Elektrotehniški vestnik 82(3): 117-122, 2015 Izvirni znanstveni članek
Ocenjevanje uspešnosti postopkov zaznavanja cest na satelitskih posnetkih
Janez Zaletelj*, Klemen Čotart
* Univerza v Ljubljani, Fakulteta za elektrotehniko, Tržaška 25, 1000 Ljubljana, Slovenija t Center odličnosti Vesolje, znanost in tehnologije, Aškerčeva 12, 1000 Ljubljana, Slovenija E-pošta: janez.zaletelj@fe.uni-lj.si
Povzetek. V clanku je obravnavan problem avtomatiziranega ocenjevanja uspešnosti algoritmov zaznavanja cest na satelitskih posnetkih srednje ločljivosti. Ceste se na satelitskih posnetkih ločljivosti 6,5m odraZajo kot svetle linije, ki jih detektiramo s pomočjo morfološkega filtra Top-Hat, katerega odziv nato klasificiramo kot cesto ali ozadje. Pri tem primerjamo uspešnost klasifikacije štirih razlicnih metod, za kar je treba rocno pripraviti referencne maske cest na izbranih podrocjih. Metode ovrednotimo po kriterijih tocnosti in kompletnosti zaznanih cest ter izracunamo skupno uspešnost. Zaradi izjemne velikosti satelitskih posnetkov pa rocna izdelava referencne maske za vecja obmocja v praksi ni izvedljiva.
Glavni prispevek clanka sta oblikovanje predloga za uporabo avtomatsko generiranih referencnih mask cest za evalvacijo algoritmov detekcije in ocena uporabnosti tako pridobljenih rezultatov v primerjavi z rezultati rocno generiranih mask. Referencne maske izdelamo na podlagi digitalnih vektorskih podatkov cestnega omrezja. Na sštirih izsekih posnetkov primerjamo rezultate ovrednotenja algoritma z uporabo rocšno generirane in avtomatsko generirane referencšne maske cest. Pri tem primerjamo merila pravilnosti in kompletnosti cest po obeh nacšinih evalvacije. Ugotavljamo, da je uporaba avtomatiziranega ovrednotenja sicer primerna za relativno ocenjevanje algoritmov zaznavanja, ni pa še dovolj zanesljiva za absolutno oceno uspešnosti algoritmov zaznavanja cestnega omrezšja.
Ključne besede: daljinsko zaznavanje cest, Top-Hat filter, ovrednotenje kvalitete zaznave, satelitski posnetki
Automated Evaluation of Road Detection From Satellite Images
The paper proposes a procedure of automatic evaluation of results of road detection from satellite imagery. Four different road-detection algorithms are used to generate binary masks of the road network from the medium-resolution RapidEye satellite images. The empirical measures of correctness, completeness and overall quality of the extracted roads are defined based on the detected and reference road masks. Hand-drawn road masks of a smaller portion of the satellite images are used as a standard reference. in its second part, the paper proposes on automatic generation of the reference road masks from the vector road data available from GIS. It compares the results of four road-detection methods by using two different reference masks, one generated automatically from GIS data and the other generated by hand. The GIS-based automatic evaluation is found acceptable for a relative evaluation of different road detection algorithms though not yet sufficiently accurate for an absolute evaluation of the road-detection correctness and completeness.
1 Uvod
Prometna omrežja imajo pomembno vlogo v ekonomiji, zato so potrebni natančni in posodobljeni podatki o lokaciji cest. Pridobivanje podatkov o njihovi lokaciji je lahko izvedeno s pomocjo daljinskega zaznavanja na satelitskih in letalskih posnetkih zemeljskega površja, ki
Prejet 20. februar, 2015
Odobren 22. april, 2015
omogoca izdelavo in posodabljanje digitalnih katastrov cestnega omrezja [1]. Lahko pa je zaznavanje cest uporabljeno kot prvi korak za dolocitev primernih znacilnih tock za neposredno registracijo satelitske slike v lokalni zemeljski koordinatni sistem [2].
