528.8:528.9

В данной статье представлен метод автоматического выделения перекрестков дорог на аэрофотоснимках, полученных с беспилотных летательных аппаратов (БПЛА), для создания базой сети объектов ориентирования. Предложенный алгоритм основан на анализе контуров и использует комбинацию методов компьютерного зрения для обнаружения характерных геометрических структур в виде изображений перекрестков дорог. Экспериментальные исследования, проведенные на наборе из 115 снимков, полученных с БПЛА с разрешением 5456х3632 пикселей, продемонстрировали высокую эффективность метода с точностью (accuracy) 83.65%, прецизионностью (precision) 91.57%, полнотой (recall) 90.63% и F1-мерой (F1-score) 91.10%. Разработанный подход позволяет существенно сократить время и трудозатраты на создание базой сети объектов ориентирования в недостаточно изученных или труднодоступных регионах, обеспечивая при этом высокое качество геопривязки данных дистанционного зондирования.

This paper presents a method for the automatic extraction of road intersections from aerial photographs obtained by Unmanned Aerial Vehicles (UAVs), aimed at creating a base network of orientation objects. The proposed algorithm is based on contour analysis and employs a combination of computer vision techniques to detect characteristic geometric structures representing road intersections. Experimental studies conducted on a set of 115 UAV images with a resolution of 5456х3632 pixels demonstrated the high efficiency of the method, achieving an accuracy of 83.65%, precision of 91.57%, recall of 90.63%, and an F1-score of 91.10%. The developed approach significantly reduces the time and labor costs associated with creating a base network of orientation objects in understudied or hard-to-reach regions, while ensuring high-quality georeferencing of remote sensing data.

аспирант, Московский государственный университет геодезии и картографии

доктор технических наук, профессор, Московский государственный университет геодезии и картографии

Nex, F., & Remondino, F. (2014). UAV for 3D mapping applications: a review. Applied Geomatics. 6(1). 1-15. https://doi.org/10.1007/s12518-013-0120-x.

Chen, Z., Zhang, B., Han, Y., Zuo, Z., & Zhang, X. (2022). Automatic extraction of road networks from remote sensing imagery via deep learning approaches: A comprehensive review. International Journal of Applied Earth Observation and Geoinformation, 114, 103039. https://doi.org/10.1016/j.jag.2022.103039.

Eltaher, Fatma & Miralles Pechuan, Luis & Courtney, Jane & Mckeever, Susan. (2023). Detecting Road Intersections from Satellite Images using Convolutional Neural Networks. 495-498. 10.1145/3555776.3578728.

Jianghua Cheng, Tong Liu, Yueyong Zhou, and Yanye Xiong. 2019. Road Junction Identification in High Resolution Urban SAR Images Based on SVM. In Proceed ings of the International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing. Springer. 597-606.

Muradas Odriozola, G.; Pauly, K.; Samuel, O.; Raymaekers, D. Automating Ground Control Point Detection in Drone Imagery: From Computer Vision to Deep Learning. Remote Sens. 2024. 16. 794. https://doi.org/10.3390/rs16050794.

Tong, L., Huang, X., Liu, S., & Wei, H. (2022). Automated extraction of road intersections from aerial imagery using deep learning approaches. Remote Sensing. 14(9). 2156. https://doi.org/10.3390/rs14092156.

Xu, Y., Xie, Z., Feng, Y., & Chen, Z. (2018). Road extraction from high-resolution remote sensing imagery using deep learning. Remote Sensing. 10(9). 1461. https://doi.org/10.3390/rs10091461.

Chandran, Saravanan. (2010). Color Image to Grayscale Image Conversion. 196-199. 10.1109/ICCEA.2010.192.

Goutte, Cyril & Gaussier, Eric. (2005). A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation. Lecture Notes in Computer Science. 3408. 345-359. 10.1007/978-3-540-31865-1_25.

Yan Li & Ronald Briggs (2012) An Automated System for Image-to-Vector Georeferencing, Cartography and Geographic Information Science. 39:4. 199-217. DOI: 10.1559/152304063941199.