Printer Friendly

Extracao semiautomatica de estradas vicinais com base em algoritmos geneticos.

Introducao

A base de dados rodoviarios e util para varias finalidades, desde o uso no turismo ate o suporte para Sistemas de Informacoes Geograficas (SIG). Contudo, a vetorizacao e a geracao manual de mapas rodoviarios sao um processo exaustivo e oneroso. Varias abordagens tem sido propostas no intuito de automatizar ou, pelo menos, semiautomatizar esse processo. No presente estudo e proposto um metodo semiautomatico para extrair estradas vicinais, baseado nos algoritmos geneticos.

A extracao de rodovias e/ou estradas, a partir de imagens digitais, tem sido abordada de diversas formas, com aplicacao de diferentes algoritmos, em funcao do tipo de dados usado. Exemplos podem ser vistos em Clode et al. (2004), Baumgartner et al. (1999), Hasegawa (2004) ou Wiedemann e Hinz (1999).

Quanto aos dados usados, podem ser imagens digitais, comumente classificadas em alta, media e baixa resolucao espacial - de acordo com a area de cobertura do pixel sobre a superficie terrestre -, e dados altimetricos JEON et al., 2002; CLODE et al., 2007). Quanto as estrategias usadas, estas podem ser de baixo ou alto nivel (DAL POZ, 2001; LIU et al., 2003; VALADAN ZOEJ; MOKHTARZADE, 2004). O grupo dos algoritmos robustos (alto nivel) apresenta um escopo mais complexo, pois extrapola o conhecimento intrinseco do objeto estudado, usando informacao contextual de vizinhanca (CLODE et al., 2004; EKER; SEKER, 2004; MOHAMMADZADEH et al., 2004; WESSEL, 2004; HU; TAO, 2007).

A maioria das tecnicas de extracao de estradas faz uso de deteccao de linhas e/ou bordas. No entanto, estudos sobre deteccao de linhas nao tem recebido a mesma atencao dada as bordas no processo de extracao de estradas, embora existam diferentes metodos de deteccao de eixos de estradas (linhas). Exemplos de deteccao de feicoes lineares com enfase em estradas e/ou rodovias e uso de imagens de alta resolucao podem ser vistos em Bacher e Mayer (2004). Adicionalmente, exemplos de deteccao de eixos de estradas, em imagens de baixas e medias resolucoes, podem ser encontrados em Gomes et al. (2004).

As rodovias e/ou estradas, segundo Volsselman e Knecht (1995), apresentam caracteristicas radiometricas, geometricas, topologicas, funcionais e contextuais. Neste estudo, porem, sao consideradas apenas as caracteristicas radiometricas e geometricas de estradas vicinais. Isto significa que parametros intrinsecos a estrada, tais como direcao e comprimento dos segmentos, largura da estrada (geometricas) e valores digitais (radiometricas), sao usados na funcao de aptidao dos algoritmos geneticos (AG's). Exemplos de aplicacao dos AG's no processo de extracao de rodovias podem ser vistos em Jeon et al. (2002) e Liu et al. (2003). Embora usem AG's, os trabalhos supracitados aplicam abordagens e/ou dados de entrada distintos do metodo proposto neste estudo.

Os algoritmos geneticos sao um metodo de otimizacao que consiste em uma pesquisa baseada no mecanismo de selecao e genetica natural. Esses algoritmos possibilitam buscas por solucoes de problemas em espacos multidimensionais. Os AG's sao compostos pelos seguintes componentes: (a) codificacao das variaveis (individuo) e configuracao da populacao inicial; (b) funcao para medir a capacidade dos individuos na solucao do problema (aptidao); (c) tecnicas de selecao e operadores geneticos que regem o processo de reproducao (cruzamento e mutacao) (GOLDBERG, 1989; MITCHELL, 1997; MICHALEWICZ, 1999).

Material e metodos

Dados usados

Para a pesquisa foram utilizadas tres imagens digitais (Figura 1): a primeira originada de uma foto aerea (Figura 1a - Imagem 1), reamostrada para uma resolucao espacial de 0,8 m; as duas ultimas originadas de uma cena Ikonos (Figura 1b - Imagem 2 e Figura 1c - Imagem 2), com 1,0 m de resolucao espacial. Essas imagens apresentam tamanhos (linhas x colunas) de 800 x 500, 675 x 1.050 e 275 x 1.100 pixels, respectivamente. Tanto a fotografia aerea quanto a cena Ikonos foram cedidas pelo Laboratorio de Fotogrametria e Sensoriamento Remoto da Universidade Federal do Parana (UFPR).

