ماهواره تجاری تصویربرداری با وضوح بالا با وضوح فضایی 1 متر IKONOS یک منبع داده مهم برای برنامه‌ریزی شهری و سیستم اطلاعات جغرافیایی (GIS) است. در این مقاله یک روش مورفولوژیکی پیشنهاد شده است. روش پیشنهادی تکنیک‌های آستانه‌گذاری خودکار و عملیات مورفولوژیکی را برای استخراج خط مرکزی جاده از محیط شهری ترکیب می‌کند. این روش در نظر دارد مشکلات خط مرکزی جاده های شهری، وسیله نقلیه، پوشش گیاهی، ساختمان و غیره را حل کند. بر اساس این روش مورفولوژیکی، یک استخراج کننده شی طراحی شده است تا شبکه های جاده را از تصاویر بسیار سنجش از دور استخراج کند. برخی از فیلترها در این آزمایش مانند بازسازی خط و تکنیک‌های پر کردن منطقه برای اتصال بخش‌های جاده‌ای جدا شده و حذف موارد اضافی کوچک استفاده می‌شوند. سرانجام، الگوریتم نازک شدن برای استخراج خط مرکزی جاده استفاده می شود. آزمایش‌هایی بر روی تصاویر با وضوح بالا IKONOS و QuickBird انجام شده است که کارایی روش پیشنهادی را نشان می‌دهد.

کلید واژه ها

آستانه گذاری خودکار ، تصاویر با وضوح بالا ، عملیات مورفولوژیکی ، پردازش پست ها ، الگوریتم نازک شدن ، استخراج خطوط مرکزی جاده های شهری

1. مقدمه

استخراج خودکار شبکه جاده های شهری و نقشه برداری فضایی به روز برای کاربردهای مختلف از به روز رسانی پایگاه داده GIS برای نقشه برداری و نگهداری حمل و نقل شهری، E-911، برنامه ریزی شهری و مدیریت زمین، ناوبری وسایل نقلیه تا ایمنی حمل و نقل، خطرات بسیار مهم است. و مدیریت بلایا با ظهور ماهواره‌ای، تصاویر سنجش از دور قادر به جمع‌آوری و ارائه حجم عظیمی از داده‌ها برای تجزیه و تحلیل اطلاعات جهانی هستند که بر اساس تکنیک‌های معمول نقشه‌برداری، عکس‌های هوایی عمدتاً با استفاده از دفاع در شرایط آب و هوایی و مقیاس‌های عکاسی، کار بسیار دشواری است. . این تکنیک‌ها برای پرواز منظم زمان‌بر و پرهزینه هستند، به‌ویژه برای به‌روزرسانی خط مرکزی جاده‌های شهری و تشخیص تغییرات در منطقه شهری با ساخت و ساز و تخریب سریع. با این حال،

اخیراً ماهواره‌های تصویربرداری تجاری با وضوح بالا در محدوده (0.6 – 4 متر)، از جمله IKONOS (1 متر پانکروماتیک و 4 متر چند طیفی) در سال 1999 و QuickBird (0.6 متر پانکروماتیک و 2.4 متر چند طیفی) در سال 2001 پرتاب شده‌اند. چند سالی است که چندین ماهواره دیگر پرتاب خواهند شد، از جمله ماهواره تصویربرداری نوری مانند KOMPSAT-2 (1 متر پانکروماتیک و 4 متر چند طیفی) و Orbview 3 (1 متر پانکروماتیک، 4 متر چند طیفی) و ماهواره تصویربرداری راداری مانند RADARSAT. -2 (3 متر) ماهواره کانادایی و ترا SAR (1 متر) ماهواره اروپایی.

نویسندگان [ 1 ] [ 2 ] مطالعات اولیه ای را ارائه کردند که نشان داد می توان از تصاویر ماهواره ای با وضوح 1 متر برای شناسایی، تفسیر و استخراج اشیاء شهری انتخاب شده در مقیاس 1:2000 در همه طبقات یک منطقه (هسته های شهری پرجمعیت) استفاده کرد. ، مناطق مسکونی حومه شهر). علاوه بر این، وضوح زمانی بالای آنها (دوره کوتاه مدت بازبینی مداری، به عنوان مثال، 1 تا 3 روز) این تصاویر را به منبع ایده آلی برای تشخیص تغییر و ارزیابی خطر تبدیل می کند. این حسگرهای ماهواره ای اطلاعات استریو و چند طیفی را ارائه می دهند که برای استخراج خودکار جاده، مدل سازی زمین و تجزیه و تحلیل صحنه سه بعدی مفید است.

