도로 정보는 교통, 도시 계획, 지도 갱신, 위치기반서비스 그리고 GIS (Geographic Information System) 데이터 구축 등에 활용되는 중요한 기초 공간정보 자료이다. 따라서 정확한 도로 정보를 획득하고 이를 갱신하는 것은 다양한 공간정보 산업에 중요한 역할을 수행할 수 있다. 본 연구에서는 고해상도 위성영상에서 객체 기반의 도로 추출 기법으로 최근 소개된 개미 군집 최적화(ACO: Ant Colony Optimization)의 한계점을 분석하고 이를 개선하고자 하였다. 객체 기반의 ACO 도로 추출은 도로의 분광 및 형상 정보를 모두 활용하여 효과적으로 도로 추출을 수행할 수 있으나 객체 서술자 정보에 의존적이며 서술자 계산 시 사용자의 개입이 필요하다. 또한, 최적화 반복 종료 시점의 설정이 모호하다는 단점이 존재한다. 따라서 본 연구에서는 이를 개선하기 위해 기존 서술자의 한계를 보완하는 서술자와 최적화 반복 종료기준을 제안하였다. 제안된 방법은 기존의 알고리즘보다 52.51%의 완성도(completeness), 6.12%의 정확도(correctness), 51.53%의 품질(quality) 향상을 나타내었다.
도로 정보는 교통, 도시 계획, 지도 갱신, 위치기반서비스 그리고 GIS (Geographic Information System) 데이터 구축 등에 활용되는 중요한 기초 공간정보 자료이다. 따라서 정확한 도로 정보를 획득하고 이를 갱신하는 것은 다양한 공간정보 산업에 중요한 역할을 수행할 수 있다. 본 연구에서는 고해상도 위성영상에서 객체 기반의 도로 추출 기법으로 최근 소개된 개미 군집 최적화(ACO: Ant Colony Optimization)의 한계점을 분석하고 이를 개선하고자 하였다. 객체 기반의 ACO 도로 추출은 도로의 분광 및 형상 정보를 모두 활용하여 효과적으로 도로 추출을 수행할 수 있으나 객체 서술자 정보에 의존적이며 서술자 계산 시 사용자의 개입이 필요하다. 또한, 최적화 반복 종료 시점의 설정이 모호하다는 단점이 존재한다. 따라서 본 연구에서는 이를 개선하기 위해 기존 서술자의 한계를 보완하는 서술자와 최적화 반복 종료기준을 제안하였다. 제안된 방법은 기존의 알고리즘보다 52.51%의 완성도(completeness), 6.12%의 정확도(correctness), 51.53%의 품질(quality) 향상을 나타내었다.
Road information is one of the most significant geospatial data for applications such as transportation, city planning, map generation, LBS (Location-Based Service), and GIS (Geographic Information System) database updates. Robust technologies to acquire and update accurate road information can cont...
Road information is one of the most significant geospatial data for applications such as transportation, city planning, map generation, LBS (Location-Based Service), and GIS (Geographic Information System) database updates. Robust technologies to acquire and update accurate road information can contribute significantly to geospatial industries. In this study, we analyze the limitations of ACO (Ant Colony Optimization) road extraction, which is a recently introduced object-based road extraction method using high-resolution satellite images. Object-based ACO road extraction can efficiently extract road areas using both spectral and morphological information. This method, however, is highly dependent on object descriptor information and requires manual designations of descriptors. Moreover, reasonable iteration closing point needs to be specified. In this study, we perform improved ACO road extraction on VHR (Very High Resolution) optical satellite image by proposing an optimization stopping criteria and descriptors that complements the limitations of the existing method. The proposed method revealed 52.51% completeness, 6.12% correctness, and a 51.53% quality improvement over the existing algorithm.