[FIGURA 1 OMITIR]

Deteccao de segmentos lineares

A Figura 2 ilustra as fases do metodo proposto, desde o dado de entrada (imagem original) ate o eixo de estrada detectado.

[FIGURA 2 OMITIR]

O metodo proposto neste trabalho exige o fornecimento de segmentos-sementes, ou pares de pixels, como mostrado no inicio de cada estrada na Figura 1. Esses segmentos sao fornecidos pelo operador e devem ser localizados, necessariamente, sobre o eixo da estrada de interesse. Sao comumente posicionados em uma das extremidades das estradas de interesse. A interacao do operador com o programa caracteriza o metodo como semiautomatico.

Determinacao de larguras de estradas vicinais

Dado o segmento-semente 1-2 (Figura 3), a partir do ponto 1, com uma direcao [theta] e raios menores que a distancia entre os pontos 1 e 2, sao tracados 3 semiarcos que cruzam esse segmentosemente, formando perfis transversais a estrada, conforme ilustra a Figura 3.

[FIGURA 3 OMITIR]

em que:

0 < [theta] < 90[degrees] e um angulo que define os tamanhos dos semiarcos e e fornecido pelo operador.

Os valores digitais correspondentes aos pixels pertencentes aos semiarcos 1, 2 e 3 sao armazenados em tres vetores distintos ([bara.v1], [bara.v2] e [bara.v3]). Sobre cada um dos vetores e calculado o gradiente, gerando tres novos vetores denominados de vetores gradientes ([bara.vg1], [bara.vg2] e [bara.vg3]). O gradiente de uma funcao continua de duas variaveis f(x, y) e definido pela Equacao 1.

[gradacion]f = [derivada parcial]f/[derivada parcial]x [??] + [derivada parcial]f/[derivada parcial]y [??] (1)

em que:

[derivada parcial]f/[derivada parcial]x e a derivada parcial na direcao do eixo x;

[derivada parcial]f/[derivada parcial]y e a derivada parcial na direcao do eixo y.

Em processamento de imagem digital (dados discretos) e comum aproximar o gradiente por meio da convolucao de um filtro, de tamanho predefinido, com a imagem original. Sao varios os filtros propostos na literatura, por exemplo, os de Sobel e Prewitt. Neste estudo foi utilizado o filtro de Prewitt, com a seguinte janela: [-1 0 1]. A Figura 4 apresenta o modulo do gradiente de um perfil transversal ou semiarco.

Definidos os vetores gradientes, quatro pontos de maximos sao coletados em cada um destes vetores (Figura 4). Os pontos de maximos representam os locais onde existe alto gradiente, ou seja, sao locais onde ocorrem mudancas bruscas nos valores digitais da imagem. A largura w de estrada e determinada a partir de duas distancias medidas em cada semiarco. A primeira distancia e medida entre os pontos 1 e 2; a outra, entre os pontos 3 e 4. A distancia d e calculada pela media dessas duas medidas. Ressalta-se que ambas as distancias sao calculadas no espaco imagem. A media das distancias d , medidas nos tres semiarcos, e usada como a largura (w) da estrada. Esse procedimento e realizado sobre todos os segmentos-sementes fornecidos.

[FIGURA 4 OMITIR]

Construcao do perfil de referencia

Um perfil de referencia deve apresentar as seguintes caracteristicas: (a) forma linear e armazenamento na forma de vetor ([??]); (b) comprimento maior que a largura (w) da estrada, para possibilitar a analise da variacao espectral entre a pista de rolamento e as margens desta estrada; (c) a parte central do perfil (vetor [??]) deve conter valores maiores que as margens, correspondendo a caracteristica intrinseca das estradas vicinais, que apresentam altos valores digitais em relacao as feicoes vizinhas. Com base nessas premissas, o tamanho adotado para o perfil de referencia ([??]) foi de 3 w pixels (Figura 5). Os 3 w pixels sao armazenados no vetor [??] da seguinte forma: os primeiros w pixels (parte 1) e os ultimos w pixels (parte 3) recebem valor digital 0 (zero), representando as duas margens da estrada; os w pixels intermediarios (parte 2) do vetor [??] recebem valor digital 1 (um), representando a pista de rolamento da estrada, como ilustra a Figura 5c. O perfil de referencia, simulado na Figura 5c, tem largura (w) igual a 6 pixels.