استخراج خودکار شبکه جاده های شهری از داده های سنجش از دور بالا، به ویژه با تقاضای سریع برای برنامه نقشه برداری دقیق و به روز مربوط به برنامه ریزی شهری و تجزیه و تحلیل جریان ترافیک و شبیه سازی، نگهداری و/یا بازسازی جاده، برآورد آلودگی هوا و صوتی به دست آوردن تصاویر دیجیتال با کیفیت نقشه برداری از فضا برای به روز رسانی مکرر پایگاه داده سیستم اطلاعات جغرافیایی نیمی از نبرد در مدیریت محیط زیست شهری است. نیمی دیگر در حال استخراج اطلاعات از تصاویر است. استخراج خودکار جاده های شهری یک کار چالش برانگیز را برای مهندسان ژئوماتیک و نقشه برداری فراهم می کند. تکنیک‌های سنجش از دور ماهواره‌ای اطلاعات کارآمدی را برای جاده‌ها برای بهبود حمل‌ونقل مناطق شهری و حومه‌ای فراهم می‌کنند.

در سه دهه اخیر، کاربرد تصاویر ماهواره ای با وضوح بالا در حوزه استخراج اطلاعات مانند ساختمان و شبکه راه ها مورد بررسی قرار گرفته است. امروزه داده های ماهواره ای با وضوح بالا به راحتی برای مقاصد تجاری و برای محققین در دسترس قرار گرفته اند. بنابراین، به شناخت جاده های شهری برای کاربرد در حمل و نقل و بینایی کامپیوتر کمک می کند. تصاویر سنجش از دور با وضوح بالا برای استفاده از یک الگوریتم و استخراج آسان جاده شهری مطلوب هستند. متأسفانه کاربرد هر الگوریتم با توجه به وضوح تصویر متفاوت است. در برخی از تصاویر، الگوریتم به نتایج عالی کمک می کند، در حالی که در برخی از تصاویر ممکن است الگوریتم در استخراج شبکه جاده های شهری خودکار شکست بخورد. بخش جاده می تواند توسط اشیاء نزدیک مانند سایه درختان در امتداد جاده مسدود شود که ممکن است بخش جاده را قطع کند و بخشی از جاده را به دلیل بلندی ساختمان پنهان کند. با این حال، مقادیر طیفی متفاوت است و عرض آنها ممکن است تغییر کند. علاوه بر این، برخی از اتصالات تعداد نامعلومی از جاده ها ممکن است دشواری استخراج جاده های شهری را افزایش دهند. در نتیجه، روش‌های پیشرفته‌ای برای استخراج شبکه جاده‌ای از تصاویر ماهواره‌ای با وضوح بالا، یعنی IKONOS و QuickBird مورد نیاز است. استخراج خودکار شبکه جاده ای از تصاویر ماهواره ای با وضوح بالا به سه دلیل اصلی جنبه های مهمی دارد. در مرحله اول، تشخیص نتیجه می تواند در تهیه نقشه به روز شده استفاده شود. ثانیاً، می توان آن را در برنامه ریزی مسیر برای وسایل نقلیه هوایی بدون سرنشین اعمال کرد و سوم، برای ناوبری و بینایی کامپیوتری برای شناسایی موقعیت استخراج جاده مهم است. اگرچه کارشناس نقشه برداری و نقشه برداری می تواند پیکسل های جاده را از یک تصویر ماهواره ای با وضوح بالا برچسب گذاری کند، اما این فرآیند پر از خطا است. بنابراین، استخراج خودکار تکنیک‌های جاده در یک تصویر ماهواره‌ای با وضوح بالا به شیوه‌ای قوی مورد نیاز است.3 ] .