Vizualno dolocanje cest na letalskih ali satelitskih posnetkih je za cloveka dokaj preprosto, saj imajo te prepoznavno geometrijsko obliko in znacilno svetlost oziroma barvo. Izgled cest na posnetkih je odvisen od locljivosti posnetka, na srednjelocljivih (velikost slikovnega elementa nekaj metrov) vidimo ceste kot svetle crte, na visokolocljivih posnetkih (pod 2 m) locimo rob ceste in posamezne prometne pasove.
2 Postopki zaznavanja čest na
satelitskih posnetkih
Postopki zaznavanja cest na satelitskih slikah so se razvili za avtomatizirano popolnjevanje digitalnih podatkovnih baz prostorskih podatkov (GIS), pri cemer je Mena [1] predstavil pregled vec kot 250 relevantnih clankov, ki jih je glede na namen razvrstil v kategorije splošnih metod detekcije cest, rekonstrukcije cestnega omrezja, segmentacijskih metod, vektorizacijskih metod, optimizacijskih metod in evaluacijskih metod. Uporabljene metode je razvrstil v kategorije od nizkonivojskih do visokonivojskih glede na uporabljene vhodne podatke in raven znanja. Se natancnejši pregled predvsem
118
ZALETELJ, COTAR
nižjenivojskih metod je predstavil Auclair Fortier [3]. Metode je razvrstil po uporabljenih tehnikah v zaporednih stopnjah obdelave, torej pri predobdelavi slike, detekciji robov, sledenju ceste in združevanju cestnih primitivov.
Wang [4] na multispektralnem posnetku uporabi algoritem nenadzorovano klasifikacije. Z analizo robov na pankromatskem posnetku nato odpravi napake klasifikacije, na primer odstrani osamljene objekte, ki imajo drugačno obliko, kot je pričakovati za ceste. Poullis [5] predlaga uporabo razlicno usmerjenih in širokih Gaborjevih filtrov. Na podlagi vseh odzivov, zbranih v obliki tenzorjev, izvede segmentacijo na posamezna zanimiva obmocja. Zaznavanje cestnih odsekov z metodo antiparalelnih robov predlaga Doucette [6]. Kot ceste doloci mesta, kjer sta zaznana robova razmaknjena za pricšakovano sširino ceste in smeri gradientov v teh mestih razlicni za priblizno 180°. Algoritem z ucenjem, ki ga predlaga Ziemsa [7], za vsako digitalno cesto v sistemu GIS izdela njeno pripadajoce obmocje na satelitskem posnetku in na tem obmocju odcita spektralne lastnosti. Za vsako cesto izdela tudi obmejni pas na obeh straneh, kjer prav tako odcšita spektralne lastnosti. Zbrane lastnosti in njihova razmerja so nato uporabljeni za iskanje cest na drugih posnetkih.
V clanku bomo primerjali rezultate klasifikacije cest na satelitskem posnetku za sštiri razlicšne metode zaznavanja. Slika 1 prikazuje diagram z osnovnimi elementi vseh štirih metod, katerih cilj je generirati cim na-tancnejšo binarno masko cestnega omrezja. Vse metode kot vhodni podatek uporabljajo satelitske posnetke Rapi-dEye, ki jih sestavlja 5 spektralnih kanalov, od modrega do bliznje infrardecega. Na splošno imajo vsi uporabljeni postopki štiri osnovne korake: a) predobdelavo in normalizacijo vhodnega posnetka, b) izracun znacilk (npr. odziv Top-Hat filtra), c) klasifikacijo slikovnih elementov in d) strukturno analizo za odstranjevanje napak.
