Fusão Hierárquica de Medidas de Textura e Níveis de Descontinuidade para Extração de Estradas em Imagens de Satélite de Alta Resolução José Oniram de Aquino Limaverde Filho 1, Díbio Leandro Borges 1, Osmar Abílio de Carvalho Junior 1 Departamento de Ciência da Computação Universidade de Brasília - UnB Campus Darcy Ribeiro, Brasília DF, Brasil LSIE Laboratório de Sistemas de Informações Espaciais Departamento de Geografia Universidade de Brasília UnB Campus Darcy Ribeiro, Brasília DF, Brasil joniram_15@hotmail.com, dibio@unb.br, osmarjr@unb.br Abstract Automatic object detection in satellite images is still an unsolved problem that many researchers are trying to address. In this context road detection is of particular importance for transportation and environmental applications. In this paper we propose a novel algorithm for detection roads in high resolution pancromatic imagery. It first detects and labels five levels of discontinuities in the images, and using the same original images fractal dimension and homogeneity measures of texture are computed. Those information are then fused in order for having a set of hypotheses of the pixels being actually roads. Results are presented showing roads detected in ALOS images of a region in Brazil. 1. Introdução Extração automática de objetos, e elementos como estradas é ainda um problema não resolvido, e de intensa pesquisa nas áreas de Processamento de Imagens e Reconhecimento de Padrões [1]. Em particular, com a disponibilização de imagens de satélite de alta resolução, esse é um problema de extrema relevância para avaliar logística em transporte e rotas não oficiais em vastas regiões []. Nos últimos anos, métodos para extração automática de estradas vêm sendo desenvolvidos utilizando principalmente imagens de satélite (média e alta resolução), ou imagens aéreas. Em [4], Shi e Zhu propõem uma aproximação para detecção de estradas a partir da análise das características de imagens de satélites de alta resolução. Em [6], Zanin e Poz propõem uma detecção automática combinando os resultados da segmentação da imagem em alta e baixa resolução e a extração automática dos segmentos de rodovias, para gerar uma descrição das bordas dos cruzamentos dos segmentos de rodovias que já foram extraídos por uma metodologia pré-existente. Em [], Mokhtarzdae & Zoej propõe um classificador de redes neuronais artificiais em dados de textura da imagem para extrair estradas de imagens do sat élite IKONOS. Todas as medidas são colocadas e treinadas na rede para classificação final. Em [3], é proposto um método para detecção de estradas e marcas de pivôs em imagens pancromáticas de alta resolução em que se consideram as magnitudes e direções de descontinuidades detectadas nas imagens como evidências de caminhos, estradas ou trilhas menores. Neste trabalho é proposto um novo algoritmo para a extração de estradas de imagens de alta resolução. Com base no trabalho anterior em [3], uma nova etapa de decisão é adicionada, onde características de textura são extraídas e adicionadas ao processo de seleção e hipótese de estradas por um método de fusão. Duas técnicas de extração de texturas são testadas, uma a partir de dimensão fractal e outra a partir de matriz de coocorrência. Testes são apresentados mostrando significativa melhora na detecção de estradas.
. Detecção Automática de Estradas e Trilhas de Pivôs Na abordagem apresentada em [3], divide-se o processamento em quatro módulos principais: Primeiro, uma filtragem espacial é aplicada a imagem para a extração de magnitudes e direções da descontinuidade. Uma quantização para as magnitudes e direções é introduzida e um algoritmo de consistência hierárquica é desenvolvido para manter regiões da imagem que apresentem fortes candidatos a hipóteses de estradas. A partir de um algoritmo de seleção e verificação de consistências, os candidatos são transformados em segmentos de retas e, assim, obtendo as hipóteses iniciais de estradas. Por último, com o objetivo de eliminar partes desconectadas, aplica-se a transformada de Hough para completar as estradas detectadas e também identificar possíveis trilhas de pivôs. No módulo inicial, aplica-se à imagem um filtro espacial com o operador Sobel de tamanho 3x3 nos componentes x e y, gerando duas matrizes: Matriz de Magnitudes (G) e Matriz de Direções (T). Cada magnitude se relaciona a uma direção e vice-versa. No módulo seguinte, propõe-se uma quantização em 5 níveis para a magnitude, utilizando como limite inferior o menor valor em G e como limite superior o maior valor em G. Os níveis foram caracterizados pelas seguintes cores na ordem crescente de magnitude: preto, verde, azul, amarelo e vermelho. Em relação às direções, são utilizadas 8 direções, de 0 a 7. Em seguida, essas matrizes são decompostas em janelas 7x7 e armazenadas