальної вибірки зображень для нейронної мережі, а отже, для оптимізації цього процесу

Ключові слова: адаптивний фільтр, космічний землеогляд, оброблення зображень, пошук прямих

Стаття надійшла до редакції 18.10.2017
PACS 07.05.Pj
УДК 528.77         
Radiofiz. elektron. 2017, 22(4): 11-18
Повний текст (PDF)

References: 
  1. Фрактальный анализ процессов, структур и сигналов. Под ред. Р. Э. Пащенко. Харьков: Эко-Перспектива, 2006. 347 с.
  2. Woo D.-M., Nguyen Q.-D., Nguyen Tran Q.-D., Park D.-C., Jung Y.-K. Building Detection and Reconstruction from Aerial Images. Proc. Int. Soc. for Photogrammetry and Remote Sensing (ISPRS). Beijing, China, July 3–11, 2008.
  3. Konstantinidis D., Stathaki T., Argyriou V. and Grammalidis N. A probabilistic feature fusion for building detection in satellite images. Proc. 10th Int. Conf. on Computer Vision Theory    and Applications (VISAPP 2015). Vol. 2. Berlin, Germany, 11–14 March, 2015. SciTePress, pp. 205–212. DOI: 10.5220/0005260502050212
  4. Sirmacek B. and Unsalan C. Urban-area and building detection using SIFT keypoints and graph theory. IEEE Trans.   Geosci. Remote Sens. 2009. Vol. 47, N 4. P. 1156–1167.
  5. Singh D., Maurya R., Shukla A. S., Sharma M. K. and     Gupta P. R. Building extraction from very high resolution multispectral images using NDVI based segmentation and morpholo-gical operators. 2012 Students Conference on Engineering and Systems (SCES). Allahabad, Uttar Pradesh, India, 16–18 March 2012, pp. 1–5.
  6. Hermosilla T., Ruiz L., Recio J., and Estornell J. Evaluation of automatic building detection approaches combining high resolution images and LiDAR data. Remote Sens. 2011. Vol. 3, N 6. P. 1188–1210. DOI:10.3390/rs3061188
  7. Theng L. B. Automatic building extraction from satellite imagery. Engineering Letters. 2006. Vol. 13, N 3. [pdf] Eng. Lett., 13(3), 5 p. Aviable at: http://www.engineeringletters.com/ issues_v13/issue_3/EL_13_3_5.pdf.
  8. Kahn P., Kitchen L., Riseman E. Fast Line Finder for Vision-Guided Robot Navigation. IEEE Trans. Pattern Anal. Mach. Intell. 1990. Vol. 12, N 11. P. 1098–1102. DOI: 10.1109/ 34.61710
  9. Haverkamp D. Automatic building extraction from IKONOS imagery. Proc. ASPRS Annual Conf. Denver, CO, USA,     23–28 May 2004.
  10. Konstantinidis D., Stathaki T., Argyriou V., Grammalidis N. Building Detection Using Enhanced HOG–LBP Features and Region Refinement Processes. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2017. Vol. 10, N 3. P. 888–905. DOI: 10.1109/RAST.2013.6581176
  11. Конкурсы анализа данных [on-line]. URL: http://dataring.ru/ competitions/fpi-object-detection/
  12. Method and means for recognizing complex patterns: Pat. 3,069,654 U. S. / P. Hough. Dec. 1962.
  13. Canny J. A Computational Approach to Edge Detection. IEEE Trans. Pattern Anal. Mach. Intell. 1986. Vol. PAMI-8, N 6. DOI: 10.1109/TPAMI.1986.4767851