As Figuras 5a e b ilustram perfis transversais retirados manualmente da imagem real.

[FIGURA 5 OMITIR]

Adaptacao dos algoritmos geneticos

Alguns conceitos intrinsecos aos AG's, tais como: (a) espaco de busca de novos segmentos, (b) codificacao dos individuos, (c) definicao da populacao inicial, (d) tecnica de selecao, (e) operadores geneticos e (f) criterios de parada, sao definidos a seguir.

Espaco de busca, codificacao dos individuos e definicao da populacao inicial

O espaco de busca para um novo segmento candidato a estrada vicinal e definido por uma circunferencia de raio R, como ilustra a Figura 6.

[FIGURA 6 OMITIR]

O raio R e fornecido pelo operador e varia de acordo com a resolucao espacial da imagem. Isto e, quanto melhor a resolucao espacial da imagem, maior deve ser o tamanho de R. Em imagens de baixa resolucao espacial (20 ou 30 m), a largura de estrada vicinal e muito estreita, podendo ser representada por um pixel apenas, o que possibilita o uso de menores valores para R. O valor de R e mantido constante durante todo o processo iterativo.

O espaco de busca proposto e formado pelo conjunto de pixels pertencentes a circunferencia C. Todos esses pixels sao armazenados em um vetor denominado de [bara.[v.sup.C]]. A quantidade (Q) de pixels presentes nessa circunferencia (no vetor [bara.[v.sup.C]]) e definida em funcao de R, como ilustra a Equacao 2. Todavia, assume-se que a quantidade de bits escolhida e suficiente para representar a quantidade de pixels que compoem a circunferencia (C), conforme a Equacao 2.

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] (2)

A ordenacao dos Q pixels existentes na circunferencia tem inicio em um eixo horizontal (x) e sentido anti-horario. Assim, a posicao de um determinado pixel na circunferencia C pode ser determinada por um numero inteiro. Por exemplo, na Figura 6, os numeros 1, 2 e 3 representam as posicoes dos tres primeiros pixels na circunferencia C. Sabe-se que os numeros inteiros podem ser representados na forma binaria, isto e, por cadeias ou vetores binarios, contendo 0's e 1's. Neste estudo, cada cadeia binaria e um individuo e cada individuo representa um pixel, ou a posicao de um pixel, na circunferencia C. Na linguagem genetica, a cadeia binaria e denominada de cromossomo, enquanto os valores 0's e 1's contidos nas celulas sao denominados genes e as celulas, locus.

Todos os pixels pertencentes ao espaco de busca sao investigados como possiveis candidatos a estrada. O pixel [P.sub.i], ilustrado na Figura 6, e o pixel desejado que se encontra na regiao central da estrada.

A populacao inicial e definida por um grupo de individuos criados aleatoriamente. O tamanho da populacao e definido pelo operador. Deste modo, se o tamanho da populacao e de 30 individuos, sao criadas 30 cadeias binarias, aleatoriamente, para representar a populacao inicial. O tamanho da populacao usado foi de 150 individuos.

Tecnica de selecao, operadores geneticos e criterios de parada

A tecnica de selecao usada foi o elitismo. A selecao por elitismo e muito simples e computacionalmente economica. Nessa tecnica, um grupo de elite e conservado para a nova populacao a cada iteracao. O grupo de elite e composto pelos melhores individuos (maior aptidao) da populacao atual. O tamanho do grupo de elite comumente usado e de 25% do tamanho da populacao (MICHALEWICZ, 1999).

Os operadores geneticos utilizados foram a mutacao e o cruzamento (Figura 7). O cruzamento e realizado com um unico ponto de corte e atua de forma que dois ou mais cromossomos-pais trocam material genetico entre si, gerando suas proles (Figura 7a). A mutacao, por sua vez, altera

o codigo genetico de um pai selecionado (Figura 7b).

[FIGURA 7 OMITIR]

Os valores de probabilidade de ocorrencia de cruzamento e/ou mutacao usados foram 0,6 e 0,01, respectivamente. Ambos foram definidos empiricamente.

