Extracción de carreteras para la gestión del riesgo

Imágenes Ópticas Multiespectrales del satélite SAR

Muchos enfoques han surgido para extracción (semi) automático de carreteras y edificios con imágenes aéreas y satelitales. ¿Qué se ha logrado hasta ahora, y lo que aún no se ha hecho?. Ejemplos de los recientes esfuerzos para extracción de redes de carreteras con imágenes multiespectrales del satélite SAR, este puede capturar imágenes de casi todos los rincones de la Tierra en cualquier momento, de vital importancia para una respuesta rápida después de un peligro o crisis civiles.

Aun no se ha convertido en un proceso de extracción automática en una realidad operativa y sigue siendo objeto de investigación fundamental (véase el cuadro de texto). Sin embargo, enfoques semiautomáticos son cada vez más viables en la configuración del funcionamiento. Métodos que combinan múltiples puntos de vista, diferentes sensores, datos externos o de otras fuentes de pruebas de sonido dentro de un marco estadístico mayor para mejorar aún más el nivel de automatización. Incluso los recientes esfuerzos destinados a apoyar los equipos de rescate después de un desastre natural se distinguen automáticamente entre los caminos dañados y intactos. Aquí se presenta esquema de tres etapas. La primera etapa comprende la extracción de carreteras totalmente automáticos. Desde el correcto 100% que es imposible, un sistema de auto-diagnóstico que se aplica en la segunda etapa. La fiabilidad de las medidas resultantes de los operadores guía a los humanos durante la tercera fase: la edición, utilizando sofisticadas herramientas interactivas.


Extracción Automática

El enfoque de los modelos de los sensores y el contexto que dependen de la apariencia de las carreteras han sido recientemente adaptadas a la teoría de decisión bayesiana para incorporar múltiples imágenes SAR y conocimientos relativos a la apariencia y a las relaciones entre los objetos. Comparación con una referencia de digitalización manual mostró 70% de precisión y veracidad. Estas cifras mejoran ligeramente modificadas cuando se aplica un método de imágenes ópticas en la misma resolución y complejidad de escena, el 85% completa con un 90% se llegó a la corrección. El mejor resultado se debe a la calidad radiométrica de las imágenes ópticas, ventajosa cuando se toma con tiempo y en buenas condiciones de iluminación, en comparación con el SAR. La última imagen se ve afectada por el ruido speckle, sombras y la escala de radar, pero la luz del día (casi) independiente del tiempo. Sin embargo, incluso una leve nubosidad en las imágenes ópticas debilita la integridad y exactitud.

sen00268
Figura 2, Segmentos de Carretera extraídos de imágenes pancromáticas Ikonos; verde: correcto; rojo: falta; azul: falsas alarmas (Cortesía: Mayer et al. 2006)

sen00269
Figura 3, Imagen Ikonos tomada durante las inundaciones del río Elba en Alemania, 2002. Amarillo: un seguimiento de tramos de carretera; azul: con click del operador

Auto Diagnóstico

Antes de que un operador humano controle y edite los resultados, el nivel 2 ofrece auto-diagnóstico de los resultados obtenidos automáticamente. Fiabilidad de las medidas derivadas a partir de los datos y de conocimientos del objeto (conocimiento descrito por el modelo de objetos y no por otros datos externos) se utilizan para guiar a un operador humano durante la post edición. Las propiedades de los objetos utilizados en el auto-diagnóstico no se han utilizado durante la extracción de estimaciones de fiabilidad imparcial. Típico camino tomando propiedades de auto-diagnóstico incluyen algunos componentes conectados, no hay grupos de uniones fuera de las zonas urbanas, y convenientes conexiones entre distintos lugares en función del tipo de terreno. Estas propiedades pueden ser evaluadas usando la teoría de conjuntos difusos. La fiabilidad del auto-diagnóstico se determinó comparando los resultados con una referencia utilizando la codificación “traffic-light” (Figura 4). Casi todos los tramos de carretera verde resultó ser correcto (por encima del 90%). “Falsas alarmas” se han detectado con un 80% a 90% de fiabilidad.
Un operador humano debe investigar efectivamente los caminos de color amarillo, debido a que la exactitud varía entre 50% y 75%. ¿Qué pasa si los tramos amarillos de la carretera habían sido perfectamente controlados únicamente por operadores humanos?. Luego de la corrección del resultado global seguiría siendo del 95%, mientras que el ahorro de tiempo sería del 50% al 75%.

sen00270
Figura 1, Extracción de carreteras desde par SAR x-/L- utilizando información de contexto. Líneas blancas: extrajeron carreteras; negro líneas: falta de carreteras, líneas de puntos: contexto zona “urbana” (punto de extracción de semillas); áreas negra: área de contexto de “bosque”. (Cortesía: Wessel, 2006)

Preguntas Fundamentales de Investigación
  • ¿Qué tipo de objeto modelado es el más adecuado para capturar la variabilidad de clases de objetos, sobre todo teniendo en cuenta el éxito de los últimos enfoques basados en la apariencia?
  • ¿Que relaciones hay entre los objetos de apoyo y los objetos de extracción, y que representan?
  • ¿Puede una estrategia diseñada de extracción ser adaptada a la extracción sin perder el control de la carga computacional? o podría ser mejor comenzar con una estrategia monolítica e incorporar elementos dinámicos o el uso genérico y aplicar algoritmos de búsqueda heurística para controlar el espacio de búsqueda?
  • ¿Que decisiones deben ser hechas por un operador humano’? a favor del computador
Interacción Manual

Auto-diagnóstico sólo puede mejorar la exactitud, no exhaustividad, esta última requiere la identificación de las carreteras que no se detecta durante la extracción automática por el operador humano. Este es un tiempo y esfuerzo en función de los costos, y semi-automáticas (con ayuda de los usuarios) las herramientas pueden ser de gran ayuda. Estos garantizan la alta calidad que un operador humano controla el acto de adquisición de datos y evita que se produzcan errores. Hay dos tipos de herramientas semi-automáticas: en primer lugar la carretera de seguimiento, que es necesario determinar dos puntos de inicio y dirección de una carretera, y en segundo lugar, ruta o red optimisers, como contornos activos (“snakes”) determinar una ruta óptima entre los puntos.

sen00271
Figura 5, “Snakes” se aplicaba a imagenes SAR; izquierda: inicialización interactiva; derecha: resultado después de la optimización (Cortesía: Butenuth, 2008)

El concepto de la serpiente ha sido recientemente ampliado ventajosamente a redes con topología predefinidos. La calidad de las imágenes SAR permite la extracción automática menos robusta y la ayuda humana es necesaria. Pero las limitaciones de la topología de red y optimización de los procedimientos incorporados en los algoritmos de serpiente a demostrado su fuerza: después de unos puntos de digitalización en las carreteras y la creación de la topología, las carreteras podrían ser recuperados de manera completamente automática. Esta estrategia es más conveniente que la supervisión de la extracción por carretera de seguimiento. Sería bueno si la estrategia más adecuada podría ser determinada a partir de las imágenes, pero este objetivo parece inalcanzable en el futuro cercano.

sen00272
Figura 4, Ejemplo de auto-diagnóstico: verde (aceptado), amarillo (chequeo), rojo (rechazado)

Fuente:

Gim International

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Solve : *
21 × 29 =