em uma Lista Aberta simplesmente Encadeada. As informações armazenadas são: i) Valores das magnitudes quantizadas ii) Valores das direções iii) A freqüência de cada magnitude na janela iv) A freqüência de cada direção na janela A seleção das janelas é realizada a partir de dois processos. Primeiro, mantém-se, em cada janela, somente as magnitudes que apresentem a direção predominante da janela, a qual corresponde à direção, dentre as 8 possíveis, que apresente a maior freqüência. Segundo, um parâmetro de profundidade do processamento é introduzido, ou seja, mantêm-se somente as janelas que contenham um valor limite de magnitude. No terceiro módulo, introduz-se o conceito de macrojanela, ou seja, as matrizes são decompostas em janelas de tamanho 9x9. Nesta etapa, somente serão mantidas as magnitudes que apresentem a direção predominante da macro-janela, a qual, neste caso, é aquela em que a soma das magnitudes em cada uma das 4 direções (horizontal, vertical, diagonal principal e diagonal secundária) é maior. Os pixels que serão mantidos são aqueles que estão na janela central 3x3 da macro-janela e na direção predominante. Caso haja algum pixel de valor 0, esse sofrerá um upgrade para o menor valor de magnitude na direção predominante. Deve-se ressaltar que a vizinhança apenas reforça a seleção da direção da janela central, ou seja, os valores da vizinhança não são alterados, estes somente serão alterados quando estiverem na janela central do processamento. Este é o princípio denominado de consistência. Ao final do processamento de consistência, as janelas vão apresentar somente segmentos de retas em uma determinada direção. No entanto, estes segmentos podem não se ligar à vizinhança, logo se propõe aplicar um prolongamento, em determinadas direções, nas extremidades até n pixels ou até que se encontre algum outro ponto com valor diferente de 0. Após o prolongamento, realiza-se a binarização dos valores. Os segmentos de retas presentes são denominados de sementes, ou seja, as hipóteses iniciais de estradas. No módulo final apresentado em [3], identificam-se as hipóteses finais de estradas utilizando-se a transformada paramétrica de Hough para detecção de retas (estradas) e de círculos (trilhos de pivô). Contudo, informações relevantes no processo de detecção de estradas podem ser extraídas a partir da análise de textura da imagem de alta resolução [1,]. Neste trabalho propõe-se um novo algoritmo, onde a partir das hipóteses iniciais, ou sementes, serão acrescidas informações de textura e combinadas às hipóteses de estradas por um método de fusão, o qual a partir de um limiar da informação de textura reforçará, ou não, os níveis de hipóteses do mecanismo de detecção das estradas. Duas técnicas de extração de texturas são testadas e mostradas a seguir. 3. Dimensão Fractal Um avanço significativo em processamento digital de imagens é devido a utilização de técnicas baseadas em fractais, principalmente naquelas que envolvem a extração de informações sobre textura. Dimensão fractal é o conceito chave na teoria Fractal e, de certa forma, reflete a aspereza dos diferentes elementos de textura em imagens de sensoriamento remoto [6]. Uma das técnicas utilizadas para calcular a dimensão fractal em uma imagem é o Movimento Browniano
Fracional (MBF), a qual foi desenvolvida por Chi-Chang Chen, John S. DaPonte e D. Martin Fox em 1989 para localização de bordas baseado no princípio que a dimensão fractal apresenta valores menores no limite entre texturas diferentes e tende a ser constante em regiões de textura uniforme. Nessa técnica, o valor da dimensão fractal de cada pixel é obtido através do cálculo da dimensão fractal de um bloco de dimensões 7X7 pixels centrado neste pixel. Para cada janela 7x7 na imagem, as distâncias inteiras possíveis são dist(i) =[1,,...,7]. Assim, para cada distância i possível, determina-se: i) A quantidade ND(i) de pares de pixels com a mesma parte inteira da distância entre eles. ii) A média absoluta da diferença de intensidade (ΔI) para os pares de pixels com a mesma parte inteira da distância entre eles. media( i) Em seguida, plotam-se os pontos [log(media(i)), log(dist(i))] e utiliza-se um método de ajuste de retas para encontrar o coeficiente angular resultante H. A partir deste valor, calcula-se a dimensão fractal: D= H 3 I(x, y 3.1 Dimensão fractal e detecção de estradas Devido ao potencial de detecção de bordas, o MBF foi selecionado para reforçar aqueles pixels que possuem uma evidência forte de presença de estradas e, a partir disso, adicionar novas evidências de estradas. Aplicando o método ao conjunto de imagens testadas, percebe-se que as trilhas de estradas se tornam bem definidas a partir de um limiar dentro de um intervalo de [.94,.97]. As trilhas de estradas se encontram envolvidas por uma