Sao varios os criterios de parada dos algoritmos geneticos. Como exemplos podem ser citados: quando o valor de aptidao alcanca um limiar (T) e/ou quando o numero de iteracoes atinge um valor maximo estipulado. O segundo criterio foi utilizado tendo como valor maximo 30 iteracoes.

Funcao de aptidao proposta

Para o presente trabalho propos-se um modelo conceitual de trechos de estrada vicinal baseado em pares de segmentos retos e contiguos. Nesse modelo, uma estrada vicinal e descrita como uma colecao de segmentos retos e contiguos que, combinados, definem o eixo da estrada. As informacoes contidas nesse modelo sao introduzidas na funcao de aptidao dos algoritmos geneticos, por meio de tres parametros: (a) medida de correlacao linear entre perfil transversal de referencia e perfil selecionado ([p.sup.C]); (b) direcao do novo segmento em relacao ao segmento anterior ([p.sup.D]); e (c) medida de similaridade espectral entre perfil transversal de referencia e perfil selecionado ([p.sup.S]).

[FIGURA 8 OMITIR]

A funcao de aptidao (FA) proposta e definida pela Equacao 3, integrando a informacao contida nos tres parametros.

FA = [ap.sup.C] + [bp.sup.D] + [cp.sup.S] (3)

em que:

a, b e c sao constantes;

a + b + c = 1.

Neste trabalho, os valores dessas constantes foram 0,6; 0,3 e 0,1, respectivamente. Esses valores foram definidos empiricamente.

A definicao dos parametros exige o conhecimento, a priori, do perfil transversal ([??]) selecionado a cada iteracao. Esse perfil e criado a partir de cada posicao [P.sub.i], na circunferencia C, utilizando informacoes do vetor [??]. O perfil vs tem tamanho igual a 3w e posicao central coincidente com [P.sub.i], do vetor [??]. Dois exemplos hipoteticos, (a) e (b), de vetores vs sao ilustrados na Figura 8.

Correlacao linear entre perfis transversais

Uma forma de quantificar a correlacao linear entre duas variaveis e calculando o coeficiente de correlacao. Um coeficiente muito usado e o coeficiente de correlacao de Pearson (r). Se r = 1, todos os pontos analisados estao exatamente sobre uma reta ajustada crescente; se r = -1, todos os pontos estao localizados exatamente sobre uma reta ajustada decrescente. A ausencia de correlacao entre as duas variaveis implica um valor de coeficiente nulo (r = 0).

Neste estudo, as variaveis sao os perfis transversais de estradas vicinais. Dessa forma, o objetivo e analisar o quao correlacionado, positivamente, estao dois perfis transversais, usando o coeficiente de correlacao de Pearson. Este coeficiente e definido pela Equacao 4.

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] (4)

em que: [x.sub.1], [x.sub.2], ..., [x.sub.3w] sao os valores digitais do perfil de referencia ([??]); [y.sub.1], [y.sub.2], ..., [y.sub.n] sao os valores digitais pertencentes ao perfil selecionado ([??]); [bara.x] eo valor medio de [??]; [bara.y] eo valor medio de [??] e i = 1, ..., 3w.

O parametro relacionado com a correlacao entre perfis e medido pela Equacao 5.

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] (5)

Direcao do novo segmento

O objetivo do parametro relacionado com a direcao e evitar que o segmento anterior seja novamente selecionado. Esse controle e feito por meio do angulo [alfa], que define a direcao do novo segmento (Figura 6). Considerando como vetores os dois segmentos, anterior e novo, o angulo [alfa] entre os dois e determinado pela Equacao 6.

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] (6)

em que:

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] sao os vetores correspondentes ao segmento anterior e ao segmento novo, respe ctivamente;

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] e o produto escalar entre os dois vetores [EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII].

[FIGURA 9 OMITIR]

Em estradas vicinais e comum a presenca de curvas muito sinuosas, o que exige menores valores de [alfa]. Por outro lado, [alfa] nao pode ser muito pequeno ao ponto de possibilitar retornos. A Equacao 7 mostra como e calculado o parametro relacionado com a direcao dos segmentos.

[EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII] (7)

em que:

T e um limiar fornecido pelo operador.

