ИССЛЕДОВАНИЕ МЕТОДОВ АВТОМАТИЗИРОВАННОГО ИЗВЛЕЧЕНИЯ ДОРОЖНЫХ ОБЪЕКТОВ ИЗ СПУТНИКОВЫХ ИЗОБРАЖЕНИЙ SENTINEL-2 MSI

АННОТАЦИЯ

Извлечение дорожной сети из данных дистанционного зондирования часто сталкивается со многими трудностями, обусловленными сложностью самих объектов, а также ограниченным пространственным разрешением исходных изображений. В данной статье представлен метод автоматического извлечения дорожных объектов на основе данных Sentinel-2 MSI на примере территории города Ханоя с использованием дорожного индекса (RI). Для выделения дорожных признаков и подавления влияния других объектов на изображении применяется оператор Bottom-Hat. Затем для извлечения дорожной сети используются метод неконтролируемой классификации и алгоритм сегментации Contrast-Split. На заключительном этапе для удаления шумов на классифицированном изображении применяется метод фильтрации с использованием гауссовой функции. Полученные результаты могут быть использованы для планирования транспортной инфраструктуры и мониторинга изменений городской дорожной системы.

ABSTRACT

Road extraction from remote sensing data often faces many difficulties due to the complexity of the object as well as the limited spatial resolution of the image data. This article presents a development method for automatic extraction of road from Sentinel 2 MSI data, a case study in Hanoi city area based on road index (RI). The Bottom-Hat operator is used to highlight road features and remove the influence of other objects on the image. Then, the unsupervised classification method and Contrast-Split segmentation algorithm are applied to extract the road. Finally, the noise filtering method using the Gaussian function is used to remove noise in the classified image. The obtained results can be used for traffic planning and monitor changes to the urban road system.

Ключевые слова: дистанционное зондирование, дорожный индекс, Sentinel-2 MSI, Ханой.

Keywords:  remote sensing, road index, Sentinel 2 MSI, Ha Noi.

Введение

Развитие дорожной инфраструктуры имеет большое значение для транспортной деятельности, экономических связей, градостроительного развития и охраны окружающей среды, внося важный вклад в социально-экономическое развитие. Информация о сети автомобильных дорог играет важную роль при создании топографических и тематических карт. Оптические данные дистанционного зондирования с высоким пространственным разрешением позволяют оперативно извлекать информацию о дорожной сети, что способствует экономии времени и трудовых ресурсов по сравнению с традиционными методами наземных измерений [5].

В связи со сложностью геометрических характеристик и спектральных отражательных свойств объектов, классификация дорожных объектов по данным дистанционного зондирования сопряжена с существенными трудностями. Традиционные методы классификации для извлечения дорожных объектов из оптических дистанционных изображений, как правило, характеризуются невысокой точностью из-за ограничений, связанных с процессом отбора обучающих выборок [6]. В ряде исследований применялись объектно-ориентированные методы классификации, включая как контролируемую [7], так и неконтролируемую классификацию [3], для извлечения информации о дорожной системе из спутниковых изображений высокого пространственного разрешения. Кроме того, в других работах использовались методы, основанные на анализе текстурных [9] и геометрических характеристик [4] при классификации дорожных объектов.

В целом методы и технологии извлечения дорожных объектов из данных дистанционного зондирования можно разделить на две основные группы: (1) автоматические и полуавтоматические методы классификации и (2) методы извлечения дорожных участков и осевых линий дорог [1]. В последние годы алгоритмы искусственного интеллекта получили широкое развитие и применение при извлечении признаков и классификации дорожных объектов по данным дистанционного зондирования. Такие алгоритмы, как SVM [10] и ANN [2], показали высокую эффективность при классификации дорожных объектов на спутниковых изображениях высокого пространственного разрешения.

В данном исследовании представлены результаты извлечения информации о дорожных объектах из данных дистанционного зондирования Sentinel-2 MSI с использованием метода неконтролируемой классификации на основе дорожного индекса RI (Road Index) [8].

Для расчёта индекса RI использовались коротковолновый инфракрасный канал (канал 11), ближний инфракрасный канал (канал 8) и синий канал (канал 2) изображений Sentinel-2 MSI. Далее применялся оператор Bottom-Hat для подчёркивания особенностей дорожной сети и устранения влияния других объектов на изображении. Полученные результаты подвергались сегментации и неконтролируемой классификации, после чего выполнялась векторизация с целью формирования информации о дорожных объектах.

Материалы и методы исследования

Район исследования выбран город Ханой – столица Вьетнама. Ханой является экономическим, политическим, культурным и социальным центром, а также столицей страны, характеризующейся высокой численностью населения и высокой плотностью застройки. Основные транспортные магистрали города, как правило, сосредоточены в центральной части, тогда как в пригородных и прилегающих районах плотность дорожной сети ниже. Кроме того, Ханой отличается сложной системой улично-дорожной сети, включающей основные улицы, второстепенные дороги и узкие городские проезды.

Данные дистанционного зондирования, использованные в данном исследовании, представлены спутниковыми изображениями Sentinel-2 MSI, полученными 18 мая 2023 года. Изображения, полученные на платформе GEE, были автоматически подвергнуты геометрической коррекции с целью устранения ошибок формы и пространственного положения. После этапа предварительной обработки данные спутниковых изображений Sentinel-2 MSI были скомпонованы в цветовые композиции и обрезаны по границам исследуемой территории. Спектральные каналы синего диапазона (канал 2), ближнего инфракрасного диапазона (канал 8) и коротковолнового инфракрасного диапазона (канал 11) использовались для расчёта дорожного индекса RI, после чего выполнялась автоматическая классификация дорожных объектов.