در این مطالعه از رویکرد خودکار برای تشخیص شبکه جاده ها از تصاویر بسیار سنجش از دور مانند IKONOS و QuickBird استفاده شده است. در این روش پیشنهادی ابتدا آستانه خودکار روی تصاویر رنگی IKONOS و QuickBird به منظور تقسیم بندی اعمال می شود تا تصویر باینری شود. این روش را می توان در تصاویر ماهواره ای چندطیفی برای به دست آوردن نتیجه مطلوب برای استخراج جاده های شهری به کار برد. روش های مختلفی برای تشخیص شبکه جاده ها از روی یک تصویر ماهواره ای داده شده وجود دارد. نویسنده، [ 4 ] [ 5] روشی را برای تشخیص جاده های اصلی از تصاویر ماهواره ای توسعه داد. در درجه اول آنها خطوط مستقیم و مناطق همگن را تشخیص می دهند. سپس، آنها ابتدایی های شناسایی شده را به هم متصل می کنند. متأسفانه روش آنها نمی تواند جاده های شهری را به درستی تشخیص دهد و بخش های جاده ای مسدود شده را تشخیص دهد. بخش های جاده ناپیوسته با استفاده از قوانین سازمان ادراکی توسط [ 6 ] به هم مرتبط شدند. نویسندگان، [ 7 ] [ 8] یک بررسی عالی در مورد تشخیص جاده در تصاویر هوایی و ماهواره ای ارائه کرد. تصاویر ماهواره‌ای ابزار جذابی برای جمع‌آوری داده‌ها برای جاده‌ها و استخراج عالی به‌ویژه از IKONOS و QuickBird هستند. برای شناسایی مشکلات مربوط به جاده ها، وضوح طیفی و فضایی از ویژگی های مهمی است که باید در نظر گرفته شود. این تکنیک به وضوح فضایی، طیفی و زمانی عالی نیاز دارد تا ویژگی‌های شهری و حومه‌ای خاص را با استفاده از فناوری فضایی مشخص کند. [ 9 ] مطالعه ای را برای تفسیر و تشخیص تصاویر ماهواره ای برای تشخیص مصنوعات و اشیاء طبیعی مانند درختان، درختچه ها، سنگ ها، خیابان ها، پل ها و میدان باز ارائه کرد. آنها خاطرنشان کردند: برای تشخیص جاده های آسفالته، تصاویر با وضوح فضایی 2 متر مورد نیاز است. [ 10] نشان داد که وضوح فضایی در محدوده 0.25 – 0.5 برای تشخیص جاده شهری ضروری است.

نویسنده در [ 11 ] یک روش خودکار برای استخراج جاده بر اساس تقسیم بندی ISODATA و تشخیص سایه از تصاویر هوایی در مقیاس بزرگ ارائه کرد. Paper [ 8 ] از مدل کانتور فعال که به نام الگوریتم مار نیز نامیده می شود برای استخراج ویژگی های شهری از تصاویر سنجش از دور استفاده کرده است. [ 12 ] رویکردی برای استخراج ساختمان از تصاویر ماهواره ای با وضوح بالا با استفاده از اطلاعات ساختاری، زمینه ای و طیفی پیشنهاد کرد. مقاله [ 13 ] یک روش جدید برای استخراج خط مرکزی جاده کاملاً خودکار ارائه می‌کند که از محتوای طیفی تصاویر چند طیفی با وضوح بالا بهره‌برداری می‌کند. محققان [ 2 ] [ 6 ] [ 14 ] [ 15] از رویکرد مورفولوژی ریاضی برای استخراج ویژگی های شهری از داده های سنجش از دور استفاده کرده اند. هدف اصلی این مقاله ارائه یک روش جدید است که تکنیک‌های آستانه‌گذاری خودکار و عملیات مورفولوژیکی را برای استخراج خط مرکزی شبکه راه در محیط‌های شهری ترکیب می‌کند. بر اساس آستانه گذاری خودکار، یک روش عملیات مورفولوژیکی پیشنهاد شده است. به عنوان یک کاربرد، روش عملیات مورفولوژیکی پیشنهادی برای استخراج خط مرکزی شبکه جاده‌های شهری از تصاویر سنجش از دور با وضوح بالا مانند تصاویر IKONOS و QuickBird استفاده می‌شود.