Similaridade espectral entre perfis

Partindo da premissa que as estradas vicinais possuem maior valor digital em relacao a sua vizinhanca, o valor digital maximo da circunferencia, na iteracao atual, e assumido como valor digital de estrada vicinal. Assim, seja vd o valor digital maximo da circunferencia e w a largura da estrada, um vetor [??] de tamanho igual a [??] e criado, como ilustra a Figura 9.

De posse dos vetores [EXPRESION MATEMATICA IRREPRODUCIBLE EN ASCII], o parametro relacionado com a similaridade espectral entre perfis e determinado pela Equacao 8.

[p.sup.s] = [raiz cuadrada de [3w.suma de (i)][(vs(i) - vr(i)).sup.2]/[raiz cuadrada de [3w.suma de (i)][(vm(i) - vr(i)).sup.2] (8)

Buscando melhor visualizacao dos resultados, foram extraidas as pistas de rolamento das estradas de interesse correspondentes aos eixos detectados. A extracao das pistas e realizada com o deslocamento de um circulo de raio w/2 sobre todos os pixels dos eixos detectados. Em cada pixel do eixo, todos os pixels vizinhos que estiverem dentro do circulo sao rotulados como estrada. Esse procedimento e repetido em todos os eixos detectados.

Validacao dos resultados

A validacao e dada por meio dos indices: completeza, correcao e RMS (HEIPKE et al., 1997; CLODE et al., 2004). Assim, seja CD o numero de dados de estradas corretamente extraido, ND o total de dados atribuidos como estrada na imagem de referencia - mas que nao sao extraidos pelo metodo proposto - e ED a quantidade de dados de estradas erroneamente detectada, os dois primeiros indices sao definidos pelas Equacoes 9 e 10.

completeza = CD/CD + ND (9)

correcao = CD/ CD + ED (10)

Os valores desses indices variam no intervalo [0, 1], em que zero representa o erro maximo e 1 indica o valor otimo.

A qualidade geometrica dos eixos detectados foi medida pelo RMS diferente (Equacao 11). Essa nova nomenclatura deve-se ao fato de que o erro entre duas observacoes e substituido pela distancia minima [d.sub.i] entre o eixo de referencia e o eixo detectado. O valor do RMS varia no intervalo [0, +[infinito]], no qual zero e o valor otimo.

RMS = [raiz cuadrada de [n.suma de (i=1)] [d.sup.2.sub.i]/n (11)

em que:

n e o total de pontos (pixels), ou vertices, de eixos detectados como estradas.

Resultados e discussao

As larguras determinadas automaticamente sao comparadas com as medidas de larguras medidas manualmente (referencia) sobre as imagens. Para definir a largura de referencia de uma estrada sao realizadas tres medidas ao longo desta estrada, e a media destas medidas e assumida como a largura de referencia (wr). A Tabela 1 apresenta os valores das larguras de referencia e das larguras determinadas pelo metodo proposto.

Pelo fato de nao existir um Padrao de Exatidao Cartografico (PEC) para avaliacao dessa medida, juntamente com a complexidade em estima-la, pode-se considerar acurada a qualidade das larguras determinadas pelo metodo proposto, uma vez que os erros (diferencas) cometidos tem magnitude subpixels, com maior erro de 0,5 pixel.

A analise visual dos produtos gerados (estradas extraidas) pode ser realizada por meio das imagens ilustradas na Figura 10.

[FIGURA 10 OMITIR]

Adicionalmente ao estudo qualitativo (visual) foi realizado o estudo quantitativo para medir a qualidade dos eixos detectados. A Tabela 2 apresenta os valores dos indices medidos nos resultados obtidos com as tres imagens.

O erro de completeza referente a Imagem 1 indica que 11,5% dos eixos de referencia nao foram detectados pelo metodo proposto. Por outro lado, a correcao, na mesma imagem, indica que apenas 6,5% dos eixos detectados nao pertencem, efetivamente, a estrada de referencia. A qualidade geometrica dos eixos detectados com a Imagem 1 foi quantificada com um erro subpixel, isto e, um erro com magnitude de 0,7 pixel.

As medidas de completeza entre as Imagens 1 e 2 sao similares, contudo na Imagem 2 foram somados 6,5% de eixos erroneamente detectados. Adicionalmente, a qualidade geometrica dos eixos detectados na Imagem 1 foi superior a da Imagem 2. A perda na qualidade do produto final deve-se ao grau de complexidade (quantidade de obstrucoes) existente nessas duas imagens, sendo o grau de complexidade da segunda imagem superior ao da primeira. O mesmo fato ocorre entre os pares de imagens 1-3 e 2-3.