2.1 Postopek Top-Hat z adaptivnim pragom Cilj spektralne normalizacije vhodnih slik je odstraniti vpliv pogojev zajema (cšas, osvetlitev, naklon satelita ipd.) ter izboljšati kontrast cest glede na ozadje. Za to smo uporabili postopek linearnega raztega histograma vhodnega posnetka v dolocšenem obmocšju slikovnih vrednosti, pri cemer so bile meje raztega dolocene adaptivno z analizo histograma vhodnega kanala.
Spekralno normaliziran posnetek nato obdelamo z morfolosško operacijo Top-Hat, ki poudari obmocšja, svetlejša od okolice in manjša od uporabljenega strukturnega elementa, torej poudari svetle linije na sliki. Uporabljen okrogli strukturni element je konstantne velikosti in prilagojen locšljivosti senzorja na satelitu. Ceste, ki jih zelimo zaznati, so na posnetkih srednje locljivosti široke do tri slikovne elemente, izstopajo le avtoceste, ki so lahko tudi trikrat širše od navadnih cest in pomenijo problem pri zaznavanju.
Klasifikacija slikovnih elementov v razreda cest in okolice poteka na podlagi upragovljanja odziva filtra Top-Hat. Pri tem postopek A (adaptivni prag) za klasifikacijo cest uporablja adaptivno določen prag, s katerim se izvede binarizacija. Svetlostni prag za binarizacijo ne sme biti postavljen prenizko, kar bi vodilo v zaznavo cest z veliko suma. Previsok prag pa bi odstranil veliko cest z manjšim kontrastom glede na okolico. Zato se prag doloci na podlagi analize histograma odziva filtra Top-Hat, kjer se poišce koleno histograma, ki loci manjši del slik. elementov z visokim odzivom od vecjega dela z nizkim.
S pomocjo strukturne analize oblike povezanih cestnih segmentov poskusšamo v zadnjem koraku popraviti napake oziroma odstraniti objekte z lastnostmi, ki se razlikujejo od tipicnih cestnih odsekov. V prvem koraku odstranimo vse nepovezane strukture s površino, manjšo od predvidene, nato izracunamo objemajoco elipso in njeno splosšcšenost ter odstranimo prevecš okrogle segmente.
2.2	Postopek s Houghovo transformacijo
Postopek B (Houghova transformacija) se od postopka A razlikuje v metodi klasifikacije odziva filtra Top-Hat. Za vse tocške z dovolj velikim odzivom izrezemo okolico velikosti 19 x 19 elementov ter na njej izracunamo Houghovo transformacijo, s cimer dobimo seznam in parametre nekaj premic, ki opisujejo izbrano okolico. Kot cestni segment klasificiramo samo tocške, ki lezijo na premici, ki povezuje svetle tocke v okolici. S tem zagotovimo, da koncne tocke lezijo na daljših svetlih segmentih, in odstranimo nakljucšne posamezne svetle tocške, npr. hisše ali kratke cestne odseke.
2.3	Postopki s strojnim ucenjem
Prvi dve metodi uporabljata kot znacilko za detekcijo cest odziv filtra Top-Hat s fiksno velikim strukturnim elementom. V nadaljevanju pa nas zanima, ali lahko z vec atributi in s pomocjo strojnega ucenja klasifikatorja dobimo natancnejše rezultate segmentacije.
V našem primeru so bili za opis slikovnega elementa izbrani štirje atributi svetlosti in robov. Ti vkljucujejo vrednosti slikovnega elementa v prvem in petem spektralnem kanalu, v katerih obstaja velik kontrast med cesto in neposredno okolico, ter odziva filtra Top-Hat v dveh velikostih okolice (5 in 7 slikovnih elementov). Kot metoda razvrsšcšanja podatkov je uporabljena metoda podpornih vektorjev (SVM).
Dve metodi s strojnim ucenjem se razlikujeta glede na nacin generiranja ucne mnozice. Postopek D (ročno določena učna množica) uporablja rocno izbiro tock cest in njihove okolice, za vsakega od obeh razredov (ceste, okolica) je bilo rocno izbranih 200 tock iz celotnega satel. posnetka. Za vsak vzorec (tocko) so bili izracunani štirje atributi, ki so znacilka tocke v postopku ucenja.
