Комплекс автоматизированного дешифрирования и векторизации

      Комментарии к записи Комплекс автоматизированного дешифрирования и векторизации отключены

Комплекс автоматизированного дешифрирования и векторизации

А.Ю. Борзов

Дешифрирование фотоснимков есть самый трудоёмким процессом в картографическом производстве. Автоматизация дешифрирования затруднена из-за недостаточной создания теории распознавания образов применительно к топографическому дешифрированию и недостаточной производительностью компьютеров для ответа задач распознавания. Не обращая внимания на это, на рынке ПО показались программы, делающие автоматическую и полуавтоматическую векторизацию фотоснимков.

В КБ  «Панорама» создан новый продукт «Комплекс автоматизированного дешифрирования и векторизации», первая версия которого разрешает автоматизировать пока только одну локальную задачу — векторизацию линейных объектов. Программа реализована в виде независимого комплекса, включающего методы классификации, растровой и векторной обработки, объединенные в единый технологический процесс (рис. 1).

Рис. 1. Основное окно программы

Процесс обработки складывается из этапов, каковые возможно делать в последовательно либо пакетном режиме. Постепенная обработка удобна для подбора параметров. По окончании исполнения пробного проекта, его параметры возможно применять при создании проектов с похожими растрами.

Эти  проекты уже возможно делать в пакетном режиме для ускорения обработки.

Первым этапом есть классификация — процесс определения принадлежности пикселей изображения распознаваемому объекту. В программе употребляется обучаемый классификатор, применяющий оцифрованные пользователем шаблоны — области на снимке, конкретно принадлежащие распознаваемому объекту.

Процесс обучения содержится в запоминании и вычислении значений статистических черт, вычисленных для каждого положения окна сканирования, перемещающегося по растровому изображению в шаблонов. При классификации те же характеристики на тестируемую область растра в пределах окна сравниваются с шаблонными. В случае если значения тестируемых черт незначительно отличаются от шаблонных, то вся область окна классифицируется как принадлежащая объекту.

В качестве статистических черт употребляется шесть черт — дисперсия и средний цвет, вычисляемые для трех цветовых каналов. В случае если включен режим «Применять текстурные показатели», то вместо дисперсии вычисляются текстурные показатели — энергия, корреляция и контраст.

Любой комплект черт возможно представить точками в двух трехмерных пространствах показателей. Для каждого шаблона создается пара трехмерных массивов, ограничивающих пространство показателей диапазоном вычисленных для шаблона значений. Количество элементов в массиве регулируется параметром «Уровень обобщения классификатора», что разрешает изменять чувствительность классификатора к точности соответствия комплекта тестируемых черт шаблонным.

Рис. 2. Итог классификации по окончании удаление маленьких областей

В следствии классификации создается растр принадлежности пикселей растра распознаваемым объектам. В большинстве случаев он содержит неправильно классифицированные области. Их возможно отфильтровать на этапе удаления маленьких областей (рис.

2).

Рис. 3. Итог преобразования растра в линии без сглаживания краев

По окончании фильтрации шумов возможно делать преобразование растра в вектор. Эта операция выполняется методом удаления граничных пикселей областей с сохранением их связности. У этого метода имеется недочёт — в случае если границы областей неровные, то незначительные выступы преобразуются в отдельные линии (рис.

3).

Исходя из этого перед преобразованием в вектор нужно выполнить сглаживание краев растровых областей. Уровень сглаживания задается в диапазоне от 0 до 1. Чем меньше значение, тем больше сглаживается линия, причем значение параметра нелинейно воздействует на итог сглаживания (рис. 4).

Рис. 4. Итог преобразования растра в линии по окончании сглаживания краев

По окончании преобразования в вектор осевые линии выясняются порванными на перекрестках. Сшивка отдельных сегментов в главные проезды выполняется на этапе «Соединение линий на пересечениях». Финиши линий сшиваются, в случае если расстояние и разница направлений между финишами линий меньше заданного пользователем допуска. Причем сшивка линий выполняется не по крайним точкам, а по точкам, отстоящим от финишей на заданное расстояние.

Это разрешает устранить искривление главных проездов в сторону примыкающей улицы (рис. 5).

Рис. 5. Итог сшивки линий на перекрестках

По окончании построения сети главных проездов выполняется соединение финишей линий вне перекрестков. Метод сшивки отличается от сшивки линий на перекрестках оптимизацией для соединения линий на большем расстоянии. Данный этап нужен для сшивки линий в местах, где изображение дороги закрыто помехами — тенями, деревьями, скоплениями автомобилей.

Потом идет этап удаления маленьких линий. На этом этапе линии, оставшиеся по окончании объединения, удаляются по большой длине, задаваемой пользователем.

После этого выполняется фильтрация и сглаживание (рис. 6, 7). Сглаживание выполняется подобно операции с краями областей.

Фильтрация нужна для уменьшения количества точек в созданных объектах.

Рис. 6. Линии до сглаживания

Рис. 7. Линии по окончании сглаживания

Затем выполняется присоединение второстепенных проездов к главным дорогам (рис. 8).

Рис. 8. Итог присоединения второстепенных проездов

На последней стадии выявленные осевые линии дорог экспортируются в выбранную пользователем карту. Экспортируемая карта возможно создана в форматах SIT, SXF, SHP. Окончательное редактирование результатов распознавания может выполняться в ГИС, поддерживающих эти форматы (рис.

9).

Рис. 9. Итоги распознавания

Борзов А.Ю.


Интересные записи на сайте:

Подобранные по важим запросам, статьи по теме: