Применение методов сегментации для анализа областей интереса на спутниковых изображениях и видеопоследовательностях

В последние годы широкое освещение получили работы, связанные с применением систем технического зрения в космических исследованиях, в частности для изучения спутниковых данных. Вследствие активного развития технологий дистанционного зондирования требуется разработка все новых методов и алгоритмов для анализа спутниковых данных. Целью работы является исследование существующих методов и алгоритмов сегментации и разработка наиболее подходящего метода сегментации зданий на спутниковых статических снимках и видеопоследовательностях. Основными свойствами объектов по отношению к фону являются их компактность и изолированность. Предложенный метод сегментации использует мультипороговую обработку, дающую набор бинарных срезов. Это дает возможность проводить морфологическую обработку объектов на каждом срезе в целях анализа их геометрических характеристик и последующей селекции. В результате удается установить адаптивный порог обнаружения объектов. Чтобы продемонстрировать эффективность предложенного решения, представлены результаты селекции объектов на реальных спутниковых изображениях.

Введение ……………………………………………………………………………………………………. 3
Постановка задачи……………………………………………………………………………………… 5
Глава 1. Обзор литературы ………………………………………………………………………… 6
Глава 2. Методы сегментации ………………………………………………………………….. 10
2.1. Пороговые методы………………………………………………………………………… 11
2.1.1. Пороговый метод с постоянным порогом ………………………………… 12
2.1.2. Пороговый метод с адаптивным порогом ………………………………… 13
2.2. Выделение границ ………………………………………………………………………… 14
2.3. Наращивание областей………………………………………………………………….. 17
2.3.1. Центроидное связывание …………………………………………………………. 17
2.3.2. Слияние-расщепление …………………………………………………………….. 18
2.3.3. Метод водоразделов ………………………………………………………………… 19
2.4. Текстурные методы ………………………………………………………………………. 20
Глава 3. Методы селекции объектов ………………………………………………………… 22
Глава 4. Селекция объектов на основе мультипороговой обработки …………. 26
4.1. Мультипороговая сегментация ……………………………………………………… 26
4.2. Селекция зданий по площади ………………………………………………………… 29
4.3. Тестирование алгоритма ……………………………………………………………….. 32
4.4. Вывод …………………………………………………………………………………………… 36
Выводы ……………………………………………………………………………………………………. 38
Заключение ……………………………………………………………………………………………… 39
Список литературы ………………………………………………………………………………….. 40

В рамках данной работы были достигнуты следующие результаты.
 Проведен анализ существующих методов и алгоритмов
сегментации, а также их применение в рамках поставленной
проблемы.
 Предложен подход к сегментации спутниковых изображений и
видеопотоков, основанный на использовании мультипороговой
обработки и результатов селекции объектов интереса по площади.
 Данный подход был исследован при различных значениях порога.

