В.П. Федосов1, Р.Р. Ибадов2, И.И. Наумов3, С.П. Обоймова4

1 Институт радиотехнических систем и управления, ЮФУ (г. Ростов-на-Дону, Россия)

2–4 Донской Государственный Технический Университет (г. Ростов-на-Дону, Россия)

1 vpfed@mail.ru, 2 ragim_ibadov@mail.ru, 3 naumov-85@yandex.ru, 4 svetusja2004@yandex.ru

Постановка проблемы. Извлечение картографических объектов из цифровых изображений является фундаментальной операцией обновления карт географической информационной системы (ГИС). Однако полная автоматизация процессов экстракции до сих пор остается нерешенной проблемой. Несмотря на значительные достижения в этой области, ручное вмешательство оператора при извлечении, определении и проверке картографических объектов для обновления ГИС по-прежнему необходимо. В связи с этим требуется разработка модернизированного метода автоматического извлечения дорог и обновления ГИС, направленного на сокращение работы, выполняемой операторами вручную при исполнении задач по обновлению системы.

Цель. Разработать автоматизированный метод извлечения дорожной сети на основе прогрессивного текстурного анализа с использованием трехуровневой статистики для минимизации погрешностей и обеспечения геометрически и топологически корректного обновления данных ГИС.

Результаты. Представлена система автоматического извлечения дорог, направленная на сокращение работы, выполняемой операторами вручную при решении задач по обновлению ГИС. Разработан алгоритм автоматического обнаружения дорожной сети посредством сегментации на основе прогрессивного анализа текстур. Показано геометрическое и топологическое определение дорожной сети на основе методов выделения скелета. Проведены оценка, валидация и хранение в ГИС полученных графических элементов.

Практическая значимость. Предложенный алгоритм автоматического извлечения дорог, а именно: использование трех уровней статистики для проведения прогрессивного анализа текстур, показал эффективное с точки зрения качества использование в сельских и пригородных условиях. Полученные результаты делают полезным практическое применение алгоритма, например, при передаче данных с беспилотных летательных аппаратов для уточнения ГИС-информации, и способны существенно сократить время работы оператору.

Федосов В.П., Ибадов Р.Р., Наумов И.И., Обоймова С.П. Метод определения дорог в сельских и пригородных районах на основе спутниковых снимков // Электромагнитные волны и электронные системы. 2025. Т. 30. № 6. С. 37−53. DOI: https://doi.org/10.18127/j15604128-202506-03