Postopek C (avtomatsko dolocena ucna množica) pa izbere vzorce ucšne mnozšice na podlagi referencšnih po-
OCENJEVANJE USPEŠNOSTI POSTOPKOV ZAZNAVANJA CEST NA SATELITSKIH POSNETKIH
119
(D) Ročno izbrane točke učne množice
Slika 1: Diagram postopkov zaznavanja cest (A)..(D) in dveh primerjanih načinov evalvacije rezultatov s pomočjo referenčne maske cest.
datkov o cestnem omreZju. Pripravili smo ročno poravnane maske cest, ki so bile generirane na podlagi vektorske baze cestnega omreZja. Na tej referencni maski pa imajo ceste širino vecjo od dejanske širine vidnih cest, da lahko kompenziramo napake pri poravnavi. Zato dolocen delez tock iz ucne mnozice razreda cest dejansko pripada razredu okolice, kar je tezava tega postopka.
3 Ovrednotenje uspešnosti zaznave
Rezultati zaznavanja so za posamezne metode podani v obliki binarnih mask zaznanih cest DA, DB, DC, Dd . Uspešnost posameznih metod bomo ovrednotili s primerjavo binarne maske zaznanih cest z referencšnimi podatki o cestah, ki jih lahko dobimo iz razlicšnih virov ter povedo pravilno lokacijo in širino cest na opazovanem obmocju, podani pa so z referencno masko cest M.
Slika 2 prikazuje isto obmocje satelitskega posnetka, na katerem so zdruzšeni podatki o zaznanih in referencšnih cestah. Z belo barvo so oznacena obmocja, ki jih je algoritem zaznal kot ceste, siva obmocja pa oznacujejo referencne cestne podatke. Glavni izvori napacno zaznanih cestnih segmentov so ozka polja in hisše ob cestah. Na sivih obmocšjih pa iz posnetka ni bilo mogocše razpoznati cest.
3.1 Merila uspešnosti zaznavanja cest Za ucšinkovito primerjavo razlicšnih metod zaznavanja cest je treba definirati jasna merila primerjave, pri cemer
Slika 2: Prikaz zaznanih (bela) in referencnih cest (siva barva) pri uporabi rocno oznacenih referencnih cest (leva slika) ter maske digitalnih cest (desna slika)
je Wiedemann [8] poudaril probleme evalvacije ter definiral šest računskih kriterijev na podlagi primerjave vektorskih podatkov ročno definiranih sredinskih linij cestnih segmentov z vektorji detektiranih segmentov cest. Ključna kriterija sta kompletnost zaznanih segmentov (completness), ki odgovarja na vprašanje, kolikšen deleZ dejanskih cest je bil zaznan, ter pravilnost zaznanih segmentov (correctness), ki pove delez pravilnih (uje-majocih se) zaznanih segmentov. Kriterija sta definirana na podlagi dolzin ujemajocih se zaznanih in referencnih segmentov, pri cemer pri ujemanju upoštevajo dolocena
118
ZALETELJ, COTAR
morebitna odstopanja smeri cestnih segmentov, problem pa je tudi vektorizacija. Tretji skupni kriterij kvalitete pa kombinira oba zgornja kriterija.
Omenjene kriterije bomo definirali v diskretnem slikovnem koordinatnem sistemu, tako da bo mogoc poenostavljen izračun na podlagi binarnih mask brez vek-torizacije. Zaznane in referenčne ceste lahko predstavimo kot mnozice koordinat slikovnih elementov (x, y). Mnozico slikovnih elementov referencnih cest oznacimo z R = {(x,y)}. Mnozico slikovnih elementov zaznanih cest pa oznacimo z D = {(x,y)}. Za zdaj predpostavljamo, da so vse ceste široke 1 slikovni element in da sta obe maski idealno poravnani.
