Analiza możliwości automatycznej detekcji obiektów topograficznych na zdjęciach lotniczych i satelitarnych VHR

W artykule podjęto temat uczenia maszynowego w rozpoznawaniu obiektów topograficznych na zdjęciach lotniczych i satelitarnych VHR ze szczególnym uwzględnieniem Bazy Danych Obiektów Topograficznych BDOT10k. Celem prac badawczych było przetestowanie trzech algorytmów klasyfikacji nadzorowanej do automatycznej detekcji wybranych klas obiektów topograficznych, m.in.: budynków, betonowych oraz asfaltowych elementów szarej infrastruktury (drogi, chodniki, place), wód powierzchniowych, lasów, terenów zadrzewionych i zakrzewionych, terenów o niskiej roślinności oraz gleby odkrytej (grunty nieużytkowane, wyrobiska). Przeanalizowano trzy powszechnie stosowane klasyfikatory: Maximum Likelihood, Support Vector Machine oraz Random Trees pod kątem różnych parametrów wejściowych. Wynikiem przeprowadzonych badań jest ocena ich skuteczności w detekcji poszczególnych klas oraz ocena przydatności wyników klasyfikacji do aktualizacji bazy danych BDOT10k. Badania zostały przeprowadzone dla zdjęcia satelitarnego WorldView-2 o rozdzielczości przestrzennej 0,46 m oraz ortofotomapy ze zdjęć lotniczych o dokładności przestrzennej 0,08 m. Wyniki badań wskazują na to, że wykorzystanie różnych klasyfikatorów uczenia maszynowego oraz danych źródłowych wpływa nieznacznie na wynik klasyfikacji. Ogólne statystyki dokładności wskazują, że całościowo klasyfikacja z wykorzystaniem zdjęć satelitarnych dała nieco lepsze rezultaty o kilka punktów procentowych w granicach 76-81%, a dla zdjęć lotniczych 75-78%. Natomiast dla niektórych klas miara statystyczna F1 przekracza wartość 0,9. Testowane algorytmy uczenia maszynowego dają bardzo dobre rezultaty w identyfikacji wybranych obiektów topograficznych, ale nie można jeszcze mówić o bezpośredniej aktualizacji BDOT10k.

The article deals with the topic of machine learning (ML) in the recognition of topographic objects in aerial and satellite VHR image, with particular emphasis on the Topographic Objects Database (BDOT10k). The aim of the research work was to test three supervised classification algorithms for automatic detection of selected classes of topographic objects, including: buildings, concrete and asphalt elements of grey infrastructure (roads, pavements, squares), surface waters, forests, wooded and bushy areas, areas with low vegetation and uncovered soil (unused lands or excavations). Three commonly used classifiers were analysed: Maximum Likelihood, Support Vector Machine and Random Trees for different input parameters. The result of the research is the assessment of their effectiveness in the detection of individual classes and the assessment of the suitability of the classification results for updating the BDOT10k database. The research was carried out for the WorldView-2 satellite image with a spatial resolution of 0.46 m and orthophotos from aerial images with a spatial resolution of 0.08 m. The research results indicate that the use of different ML classifiers and source data slightly affects the classification result. Overall accuracy statistics show that the classification using satellite images gave slightly better results by a few percentage points in the range from 76% to 81%, and for aerial photos from 75% to 78%. However, for some classes the statistical measure F1 exceeds 0.9 value. The tested ML algorithms give very good results in identifying selected topographic objects, but it is not yet possible to directly update topographical database.