região preta nos dois lados, enquanto as trilhas são brancas. Assim, propõe-se uma técnica para identificar esse traço característico e, assim, melhorando a consistência hierárquica após a quantização das magnitudes no segundo módulo. O método proposto para identificação desse traço característico é percorrer a imagem, após aplicar o MBF, selecionando janelas 5x5 que apresentem até no máximo 3 elementos pretos em seu interior. Caso isso seja satisfeito, verifica-se se há pelo menos elementos pretos em duas direções paralelas (horizontal ou vertical). Se isto for verificado, os pixels correspondentes ND( i) ) I(x, y 1 1 ) dessa janela sofrerão um aumento em seu nível de quantização, reforçando a possibilidade de pertencerem a uma estrada. 4. Medidas de Textura por Matriz de Coocorrência Para descrição de padrões de texturas em imagens, normalmente utilizam-se três tipos de abordagens: a estatística, a estrutural e a espectral. A abordagem estatística nos possibilita extrair medidas da distribuição dos níveis de cinza em imagens: como média, variância, desvio padrão, homogeneidade e entropia. Dentro dessa abordagem, uma das técnicas mais utilizada é a matriz de Co-ocorrência. Vários parâmetros texturais, obtidos a partir desta matriz, ajudam a extrair informações gerais da imagem. A idéia é percorrer a imagem e obter a freqüência das diferentes combinações de pares de pixels que ocorrem em uma janela M x N da imagem de acordo com uma determinada direção. Normalmente, calculam-se 4 matrizes de co-ocorrência para as seguintes direções: 0º, 45º, 90º e 135º [1]. A partir da matriz de co-ocorrência, é possível calcular algumas propriedades da imagem e caracterizá-la através de descritores. Os mais conhecidos são: 1) Contraste C(k,n)= ) Entropia 3) Variância (i 4) Homogeneidade i j i j g ij onde g ij corresponde ao valor do elemento na matriz de co-ocorrência referente a posição (i,j), e μ corresponde a média dos elementos da janela M x N. 4.1 Homogeneidade e detecção de estradas j) E(k, n)= g V(k,n)= H(k,n)= (i i j i j ij ( log gij ) μ) g g ij ij 1+ i j
Determinando a matriz de co-ocorrência para a imagem original e calculando os descritores, observa-se que o descritor de Homogeneidade fornece informações relevantes para a extração de novas hipóteses de estradas a partir de um limiar obtido durante os testes. O descritor fornece uma imagem com valores de pixels pertencentes ao intervalo de [0, 1]. Segmentando a imagem em dois níveis no sentido de realçar a separação entre estradas e não estradas, percebe-se que as trilhas de estradas se tornam bem características a partir de um limiar dentro de um intervalo de [0.9, 0.31]. No método apresentado aqui propomos que os pixels correspondentes que estão abaixo do limiar fornecido sofrerão um aumento em seu nível de quantização, reforçando a hipótese do pixel de pertencer a uma trilha de estrada. 5. Testes e Resultados Visando a avaliação dos métodos propostos, foram realizados testes com duas imagens geradas por satélites de sensoriamento remoto, o ALOS(Advanced Land Observing Satellite), e que são relativas a região oeste do estado da Bahia, Brasil. O programa de visualização das imagens utilizado foi o ENVI 4.3 e a implementação dos métodos propostos, junto com o método em [3], foi em C++ Builder 6.0. Durante o processamento, o parâmetro de profundidade escolhido foi até a quarta magnitude [3]. Fig.. Imagem 0, ALOS, Oeste Bahia. A imagem 01 apresenta um tamanho de 40 x 40 pixels, enquanto a imagem 0 apresenta um de 55 x 546 pixels. O resultado da técnica MBF para determinar a dimensão fractal das imagens, junto com a segmentação proposta pode ser observado nas Figuras 03 e 05. O limiar utilizado foi.95 em que valores maiores ou iguais ao limiar são mantidos (cor branca) e, se menores, são descartados (cor preta). Verificou-se que este valor foi satisfatório para o conjunto de imagens utilizadas durantes os testes. Para valores menores que o limiar, observa-se que a imagem tende a perder o traço característico que se deseja identificar, enquanto, para valores maiores, observa-se uma queda na qualidade do traço característico na imagem, aumentando a probabilidade do método proposto não identificar somente as trilhas de estradas. Os resultados da identificação do traço característico no Fractal das imagens 01 e 0 podem ser visualizados nas Figuras 04 e 06. A Figura 07 apresenta os resultados da segmentação da imagem, obtidos a partir da matriz de co-ocorrência e do descritor de homogeneidade, sobreposto à imagem 01 e 0, respectivamente. O limiar utilizado foi 0.3 em que valores menores ou iguais ao limiar são mantidos e, se maiores, são descartados. Fig. 1. Imagem 01, ALOS, Oeste Bahia. Fig. 3. Resultado do MBF (dimensão fractal) (esquerda), e segmentação do fractal (direita). Imagem original 01.