Pravilnost P zaznave definiramo kot delez zaznanih slikovnih elementov cest, ki se ujemajo z referencšnimi cestami
N(D n R)
P
(1)
N (D) '
kompletnost C pa definiramo kot delez slikovnih elementov referencšnih cest, ki jih je algoritem pravilno razpoznal kot ceste, in je podana z enacšbo
N(D n R)
C -
N (R)
(2)
Oba kriterija vracata vrednost med 0 in 1. Za medsebojno primerjavo uporabljenih metod izracšunamo skupno merilo uspešnosti Q zaznave, ki upošteva obe zgoraj navedeni meri,
Q
CP
(3)
C - C P + P 3.2 Metode določanja referenčnih cest
Najpogosteje kot vir referencnih cest uporabljajo rocno oznacene ceste na satelitskem posnetku [8], [9], vendar gre vecinoma za majhne izseke celotnega satelitskega posnetka. Tako oznacšimo cšloveku vidne ceste, ki imajo mozšnost, da jih podani algoritem sploh lahko zazna. Tako oznacšene ceste imajo lego in sširino, ki se skladata z zaznanimi cestami, in ne vsebujejo odsekov, ki so zakriti z gozdom ali drugimi objekti, saj ti niso vidni na posnetku. Obenem v podatke vkljucimo vse na novo zgrajene odseke in izlocšimo vse zelo ozke ceste, ki niso vidne pri dani locšljivosti posnetka.
Za potrebe evalvacije algoritmov smo rocšno oznacšili ceste na štirih izsekih velikosti 9,7 km x 6,5 km, pridobljenih iz štirih satel. posnetkov, posnetih od maja do septembra.
Drugi vir referencnih cest so digitalne baze cestnih podatkov (GIS - geografski informacijski sistemi). Re-ferencšne maske cest je mogocše generirati na avtomatski nacin, zato lahko pokrijemo poljubno velike izseke. Generiranje binarnih referencnih mask vkljucuje raste-rizacijo vektorskih podatkov cest ter georeferenciranje referencne maske in maske zaznanih cest. V našem primeru smo za sštiri izseke referencšne maske ter zaznane ceste poravnali rocno. Avtomatizirano generirane refe-rencšne maske pa imajo tudi pomanjkljivosti, ki izhajajo
iz napak v digitalnih podatkih, med drugim so prisotne naslednje tezave:
•	Manjkajoce ceste, najveckrat avtoceste in avtocestni prikljucški.
•	Oblika dejanskih odsekov cest na posnetku se razlikuje od oblike digitaliziranih cest.
•	Izbira širine pasu okrog referencne ceste vpliva na izracunane mere uspešnosti. Preširok pas povzroci, da med pravilno zaznane sštejemo tudi napacšno zaznane objekte tik ob cesti.
•	Odstopanja med referencnimi in realnimi podatki zaradi napak v postopku georeferenciranja satelitskega posnetka.
3.3	Postopki izračuna kriterijev
Za izracšun kriterijev uspesšnosti algoritmov zaznavanja cest potrebujemo primerjavo z referencšnimi cestami. Mnozico slikovnih tock, ki pripadajo referencnim cestam, oznacimo z R. Vse tocke iz mnozice tock zaznanih cest D, ki sovpadajo s tocškami iz mnozšice referencšnih tocšk, obravnavamo kot pravilno zaznane, ostale pa kot nepravilno zaznane tocke.
Ker nam razlicni algoritmi vracajo razlicno debele zaznane ceste, kompletnosti zaznave ne moremo racunati preprosto kot delezš pokritosti pasu okrog referencšnih cest z zaznanimi tockami. Zato namesto pokritosti primerjamo dolzine odsekov. Zaznane tocke, za katere smo ugotovili, da ustrezajo referencšnim cestam, s postopkom tanjšanja spremenimo v krivulje debeline 1 slikovni element. Njihovo število zdaj pomeni dolzino odsekov. Enako naredimo tudi s podatki o referencnih cestah, torej kompletnost izracunamo kot kvocient števila tock v teh dveh mnozicah.