Road information is one of the most significant geospatial data for applications such as transportation, city planning, map generation, LBS (Location-Based Service), and GIS (Geographic Information System) database updates. Robust technologies to acquire and update accurate road information can contribute significantly to geospatial industries. In this study, we analyze the limitations of ACO (Ant Colony Optimization) road extraction, which is a recently introduced object-based road extraction method using high-resolution satellite images. Object-based ACO road extraction can efficiently extract road areas using both spectral and morphological information. This method, however, is highly dependent on object descriptor information and requires manual designations of descriptors. Moreover, reasonable iteration closing point needs to be specified. In this study, we perform improved ACO road extraction on VHR (Very High Resolution) optical satellite image by proposing an optimization stopping criteria and descriptors that complements the limitations of the existing method. The proposed method revealed 52.51% completeness, 6.12% correctness, and a 51.53% quality improvement over the existing algorithm.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이와 같은 한계를 개선하기 위하여 본 연구에서는 Eq. (3)으로부터 의 smoothness를 서술자로 이용하여 도로 폭의 수동 지정 필요성을 개선하고 객체 간 서술자인 DCI를 제안하여 큰 SOLI 값을 보이는 도로 객체들 위주의 탐지를 개선하고자 하였다. 제안하는 ACO 도로 추출 알고리즘에 사용된 객체 서술자는 Table 2와 같다.
, 2018). ACO 도로 추출은 도로의 탐지에 객체의 분광 및 구조적 특성을 이용하기 때문에 본 연구에서는 영상 분할 기법으로서 분광 정보와 형태적 특성을 동시에 활용하는 MRS로 영상 분할을 수행하였다. MRS는 각 픽셀을 하나의 객체로 취급하여 결합 인자(fusion factor) 안에서 불균일성(heterogeneity)이 최소가 되도록 인접 객체들을 병합시켜 나가는 상향식 영역 병합(bottom up region merging) 방식의 영상 분할 방법이다.
마지막으로, 도로 추출의 정확도가 알고리즘의 반복 횟수에 영향을 받기 때문에 반복 종료기준의 설정이 필요하다. 따라서 본 연구에서는 위와 같은 한계점을 개선하여 고해상도 위성영상에서의 객체 기반 도로 추출 기법으로 개선된 ACO 도로 추출 알고리즘을 제안 하고자 한다. 이를 위하여 다양한 도로의 특징을 반영하는 객체 서술자를 제안하여 추가적으로 활용하고자 하며 최적 파라미터 선정 및 반복 종료기준을 설정하여 사용자 개입을 최소화하고자 한다.
기존의 객체 서술자가 가지는 한계를 개선하기 위하여 DCI를 제안하였으며 총 여섯 가지 객체 서술자를 본 연구 에서 제안한 ACO 알고리즘에 적용하여 최종 도로 추출결과를 획득하였다. 또한, 본 연구에서는 반복 종료기준의 설정을 위하여 개미가 배치되는 시드인 도로 후보객체와 동시에 도로를 탐색하는 개미의 수를 제안하였다. 제안 방법은 기존의 방법에서 탐지에 실패하였던 가장자리 혹은 교차로 부분의 도로 객체 탐지에 성공하였으며 기존 알고리즘 대비 52.
따라서 효과적인 도로 객체 서술 자의 정의를 위해서는 서술자가 나타낼 수 있는 도로의 특성 들을 파악하는 것이 중요하다. 본 연구에서는 Table 1과 같이 기존의 많은 연구에서 공통적으로 사용된 도로의 핵심적인 특성 네 가지를 반영하고자 하였다(Mckeown and Denlinger, 1988; Wang and Newkirk, 1988; Zlotnick and Carnine, 1993; Mayer and Steger, 1998; Klang, 1998; Katartzis et al., 2001; Tupin et al., 2002; Bentabet et al., 2003; Das et al., 2011; Miao et al., 2015). 본 연구에서 사용한 객체 서술자는 Table 2에 명시된 여섯 가지 서술자와 같으며 기존 ACO 도로 추출에 사용된 객체 서술자인 SOLI (Skeleton-based Object Linearity Index), spectral homogeneity, NDVI (Normalized Difference Vegetation Index, NDWI (Normalized Difference Water Index)와 본 연구에서 추가적으로 고려한 smoothness와 DCI (Directional Consistency Index)로 구분된다.
본 연구에서는 고해상도 위성영상에서 ACO를 활용한 객 체 기반의 도로 추출을 수행하였다. 객체 기반 분석을 위하여 먼저 MRS로 영상 분할을 수행한 후 객체 서술자를 계산 하였다.
본 연구에서는 기존에서 도로 추출 정확도 저하의 원인이었던 가장자리 객체와 교차로 등의 효율적인 탐지를 위하여 탐색 시작 객체를 다음과 같이 지정하였다. 먼저, NDVI와 NDWI의 임계치 이하의 값을 가지는 객체의 경험 정보 값의 분포를 획득한다.
