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 pomočjo daljinskega zaznavanja na
satelitskih in letalskih posnetkih zemeljskega površja, ki
Prejet 15. april, 2015
Odobren 3. maj, 2015
omogoča izdelavo in posodabljanje digitalnih katastrov
cestnega omrežja [1]. Lahko pa je zaznavanje cest upo-
rabljeno kot prvi korak za določitev primernih značilnih
točk za neposredno registracijo satelitske slike v lokalni
zemeljski koordinatni sistem [2].
Vizualno določanje cest na letalskih ali satelitskih
posnetkih je za človeka dokaj preprosto, saj imajo te
prepoznavno geometrijsko obliko in značilno svetlost
oziroma barvo. Izgled cest na posnetkih je odvisen od
ločljivosti posnetka, na srednjeločljivih (velikost slikov-
nega elementa nekaj metrov) vidimo ceste kot svetle
črte, na visokoločljivih posnetkih (pod 2 m) ločimo rob
ceste in posamezne prometne pasove.
2 POSTOPKI ZAZNAVANJA CEST NA
SATELITSKIH POSNETKIH
Postopki zaznavanja cest na satelitskih slikah so se
razvili za avtomatizirano popolnjevanje digitalnih po-
datkovnih baz prostorskih podatkov (GIS), pri čemer
je Mena [1] predstavil pregled več kot 250 relevantnih
člankov, ki jih je glede na namen razvrstil v kategorije
splošnih metod detekcije cest, rekonstrukcije cestnega
omrežja, segmentacijskih metod, vektorizacijskih metod,
optimizacijskih metod in evaluacijskih metod. Upora-
bljene metode je razvrstil v kategorije od nizkonivojskih
do visokonivojskih glede na uporabljene vhodne po-
datke in raven znanja. Še natančnejši pregled predvsem
118 ZALETELJ, ČOTAR
nižjenivojskih metod je predstavil Auclair Fortier [3].
Metode je razvrstil po uporabljenih tehnikah v zapo-
rednih stopnjah obdelave, torej pri predobdelavi slike,
detekciji robov, sledenju ceste in združevanju cestnih
primitivov.
Wang [4] na multispektralnem posnetku uporabi algo-
ritem nenadzorovano klasifikacije. Z analizo robov na
pankromatskem posnetku nato odpravi napake klasifi-
kacije, na primer odstrani osamljene objekte, ki imajo
drugačno obliko, kot je pričakovati za ceste. Poullis
[5] predlaga uporabo različno usmerjenih in širokih
Gaborjevih filtrov. Na podlagi vseh odzivov, zbranih v
obliki tenzorjev, izvede segmentacijo na posamezna za-
nimiva območja. Zaznavanje cestnih odsekov z metodo
antiparalelnih robov predlaga Doucette [6]. Kot ceste
določi mesta, kjer sta zaznana robova razmaknjena za
pričakovano širino ceste in smeri gradientov v teh mestih
različni za približno 180◦. Algoritem z učenjem, ki ga
predlaga Ziemsa [7], za vsako digitalno cesto v sistemu
GIS izdela njeno pripadajoče območje na satelitskem po-
snetku in na tem območju odčita spektralne lastnosti. Za
vsako cesto izdela tudi obmejni pas na obeh straneh, kjer
prav tako odčita spektralne lastnosti. Zbrane lastnosti in
njihova razmerja so nato uporabljeni za iskanje cest na
drugih posnetkih.
V članku bomo primerjali rezultate klasifikacije cest
na satelitskem posnetku za štiri različne metode zazna-
vanja. Slika 1 prikazuje diagram z osnovnimi elementi
vseh štirih metod, katerih cilj je generirati čim na-
tančnejšo binarno masko cestnega omrežja. Vse metode
kot vhodni podatek uporabljajo satelitske posnetke Rapi-
dEye, ki jih sestavlja 5 spektralnih kanalov, od modrega
do bližnje infrardečega. Na splošno imajo vsi upora-
bljeni postopki štiri osnovne korake: a) predobdelavo
in normalizacijo vhodnega posnetka, b) izračun značilk
(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 (čas, osvetlitev, naklon satelita
ipd.) ter izboljšati kontrast cest glede na ozadje. Za to
smo uporabili postopek linearnega raztega histograma
vhodnega posnetka v določenem območju slikovnih
vrednosti, pri čemer so bile meje raztega določene
adaptivno z analizo histograma vhodnega kanala.
