Aplikacje i usługi Systemów Informacji Geograficznej

(1)

Aplikacje i usługi Systemów Informacji Geograficznej

Michał Okulewicz, Aneta Rosłan

Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska

Michał Okulewicz, Aneta Rosłan Aplikacje i usługi GIS

(2)

Fotogrametria i teledetekcja

1 Fotogrametria i teledetekcja Definicja

Detekcja dróg Detekcja budynków

Budowa numerycznego modelu terenu

(3)

Fotogrametria i teledetekcja

Międzynarodowe Towarzystwo Fotogrametrii i Teledetekcji (ISPRS) Fotogrametria i teledetekcja jest sztuką, nauką i techniką pozyskiwania, na podstawie bezkontaktowego obrazowania i innych systemów sensorowych, wiarygodnej informacji o Ziemi i jej

środowisku, a także o innych obiektach fizycznych i procesach, przez rejestrację, pomiar, analizę i prezentację.

(4)

Deep learning I

Na podstawie:

Learning to Detect Roads in High-Resolution Aerial Images Volodymyr Mnih and Geoffrey E. Hinton

Dane wejściowe

• Ręczne poetykietowane wszystkie piksele wybranych obrazów

• Poetykietowane obrazy oraz ich losowe obroty

(5)

Deep learning II

Sposób przetwarzania

• Uczenie autoasocjacyjne kolejnych warstw dużej sieci

neuronowej (możliwe techniki: Restricted Boltzmann Machine, autoencoder)

• Standardowe uczenie z nadzorem sieci neuronowej Przykładowe wyniki

(6)

Segmentacja obrazu I

Na podstawie:

IMMI: Interactive Segmentation Toolkit Jan Masek, Radim Burget, and Vaclav Uher

Dane wejściowe

• Ręcznie dobrane sposoby przekształceń obrazu

• Poetykietowane wybrane piksele obrazu

(7)

Segmentacja obrazu II

• Poszukujemy takiego sposobu segmentacji obrazu, który da najlepsze wyniki klasyfikacji punktów uczących przy zadanych transformacjach grafnicznych obrazu

• Algorytm jest dostępny w ramach wtyczki IMage MIning do aplikacji RapidMiner

(8)

Segmentacja obrazu III

Przykładowe wyniki

Rodzaj Średnia dokładność* Odchylenie std.

Segmentacja,

transformacje obrazu 78% 2%

i uczenie maszynowe

*) Liczona jako liczba punktów uczących należących do poprawnie zakwalifikowanych segmentów

(9)

Deep learning I

Na podstawie:

Detekcja budynków na zdjęciach lotniczych Tomasz Półgrabia, Karol Bocian

(10)

Deep learning II

Dane wejściowe

• Wektorowe dane o budynkach z OpenStreetMap (zamienione na binarne dane rastrowe)

• Zdjęcia satelitarne z GoogleMaps

(11)

Deep learning III

• Nauka klasycznej sieci neuronowej

• Nauka metodą autoencoder

• Połączenie wyników

(12)

Deep learning IV

Struktura predyktora

Rodzaj Średnia dokładność Odchylenie std.

4x4 53% 7%

8x8 55% 7%

(13)

Pozyskanie danych

QGIS 2.2

• Zainstalowanie wtyczki OpenLayers

• Wtyczki → OpenLayers plugin

• Wektor → OpenStreetMap

• Wybór obszaru

• Stylizacja wektora (np. czarne wypełnienie bez obramowań)

• Eksport wektora i zdjęć satelitarnych jako obrazów

(14)

Budowa numerycznego modelu terenu I

Na podstawie:

Automatic generation of digital terrain models from CARTOSAT-1 stereo images

Hossein Arefi i in.

(15)

Budowa numerycznego modelu terenu II

Dane wejściowe

• Stereoskopowe obrazy satelitarne

• Zgrubny model terenu z Shuttle Radar Topography Mission

(16)

Budowa numerycznego modelu terenu III

• Usunięcie obserwacji odstających

• Uzupełnienie luk poprzez interpolację

• Wyszukanie nieciągłości wysokości przekraczających zadany poziom

(17)

Budowa numerycznego modelu terenu IV

Wyniki

Rodzaj Średni błąd wysokości

Oryginalne SRTM 6.2m

Model na podstawie CARTOSAT-1 1.8m