2. روش شناسی

در این مقاله، یک روش جدید برای تشخیص شبکه جاده های شهری در تصاویر ماهواره ای با وضوح بالا یعنی IKONOS و QuickBird ارائه شده است. روش پیشنهادی بر اساس چهار مرحله اصلی است. در مرحله اول، آستانه گذاری خودکار برای تقسیم جاده ها از تصویر رنگی به دودویی استفاده می شود. این تکنیک مفهوم مشابهی را نشان می‌دهد که توسط [ 16 ] [ 17 ] آستانه جهانی ارائه شده برای بخش‌بندی جاده‌ها از تصویر برش‌خورده استفاده می‌شود. ثانیا، روش عملیات مورفولوژیکی در تصویر باینری معکوس قطعه‌بندی شده اعمال می‌شود، مانند تکنیک‌های اتساع، فرسایش، باز کردن و بسته شدن برای برجسته کردن شبکه جاده و حذف اشیاء نامطلوب [ 18 ].] . مرحله سوم، استفاده از برخی فیلترها است، به عنوان مثال، بازسازی بخش خطوط برای اتصال شبکه جاده و پیوند بخش جاده ها به یکدیگر و اعمال روش پر کردن منطقه برای حذف زائدهای کوچک در تصویر باینری. در نهایت، از روش‌های پس پردازش استفاده می‌شود، مانند الگوریتم نازک‌سازی که توسط [ 19 ] برای استخراج خط مرکزی شهری جاده ایجاد می‌شود. شکل 1 یک روش کامل از شبکه راه های شهری را به صورت پلکانی نشان می دهد.

2.1. استخراج شبکه راه های شهری

استخراج شبکه راه های شهری یک فرآیند مهم در حوزه ماهواره ای سنجش از دور است. اولین گام روش پیشنهادی این است که از روش‌های تقسیم‌بندی برای استخراج جاده‌ها از تصاویر با وضوح بالا مانند IKONOS و QuickBird استفاده می‌شود. برای انجام این کار به صورت تجربی از سه رویکرد آستانه گذاری خودکار، عملیات ریخت شناسی و در نهایت روش پس پردازش بر روی تصاویر ماهواره ای استفاده شده است. در بررسی متون گذشته، محقق از تکنیک‌های Canny edge Detector و Sobel برای تشخیص لبه‌ها استفاده کرده است، اما نتیجه مطابق با نتایج دلخواه نیست و محدودیت‌هایی در استخراج جاده دارد. نتیجه عالی با استفاده از روش‌های آستانه‌سازی خودکار به دست می‌آید و پس از آن عملیات مورفولوژیکی، تکنیک‌های پس پردازش برای استخراج خط مرکزی جاده‌های شهری اعمال می‌شود. قبل از اعمال رویکرد بخش‌بندی، یک منطقه مورد علاقه از تصاویر آزمایشی IKONOS و QuickBird انتخاب می‌شود، جایی که جاده‌های شهری برجسته‌تر هستند. منطقه مورد نظر بخشی از تصاویر آزمایشی است که می تواند تصویر فرعی به شکل مستطیل با اندازه 2.95 × 3.28 باشد. الگوریتم های مورد نظر نتایج عالی را در کل آزمایش ها ارائه می دهند [20 ] .

2.2. رویکرد آستانه گذاری خودکار بر اساس تشخیص جاده شهری

این الگوریتم مبتنی بر آستانه گذاری خودکار است که برای تقسیم بندی شبکه های جاده های شهری از تصاویر ماهواره ای با وضوح بالا مانند IKONOS و QuickBird استفاده می شود. نتیجه آزمایشی آستانه گذاری خودکار در شکل 2 (a1) و شکل 3 (b1) نشان داده شده است. در تصویر باینری حاصل، جاده ها رنگ سفید و پس زمینه سیاه رنگ است. مقدار شدت پیکسل رنگ سفید بالاتر از پس زمینه است. شبکه جاده در هر دو تصویر تست رنگ کاملاً شناسایی شده است، با این حال، برخی از طبقه بندی های اشتباه وجود دارد

همچنین در تصاویر باینری حاصل گزارش شده است. این طبقه بندی نادرست به دلیل سایه درختان، ساختمان ها و وسایل نقلیه در جاده است که رنگ طیفی مشابهی با جاده ها دارند. به منظور استخراج نتیجه مورد نظر، تصاویر باینری خروجی به تصاویر معکوس تبدیل می شوند شکل 2 (a2) و شکل 3 (b2) را ببینید. در این حالت، شبکه جاده‌ای به رنگ سیاه نشان داده می‌شود تا مقدار پیکسل با بالاترین شدت در نظر گرفته شود، در حالی که پس‌زمینه رنگ سفید با مقادیر حداقل شدت است، با برخی از اشیاء طیفی مشابه نیز گزارش می‌شود.