Spekralno normaliziran posnetek nato obdelamo z
morfološko operacijo Top-Hat, ki poudari območja, sve-
tlejša od okolice in manjša od uporabljenega struktur-
nega elementa, torej poudari svetle linije na sliki. Upo-
rabljen okrogli strukturni element je konstantne velikosti
in prilagojen ločljivosti senzorja na satelitu. Ceste, ki jih
želimo zaznati, so na posnetkih srednje ločljivosti 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 klasifi-
kacijo 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 šuma. Previsok prag pa bi odstranil veliko
cest z manjšim kontrastom glede na okolico. Zato se
prag določi na podlagi analize histograma odziva filtra
Top-Hat, kjer se poišče koleno histograma, ki loči manjši
del slik. elementov z visokim odzivom od večjega dela
z nizkim.
S pomočjo strukturne analize oblike povezanih ce-
stnih segmentov poskušamo v zadnjem koraku popraviti
napake oziroma odstraniti objekte z lastnostmi, ki se
razlikujejo od tipičnih cestnih odsekov. V prvem koraku
odstranimo vse nepovezane strukture s površino, manjšo
od predvidene, nato izračunamo objemajočo elipso in
njeno sploščenost ter odstranimo preveč okrogle se-
gmente.
2.2 Postopek s Houghovo transformacijo
Postopek B (Houghova transformacija) se od po-
stopka A razlikuje v metodi klasifikacije odziva fil-
tra Top-Hat. Za vse točke z dovolj velikim odzivom
izrežemo okolico velikosti 19×19 elementov ter na njej
izračunamo Houghovo transformacijo, s čimer dobimo
seznam in parametre nekaj premic, ki opisujejo izbrano
okolico. Kot cestni segment klasificiramo samo točke,
ki ležijo na premici, ki povezuje svetle točke v okolici.
S tem zagotovimo, da končne točke ležijo na daljših
svetlih segmentih, in odstranimo naključne posamezne
svetle točke, npr. hiše ali kratke cestne odseke.
2.3 Postopki s strojnim učenjem
Prvi dve metodi uporabljata kot značilko za detekcijo
cest odziv filtra Top-Hat s fiksno velikim strukturnim
elementom. V nadaljevanju pa nas zanima, ali lahko z
več atributi in s pomočjo strojnega učenja klasifikatorja
dobimo natančnejše rezultate segmentacije.
V našem primeru so bili za opis slikovnega elementa
izbrani štirje atributi svetlosti in robov. Ti vključujejo
vrednosti slikovnega elementa v prvem in petem spek-
tralnem 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 razvrščanja podatkov je uporabljena metoda
podpornih vektorjev (SVM).
Dve metodi s strojnim učenjem se razlikujeta glede
na način generiranja učne množice. Postopek D (ročno
določena učna množica) uporablja ročno izbiro točk cest
in njihove okolice, za vsakega od obeh razredov (ceste,
okolica) je bilo ročno izbranih 200 točk iz celotnega
satel. posnetka. Za vsak vzorec (točko) so bili izračunani
štirje atributi, ki so značilka točke v postopku učenja.
Postopek C (avtomatsko določena učna množica) pa
izbere vzorce učne množice na podlagi referenčnih po-
OCENJEVANJE USPEŠNOSTI POSTOPKOV ZAZNAVANJA CEST NA SATELITSKIH POSNETKIH 119
(D)
Klasifikacija
SVM
Spektralna
normalizacija
Refer. maska M1
(Ročna)
Kanal S1 , S5
Top-Hat š=5
Top-Hat š=7
Binarizacija
Analiza
histograma
Morfol. filtr.
napak
Izračun 1
P
C
Q
Izračun 2
P
C
Q
Hough. tr.
okolic točk
Klasifikacija
točk
S1(x,y)
S5(x,y)
(C)
Klasifikacija
SVM
(C) Avtom. izbrane
točke učne množice
(D) Ročno izbrane
točke učne množice
Refer. maska M2
(Avtom.)
(A)
(B)
(C)
(D)
Slika 1: Diagram postopkov zaznavanja cest (A)..(D) in dveh primerjanih načinov evalvacije rezultatov s pomočjo referenčne
maske cest.
datkov o cestnem omrežju. Pripravili smo ročno porav-
nane maske cest, ki so bile generirane na podlagi vek-
torske baze cestnega omrežja. Na tej referenčni maski
pa imajo ceste širino večjo od dejanske širine vidnih
cest, da lahko kompenziramo napake pri poravnavi.