A magnitude do RMS calculado para a Imagem 3 e superior a um p xel. A falha dos algoritmos que mais contribuiu para esse erro e visivel na imagem resultante, como mostra o retangulo 'claro' desenhado no canto superior direito da Figura 10c. Uma explicacao para essa falha e a existencia de uma obstrucao no fim da imagem. Essa ocorrencia diminui o espaco de busca e, consequentemente, reduz as opcoes de busca pelos algoritmos geneticos. O erro medido nessa falha e de 8,0 pixels e o desvio-padrao do conjunto de erros medidos ao longo de todo o eixo e de 0,7 pixel. Assim, conclui-se que o erro discrepante referente a essa falha e o causador do acrescimo no valor do RMS, se comparado aos erros medios calculados nos outros dois experimentos.

A maior qualidade do produto gerado no primeiro experimento deve-se ao melhor desempenho dos algoritmos geneticos na deteccao de eixos de estradas com menor indice de obstaculos. Isto e, o metodo proposto apresentou-se sensivel a presenca de obstaculos que cobrem parcial ou totalmente a pista da estrada, principalmente, causados pela existencia de arvores.

Apos analise da qualidade dos eixos detectados foi realizada a extracao das pistas de rolamento das estradas, usando tanto as larguras medidas quanto os eixos detectados. E visivel para a estrada 2 da Imagem 1 (Figura 10a) que a pista de rolamento extraida e mais larga que a da imagem de referencia. Esse fato se deve a largura medida automaticamente para essa estrada. Alem da importancia cartografica no processo de generalizacao, as pistas de rolamento extraidas sao uteis na analise visual dos produtos resultantes.

Uma verificacao mais apurada dos resultados foi realizada por meio da comparacao com outros metodos propostos. Nao se tratou, porem, de uma comparacao coerente, uma vez que os experimentos foram realizados em areas de estudos diferentes. Em Wiedemann (2003) e apresentado um estudo para extracao de estradas no meio rural, ou seja, extracao de estradas vicinais. Os valores de acuracia encontrados por esse autor estao apresentados na Tabela 3.

A quantidade de eixos detectados erroneamente pelo metodo proposto foi superior aos valores medidos nos dois metodos propostos por Wiedemann (2003). Todavia, os valores de completeza medidos nos dois primeiros experimentos do presente estudo foram superiores ao respectivo valor do primeiro empregado por Wiedemann (2003) e semelhantes ao segundo metodo deste autor. O pior caso de completeza da metodologia proposta assemelha-se ao metodo de agrupamento local de Wiedemann (2003), porem ainda e inferior ao metodo de propriedade de rede, utilizado pelo mesmo autor.

Com base nos resultados dos experimentos realizados neste estudo, em termos de qualidade geometrica das feicoes detectadas, pode-se dizer que o metodo proposto e mais eficiente que os dois metodos propostos por Wiedemann (2003), considerando a justificativa para o erro ocorrido no terceiro experimento. Ressalta-se que os dados sao provenientes de diferentes fontes.

Em Vale e Dal Poz (2003) e testado um metodo, denominado de Metodo Modificado, e comparado com outro, denominado de Metodo Original. Os RMS's medidos nos resultados desses autores, em duas imagens distintas, sao apresentados na Tabela 4.

Os resultados apresentados nas Tabelas 2 e 4 mostram que o metodo proposto neste estudo e mais eficiente que o Metodo Original proposto por Vale e Dal Poz (2003). A qualidade geometrica dos eixos detectados pelo Metodo Modificado foi superior, se comparada a qualidade dos eixos detectados pelo metodo proposto, usando a Imagem 3. Todavia, os dois metodos, Modificado de Vale e Dal Poz (2003) e o proposto nesse estudo, usando as Imagens 1 e 2, proporcionaram resultados similares.

Destaca-se, novamente, que os dados utilizados nos metodos apresentados nessa comparacao sao de fontes diferentes. Esse fato nao invalida a comparacao, mas a torna incompleta.

