Vectorization Method of Satellite Images Based on Their Decomposition by Topological Features

封面

如何引用文章

全文:

详细

Vectorization of objects from an image is necessary in many areas. The existing methods of vectorization of satellite images do not provide the necessary quality of automation. Therefore, manual labor is required in this area, but the volume of incoming information usually exceeds the processing speed. New approaches are needed to solve such problems. The method of vectorization of objects in images using image decomposition into topological features is proposed in the article. It splits the image into separate related structures and relies on them for further work. As a result, already at this stage, the image is divided into a tree-like structure. This method is unique in its way of working and is fundamentally different from traditional methods of vectorization of images. Most methods work using threshold binarization, and the main task for them is to select a threshold coefficient. The main problem is the situation when there are several objects in the image that require a different threshold. The method departs from direct work with the brightness characteristic in the direction of analyzing the topological structure of each object. The proposed method has a correct mathematical description based on algebraic topology. On the basis of the method a geoinformation technology has been developed for automatic vectorization of raster images in order to search for objects located on it. Testing was carried out on satellite images from different scales. The developed method was compared with a special tool for vectorization R2V and showed a higher average accuracy. The average percentage of automatic vectorization of the proposed method was 81%, and the semi-automatic vectorizing module R2V was 73%.

作者简介

S. Eremeev

Murom Institute (branch) of Vladimir State University

Email: sv-eremeev@yandex.ru
Orlovskaya St. 23

A. Abakumov

Murom Institute (branch) of Vladimir State University

Email: artem210966@yandex.ru
Orlovskaya St. 23

D. Andrianov

Murom Institute (branch) of Vladimir State University

Email: AndrianovDE@inbox.ru
Orlovskaya St. 23

T. Shirabakina

Southwest State University

Email: tas_06@mail.ru
50 let Oktyabrya St. 94

参考

  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.

补充文件

附件文件
动作
1. JATS XML
下载

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».