Print this page

Generarea construcƫiilor. Cazul 1: Construcţii sistematizate, distanţate ȋntre ele. Metoda SEGMENTATION

(1 Vote)
Segmentation reprezintă un procedeu de partiƫionare a imaginilor raster ȋn segmente pe baza valorilor pixelilor şi a locaƫiei. Procesul se defăşoară pe rasterul imagine iniƫial şi foloseşte ȋn mod indirect layer-ul de probabilităƫi (pentru calcularea probabilităƫii medii zonale a fiecărui pixel).
Aplicaţia s-a realizat pe aceeaşi zonă ca şi proiectul precedent (16 ha din SE-ul oraşului Oradea).
Au fost utilizate 42 exemple de training (10 obiecte, 28 pixeli, 1 mixt, 3 background).
SEGMENTATION AOI
Exemplele de antrenare (training)

SEGMENTATION Raster probabilitati

Cu ajutorul exemplelor de antrenare s-a obţinut Rasterul de probabilităţi
Rasterul de obiecte a fosr creat cu ajutorul operatorului Segmentation. Setările avansate ale acestui operator au permis detectarea prealabilă a limitelor segmentelor pentru constrȃngerile geometrice ale acestora. Au fost testate două variante de parametri, din care a fost aleasă cea mai potrivită.

SEGMENTATION Edge Detection

Edge Detection – Limitele segmentelor (Detaliu)

SEGMENTATION Rasterul de obiecte

Segmentation – Rasterul de obiecte (Detaliu)
Cu ajutorul operatorilor de obiecte raster au fost prelucrate obiectele obţinute ȋn etapa anterioară:

SEGMENTATION Rasterul de obiecte final Detaliu

Rasterul de obiecte prelucrate (Detaliu)
Obiectele raster au fost convertite ȋn obiecte vectoriale, care au fost apoi supuse prelucrării. Prelucrările au vizat: filtrarea probabilistică, acoperirea golurilor, unirea unor poligoane adiacente ȋn poligoane agregate cu probabilitate mai mare, eliminarea unor vertecşi extremi.
Procesul a continuat cu etapa care foloseşte reţeaua Bayesiană pentru clasificarea obiectelor vectoriale ȋn funcţie de una sau mai multe caracteristici măsurabile. Rezultatele au fost influenƫate de exemplele de training definite ca “obiecte”, de tipul distribuƫiei (Gaussian ȋn acest caz) şi de ponderea stabilită pentru probabilitatea pixelilor.
Următoarea etapă a vizat rularea unui ansamblu de operatori cu rolul de a curăţa vectorii obţinuţi pȃnă aici şi a le da o formă finisată. Cei mai importanţi operatori sunt Generalize şi Orthogonality care, prin variaţia valorilor lor, chiar cu cantităţi foarte mici, determină obţinerea unor rezultate semnificativ diferite. Acest aspect a determinat realizarea a 51 de teste pentru combinaţia de valori Generalize – Orthogonality ȋn scopul ȋnƫelegerii modului ȋn care acƫionează aceşti doi operatori, cât şi pentru a determina o metodă cât mai bună de utilizare a lor.
Ȋn acest sens, ȋn cadrul testelor:
- Au fost stabilite două situaƫii: Orthogonality constant (şi Generalize variabil) sau Generalize constant (şi Orthogonality variabil);
- Pentru prima situaƫie s-au luat in considerare valorile Orthogonality 0.00; 0.05; 0.10 şi 0.50, ca valori constante pentru câte o serie de 10 teste;
- Pentru fiecare din valorile de mai sus, Generalize a variat ȋn intervalul [0.10 – 1.00] astfel: 0.10; 0.20; 0.30; 0.40; 0.50; 0.60; 0.70; 0.80; 0.90 şi 1.00;
- Ca urmare, s-au obƫinut 40 seturi de date, câte 10 pentru fiecare valoare Orthogonality şi Generalize;
- Aceste seturi de date ilustrează variaƫia rezultatelor finale ȋn cazul Orthogonality constant şi Generalize crescător, dar fac posibilă şi compararea rezultatelor celor patru valori Orthogonality;
- Pentru situaƫia Generalize constant s-a ales valoarea Generalize 0.00, iar valorile Orthogonality au variat ȋn intervalul [0.00 – 1.00] astfel: 0.00; 0.10; 0.20; 0.30; 0.40; 0.50; 0.60; 0.70; 0.80; 0.90 şi 1.00;
- S-au obƫinut 11 seturi de date;
- Fiecărui set de rezultate ȋi corespunde un fişier shape cu poligoanele caselor. Ȋn total 51 fişiere shape.
Datele statistice obţinute ȋn urma testelor au fost ȋnregistrate ȋn tabele, reprezentate grafic şi analizate.
Ȋn cadrul testelor au fost urmărite valori ale unor rezultate precum: numărul total de vertecşi, numărul de poligoane rotite, eroarea minimă, maximă şi medie a colţurilor poligoanelor generate, deviaţia standard şi relaţia cu alţi parametri statistici, procentul de vertecşi cu o anumită precizie (0.5m; 1.0m; >1.0m), numărul de poligoane avȃnd toate colţurile de o precizie dată (0.5m; 1.0m).
Concluzii – influenţa funcţiilor Generalize şi Orthogonality a fost remarcată atȃt la aplicarea metodei Threshold and Clump, cȃt şi la Segmentation. Valorile setate pentru cei doi operatori influenţează ȋn mod diferit parametrii studiaţi ai poligoanelor finale. Spre exemplu, numărul de vertecşi este invers proporţional cu valorile Generalize şi Orthogonality, pe cȃnd numărul de vertecşi cu precizia de 1.0m este direct proporţional cu aceste valori, iar pentru alţi parametri nu s-a evidenţiat o anumită tendinţa.
Ȋn consecinţă, avȃnd observaţii şi concluzii punctuale pentru fiecare tip de parametru studiat, ȋn funcţie de scopul pe care ni-l propunem, pot fi alese variantele potrivite.
O altă posibilitate este realizarea mai multor variante de prelucrare şi preluarea selectivă a celor mai bune poligoane obţinute.

Exemplu grafic

Exemplu de grafic utilizat pentru analiza rezultatelor

 Poligoane TESTUL 5

Poligoane obƫinute din testul 5 - cu verde poligoane 0.5m, galben poligoane 1.0m, magenta poligoane cu colƫuri eronate mai mult de 1.00 m

SEGMENTATION varianta din mai multe teste

Poligoane obƫinute din mai multe teste - cu verde poligoane 0.5m, portocaliu poligoane 1.0m, albastru poligoane cu colƫuri eronate mai mult de 1.00 m, roşu poligoane care nu au fost generate ȋn nici un test
Read 4457 times Last modified on Miercuri, 29 Iulie 2020 22:07

twitter

facebook

Login to post comments