[1]Абламейко С.В., Лагуновский Д.М. Обработка изображений:
технология, методы, применение.//Беларусь, – Минск: Ин-т техн. Кибернетики
НАН Беларуси, 2000, – 304 с.
[2]Альмияхи О.М., Цветков В.Ю., Конопелько В.К., Гусева О.В.
Адаптивное двухпороговое квантование и сегментация изображений на основе
разделения и слияния областей // Доклады БГУИР. 2016. №7 (101).
[3]Волков В.Ю. Адаптивное выделение мелких объектов на
цифровых изображениях // Изв. вузов России. Радиоэлектроника. 2017. № 1. С.
17–28.
[4]Волков В.Ю.Обнаружение объектов на изображениях с
использованиемселекциипоплощади. Вопросырадиоэлектроники.
2020;(2):6-11.
[5]Волков В.Ю., Маркелов О.А., Богачев М.И. Сегментация
изображений и селекция объектов на основе многопороговой обработки //
Известия вузов России. Радиоэлектроника. 2019. №3.
[6]Гнатушенко В.В., Шедловская Я.И. Распознавание зданий на
спутниковых снимках на основе объектно-ориентированного подхода //
Вестник Херсонского национального технического университета. 2015. № 3
(54).
[7]Гонсалес, Р. Цифровая обработка изображений / Р. Гонсалес, Р.
Вудс. – 3-е изд., испр. и доп. – Москва : Техносфера, 2012. – 1104 с.
[8]Горелик А. Л., Кривошеев Ю. Л., Эпштейн С. С. Селекция и
распознавание на основе локационной информации. М: Радио и связь, 1990.
240 с.
[9]Друки А.А., Спицын В.Г., Болотова Ю.А., Башлыков А.А.
Семантическая сегментация данных дистанционного зондирования Земли при
помощи нейросетевых алгоритмов // Известия ТПУ. 2018. №1.
[10] ДунаеваА.В.Обнаружениестроенийподанным
мультиспектральной космической съемки и цифровой модели поверхности /
А.В. Дунаева, Ф.А. Корнилов // Сборник трудов IV международной
конференции и молодежной школы «Информационные технологии и
нанотехнологии» (ИТНТ-2018) – Самара: Новая техника, 2018. – С.1157-1164
[11] Дунаева А.В., Корнилов Ф.А. Обнаружение и локализация
строений заданной формы на аэроснимках в инфракрасном диапазоне //
Вестник ЮУрГУ. Серия: Вычислительная математика и информатика. 2017. Т.
6, № 3. С. 84–100
[12] Марьянова А.В. Исследование качества алгоритмов сегментации в
зависимости от размера объектов на изображении / А.В. Марьянова // Труды
46-йМеждународноймолодежнойшколы-конференции”Современные
проблемы математики и её приложений”. – Екатеринбург, 2015. – С.129-134.
[13] Панченко Д.С., Путятин Е.П. Сравнительный анализ методов
сегментации изображений // Радиоэлектроника и информатика. 1999. №4 (9).
[14] Синявский Ю.Н., Пестунов И.А., Дубровская О.А., Рылов С.А.,
Мельников П.В., Ермаков Н.Б., Полякова М.А. Методы и технология
сегментации мультиспектральных изображений высокого разрешения для
исследования природных и антропогенных объектов // ЖВТ. 2016. №1.: 11.05.2020
[15] Соколова Н.О. Распознавание контуров зданий на спутниковых
изображенияхвысокогопространственногоразрешения//Вестник
Херсонского национального технического университета. 2015. № 3 (54).
[16] Соколова Н.О., Обыденный Е.А. Использование наличия тени при
распознавании зданий на спутниковых изображениях высокого разрешения //
Вестник Херсонского национального технического университета. 2017. № 3
(62).
[17] Соловьев Р.А., Тельпухов Д.В., Кустов А.Г. Автоматическая
сегментация спутниковых снимков на базе модифицированной свёрточной
нейронной сети UNET // ИВД. 2017. №4 (47).
[18] Федеральный закон от 10.01.2002 N 7-ФЗ (ред. от 27.12.2019) “Об
охране окружающей среды”
[19] Форсайт Д., Понс Ж. «Компьютерное зрение. Современный
подход», Москва. Санкт-Петербург. Киев 2004г. – 465с.
[20] Фурман Я. А., Юрьев А. Н. , Яншин В. В. Цифровые методы
обработки и распознавания бинарных изображений.– Красноярск: Изд-во
Краснояр. ун-та, 1992. – 248 с.
[21] Шевчук О.Г., Цветков В.Ю. Поиск антропогенных объектов
аэроизображений на основе геометрических параметров контуров гомогенных
областей // Доклады БГУИР. 2018. №1 (111).
[22] Bogachev M., Volkov V., Kolaev G., Chernova L., Vishnyakov I.,
Kayumov A. Selection and Quantification of Objects in Microscopic Images: from
Multi-Criteria to Multi-Threshold Analysis. Bionanoscience. 2019, vol. 9, iss. 1, pp.
59–65.
[23] Canny J.A Computational Approach to Edge Detection // IEEE Trans.
Pattern Analysis and Machine Intelligence. 1986. Vol. 8, № 6. P. 679–698.
[24] Haralick R., Shapiro L. Image segmentation techniques // Computer
Vision Graphics and Image Processing. January 1985. V. 29(1). P. 100-132.
[25] Iglovikov, V. Satellite Imagery Feature Detection using Deep
Convolutional Neural Network: A Kaggle Competition / V. Iglovikov, S.
Mushinskiy, V. Osin // June 2017.
[26] Inria Image Labeling Dataset. – URL: https://project.inria.fr
[27] Liao P. S., Chen T. S., and Chung P. C. A fast algorithm for multilevel
thresholding, Journal of Information Science and Engineering, vol. 17, no. 5, pp.
713–727, September 2001.
[28] Muthukrishnan,R.EdgeDetectionTechniquesForImage
Segmentation. International journal of computer science and information
technology. 3. 259-267.
[29] Partovi T. Statistical Buildings Roof Reconstruction from WorldView-
2 Stereo Imagery / T. Partovi, H. Huang, T. Kraub, H. Mayer, P. Reinartz // The
International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences. – 2015 – Vol. XL-3/W2. – P. 161-167.
[30] Pun T., A new method for gray-level picture thresholding using the
entropy of the histogram, Signal Processing, Vol. 2, 1980, pp. 223-237.
[31] Rodríguez-Cuenca, Borja & Malpica, J.A. & Alonso, María Region-
growing segmentation of multispectral high-resolution space images with open
software. International Geoscience and Remote Sensing Symposium (IGARSS),
2012.
[32] Ronneberger, Olaf, Philipp Fischer, and Thomas Brox. ”U-net:
Convolutional networks for biomedical image segmentation.” International
Conference on Medical Image Computing and Computer-Assisted Intervention.
Springer International Publishing, 2015.
[33] SatelliteImagingCorporation.–URL:
https://www.satimagingcorp.com
[34] Sarmah, S. A grid-density based technique for finding clusters in
satellite image / S. Sarmah,D. K. Bhattacharyya // Patt. Recogn. Lett. – 2012. – V.
33. – P. 589 – 604.
[35] Wang S. and Haralick R. Automatic multithreshold selection, Computer
Vision, Graphics, and Image Processing, Vol. 25, 1984, pp. 46-67.
[36] Xie, Y. Remote sensing imagery in vegetation mapping: a review / Y.
Xie, Z. Sha, M. Yu // Journal of plant ecology. – 2008. – Vol. 1. – No. 1. – P. 9-23.
[37] Zadkarami, M.R. Application of skew-normal in classification of
satellite image / M.R. Zadkarami, M. Rowhani // Journal of Data Science. – 2010. –
Vol. 8. – P. 597-606.
[38] Zhou W., Troy A. An Object-Oriented Approach for Analyzing and
Characterizing Urban Landscape at the Parcel Level. Int. J. of Remote Sensing,
2008, vol. 29, no. 11, pp. 3119–3135