따라서 본 연구에서는 위와 같은 한계점을 개선하여 고해상도 위성영상에서의 객체 기반 도로 추출 기법으로 개선된 ACO 도로 추출 알고리즘을 제안 하고자 한다. 이를 위하여 다양한 도로의 특징을 반영하는 객체 서술자를 제안하여 추가적으로 활용하고자 하며 최적 파라미터 선정 및 반복 종료기준을 설정하여 사용자 개입을 최소화하고자 한다. 본 논문은 다음과 같은 순서로 구성되어 있다.
제안 방법
본 연구에서는 고해상도 위성영상에서 ACO를 활용한 객 체 기반의 도로 추출을 수행하였다. 객체 기반 분석을 위하여 먼저 MRS로 영상 분할을 수행한 후 객체 서술자를 계산 하였다. 기존의 객체 서술자가 가지는 한계를 개선하기 위하여 DCI를 제안하였으며 총 여섯 가지 객체 서술자를 본 연구 에서 제안한 ACO 알고리즘에 적용하여 최종 도로 추출결과를 획득하였다.
객체 기반 분석을 위하여 먼저 MRS로 영상 분할을 수행한 후 객체 서술자를 계산 하였다. 기존의 객체 서술자가 가지는 한계를 개선하기 위하여 DCI를 제안하였으며 총 여섯 가지 객체 서술자를 본 연구 에서 제안한 ACO 알고리즘에 적용하여 최종 도로 추출결과를 획득하였다. 또한, 본 연구에서는 반복 종료기준의 설정을 위하여 개미가 배치되는 시드인 도로 후보객체와 동시에 도로를 탐색하는 개미의 수를 제안하였다.
본 연구에서 사용한 객체 서술자는 Table 2에 명시된 여섯 가지 서술자와 같으며 기존 ACO 도로 추출에 사용된 객체 서술자인 SOLI (Skeleton-based Object Linearity Index), spectral homogeneity, NDVI (Normalized Difference Vegetation Index, NDWI (Normalized Difference Water Index)와 본 연구에서 추가적으로 고려한 smoothness와 DCI (Directional Consistency Index)로 구분된다. 기존의 서술자는 도로의 특성 Ⅰ,Ⅱ, Ⅲ만을 반영하며 본 연구에서는 도로 의 특성 Ⅳ를 반영하는 객체 서술자인 smoothness와 DCI를 제안하였다.
먼저, 고해상도 위성영상을 MRS로 객체 단위로 분할한다. 다음으로, 객체 정보를 획득하기 위해 각 객체의 도로의 특성을 반영하는 서술자를 계산한다. 획득한 객체 정보를 ACO 도로 추출에 적용 하여 도로 객체를 탐지하며 탐지된 도로 객체들의 선형 결합 후 이진 영상으로 최종 도로 추출결과를 획득한다.
1과 같다. 먼저, 고해상도 위성영상을 MRS로 객체 단위로 분할한다. 다음으로, 객체 정보를 획득하기 위해 각 객체의 도로의 특성을 반영하는 서술자를 계산한다.
, 2015). 본 연구에서 사용한 객체 서술자는 Table 2에 명시된 여섯 가지 서술자와 같으며 기존 ACO 도로 추출에 사용된 객체 서술자인 SOLI (Skeleton-based Object Linearity Index), spectral homogeneity, NDVI (Normalized Difference Vegetation Index, NDWI (Normalized Difference Water Index)와 본 연구에서 추가적으로 고려한 smoothness와 DCI (Directional Consistency Index)로 구분된다. 기존의 서술자는 도로의 특성 Ⅰ,Ⅱ, Ⅲ만을 반영하며 본 연구에서는 도로 의 특성 Ⅳ를 반영하는 객체 서술자인 smoothness와 DCI를 제안하였다.
본 연구에서 제안하는 객체 간 서술자인 DCI는 도로 특성 Ⅳ를 반영하며 객체 간의 관계에 대한 서술자로서 단일 객체에 대한 서술자가 나타내지 못하는 특성을 반영할 수 있다. 이러한 객체 간의 관계를 고려하는 객체 간 서술자는 이웃하는 객체를 기준으로 도로를 탐지하는 ACO 알고리즘을 효율적으로 활용할 수 있는 장점이 있다.