Fig. 4. Resultado da identificação de evidências de estradas a partir do traço característico para o fractal da imagem 01 Fig. 5. Resultado do MBF (dimensão fractal) (esquerda), e segmentação do fractal (direita). Imagem original 0. Fig. 7. Resultado da identificação de evidências de estradas a partir da Matriz de Co-ocorrência para as imagens 01 (esquerda) e 0 (direita). O resultado da seleção e hipóteses iniciais de estradas para a Imagem 01 obtida a partir do método em [3] pode ser visualizado na Figura 08. Na Figura 09 são mostrados os resultados para a Imagem 01, agora com a fusão das informações de textura pelos métodos aqui propostos, dimensão fractal e co-ocorrência. Avaliando-se a imagem original vê-se que somente elementos consistentes com estradas são adicionados e reforçados. Os elementos mostrados em azul representam hipótese mais forte, e em verde hipótese mínima. Os mesmos testes foram realizados para a Imagem 0 e podem ser visualizados nas Figuras 10 e 11. Novamente as hipóteses de estradas são amplamente reforçadas, mostrando que a fusão das informações de textura a partir do método proposto melhora a detecção das estradas. Fig. 6. Resultado da identificação de evidências de estradas a partir do traço característico para o fractal da imagem 0. Verificou-se que este limiar utilizado foi satisfatório na identificação de novas hipóteses de trilhas de estradas no conjunto de imagens testadas. Para valores menores que o limiar, observou-se que a imagem deixa de identificar algumas trilhas de estradas, enquanto, para valores maiores, percebeu-se que o método proposto identifica outros elementos da imagem, além das trilhas de estradas. Fig. 8. Hipóteses iniciais de estradas, sem a fusão a partir de textura, da Imagem 01.
Além disso, houve um acréscimo no número de hipóteses de trilhas de estradas em ambas as imagens. 6. Conclusões Fig. 9. Hipóteses de estradas, com o método de fusão a partir das hipóteses iniciais. Utilizando a dimensão fractal (esquerda) e o do método utilizando a matriz de co-ocorrência (direita) para a Imagem 01 Detecção automática de estradas em imagens de satélite é um problema em aberto e várias técnicas têm sido apresentadas. Neste trabalho é proposto um novo algoritmo para detecção de estradas, onde a partir do trabalho em [3] um método de fusão hierárquica de características de textura (medidas por dimensão fractal e homogeneidade) e níveis de descontinuidade é construído. Resultados são mostrados comparando os níveis de detalhes em imagens de alta resolução, para estradas não pavimentadas, conseguidos. Disponibilização da ferramenta de extração de estradas e validação em diversas áreas do país é meta de trabalhos futuros desenvolvida no LSIE-UnB. Agradecimentos Os autores agradecem a apoios do CNPq, FINATEC e FAPDF e DPP-UnB para a realização deste projeto. 7. Referências Bibliográficas Fig. 10. Hipóteses iniciais de estradas, sem a fusão a partir de textura, da Imagem 0. [1] Mena, J.B., 003. State of the art on automatic road extraction for GIS update: a novel classification. Pattern Recognition Letters, 4(16), pp. 3037 3058. [] Mokhtarzdae, M., & Valadan Zoej, M.J. Road detection from high resolution satellite images using artificial neural networks. Int. J. of applied earth observation and geoinformation, 9(1), pp. 3-40. [3] Serique, L.M.F.S.; Borges, D.L. & Carvalho Júnior, O.A. Um Método para Detecção Automática de Estradas e Trilhas de Pivôs em Imagens Pancromáticas de Alta Resolução. In Anais do XIV Simpósio Brasileiro de Sensoriamento Remoto (SBSR) 009, Natal, pp. 7135 714.. Fig. 11. Hipóteses de estradas, com o método de fusão a partir das hipóteses iniciais. Utilizando a dimensão fractal (esquerda) e o do método utilizando a matriz de co-ocorrência (direita) para a Imagem 0. Nos resultados fornecidos pelo método baseado na dimensão fractal, verificou-se a presença de novas trilhas de estradas em relação ao método proposto em [3]. Em relação ao método baseado na matriz de co-ocorrência, observou-se que as trilhas já identificadas pelo método proposto em [3] foram reforçadas, por exemplo, na imagem 01, várias trilhas de cor verde tornaram-se azuis. [4] Shi, W. & Zhu, C. The Line Segment Match Method for Extracting Road Network From High-Resolution Satellite Images, IEEE Trans. Geoscience and Remote Sensing, v.40, n., 00, pp.511 514.. [5] Zanin, R. B. & Poz, A. P. D. Metodologia automática para extração de cruzamento de rodovias em imagens de alta resolução, Revista Brasileira de Cartografia, Vol.55, n., 004, pp. 55-65. [6] Zheng, J.; Yan, L.; He, K. & Suny, Y.The Fractal Method Study to Distinguish Road and Water from the IKONOS Image, IEEE IGARSS 005, pp. 38 385.