Conclusao

Neste estudo foi proposto um metodo para extracao de estradas que compreendeu tres fases distintas. Na primeira fase, foi proposto um metodo para mensurar larguras de estradas; na segunda, foi proposto um metodo, usando algoritmos geneticos, para deteccao de segmentos de reta ou eixos de estradas vicinais; na terceira fase, foi proposto um metodo para extracao das pistas de rolamento das estradas vicinais cujos eixos foram detectados na segunda fase.

Frente ao erro de magnitude subpixel e a inexistencia de um PEC para avaliar a qualidade dessa medida, entende-se que o metodo proposto e promissor. Entretanto, ressalta-se que o metodo e totalmente dependente do operador ou da qualidade do segmento-semente fornecido por este operador.

E notorio que os algoritmos geneticos apresentam desvantagens, tais como: (a) o grande numero de parametros inerente ao metodo; (b) dependendo da complexidade do problema, e necessaria a repeticao do experimento ate encontrar um resultado aceitavel. Contudo, esses algoritmos apresentam potencial em alguns fatores, a saber: (a) possivel reducao do esforco computacional, (b) procura por solucoes em espaco n-dimensional e (c) possivel iteracao com o operador. Apesar das desvantagens citadas, os resultados indicam que esses algoritmos sao eficientes no processo de deteccao de eixos de estradas, quando se usa a funcao de aptidao proposta. Isto e, embora os valores de completeza e correcao medidos sejam modestos, a qualidade geometrica dos eixos e aceitavel.

DOI: 10.4025/actascitechnol.v32i2.4763

Referencias

BACHER, U.; MAYER, H. Automatic road extraction from irs satellite images in agricultural and desert areas. ISPRS Congress, v. 35, n. 3B, p. 1055-1060, 2004.

BAUMGARTNER, A.; STEGER, C.; MAYER, H.; ECKSTEIN, H. W.; EBNER, H. Automatic road extraction based on multi-scale, grouping, and context. Photogrammetric Engineering and Remote Sensing, v. 65, n. 7, p. 777-785, 1999.

CLODE, S.; KOOTSOOKOS, P.; ROTTENSTEINER, F. The automatic extraction of roads from LIDAR data. ISPRS Congress, v. 35, n. 3B, p. 235-240, 2004.

CLODE, S.; ROTTENSTEINER, F.; KOOTSOOKOS, P.; ZELNIKER, E. Detection and vectorization of roads from lidar data. Photogrammetric Engineering and Remote Sensing, v. 73, n. 5, p. 517-535, 2007.

DAL POZ, A. P. Extracao semi-automatica de rodovias atraves de uma metodologia cooperativa. Boletim de Ciencias Geodesicas, v. 11, n. 2, p. 179-199. 2001.

EKER, B.; SEKER, D. Z. Semi-automatic road extraction from Digital Aerial Photographs. ISPRS congress, v. 35, n. 3B, p. 520-523, 2004.

GOLDBERG, D. E. Genetic algorithms in search, optimization and machine learning. New York: Addison-Wesley, 1989.

GOMES, O. F. M.; FEITOSA, R. Q.; COUTINHO, H. L. C. Sub-pixel unpaved roads detection in andsat images. ISPRS Congress, v. 35, n. 3B, p. 1202-1206, 2004.

HASEGAWA, H. A Semi automatic road extraction method for alos satellite imagery. ISPRS Congress, v. 35, n. 3B, p. 401-406, 2004.

HEIPKE, C.; MAYER, H.; WIEDEMANN, C.; JAMET, O. Evaluation of automatic road extraction. International Archives of Photogrammetry and Remote Sensing, v. 323, n. 4W2, p. 151-160, 1997.

HU, X.; TAO, C. V. Automatic extraction of main road centerlines from high resolution satellite imagery using hierarchical grouping. Photogrammetric Engineering and Remote Sensing, v. 73, n. 9, p. 1049-1056, 2007.

JEON, B. K.; JANG, J. H.; HONG, K. S. Road detection in spaceborne SAR images using a genetic algorithms. (IEEE) Transactions on Geocience and Remote Sensing, v. 40, n. 1, p. 22-29, 2002.

LIU, H.; LI, J.; CHAPMAN, M. A. Automated road extraction from satellite imagery using hybrid genetic algorithms and cluster analysis. Journal of Environmental Informatics, v. 1, n. 2, p. 40-47, 2003.

MICHALEWICZ, Z. Genetic algorithms + data structures = evolution programs. 3rd ed. rev. New York: Springer, 1999.