3.4	Primerjava ocen meril uspešnosti po obeh načinih
V tabeli 1 podajamo rezultate izracšunov meril uspesšnosti zaznave cest po prvi metodi z adaptivnim pragom (A), ki smo jo preizkusili na štirih manjših izsekih vzetih iz sštirih razlicšnih satelitskih slik. Parametri uspesšnosti so izracšunani glede na rocšno in avtomatsko generirane referencšne ceste.
Mesec	Rocno oznacene			Avtom. gener.		
	refer. ceste			refer. ceste		
	Pa, i	Ca,i	Qa,i	Pa,2	Ca, 2	Qa, 2
mar.(1)	0,50	0,39	0,28	0,64	0,32	0,27
maj(2)	0,47	0,52	0,33	0,60	0,43	0,33
jul.(3)	0,56	0,48	0,35	0,67	0,49	0,39
sep.(4)	0,54	0,41	0,30	0,62	0,35	0,29
Povpr.	0,52	0,45	0,32	0,62	0,35	0,32
Tabela 1: Ovrednotenje kvalitete zaznavanja po metodi A na posnetkih iz razlicnih mesecev.
Primerjava, podana v tabeli 1, je bila narejena za manjše izseke celotnega satelitskega posnetka. Primerjava mer pokaže, da so vrednosti pravilnosti P višje za
OCENJEVANJE USPEŠNOSTI POSTOPKOV ZAZNAVANJA CEST NA SATELITSKIH POSNETKIH
119
avtom. določene referenčne ceste, ker so te širše kot ročno označene, ter zato zajamejo v svoje območje več nepravilno zaznanih točk tik ob česti (glej primer na sliki 2 desno). Kompletnost C pa je višja za ročno označene referenčšne česte, saj so bile pri tem označšene le česte, ki jih tudi človek lahko razpozna na danem posnetku. Prav tako vidimo, da opisani algoritem zaznave najbolje deluje za posnetke, narejene v poletnih mesečih.
3.5 Primerjava uspešnosti metod zaznavanja cest Na podlagi podanih meril uspesšnosti zaznavanja čest zšelimo primerjati različšne metode zaznavanja. Ker pa je ročna izdelava referenčne maske čest zelo zamudna, je mogoča le za manjše izseke satelitske slike. Ce zelimo ovrednotiti kakovost na čelotnem posnetku ali več posnetkih, potrebujemo avtomatizirano metodo evalvačije.
V poskusu zelimo očeniti, ali je mogoče z avtomatizirano evalvačijo na podlagi digitalnih podatkov o čestnem omrezju učinkovito in zanesljivo primerjati različne metode detekčije čest na satelitskih slikah. V ta namen smo pripravili sštiri manjsše izseke iz sštirih različšnih satelitskih posnetkov (različšni meseči), ki tudi prikazujejo vsebinsko različna območja pokrajine. Za vse štiri izseke sta bili pripravljeni po dve maski referenčnih čest, prva (oznaka 1) z ročnim označevanjem, druga (oznaka 2) pa na podlagi rasterizačije GIS vektorjev in poravnave mask.