2.3. استخراج معابر شهری با استفاده از رویکرد عملیات مورفولوژیکی

به منظور کشف اشیاء طبقه بندی اشتباه و حذف ویژگی های اضافی از تصاویر، برخی از عملیات مورفولوژیکی در تصاویر باینری معکوس آستانه قطعه بندی شده مانند تکنیک های فرسایش، گشاد، باز و بسته به شکل 4 و شکل 5 استفاده می شود. در طول روش باز مورفولوژیکی شکل 4 (a3) ​​یک تصویر QuickBird است که به درستی در شبکه جاده طبقه بندی نشده است و بسیاری از اشیاء اضافی شناسایی شده است.

که قادر به استخراج صحیح شبکه راه ها نیست، در حالی که در حالت بسته بودن، شبکه راه ها را با ویژگی های ناخواسته کوچک به خوبی تشخیص می دهد. این به دلیل زمین چمن باز، مصالح ساختمانی و ماشین است که ویژگی های طیفی مشابهی با جاده ها دارند. در شکل 5 (b3) در تصویر IKONOS شبکه جاده با یک خار کوچک کاملاً تشخیص داده شده است که خواسته ما نیست، در حالی که تصویر باینری متسع شبکه های جاده ها را به درستی با برخی از اشیاء غیر خطی شناسایی می کند و قطع ارتباط بخش های جاده را می توان در شکل 5(b4)، این قطع ارتباط بخش جاده به دلیل سایه درختان در کنار جاده است و خودرو در جاده ممکن است شبکه جاده را مسدود کند. عملیات ریخت شناسی بر اساس مورفولوژی ریاضی است که برای حذف استفاده می شود و بخشی از تصویر را بر اساس عملگرهای غیر خطی جبری طبقه بندی می کند. این فرآیند کامل بر روی تصویر باینری معکوس قطعه‌بندی شده به کار می‌رود . شکل 2 (a2) و شکل 3 (b2) را ببینید. برای کاهش اثر تشخیص سایه درختان، خودرو در جاده و حذف ویژگی‌های غیرخطی، در آزمایش از فیلترهایی مانند بازسازی بخش جاده‌ها برای پیوند بخشی از جاده که به دلیل سایه درختان مسدود شده است و تکنیک‌های پر کردن منطقه استفاده می‌شود، استفاده شده است. ویژگی نامطلوب داشتن اجرام طیفی مشابه با جاده ها را حذف کنید.

2.4. رویه های پس از پردازش

روش‌های پس پردازش ارتباط نزدیکی با فیلتر کردن دارند، به عنوان مثال، بازسازی خطوط یا بخش‌ها، پر کردن منطقه و الگوریتم نازک‌سازی استخراج خطوط مرکزی جاده‌ها.

صحنه از تصاویر سنجش از دور ماهواره ای استفاده شده در این آزمایش پیچیده است، اشیاء استخراج شده توسط اجسام دیگر خراب شده است. به عنوان مثال، شکل جاده می تواند تحت تأثیر وسایل نقلیه، سایه درختان و ساختمان ها در جاده ها باشد. علاوه بر این، برخی از اشیاء غیر جاده‌ای که دارای ویژگی‌های رنگی مشابه با جاده هستند نیز می‌توانند به اشتباه طبقه‌بندی شوند، جاده‌ها به شکل 6 (a4)، شکل 6 مراجعه کنید.(b4). در نتیجه تجربی می توان قطع ارتباط بخش های جاده را مشاهده کرد. برای پایان دادن به این مشکل طبقه بندی نادرست، سایه درختان و سایر اشیاء طیفی مشابه برای استخراج صحیح شبکه راه ها، برای پایان دادن به این مشکل، مراحل فیلترینگ ضروری است. برای این منظور، بخش، بازسازی و تکنیک های پر کردن منطقه برای از بین بردن اثر وارد شده توسط اتومبیل ها، سایه درختان و ساختمان نشان داده شده در شکل 7 (a4)، شکل 7 (b4)، پر کردن منطقه برای پاک کردن موارد غیر طبقه بندی شده استفاده می شود. ویژگی های جاده با اشکال غیر خطی.

