Road extraction from high resolution satellite images using adaptive boosting with multi-resolution analysis

Abstract

Uzaktan algılamada uydu ve hava fotoğraflarında yol tespiti popüler bir konudur. Çeşitli araştırmacılar tarafından önerilmiş yol çıkarımı algoritmaları mevcuttur. Ancak güvenilir yol bilgisine olan ihtiyaç hala devam etmektedir çünkü yeterli ölçüde gürbüz bir yol tespiti algoritması henüz bulunmamaktadır. Bu çalışmada çoklu çözünürlük analizi ve adaptif destekleme tabanlı sınıflandırıcılardan yararlanarak yol tespiti problemi çalışılmıştır. Bir başka deyişle bu çalışmada yüksek çözünürlüklü ve çok bantlı uydu imgelerinde bulunan yolun hem tayfsal hem de yapısal özniteliklerini kullanan yeni bir yol tespiti algoritması önerilmiştir. Önerilen model üç ana bileşenden oluşmaktadır; öznitelik çıkarımı, sınıflandırma ve yol tespiti. Çokça kullanılan tayfsal bant oranlarından görüntülerin yansıtma özelliklerini temsil etmesi için yararlanılmıştır. Öte yandan imge bölütleme ve ardından uygulanan bir uzatılmışlık puanlama yöntemi sayesinde yol parçalarının çoklu çözünürlük analizi altyapısı içerisinde değerlendirilmesi mümkün olmuştur. Çıkarılan öznitelikler adaptif destekleme öğrenme işlemine tabii tutulmuştur ve söz konusu öğrenme metodu karar ağaçlarını tekrarlı olarak kaynaştırarak yüksek doğruluk ile çalışan bir sınıflandırıcı oluşturmuştur. Adaptif destekleme yöntemi tarafından verilen olasılık haritasından yol ağı tespit edilmiştir. Bu algoritma genişletilebilirlik anlamında modüler bir yapıya sahiptir yani yeni yol belirteçleri kolaylıkla varolan model entegre edilebilmektedir. Önerilen algoritmanın deneysel değerlendirmesi göstermiştir ki algoritma yol ağının büyük bir bölümünü tespit edebilmektedir ve gelecek vaadeden performans sonuçları sunmaktadır.

Road extraction from satellite or aerial imagery is a popular topic in remote sensing, and there are many road extraction algorithms suggested by various researches. However, the need of reliable remotely sensed road information still persists as there is no sufficiently robust road extraction algorithm yet. In this study, we explore the road extraction problem taking advantage of the multi-resolution analysis and adaptive boosting based classifiers. That is, we propose a new road extraction algorithm exploiting both spectral and structural features of the high resolution multi-spectral satellite images. The proposed model is composed of three major components; feature extraction, classification and road detection. Well-known spectral band ratios are utilized to represent reflectance properties of the data whereas a segmentation operation followed by an elongatedness scoring technique renders structural evaluation of the road parts within the multi-resolution analysis framework. The extracted features are fed into Adaptive Boosting (Adaboost) learning procedure, and the learning method iteratively combines decision trees to acquire a classifier with a high accuracy. The road network is identified from the probability map constructed by the classifier suggested by Adaboost. The algorithm is designed to be modular in the sense of its extensibility, that is; new road descriptor features can be easily integrated into the existing model. The empirical evaluation of the proposed algorithm suggests that the algorithm is capable of extracting majority of the road network, and it poses promising performance results.