Za vsak izsek (1)..(4) smo izvedli detekčijo po štirih metodah ter za vsako masko čest izvedli evalvačijo glede na obe referenčšni maski, s čšimer smo dobili rezultate
P
(1) C(1) p(i) r<(i)
a,1'
a,1'
P
A,2'
C
A,2
itd. Za vsako metodo smo izračunali še povprečno pravilnost PA^, PA,2 in kompletnost CA1, CA 2 prek vseh štirih izsekov. Rezultati so izrisani v sliki 3, kjer so s svetlimi črtkanimi črtami izrisane krivulje za posamezne izseke po obeh načšinih evalvačije. Dve debeli krivulji pa povezujeta točke povprečnih rezultatov posameznih metod detekčije, in sičer si metode sledijo od leve proti desni: C, D, B, A. (Črtkana debela čšrta pomeni povprečšne rezultate sštirih metod na podlagi ročne evalvačije, neprekinjena črta pa na podlagi avtomatske evalvačije. Tabela 2 pa prikazuje izračšunano skupno kakovost zaznavanja čest za posamezne metode, in sičer glede na ročšno in avtomatsko generirano refe-renčšno masko.
							
	Pi	P2	Ci	C	Q i	Q 2	A %
B	0,54	0,63	0,50	0,44	0,349	0,347	-0,61
A	0,52	0,63	0,45	0,40	0,317	0,323	1,87
D	0,38	0,52	0,51	0,46	0,278	0,323	16,1
C	0,23	0,38	0,70	0,65	0,207	0,317	52,7
Tabela 2: Ovrednotenje uspešnosti detekčije čest za posamezne metode glede na ročno referenčno masko (Qi) in glede na avtomatsko refer. masko (Q2)
3.6 Primerjava rezultatov obeh načinov evalvačije Primerjava rezultatov ročšne in avtomatske evalvačije na sliki 3 pokazše, da sta obliki obeh krivulj zelo po-
dobni, sta pa med seboj premaknjeni. V primerjavi z ročšno metodo označševanja čest, za katero menimo, da je natančnejša (v okviru zmoznosti operaterja in vidljivosti čest na posnetku), nam avtomatsko generirane maske čest v povprečju pokažejo preveliko pravilnost metod. Vzrok je v večji širini referečne česte, potrebni zaradi nenatančšnosti poravnave, kar pomeni, da se tudi čestam bliznji objekti (hiše) klasifičirajo kot pravilna zaznava. Po drugi strani je izmerjena kompletnost čest nekoliko nizja. Zanimivo je, da je skupna kakovost (tabela 2) pri metodah A in B kljub tem razlikam tako rekočš enaka, pri C in D pa je izračunana kakovost boljša pri avtomatskih maskah. Za zanesljivejšo primerjavo obeh načinov evalvačije pa bi bilo treba generirati več vzorčev ročšnih mask.
Kljub slabostim avtomatskega načina evalvačije nam ta lahko pomaga za primerjavo posameznih metod. Po obeh merilih izstopa metoda B s Houghovimi krivuljami, ki kot kriterij česte vpeljuje lego slikovnega elementa na daljšem ravnem odseku. Metoda A (adapt. prag odziva Top-Hat) pri klasifikačiji točke upošteva veliko manjšo okoličo, kar pomeni več nepravilnih manjših odsekov. Metoda D z ročšno določšeno učšno mnozšičo se po uspesšnosti priblizša metodi A, saj je ena bistvenih značilk tudi odziv Top-Hat. Metoda C je slabša zaradi nenatančšne učšne mnozšiče, v kateri se nahajajo v razredu čest tudi točke bliznje okoliče čest, kar pripelje do najvišje vrednosti kompletnosti, vendar s tem tudi najslabsše pravilnosti.
4 Zaključek
V članku smo predstavili način avtomatiziranega oče-njevanja uspešnosti algoritmov zaznavanja čestnega omrezja na satelitskih slikah, ki vključuje standardne kriterije pravilnosti in kompletnosti zaznanega čestnega omrezja. Avtomatizirani način očenjevanja smo primerjali s standardnim na podlagi ročno generirane referenčne maske čestnih odsekov.