در نهایت، روش الگوریتم نازک‌سازی توسط [ 19 ] برای استخراج خط مرکزی جاده انجام می‌شود. خطوط مرکزی جاده به طور دقیق در شکل 8 نشان داده شده است.

3. نتایج و بحث

روش‌های تقسیم‌بندی باینری برای استخراج جاده شهری از تصویر ماهواره‌ای با وضوح بالا استفاده شده‌اند. برای استخراج نتایج کارآمد در تصویر، رویکرد آستانه گذاری خودکار روی تصاویر رنگی IKONOS و QuickBird اعمال می شود تا آنها را به تصاویر باینری، جاده ها و بخش های پس زمینه تبدیل کند. چندین مشکل برای محاسبه مقدار آستانه مناسب مورد بررسی قرار می گیرد، به عنوان مثال، مواد مختلف روسازی مورد استفاده در

جاده‌ها و وجود اشیایی مانند درختان، وسایل نقلیه، ساختمان‌ها و غیره در حالی که ویژگی های غیر جاده ای به رنگ سفید با مقدار شدت کم 0 ارائه می شود. پس از آن از روش عملیات مورفولوژیکی در تصویر باینری معکوس برای شناسایی شبکه جاده ها و حذف اجسام نامطلوب کوچک و به حداقل رساندن تشخیص پیکسل های غیر جاده ای استفاده می شود. . مانند باز کردن، بسته شدن، فرسایش و گشاد شدن عملیات اعمال می شود به شکل 4 و شکل 5 مراجعه کنید. در شکل 4(a4) عملیات بستن تصویر QuickBird نتیجه بسیار بهتری نسبت به تصویر عملیات باز (a3) ​​دارد. در حالی که، از سوی دیگر در شکل 5 . تصویر عملیات اتساع IKONOS (b4) نتایج عالی نسبت به (b3) دارد. به منظور پردازش آزمایش‌ها برای پردازش بیشتر، تصویر بسته QuickBird (a4) و تصویر گشاد شده IKONOS (b4) برای ادامه آزمایش قانع‌کننده‌تر انتخاب شده‌اند. یک فیلتر فضایی مانند بازسازی بخش جاده ایجاد شده است تا بخش جاده را با یکدیگر مرتبط کند که در شکل 6 قطع شده است . در حالی که تکنیک‌های پر کردن منطقه برای حذف ویژگی‌های نامطلوب مانند ویژگی‌های غیرخطی کوچک که غیر جاده‌ای در نظر گرفته می‌شوند، استفاده می‌شوند، نتایج را ببینید شکل 7 (a4)، شکل 7(b4). نتیجه تجربی کارایی روش پیشنهادی ما را در مقایسه با نتیجه [ 17 ] [ 21 ] [ 22 ] نشان می دهد. برای اجرای این روش پیشنهادی از نرم افزار MATLABR2014a استفاده شده است.

در نهایت، الگوریتم نازک‌سازی برای استخراج خط مرکزی جاده انجام می‌شود، این الگوریتم نازک‌سازی استفاده شده توسط [ 19 ] نتیجه عملی را در شکل 8 نشان داده است. که در آن QuickBird (a4) نتیجه بهتری نسبت به IKONOS (b4) دارد به دلیل پیچیدگی صحنه است.

4. نتیجه گیری

روش پیشنهادی ترکیب آستانه‌سازی خودکار و عملیات مورفولوژیکی برای استخراج شبکه جاده‌ای از تصاویر ماهواره‌ای با وضوح بالا استفاده می‌شود. اهمیت این رویکرد این است که ترکیبی از تکنیک های آستانه گذاری خودکار و به دنبال آن عملیات مورفولوژیکی اجرا می شود. استخراج قطعه‌بندی جاده‌ها با کمک آستانه‌گذاری خودکار انجام شده است که تصویر رنگی را به تصاویر باینری مانند اشیاء جاده‌ای و غیر جاده‌ای طبقه‌بندی می‌کند. مقدار پیکسل شدت جاده بیشتر از پس زمینه است. برای استخراج نتیجه دلخواه، تصویر باینری قطعه‌بندی شده در حال تبدیل به عکس معکوس است که در آن جاده به رنگ سیاه و پس‌زمینه با رنگ سفید نشان داده می‌شود. سپس با استفاده از عملیات مورفولوژیکی روی تصویر قطعه‌بندی شده، روش پیشنهادی بر روی تصاویر ماهواره ای با وضوح بالا از منطقه شهری آزمایش شده است. نتایج تجربی به استفاده بالقوه از روش پیشنهادی در استخراج شبکه جاده از تصاویر ماهواره‌ای با وضوح بالا به روشی کارآمد اشاره می‌کند.