본 연구에서 제안하는 접근법으로는 scale=45, shape=0.5, compactness=0.7로 MRS 영상 분할하여 3715개의 객체를 획득하였으며 각 객체의 SOLI, spectral homogeneity, NDVI, NDWI를 획득하고 smoothness와 DCI를 추가로 계산하였다. ACO의 파라미터로는 증발계수 0.
다음으로, 제안 기법은 각 도로 후보객체에서 최적화된 도로 탐지 결과를 획득하여야 하므로 최적화 반복 종료의 기준이 필요하다. 이를 설정하기 위해 본 연구에서는 매 반복 배치되는 개미의 수(k)를 제안하였다. k의 설정은 개미가 잘못된 탐지 결과나 초기 탐지 결과에 의존적으로 움직이는 경향을 최 소화할 수 있으며 각 도로 후보객체에서 도로 탐지의 최적화 종료기준을 제공한다.
5 이상의 경험 정보 값을 나타내는 객체와 0 이상의 경험 정보 값을 나타내는 가장자리 객체를 합하여 96개의 객체를 분류하였다. 이후 각 도로 후보객체마다 3마리의 개미를 배치하여 개선된 ACO로 최적 도로결과를 획득하였다. 최종 도로 추출결과는 각 도로 후보객체별 도로 추출결과를 선형 결합하여 이진 영상으로 획득하였다.
3의 파라미터로 MRS 영상 분할하여 3930개의 객체를 획득하고 각 객체의 SOLI, spectral heterogeneity, NDVI, NDWI 서술자를 계산하였다. 이후 논문에서 제시된 최적의 파라미터를 사용하여 SOLI에 따른 룰렛 휠 기반 배치 (roulette wheel based breeding)로 반복 당 200개의 객체를 선정하고 10회 반복하였다.
이후 각 도로 후보객체마다 3마리의 개미를 배치하여 개선된 ACO로 최적 도로결과를 획득하였다. 최종 도로 추출결과는 각 도로 후보객체별 도로 추출결과를 선형 결합하여 이진 영상으로 획득하였다. Figs.
다음으로, 객체 정보를 획득하기 위해 각 객체의 도로의 특성을 반영하는 서술자를 계산한다. 획득한 객체 정보를 ACO 도로 추출에 적용 하여 도로 객체를 탐지하며 탐지된 도로 객체들의 선형 결합 후 이진 영상으로 최종 도로 추출결과를 획득한다.
대상 데이터
제안하는 ACO 도로 추출 알고리즘에 사용된 객체 서술자는 Table 2와 같다. SOLI와 smoothness는 최대 최소 정규화 가 수행되었으며 NDVI와 NDWI의 임계치 설정에는 Otsu 임계치가 사용되었다.
본 연구에서 제안하는 방법의 성능을 검증하기 위하여 실험에 사용된 영상은 2017년 04월에 획득된 평양시의 Geoeye-1A 영상으로 Blue, Green, Red와 NIR (Near InfraRed) 밴드를 가지며 다중 분광(multi-spectral) 1.6m, 전정(panchromatic) 0.5m의 공간해상도를 제원으로 한다. 실험지역은 1000 x 1000 픽셀로 주차장이나 긴 인도와 같은 유사도로와 도로의 교차로 구간들이 다수 존재하였다.
5m의 공간해상도를 제원으로 한다. 실험지역은 1000 x 1000 픽셀로 주차장이나 긴 인도와 같은 유사도로와 도로의 교차로 구간들이 다수 존재하였다. Fig.
이론/모형
본 연구의 정량적 평가 방법으로는 종래의 많은 도로 추출 연구에 정확도 평가 방법으로 사용되는 Wiedmann et al. (1998)에 의해 제시된 세 가지 metric에 대하여 평가하였다 (Mayer et al., 2006; Hu et al., 2005; Das et al., 2011; Grote et al., 2012; Miao et al., 2014; Cheng et al., 2017; Maboudi et al., 2017, 2018). Completeness, correctness, quality를 정의하는 식은 다음과 같다.
성능/효과
본 연구에서 제안하는 방법을 통해 높은 서술자 값을 나타내는 도로 객체와 상대적으로 적은 서술자 값을 나타내는 도로 객체와의 페로몬의 차이를 줄일 수 있으며 가장자리 객체 또한 성공적으로 탐지해낼 수 있다. 또한, 제안하는 알고리즘 반복 종료기준을 통해 효율적인 도로 탐지를 수행할 수 있다.