Zato določen delež točk iz učne množice razreda cest
dejansko pripada razredu okolice, kar je težava 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 referenčnimi
podatki o cestah, ki jih lahko dobimo iz različnih virov
ter povedo pravilno lokacijo in širino cest na opazova-
nem območju, podani pa so z referenčno masko cest M.
Slika 2 prikazuje isto območje satelitskega posnetka,
na katerem so združeni podatki o zaznanih in referenčnih
cestah. Z belo barvo so označena območja, ki jih je
algoritem zaznal kot ceste, siva območja pa označujejo
referenčne cestne podatke. Glavni izvori napačno za-
znanih cestnih segmentov so ozka polja in hiše ob
cestah. Na sivih območjih pa iz posnetka ni bilo mogoče
razpoznati cest.
3.1 Merila uspešnosti zaznavanja cest
Za učinkovito primerjavo različnih metod zaznavanja
cest je treba definirati jasna merila primerjave, pri čemer
Slika 2: Prikaz zaznanih (bela) in referenčnih cest (siva barva)
pri uporabi ročno označenih referenčnih cest (leva slika) ter
maske digitalnih cest (desna slika)
je Wiedemann [8] poudaril probleme evalvacije ter defi-
niral šest računskih kriterijev na podlagi primerjave vek-
torskih podatkov ročno definiranih sredinskih linij ce-
stnih segmentov z vektorji detektiranih segmentov cest.
Ključna kriterija sta kompletnost zaznanih segmentov
(completness), ki odgovarja na vprašanje, kolikšen delež
dejanskih cest je bil zaznan, ter pravilnost zaznanih
segmentov (correctness), ki pove delež pravilnih (uje-
majočih se) zaznanih segmentov. Kriterija sta definirana
na podlagi dolžin ujemajočih se zaznanih in referenčnih
segmentov, pri čemer pri ujemanju upoštevajo določena
120 ZALETELJ, ČOTAR
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 sli-
kovnem koordinatnem sistemu, tako da bo mogoč poe-
nostavljen izračun na podlagi binarnih mask brez vek-
torizacije. Zaznane in referenčne ceste lahko predsta-
vimo kot množice koordinat slikovnih elementov (x, y).
Množico slikovnih elementov referenčnih cest označimo
z R = {(x, y)}. Množico slikovnih elementov zaznanih
cest pa označimo z D = {(x, y)}. Za zdaj predposta-
vljamo, da so vse ceste široke 1 slikovni element in da
sta obe maski idealno poravnani.
Pravilnost P zaznave definiramo kot delež zaznanih
slikovnih elementov cest, ki se ujemajo z referenčnimi
cestami
P =
N(D ∩R)
N(D)
, (1)
kompletnost C pa definiramo kot delež slikovnih ele-
mentov referenčnih cest, ki jih je algoritem pravilno
razpoznal kot ceste, in je podana z enačbo
C =
N(D ∩R)
N(R)
. (2)
Oba kriterija vračata vrednost med 0 in 1. Za medse-
bojno primerjavo uporabljenih metod izračunamo sku-
pno merilo uspešnosti Q zaznave, ki upošteva obe zgoraj
navedeni meri,
Q =
CP
C − CP + P
. (3)
3.2 Metode določanja referenčnih cest
Najpogosteje kot vir referenčnih cest uporabljajo
ročno označene ceste na satelitskem posnetku [8], [9],
vendar gre večinoma za majhne izseke celotnega sate-
litskega posnetka. Tako označimo človeku vidne ceste,
ki imajo možnost, da jih podani algoritem sploh lahko
zazna. Tako označene ceste imajo lego in širino, 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 vključimo vse na
novo zgrajene odseke in izločimo vse zelo ozke ceste,
ki niso vidne pri dani ločljivosti posnetka.
Za potrebe evalvacije algoritmov smo ročno označili
ceste na štirih izsekih velikosti 9,7 km x 6,5 km,
pridobljenih iz štirih satel. posnetkov, posnetih od maja
do septembra.
Drugi vir referenčnih cest so digitalne baze cestnih
podatkov (GIS - geografski informacijski sistemi). Re-
ferenčne maske cest je mogoče generirati na avtomatski
način, zato lahko pokrijemo poljubno velike izseke.
Generiranje binarnih referenčnih mask vključuje raste-
rizacijo vektorskih podatkov cest ter georeferenciranje
referenčne maske in maske zaznanih cest. V našem
primeru smo za štiri izseke referenčne maske ter zaznane
ceste poravnali ročno. Avtomatizirano generirane refe-
renčne maske pa imajo tudi pomanjkljivosti, ki izhajajo
iz napak v digitalnih podatkih, med drugim so prisotne
naslednje težave:
• Manjkajoče ceste, največkrat avtoceste in avtoce-
stni priključki.
