полученото изображение , защото ( ако той измества стария ) то се изчислява от стойността на следващ нов пиксел , което води до недействителни резултати .
Сумите от теглата в конволюционната маска оказват влияние върху цялата яркост на полученото изображение . Много от конволюционните маски имат коефициенти , сумиращи до единица . В този случай конволюираното изображение има същата осреднена яркост като оригиналното . Такива маски , приложени при откриването на граници , дават отрицателни стойности за яркостта , което е нереално , и използването им в системите за дистанционно наблюдение се ограничава .
При конволюирането на цветни изображения се допуска , че яркостта определя контурите на изображението . Преминава се в HSV пространство , като получените стойности се конволюират , а резултатът се възстановява в RGB цветово пространство . Така се запазват оригиналните данни за цвета . В случай , че откриването на граници изисква по-отчетливи полинии , то се конволюира всеки цвят поотделно .
4 . АВТОМАТИЧНО МАРКИРАНЕ
При разглеждане на извличането на праволинейни структури , маркирането е процесът , при който се поставя маркер на определени точки , които предизвикват интерес в рамките на дадена пътна мрежа [ 2 ]. Маркерите обикновено са единични точки , но могат да бъдат и цели части от самия път . Маркерите могат също да се използват за генериране на модели на пътища ( еталонни класове ), които могат да се прилагат впоследствие за обучение на класификаторите да откриват пътища в изображенията .
Няколко на брой интерактивни извличания на праволинейни структури в подходите изискват човекоператор да определи маркерните точки , преди да се продължи с алгоритъм от по-високо ниво . алгоритъм за откриване на успоредни граници започва с откриване на очертанията на пътя , което може да се направи чрез използването на метод за откриване на граници . Koutaki и Uchimura [ 9 ] представят метод за автоматично маркиране , основан на съвместяване на данните на геометрични модели , при които пресечките на пътя се използват като първоначални маркерни точки в направени от въздуха фотографски изображения . Dal-Poz и др . [ 4 ] също използват геометрична информация , за да извлекат автоматично пътни маркери от аероизображения . Техният метод се основава на четири модела за откриване на пътни структури и връзката между тях . Всеки от моделите представлява прав пътен участък и се състои от набор полилинии , които представляват границите на пътя . Както и в труда на Doucette и др . [ 5 ], се използва метод за откриване на граници на Canny , за да се определят границите на пътя . От извлечените граници се използват модели на пътища , за да се открият къси прави участъци от пътя .
5 . ЗАКЛЮЧЕНИЕ
Автоматичното откриване на маркерни точки е ключов елемент в разработването на система за извличане на праволинейни структури , защото осигурява начални точки за алгоритмите . Системите за дистанционно наблюдение на пътно-транспортни структури и съоръжения налагат изискване за увеличаване на точността на началните пътни точки , защото подобрява повисокото ниво на обработка на изображения при изграждане на пътните мрежи . Чувствителността на метода за автоматично маркиране го ограничава при определянето на точките , които да се използват , защото откриването на успоредни линии се осъществява основно върху изображения с висока пространствена разделителна способност .
ЛИТЕРАТУРА
Фиг . 3 . Схематичен вид на път
Според Heipke [ 8 ], представянето на алгоритмите за проследяване на пътища до голяма степен зависи от качеството на тези начални точки . Тези точки могат да представляват :
• маркери върху средната линия , която разделя пътя ( отсечката АВ на фигура 3 );
• маркери върху позициите , където пътят притежава значителна кривина ( точките C , D , E на фигура 3 );
• маркери върху пресечките на пътищата ( точката F на фигура 3 ).
Три четвърти от проучените изследвания за извличане на праволинейни структури използват някакъв вид откриване на успоредни граници . Типичният
1 . Casaca W ., L . Nonato , G . Taubin , “ Laplacian Coordinates for Seeded Image Segmentation ”, IEEE Conference on Computer Vision and Pattern Recognition , pp . 1-4 , 2014
2 . Chaugule A ., “ Application of image processing in seed technology : A survey ”, International Journal of Emerging Technology and Advanced Engineering ”, vol . 2 , issue 4 , pp . 2250-2459 , 2012
3 . Conrad R ., P . Falkenstein , M . Coleman , X . Hu , “ Seed classification using spectral analysis to determine existence of a seed structure ”, US Patent 8605149 B2 , 2013
4 . Dal-Poz A ., G . Vale , R . Zanin , “ Automatic extraction of road seeds from high-resolution aerial images ”, Annals of the Brazilian Academy of Sciences , vol . 77 , pp . 509- 520 , 2005
5 . Doucette P ., P . Agouris , A . Stefanidis , “ Automated road extraction from high resolution multispectral imagery ”, Photogrammetric Engineering and Remote Sensing , vol . 70 ( 12 ), pp . 1405-1416 , 2004
6 . Fan J ., D . Yau , A . Elmagarmid , W . Aref , “ Automatic Image Segmentation by Integrating Color-Edge Extraction and Seeded Region Growing ”, IEEE Transactions On Image Processing , vol . 10 , no . 10 , 2001
7 . Gonzalez R ., R . Woods , “ Digital Image Processing ”, ( third edition ), Prentice Hall , 2008 .
8 . Heipke C ., H . Mayer , C . Wiedemann , “ Evaluation of automatic road extraction ”. In : The International
ГКЗ 1-2 ’ 2021 39