Zeitschrift für Fernerkundung und GIS

Abstrakt

Bewertung der Fähigkeit der Full-Lambda- und SVM-Methoden, Straßen aus digitalen Bildern zu extrahieren

Abdollahi A, Bakhtiari HRR und Nejad PM

Die automatische Extraktion von Informationen vor Ort mittels Photogrammetrie und Fernerkundung erfordert die Formulierung von menschlichen Daten und Bilddaten, sodass diese den gesamten Bildinhalt umfassen müssen. Die komplexe Struktur der verschiedenen Objekte im Bild stellt hierbei eine Herausforderung dar. Für eine genaue Kartierung ist es also wichtig, den Typ der digitalen Daten und eine gute Methode zum Extrahieren des gewünschten Effekts auszuwählen. In dieser Studie wurde die halbautomatische Methode zur Extraktion verschiedener Typen untersucht, darunter gerade Straßen, Spiralstraßen, Kreuzungen sowie städtische und nichtstädtische Straßen aus Satelliten- und Luftbildern. Die verwendeten Daten umfassten ein UltraCam-Luftbild, ein Worldview-Satellitenbild eines nichtstädtischen Gebiets mit einer Auflösung von 0,5 m und Quick-Bird-Bilder der Provinz Teheran mit einer Auflösung von 0,61 m. Bei der vorgeschlagenen Methode wurde nach der Bildsegmentierung mithilfe der Full-Lambda-Methode die Bildklassifizierung mithilfe des SVM-Algorithmus durchgeführt und morphologische Operationen werden verwendet, um die Qualität der Wegeerkennung zu verbessern sowie Rauschen zu entfernen und Lücken zu schließen. Bei Bildern, bei denen die Full-Lambda-Methode eine hohe Genauigkeit bei der Bildsegmentierung aufweist, wird daher die Genauigkeit der Bildklassifizierung erhöht und die Straßenextraktion daraus verbessert. Die durchschnittliche Gesamtgenauigkeit von über 81 Prozent und der durchschnittliche Genauigkeitskoeffizient Kappa von über 78 Prozent bei der Bildklassifizierung in zwei Klassen (Straße und Nicht-Straße) weisen auf eine sehr gute Leistungsfähigkeit des eingeführten Systems zur halbautomatischen Extraktion verschiedener Straßen hin.