• Oblika dejanskih odsekov cest na posnetku se raz-
likuje od oblike digitaliziranih cest.
• Izbira širine pasu okrog referenčne ceste vpliva na
izračunane mere uspešnosti. Preširok pas povzroči,
da med pravilno zaznane štejemo tudi napačno
zaznane objekte tik ob cesti.
• Odstopanja med referenčnimi in realnimi podatki
zaradi napak v postopku georeferenciranja satelit-
skega posnetka.
3.3 Postopki izračuna kriterijev
Za izračun kriterijev uspešnosti algoritmov zaznavanja
cest potrebujemo primerjavo z referenčnimi cestami.
Množico slikovnih točk, ki pripadajo referenčnim ce-
stam, označimo zR. Vse točke iz množice točk zaznanih
cest D, ki sovpadajo s točkami iz množice referenčnih
točk, obravnavamo kot pravilno zaznane, ostale pa kot
nepravilno zaznane točke.
Ker nam različni algoritmi vračajo različno debele
zaznane ceste, kompletnosti zaznave ne moremo računati
preprosto kot delež pokritosti pasu okrog referenčnih
cest z zaznanimi točkami. Zato namesto pokritosti pri-
merjamo dolžine odsekov. Zaznane točke, za katere smo
ugotovili, da ustrezajo referenčnim cestam, s postopkom
tanjšanja spremenimo v krivulje debeline 1 slikovni
element. Njihovo število zdaj pomeni dolžino odsekov.
Enako naredimo tudi s podatki o referenčnih cestah, torej
kompletnost izračunamo kot kvocient števila točk v teh
dveh množicah.
3.4 Primerjava ocen meril uspešnosti po obeh
načinih
V tabeli 1 podajamo rezultate izračunov meril
uspešnosti zaznave cest po prvi metodi z adaptivnim
pragom (A), ki smo jo preizkusili na štirih manjših iz-
sekih vzetih iz štirih različnih satelitskih slik. Parametri
uspešnosti so izračunani glede na ročno in avtomatsko
generirane referenčne ceste.
Mesec Ročno označene Avtom. gener.
refer. ceste refer. ceste
PA,1 CA,1 QA,1 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 različnih mesecev.
Primerjava, podana v tabeli 1, je bila narejena za
manjše izseke celotnega satelitskega posnetka. Primer-
java mer pokaže, da so vrednosti pravilnosti P višje za
OCENJEVANJE USPEŠNOSTI POSTOPKOV ZAZNAVANJA CEST NA SATELITSKIH POSNETKIH 121
avtom. določene referenčne ceste, ker so te širše kot
ročno označene, ter zato zajamejo v svoje območje več
nepravilno zaznanih točk tik ob cesti (glej primer na sliki
2 desno). Kompletnost C pa je višja za ročno označene
referenčne ceste, saj so bile pri tem označene le ceste,
ki jih tudi človek lahko razpozna na danem posnetku.
Prav tako vidimo, da opisani algoritem zaznave najbolje
deluje za posnetke, narejene v poletnih mesecih.
3.5 Primerjava uspešnosti metod zaznavanja cest
Na podlagi podanih meril uspešnosti zaznavanja cest
želimo primerjati različne metode zaznavanja. Ker pa je
ročna izdelava referenčne maske cest zelo zamudna, je
mogoča le za manjše izseke satelitske slike. Če želimo
ovrednotiti kakovost na celotnem posnetku ali več po-
snetkih, potrebujemo avtomatizirano metodo evalvacije.
V poskusu želimo oceniti, ali je mogoče z avtomatizi-
rano evalvacijo na podlagi digitalnih podatkov o cestnem
omrežju učinkovito in zanesljivo primerjati različne me-
tode detekcije cest na satelitskih slikah. V ta namen
smo pripravili štiri manjše izseke iz štirih različnih sa-
telitskih posnetkov (različni meseci), ki tudi prikazujejo
vsebinsko različna območja pokrajine. Za vse štiri izseke
sta bili pripravljeni po dve maski referenčnih cest, prva
(oznaka 1) z ročnim označevanjem, druga (oznaka 2)
pa na podlagi rasterizacije GIS vektorjev in poravnave
mask.