در بخشی از تصاویر، مساحت کوچکی از زمین های بایر، منطقه پوشیده از پوشش گیاهی، زمین های چمن باز و محوطه ساختمان ها به عنوان جاده طبقه بندی شده است. تکنیک های فیلتر برای حذف ویژگی های ناخواسته مانند تکنیک های پر کردن منطقه استفاده می شود. در نهایت، روش پس پردازش برای نمونه هایی از الگوریتم نازک شدن توسط [ 19 ] برای استخراج خط مرکزی جاده شهری به درستی استفاده می شود و با نتیجه [ 13 ] تجزیه و تحلیل می شود. در آینده برای مقابله و حل مشکل استخراج بخش‌های غیر جاده‌ای در یک منطقه شهری برای بهبود این تکنیک‌های خودکار، برخی تکنیک‌های محاسباتی نرم مورد نیاز است.

منابع

[ 1 ]	Baltsavias, E., Gruen, A. and van Gool, L. (2001) استخراج خودکار اجسام دست ساز از تصاویر هوایی و فضایی (III). Balkema، Lisse، هلند.
[ 2 ]	د کاسترو، FSP و سنتنو، JAS (2010) استخراج جاده از تصاویر ALOS با استفاده از مورفولوژی ریاضی. IAPRS Journal, 38, Part 7B.
[ 3 ]	Sirmacek, B. and Unsalan, C. (2010) استخراج شبکه جاده با استفاده از تشخیص لبه و رای گیری فضایی. کنفرانس بین المللی شناخت الگو، استانبول، 23-26 اوت 2010، 3113-3116. https://dx.doi.org/10.1109/icpr.2010.762
[ 4 ]	Yang, J. and Wang, R. (2007) تشخیص جاده طبقه بندی شده از تصاویر ماهواره ای بر اساس سازمان ادراکی. مجله بین المللی سنجش از دور، 28، 4653-4669. https://dx.doi.org/10.1080/01431160701250382
[ 5 ]	لی، L.-W.، لیو، J.-P. و یین، Z.-W. (2005) استخراج جاده از تصویر سنجش از دور با وضوح بالا بر اساس مورفولوژی ریاضی. اطلاعات سنجش از دور، 5، 9-11.
[ 6 ]	Daryal, N. and Kumar, V. (2010) استخراج خطی تصاویر ماهواره ای با استفاده از مورفولوژی ریاضی. International Journal of Computer Applications, 3. https://dx.doi.org/10.5120/717-1009
[ 7 ]	Baumgartner, A., Steger, C., Mayer, H. and Eckstein, W. (1997) Multi-Resolution, Semantic Objects, and Context for Road Extraction. در مدلسازی معنایی برای کسب اطلاعات توپوگرافی از تصاویر و نقشه ها، Birkhauser Verlag، 140-156.
[ 8 ]	Unsalan, C. and Boyer, K. (2005) سیستمی برای تشخیص خانه ها و شبکه های خیابانی مسکونی در تصاویر ماهواره ای چندطیفی. بینایی کامپیوتری و درک تصویر، 98، 432-461. https://dx.doi.org/10.1016/j.cviu.2004.10.006
[ 9 ]	Kim, Y., Seo, B. and Oh, J. (2000) اثر تفکیک تصاویر ماهواره ای بر تفسیرپذیری و قابل تشخیص بودن اطلاعات جغرافیایی. مجموعه مقالات اطلاعات ماهواره پکورا 14-زمینی در دهه آینده، کنفرانس سوم، دنور کلرادو، 6-9 دسامبر 2000.
[ 10 ]	Coulter, L., Stow, D., Kiracofe, B., Langevin, C., Chen, D., Daeschner, S., Service, D. and Kaiser, J. (1999) استخراج اطلاعات کاربری فعلی زمین برای متروپولیتن برنامه ریزی حمل و نقل از طریق ادغام داده های سنجش از دور و GIS. مهندسی فتوگرامتری و سنجش از دور، 65، 1293-1300.