Primerjava očen uspesšnosti po obeh načšinih izračšuna nam pokaze, da metoda avtomatiziranega generiranja re-ferenčšnih čestnih mask kljub svojim slabostim omogočša dobro relativno primerjavo uspesšnosti posameznih metod detekčije, ne pa še izračuna absolutnih vrednosti kriterijev. Za odpravo napak pa bi bilo treba izboljšati način poravnavanja referenčne maske in detektirane maske čest ter s tem zmanjšati sistematično napako pri očenjevanju pravilnosti in kompletnosti zaznanih čest. Dodatna pomanjkljivost avtomatizirane metode pa je vpliv nenatančnosti in neazurnosti samih podatkovnih baz čestnega omrezja, ki smo jo opazili tudi pri delu v praksi.
Literatura
[1] J. B. Mena, "State of the art on automatič road extračtion for gis update: A novel člassifičation," Pattern Recognition Letters, vol. 24, pp. 3037-3058, 2003.
118
ZALETELJ, COTAR
0,9
Slika 3: Rezultati evalvacije pravilnosti in kompletnosti štirih metod. Pikčaste črte povezujejo rezultate za štiri izseke po ročni metodi, črtkane črte pa po avtom. metodi. Debela črtkana črta pomeni povprečje izsekov za ročno metodo, debela neprekinjena črta pa povprečje za avtom. metodo.
[2]	J. Zaletelj, U. Burnik, and J. F. Tasic, "Registration of satellite images based on road network map," in Proceedings 8th International Symposium on Image and Signal Processing and Analysis (ISPA 2013), Trieste,Italy, 2013, pp. 46 - 53.
[3]	M.-F. Auclair-Fortier, D. Ziou, C. Armenakis, and S. Wang, "Survey of work on road extraction in aerial and satellite images," Tech. Rep., 1999.
[4]	R. Wang and Y. Zhang, "Extraction of urban road network using quickbird pan-sharpened multispectral and panchromatic imagery by performing edgeaided post-classifications," in Proceedings International Society for Photogrammetry and Remote Sensing, 2003.
[5]	C. Poullis, S. You, and U. Neumann, "A vision-based system for automatic detection and extraction of road networks," in Applications of Computer Vision, 2008. WACV 2008, IEEE Workshop on, 2008.
[6]	P. Doucette, "Automated road extraction from high resolution multispectral imagery," Photogrammetric Engineering & Remote Sensing, vol. 70, no. 12, pp. 1405-1416, 2004.
[7]	M. Ziemsa, M. Gerkeb, and C. Heipke, "Automatic road extraction from remote sensing imagery incorporating prior information and colour segmentation," PIA, vol. 7, pp. 141-147, 2007.
[8]	C. Wiedemann, C. Heipke, H. Mayer, and O. Jamet, "Empirical evaluation of automatically extracted road axes," in Empirical Evaluation Techniques in Computer Vision, K. W. Bowyer and P. J. Phillips, Eds. Wiley-IEEE Computer Society Press, 1998, pp. 172-187.
[9]	C. Heipke, "Evaluation of automatic road extraction," Internaiti-onal Archives of Photogrammetry and Remote Sensing, vol. 32, pp. 151-160, 1997.
Janez Zaletelj je na Univerzi v Ljubljani doktoriral iz elektrotehniških znanosti leta 2005. Zaposlen je na Fakulteti za elektrotehniko, kjer predava na programu Multimedijske komunikačije. V letih od 2010 do 2012 je delal kot raziskovaleč v okviru Centra odličnosti Vesolje. Njegovo raziskovalno delo sega na področje obdelave in prepoznavanja slikovnih in videosignalov, med drugim se ukvarja z metodami registračije satelitskih posnetkov.
Klemen Cotar je diplomiral leta 2014 na Fakulteti za elektrotehniko Univerze v Ljubljani ter se nato zaposlil na Centru odličšnosti Vesolje kot raziskovaleč. Ukvarja se s postopki priprave in predobdelave satelitskih posnetkov ter izračunom biofizikalnih parametrov za opazovanje stanja vegetačije.