Za vsak izsek (1)..(4) smo izvedli detekcijo po štirih
metodah ter za vsako masko cest izvedli evalvacijo glede
na obe referenčni maski, s čimer smo dobili rezultate
P
(1)
A,1, C
(1)
A,1, P
(1)
A,2, C
(1)
A,2, itd. Za vsako metodo smo
izračunali še povprečno pravilnost P̄A,1, P̄A,2 in kom-
pletnost C̄A,1, C̄A,2 prek vseh štirih izsekov. Rezultati
so izrisani v sliki 3, kjer so s svetlimi črtkanimi črtami
izrisane krivulje za posamezne izseke po obeh načinih
evalvacije. Dve debeli krivulji pa povezujeta točke pov-
prečnih rezultatov posameznih metod detekcije, in sicer
si metode sledijo od leve proti desni: C, D, B, A. Črtkana
debela črta pomeni povprečne rezultate štirih metod na
podlagi ročne evalvacije, neprekinjena črta pa na podlagi
avtomatske evalvacije. Tabela 2 pa prikazuje izračunano
skupno kakovost zaznavanja cest za posamezne metode,
in sicer glede na ročno in avtomatsko generirano refe-
renčno masko.
P̄1 P̄2 C̄1 C̄2 Q̄1 Q̄2 ∆ %
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 detekcije cest za posamezne
metode glede na ročno referenčno masko (Q1) in glede na
avtomatsko refer. masko (Q2)
3.6 Primerjava rezultatov obeh načinov evalvacije
Primerjava rezultatov ročne in avtomatske evalvacije
na sliki 3 pokaže, da sta obliki obeh krivulj zelo po-
dobni, sta pa med seboj premaknjeni. V primerjavi z
ročno metodo označevanja cest, za katero menimo, da je
natančnejša (v okviru zmožnosti operaterja in vidljivosti
cest na posnetku), nam avtomatsko generirane maske
cest v povprečju pokažejo preveliko pravilnost metod.
Vzrok je v večji širini referečne ceste, potrebni zaradi
nenatančnosti poravnave, kar pomeni, da se tudi cestam
bližnji objekti (hiše) klasificirajo kot pravilna zaznava.
Po drugi strani je izmerjena kompletnost cest nekoliko
nižja. Zanimivo je, da je skupna kakovost (tabela 2)
pri metodah A in B kljub tem razlikam tako rekoč
enaka, pri C in D pa je izračunana kakovost boljša pri
avtomatskih maskah. Za zanesljivejšo primerjavo obeh
načinov evalvacije pa bi bilo treba generirati več vzorcev
ročnih mask.
Kljub slabostim avtomatskega načina evalvacije nam
ta lahko pomaga za primerjavo posameznih metod. Po
obeh merilih izstopa metoda B s Houghovimi krivuljami,
ki kot kriterij ceste vpeljuje lego slikovnega elementa
na daljšem ravnem odseku. Metoda A (adapt. prag
odziva Top-Hat) pri klasifikaciji točke upošteva veliko
manjšo okolico, kar pomeni več nepravilnih manjših
odsekov. Metoda D z ročno določeno učno množico se
po uspešnosti približa metodi A, saj je ena bistvenih
značilk tudi odziv Top-Hat. Metoda C je slabša zaradi
nenatančne učne množice, v kateri se nahajajo v ra-
zredu cest tudi točke bližnje okolice cest, kar pripelje
do najvišje vrednosti kompletnosti, vendar s tem tudi
najslabše pravilnosti.
4 ZAKLJUČEK
V članku smo predstavili način avtomatiziranega oce-
njevanja uspešnosti algoritmov zaznavanja cestnega
omrežja na satelitskih slikah, ki vključuje standardne
kriterije pravilnosti in kompletnosti zaznanega cestnega
omrežja. Avtomatizirani način ocenjevanja smo primer-
jali s standardnim na podlagi ročno generirane refe-
renčne maske cestnih odsekov.
Primerjava ocen uspešnosti po obeh načinih izračuna
nam pokaže, da metoda avtomatiziranega generiranja re-
ferenčnih cestnih mask kljub svojim slabostim omogoča
dobro relativno primerjavo uspešnosti posameznih me-
tod detekcije, ne pa še izračuna absolutnih vrednosti
kriterijev. Za odpravo napak pa bi bilo treba izboljšati
način poravnavanja referenčne maske in detektirane ma-
ske cest ter s tem zmanjšati sistematično napako pri
ocenjevanju pravilnosti in kompletnosti zaznanih cest.
Dodatna pomanjkljivost avtomatizirane metode pa je
vpliv nenatančnosti in neažurnosti samih podatkovnih
baz cestnega omrežja, ki smo jo opazili tudi pri delu v
praksi.