كشف اتوماتيك شبكه‌ي راه از تصاوير ماهواره‌اي با قدرت‌تفكيك بالا به كمك سيستم‌هاي‌فازي با تكيه بر اطلاعات بافت زاويه‌اي

Fuzzy Systems for Automatic Road Network Detection from High Resolution Satellite Images accentuating on Angular Texture Information

در اين مقاله يك روش كارا براي كشف راه از تصاوير با قدرت تفكيك بالاي آيكونوس ارايه شده است. روش پياده‌شده شامل چهار مرحله‌ي اصلي است: در مرحله‌ي اول تصوير ورودي با استفاده از روش خوشه‌بندي K-means به دو كلاس راه و پس‌زمينه تقسيم‌بندي مي‌شود و سپس در اين تصوير باينري، تعدادي از پيكسل‌هايي كه به اشتباه طبقه‌بندي شده‌اند با استفاده از فيلتر ميانه حذف مي‌شوند. در مرحله‌ي دوم توصيفگرهاي بافت زاويه‌اي (ميانگين، فشردگي و گريز از مركز) براي هر پيكسل راه در تصوير باينري محاسبه مي‌شوند. در مرحله‌ي سوم، اين توصيفگرها وارد سيستم استنتاج فازي مي‌شوند. در سيستم فازي هر توصيفگر به عنوان يك متغير زباني با توابع عضويت گوسي معرفي مي‌شود درحاليكه پارامترهاي آن‌ها به صورت اتوماتيك و با استفاده از خصوصيات آماري هر توصيفگر تنظيم مي‌شوند. همچنين تعدادي قوانين اگر-آنگاه فازي بر پايه‌ي دانش بشري در سيستم فازي طراحي‌شده مورد استفاده قرار مي‌گيرند. با استفاده از غيرفازي‌ساز مركزثقل، شبكه‌ي راه از ديگر عوارض داراي مشابهت طيفي (سايه‌ها، پاركينگ‌ها، ساختمان‌ها و غيره) جدا مي‌گردد. سپس شبكه‌ي راه با اتصال پيكسل‌هاي راه به يكديگر و حدف مسيرهاي كوچك تكميل مي‌گردد. در مرحله‌ي نهايي جهت ارزيابي سيستم، نتايج بدست آمده با راه استخراج‌شده به صورت دستي مقايسه مي‌گردند و تعدادي پارامترهاي ارزيابي صحت محاسبه مي‌شوند. همچنين روش سنتي طبقه‌بندي بيشترين درستنمايي نيز بكار گرفته مي‌شود و پارامترهاي ارزيابي مشابهي جهت مقايسه تعيين مي‌گردند. نتايج حاصل كارايي روش پياده سازي‌شده را در هر دو زمينه‌ي ارايه‌ي نتايج مطلوب در كشف راه و دستيابي به درجه‌ي خوبي از اتوماسيون نشان مي‌دهد. همچنين مقياسه نتايج حاصل با روش هاي سنتي كشف راه، گوياي برتري الگوريتم پيشنهادي مي باشد.

In this paper an efficient method for automatic road detection from high-resolution multi-spectral IKONOS images is presented. The system includes four main steps: In the first step the input image is segmented into road and background classes using K-means clustering and then some misclassification pixels in road binary map are removed using a median filter. In the second step, angular texture shape descriptors (mean, compactness and eccentricity) are driven for every road pixel in road binary map. In the third step, these descriptors are introduced into a fuzzy inference system. In the fuzzy system each descriptor is introduced as a linguistic variable with Gaussian membership functions while their parameters are set automatically according to statistical properties of each descriptor. Also, some fuzzy if-then rules are established. By using the centroid defuzzification, road network is distinguished from other spectrally similar classes (shadows, buildings, parking lots and etc). Then, road network is completed by connecting road pixels together and removed of small paths. In the last step of system evaluation, obtained results are compared with manually extracted road network and some accuracy assessment parameters are computed. The conventional maximum likelihood classification (MLC) is also implemented and the same accuracy assessment parameters are determined for comparison. Preliminary results show the effectiveness of the methodology of this paper in both resembling the desired results of road networks and achieving a good automation level. Furthermore, it outperforms MLC to high extent.