Dissertação
Extração semiautomática de malha viária em imagens digitais utilizando classificação baseada em objetos e operadores morfológicos
Semi-automatic road network extraction from digital images using object-based classification and morphological operators
Registration in:
NUNES, Darlan Miranda. Extração semiautomática de malha viária em imagens digitais utilizando classificação baseada em objetos e operadores morfológicos. 2016. 76 f. Dissertação (Mestrado em Engenharia Civil) - Universidade Federal de Viçosa, Viçosa. 2016.
Author
NUNES, Darlan Miranda
Institutions
Abstract
As demandas por dados geoespaciais referentes à malha viária são constantes, visto a gama de aplicações que necessitam desse tipo de informação, tanto no meio urbano quanto rural. Tais dados em um ambiente de Sistemas de Informações Geográficas (SIG) são fontes essenciais para integração de uma base de dados espaciais, os quais podem ser utilizados para fins diversos. Vale salientar a importância de dados da malha viária nos ciclos de atualização de bases cartográficas, que podem ser obtidos utilizando, por exemplo, técnicas de extração de feições em imagens digitais, de forma mais precisa, rápida e menos onerosa, comparados aos métodos tradicionais. Nesse sentido, a partir de imagens obtidas por sensores remotos, aliadas as técnicas de análise e Processamento Digital de Imagens (PDI), é possível realizar aplicações (semi-) automáticas que buscam extrair as feições de interesse, entre estas as estradas e/ou rodovias. Dessa forma, este trabalho teve como foco a extração da malha viária em imagens RapidEye através do desenvolvimento de uma metodologia semiautomática utilizando técnicas de classificação de imagens baseada em objetos, bem como o uso de operadores morfológicos. A metodologia foi testada em três áreas distintas e com imagens adquiridas em épocas diferentes, assim possibilitando verificar o desempenho do método proposto para diversas situações. Por meio da análise por correspondência linear, que forneceu valores estatísticos para métricas de análise da qualidade do processo de extração da malha viária, foi possível alcançar em termos de corretude e completude os valores de 92,23% e 85,15% para a área teste 1, os valores de 79,16% e 81,06% na área teste 2, e os valores de 82,05% e 92,22% para a área teste 3, respectivamente. Diante dos resultados obtidos, foi possível verificar que a metodologia proposta apresentou bom desempenho para a extração semiautomática de vias em imagens de sensoriamento remoto, mais especificamente de imagens Rapideye, sendo uma alternativa viável para auxiliar na aquisição e atualização de base de dados da malha viária. Dentre as principais dificuldades encontradas no processo de extração, destaca-se a definição de parâmetros ótimos a fim de separar as feições de interesse das com respostas espectrais similares que não são feições interesse (ruídos). The demand for geospatial data concerning road network are constant due to the variety of application that need of this type of data, in both urban and rural areas. Such data in a Geographic Information System (GIS) are essential source for integration of a spatial database, which can be used for many purposes. It’s worth noting the importance of road network data in cartography update cycles, because these data can be obtained using, for example, an automated process of feature extraction in digital images, more accurately, faster and less costly than traditional methods. In this way, from images obtained by remote sensors, associated with techniques of analysis and Digital Image Processing (DPI), is possible perform (semi-) automatic applications to extract the features of interest, such as roads. Therefore, this work aimed to the extraction of road network from RapidEye images, by a methodology developed using techniques of object-based image classification and morphological operators. The methodology was tested in three different sites and with images acquired in distinct dates, turning possible evaluate the performance of the proposed method in various situations. Through a procedure of linear matching, that return statistics values of metrics to evaluate the quality of road network extraction process, were achieved in terms of correctness and completeness the values of 92.23% and 85.15% for test site 1, the values of 79.16% and 81.06% for test site 2, and the values of 82.05% and 92.22% for test site 3, respectively. The results obtained shows that the proposed methodology presented a good performance for semi-automatic road network extraction from remote sensing images, more specifically from Rapideye images, representing an auxiliary alternative for road network database acquisition and updating. Among the main difficulties on the road network extraction process, stands out the search for optimum parameters in order to separated features targets of interest from others with similar spectral properties that are not feature targets of interest (noises).