[ 11 ]	فریزر، سی.، بالتسویاس، ای. و گرون، ا. (2002) پردازش تصاویر IKONOS برای موقعیت یابی سه بعدی زیر متری و استخراج ساختمان. ISPRS مجله فتوگرامتری و سنجش از دور، 56، 177-194. https://dx.doi.org/10.1016/S0924-2716(02)00045-X
[ 12 ]	Jin, H. and Feng, Y. (2010) به سوی استخراج خودکار علائم خطوط جاده بر اساس تقسیم بندی ایزودادا و تشخیص سایه از تصاویر هوایی در مقیاس بزرگ.
[ 13 ]	Doucette, P., Agouris, P. and Stefanidis, A. (2004) استخراج خودکار جاده از تصاویر چندطیفی با وضوح بالا. مهندسی فتوگرامتری و سنجش از دور، 70، 1405-1416. https://dx.doi.org/10.14358/PERS.70.12.1405
[ 14 ]	جین، ایکس و دیویس، CH (2005) یک سیستم یکپارچه برای نقشه برداری خودکار جاده از تصاویر ماهواره ای چند طیفی با وضوح بالا توسط فیوژن اطلاعات. اطلاعات فیوژن، 6، 257-273. https://dx.doi.org/10.1016/j.inffus.2004.06.003
[ 15 ]	والرو، اس.، و همکاران. (2010) مورفولوژی ریاضی جهت دار پیشرفته برای تشخیص شبکه جاده در تصاویر سنجش از دور با وضوح بسیار بالا. نامه های تشخیص الگو، 31، 1120-1127. https://dx.doi.org/10.1016/j.patrec.2009.12.018
[ 16 ]	گودمن، جی (1997) آستانه جهانی و تجزیه چند گذر. مجموعه مقالات دومین کنفرانس روشهای تجربی در پردازش زبان طبیعی، پراویدنس، 1-2 مرداد 97، 11-25.
[ 17 ]	سینگ، پی پی و گارگ، RD (2013) استخراج خودکار جاده از تصویر ماهواره ای با وضوح بالا با استفاده از آستانه جهانی تطبیقی ​​و عملیات مورفولوژیکی. مجله انجمن هندی سنجش از دور، 41، 631-640. https://dx.doi.org/10.1007/s12524-012-0241-4
[ 18 ]	لی، L.-W.، لیو، J.-P. و یین، Z.-W. (2005) استخراج جاده از تصویر سنجش از دور با وضوح بالا بر اساس مورفولوژی ریاضی. اطلاعات سنجش از دور، 5، 9-11.
[ 19 ]	Zhang، TY و Suen، CY (1984) الگوریتم موازی چربی برای نازک شدن الگوهای دیجیتال 568. ارتباطات ACM، 27، 236-239. https://dx.doi.org/10.1145/357994.358023
[ 20 ]	Benediktsson، JA (2003) طبقه بندی و استخراج ویژگی برای تصاویر سنجش از دور از مناطق شهری بر اساس دگرگونی های مورفولوژیکی. IEEE Transactions on Geoscience and Remote Sensing، 41، 1940-1949. https://dx.doi.org/10.1109/TGRS.2003.814625
[ 21 ]	Ma, H., Qin, Q., Du, S., Wang, L. and Jin, C. (2007) استخراج جاده از تصویر پانکروماتیک ETM بر اساس Dualedge Following. سمپوزیوم بین المللی علوم زمین و سنجش از دور IEEE، بارسلونا، 23-28 جولای 2007، 460-463.
[ 22 ]	Bacher, U. and Mayer, H. (2005) استخراج خودکار جاده از تصاویر ماهواره ای با وضوح بالا چندطیفی. استخراج شیء برای مدل‌های سه بعدی شهر، پایگاه‌های اطلاعات جاده‌ها و نظارت بر ترافیک، 36، 29-34.