1. Yin S., Li H. Hot Region Selection Based on Selective Search and Modified Fuzzy C-Means in Remote Sensing Images // IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2020. V. 13. P. 5862–5871. DOI 10.1109/JSTARS. 2020.3025582.
2. Shao Z., Zhou Z., Huang X., Zhang Y. MRENet: Simultaneous extraction of road surface and road centerline in complex urban scenes from very high-resolution images // Remote Sensing. 2021. V. 13. № 2. P. 239. DOI 10.3390/rs13020239.
3. Gao L., Zhang X. Above-ground biomass estimation of plantation with complex forest stand structure using multiple features from airborne laser scanning point cloud data // Forests. 2021. V. 12. №. 12. P. 1713. Doi 10.3390/f12121713.
4. Shahid M., Channappayya S.S. Surveying for man-made objects in photographic images // Target and Background Signatures VII – SPIE. 2021. V. 11865. P. 118–127.
5. Zhao K., Li Li., Chen Z., Sun R., Yuan G., Li J. A survey: Optimization and applications of evidence fusion algorithm based on Dempster-Shafer theory // Applied Soft Computing. 2022. V. 124. P. 109075. DOI 10.1016/j.asoc.2022.109075.
6. Zhong M., Zhang L., Liu Xu., Zhou Ya., Zhang M., Wang Ya., Yang Lu., Wei Di. Wide linear range and highly sensitive flexible pressure sensor based on multistage sensing process for health monitoring and human-machine interfaces // Chemical Engineering Journal. 2021. V. 412. P. 128649. DOI 10.1016/j.cej.2021.128649.
7. Asokan A., Anitha J. Adaptive Cuckoo Search based optimal bilateral filtering for denoising of satellite images // ISA Transactions. 2020. V. 100. P. 308–321. DOI 10.1016/j.isatra.2019.11.008.
8. Alsmadi M.K. Content-Based Image Retrieval Using Color, Shape and Texture Descriptors and Features // Arabian Journal for Science and Engineering. 2020. V. 45. № 4. P. 3317–3330. DOI 10.1007/s13369-020-04384-y.
9. Atay Kaya İ., Kut Görgün E. Land use and land cover change monitoring in Bandırma (Turkey) using remote sensing and geographic information systems // Environmental Monitoring and Assessment. 2020. V. 192. № 7. P. 430. DOI 10.1007/s10661-020-08411-1.
10. Wang C., Wei G., Wei G., Wang W., Zhou Y. Tooth Alignment Network Based on Landmark Constraints and Hierarchical Graph Structure // IEEE Transactions on Visualization and Computer Graphics. 2024. V. 30. № 2. P. 1457–1469. DOI 10.1109/TVCG. 2022.3218028.
11. Lu H., Liu Q., Zhang Y., Liu X. A survey of semantic construction and application of satellite remote sensing images and data // Journal of Organizational and End User Computing. 2021. V. 33. № 6. DOI 10.4018/JOEUC.20211101.oa6.
12. Mekhalfa F., Yacef F. Supervised learning for crop/weed classification based on color and texture features. [Электронный ресурс] – Режим доступа: https://arxiv.org/pdf/2106.10581, дата обращения 23.04.2025.
13. Andy Lease B., Wong Wk., Gopal L., Chiong W.R. Weed Pixel Level Classification Based on Evolving Feature Selection on Local Binary Pattern with Shallow Network Classifier // IOP Conference Series: Materials Science and Engineering. 2020. V. 943. № 1. P. 012001. DOI 10.1088/1757-899x/943/1/012001.
14. Qi Y., Liu N. Innovation of Clothing Design Element Extraction and CAD System Based on Computer Vision and Multimedia Analysis Technology. 2024.
15. Skepasianos I. Texture kinetics and multiscale texture analysis for predicting breast cancer treatment response. 2020.
16. Schlosser A.D., Szabó G., Bertalan L., Szabó S., Varga Z., Enyedi P. Building extraction using orthophotos and dense point cloud derived from visual band aerial imagery based on machine learning and segmentation // Remote Sensing. 2020. V. 12. № 15. P. 2397. DOI 10.3390/RS12152397.
17. Sara D., Mandava A.K., Kumar A., Duela S., Jude A. Hyperspectral and multispectral image fusion techniques for high resolution applications: a review // Earth Science Informatics. 2021. DOI 10.1007/s12145-021-00621-6.
18. Zhang Ch., Zou K., Pan Yu., Zhang Ch. A Method of Apple Image Segmentation Based on Color-Texture Fusion Feature and Machine Learning // Agronomy. 2020. V. 10. № 7. P. 972. DOI 10.3390/agronomy10070972.
19. Chakraborty S., Chatterjee S., Das A., Mali K. Penalized Fuzzy C-Means Enabled Hybrid Region Growing in Segmenting Medical Images // Hybrid Machine Intelligence for Medical Image Analysis. Studies in Computational Intelligence. 2020. V. 841. DOI 10.1007/978-981-13-8930-6_3.
20. Хрящев В.В., Приоров А.Л., Павлов В.А., Ивановский Л.И. Сегметрация объектов на спутниковых изображениях с использованием сверточных нейронных сетей // Успехи современной радиоэлектроники. 2019. № 6. С. 28–34. DOI 10.18127/ j20700784-201906-04.
21. Федосов В.П., Ибадов Р.Р., Ибадов С.Р. Алгоритм сегментации для выделения движущихся объектов на основе реконструкции фона с использованием параметров шумовых характеристик // Журнал радиоэлектроники. 2023. № 11. DOI 10.30898/1684-1719.2023.11.9.
22. Mena J.B., Malpica J.A. An automatic method for road extraction in rural and semi-urban areas starting from high resolution satellite imagery // Pattern recognition letters. 2005. V. 26. № 9. P. 1201–1220. DOI 10.1016/j.patrec.2004.11.005.