MITCHELL, M. An introduction to genetic algorithms. Cambridge: Mit Press, 1997.

MOHAMMADZADEH, A.; TAVAKOLI, A.; VALADAN ZOEJ, M. J. Automatic linear feature extraction of iranian roads from high resolution multi-spectral satellite imagery. ISPRS Congress, v. 35, n. 3B, p. 764-767, 2004.

VALADAN ZOEJ, M. J. V.; MOKHTARZADE, M. Road Detection From High Resolution Satellite Images Using Artificial Neural Networks. ISPRS Congress, v. 35, n. 3B, p. 386-391, 2004.

VALE, G. M.; DAL POZ, A. P. Metodologia modificada de programacao dinamica para a extracao acurada do eixo de rodovia em imagens digitais. Revista Brasileira de Cartografia, v. 1, n. 55, p. 11-20, 2003.

VOSSELMAN, G.; KNECHT, J. Road tracing by profile matching and kalman filtering. In: Automatic extraction of man-made objects from aerial and space images. Basel: Birkhauser Verlag, 1995. p. 265-274.

WESSEL, B. Road network extraction from SAR imagery supported by context information. ISPRS Congress, v. 35, n. 3B, p. 365-370, 2004.

WIEDEMANN, C. External evaluation of road networks. ISPRS Congress, v. 34, n. 3W8, p. 17-19, 2003.

WIEDEMANN, C.; HINZ, S. Automatic extraction and evaluation of road networks from satellite imagery. International Archives of Photogrammetry and Remote Sensing, v. 32, n. 3-2W5, p. 95-100, 1999.

Received on August 17, 2008.

Accepted on February 3, 2009.

License information: This is an open-access article distributed under the terms of the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.

Claudionor Ribeiro da Silva (1) * e Jorge Antonio Silva Centeno (2)

(1) Universidade Federal do Piaui, Campus Prof Cinobelina Elvas, s/n, 64900-000, Bom Jesus, Piaui, Brasil. (2) Departamento de Geomatica, Universidade Federal do Parana, Curitiba, Parana, Brasil. * Autor para correspondencia. E-mail: crs@ufpr.br
Tabela 1. Larguras das estradas vicinais estudadas (em pixels).

                       Larguras      Larguras       Erro = wr - w
                      Referencia   Determinadas   (pixel [m.sup.-1])
                         (wr)          (w)

Estrada 1--Imagem 1      5,53          5,07           0,5/0,368
Estrada 2--Imagem 1      4,28          3,82           0,5/0,368
Estrada 1--Imagem 2      4,82          4,61           0,2/0,210
Estrada 2--Imagem 3      4,61          4,94           0,3/0,330

Tabela 2. Qualidade dos eixos detectados.

           Completeza   Correcao   RMS (pixels [m.sup.-1])

Imagem 1     0,885       0,935            0,7/0,544
Imagem 2     0,889       0,870            0,9/0,910
Imagem 3     0,854       0,856            1,6/0,610

Tabela 3. Qualidade dos resultados obtidos por Wiedemann
(2003).

Metodo                Completeza   Correcao   RMS (m)

Agrupamento local       0,858       0,985      1,550
Propriedade de rede     0,893       0,980      1,540

Tabela 4. Qualidade dos resultados obtidos por Vale e Dal Poz
(2003).

                    RMS (pixel) - Imagem 1    RMS ( pixel) - Imagem 2

Metodo Modificado             0,7                       0,9
Metodo Original               0,9                       4,1
COPYRIGHT 2010 Universidade Estadual de Maringa
No portion of this article can be reproduced without the express written permission from the copyright holder.
Copyright 2010 Gale, Cengage Learning. All rights reserved.

Article Details
Printer friendly Cite/link Email Feedback
Title Annotation:texto en portugues
Author:Ribeiro da Silva, Claudionor; Silva Centeno, Jorge Antonio
Publication:Acta Scientiarum Technology (UEM)
Date:Apr 1, 2010
Words:5374
Previous Article:Avaliacao das fermentacoes alcoolica e acetica para producao de vinagre a partir de suco de laranja.
Next Article:Modelagem da adsorcao de compostos organicos volateis sobre nanotubos de carbono cup-stacked usando o modelo da forca motriz linear.
Topics:

Terms of use | Privacy policy | Copyright © 2019 Farlex, Inc. | Feedback | For webmasters