Процесс обработки спутниковых изображений Sentinel-2 MSI, направленный на автоматическое извлечение информации о дорожных объектах, подробно представлен на рисунке 1.

Рисунок 1. Схема алгоритма извлечения линейных объектов из изображений Sentinel-2 MSI

Результаты и обсуждения

На рисунке 2 представлены спутниковое изображение Sentinel-2 от 14 марта 2023 года и дорожный индекс RI для территории города Ханоя. Видно, что минимальное значение индекса RI составляет 0,01, а максимальное - 0,77. Кроме того, дорожные объекты характеризуются более низкими значениями RI, что соответствует более тёмным оттенкам по сравнению с другими объектами.

На рисунках 3 представлены результаты извлечения дорожных объектов для территории района Бак Ты Лием. Видно, что структурный элемент размером 5×5 на этапе морфологической коррекции обеспечивает более качественные результаты по сравнению со структурными элементами 3×3 и 4×4. Использование последних приводит к появлению в результатах посторонних шумовых объектов, таких как крыши зданий и растительные клумбы.

Рисунок 2. Изображение Sentinel-2 города Ханоя и индекс RI

Рисунок 3. Извлечённые дорожные объекты с использованием различных структурных элементов: (a) исходное изображение; (b) 3×3; (c) 4×4; (d) 5×5

На рисунке 4 показаны дорожные объекты вдоль национальной автодороги 21B (северное начало в районе Ха Донг) после обработки с использованием алгоритма CSS и гауссовой фильтрации шума. Видно, что в результате были успешно извлечены вся трасса национальной автодороги 21B, а также ряд крупных местных дорог, напрямую соединённых с транспортными развязками на данной магистрали. Мелкие дороги и улицы, проходящие через жилые районы, не были извлечены вследствие влияния окружающих объектов, таких как тени деревьев, жилые здания и тени крупных высотных сооружений.

В целом, применение алгоритма CSS в сочетании с гауссовой фильтрацией позволило удалить мелкие объекты и шум без негативного влияния на процесс извлечения дорожных объектов из спутниковых изображений.

Рисунок 4. Извлечённые дорожные объекты в районе Ха Донг

Заключение

В исследовании предложен метод извлечения дорожных объектов на основе нормализованного изображения дорожного индекса (RI). Метод применяется к данным Sentinel-2 MSI. После расчёта дорожного индекса выполняется морфологическая коррекция изображения с использованием фильтра Bottom-Hat, неконтролируемая классификация с применением алгоритма WekaKMeans, отбор объектов с помощью алгоритма сегментации Contrast-Split и подавление шума посредством гауссового фильтра. В результате были получены дорожные объекты на территории города Ханоя с использованием различных структурных элементов фильтра Bottom-Hat. Извлечение дорожных объектов из спутниковых изображений может обеспечить важную и полезную информацию для лиц, принимающих решения, в таких областях, как управление транспортом, градостроительное планирование, экологический менеджмент и развитие инфраструктуры.

Список литературы:

1. Alshehhi R., Marpu P. R. (2017). Hierarchical graph-based segmentation for extracting road networks from high-resolution satellite images // ISPRS journal of photogrammetry and remote sensing. – 2017. –  Vol.126. – C. 245-260.
2. George J., Mary L., Riyas K. S. (2013, December). Vehicle detection and classification from acoustic signal using ANN and KNN. In 2013 international conference on control communication and computing (ICCC) (pp. 436-439). IEEE.
3. Grinias I., Panagiotakis C., Tziritas G. (2016). MRF-based segmentation and unsupervised classification for building and road detection in peri-urban areas of high-resolution satellite images. ISPRS journal of photogrammetry and remote sensing, 122, 145-166.
4. He C., Liao Z. X., Yang F., Deng X. P., Liao M. S. (2012). Road extraction from SAR imagery based on multiscale geometric analysis of detector responses. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 5(5), 1373-1382.
5. Kennedy R. E., Townsend P. A., Gross J. E., Cohen W. B., Bolstad P., Wang Y. Q., Adams P. (2009). Remote sensing change detection tools for natural resource managers: understanding concepts and tradeoffs in the design of landscape monitoring projects. Remote Sens Environ; 113:1382–96.
6. Liu B., Wu H., Wang Y., Liu W. (2015). Main road extraction from zy-3 grayscale imagery based on directional mathematical morphology and vgi prior knowledge in urban areas. PloS one, 10(9), e0138071.
7. Miao Z., Shi W., Gamba P., Li, Z. (2015). An object-based method for road network extraction in VHR satellite images. IEEE journal of selected topics in applied earth observations and remote sensing, 8(10), 4853-4862.
8. Reddy S., Rao C., Kumar P., Anjaneyulu R. V. G., Gopala Krishna B. (2020). An index-based road feature extraction from LANDSAT-8 OLI images. Int J Electr Comput Eng;11: 1319–36.
9. Sghaier M. O., Lepage R. (2015). Road extraction from very high-resolution remote sensing optical images based on texture analysis and beamlet transform. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 9(5), 1946-1958.
10. Simler C. (2011). An improved road and building detector on VHR images. In 2011 IEEE international geoscience and remote sensing symposium (pp. 507-510). IEEE.