개선된 ACO는 개미가 탐지를 시작하는 도로 후보객체(nest objects)를 지정하고 각 도로 후보객체마다 최적화된 도로 추출결과를 얻은 뒤 이를 선형 결합하여 최종 도로 추출결과를 획득한다. 본 연구에서 제안하는 방법을 통해 높은 서술자 값을 나타내는 도로 객체와 상대적으로 적은 서술자 값을 나타내는 도로 객체와의 페로몬의 차이를 줄일 수 있으며 가장자리 객체 또한 성공적으로 탐지해낼 수 있다. 또한, 제안하는 알고리즘 반복 종료기준을 통해 효율적인 도로 탐지를 수행할 수 있다.
실험 결과 본 연구에서 제안한 도로 추출결과는 기존의 방법보다 52.51%의 completeness, 6.12%의 correctness, 51.53%의 quality 향상을 나타내었다. 기존 알고리즘에서는 탐지하지 못했던 지역적으로 낮은 경험 정보 값을 나타내는 객체를 탐지하는데 성공했으며 확대된 이웃의 범위에 미치지 못하는 도로 객체 또한 객체 간 서술자를 통하여 효과적으로 도로 네트워크 추출이 수행되었다.
또한, 본 연구에서는 반복 종료기준의 설정을 위하여 개미가 배치되는 시드인 도로 후보객체와 동시에 도로를 탐색하는 개미의 수를 제안하였다. 제안 방법은 기존의 방법에서 탐지에 실패하였던 가장자리 혹은 교차로 부분의 도로 객체 탐지에 성공하였으며 기존 알고리즘 대비 52.51%의 completeness, 6.12%의 correctness, 51.53%의 quality 향상을 나타내었다. 하지만 여전히 영상 분할의 품질에 의존적인 결과를 나타내며 도로 후보객체가 영상에 고르게 분포해야 하는 한계점을 가지고 있다.
후속연구
위의 3가지의 기준 중 한 가지 이상을 만족하면 탐색이 종료되며 지나온 경로와 역방향 경로를 저장한다. 다음으로, 제안 기법은 각 도로 후보객체에서 최적화된 도로 탐지 결과를 획득하여야 하므로 최적화 반복 종료의 기준이 필요하다. 이를 설정하기 위해 본 연구에서는 매 반복 배치되는 개미의 수(k)를 제안하였다.
도로와 유사한 형태적 특성을 가지고 있는 건물의 그림자와 인도 등의 객체가 오 탐지되었으며 탐지에 실패한 도로의 경우 건물 폐색과 도로 위의 차량에 의해 영상 분할 단계에서의 실패가 주된 원인으로 분석되었다. 이러한 한계를 개선하기 위하여 보다 다양한 객체 서술자의 반영과 영상 분할 단계에서 최적의 파라미터 선정에 대한 분석이 필요할 것으로 판단된다.
향후 연구로서는 질감 정보 등을 포함하는 객체 서술자를 활용하여 도로와 인도 및 건물 그림자 등을 구분하는 방법과 다양한 특성을 나타내는 영상 및 영상 분할 방법에 따른 DCI 의 효율 및 객체 서술자별 효용성에 대한 분석이 필요할 것으로 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
도로정보는 어떤 분야에서 기초 자료로 활용되는가?
도로정보는 교통 관리, 도시 계획, 위치기반 서비스 등의 다양한 분야에 기초 자료로 활용되며, 정확한 도로정보는 관련 산업의 신뢰도를 높일 수 있다. 위성 및 항공영상을 이용한 도로정보 추출은 넓은 지역의 최신 도로정보를 취득할 수 있는 장점이 있어 다양한 관련 연구가 지속적으로 수행되고 있다.
도로정보 추출시 수동 및 자동화 기법의 특징은 각각 무엇인가?
고해상도 위성 또는 항공영상을 활용한 도로정보 추출은 크게 수동 및 자동화 기법으로 나누어 볼 수 있다. 수동적인 방식은 상대적으로 도로정보의 정확도 확보에는 유리하지만, 제작 및 갱신에 많은 시간과 높은 경제적인 비용이 요구되는 한계가 존재한다(Dal et al., 2012). 반면, 자동화 기법은 수동 기법에 비하여 효율적으로 도로 추출이 가능하지만, 현실적으로 활용될 수 있는 수준의 정확도를 확보하지 못하고 있다 (Das et al., 2011; Miao et al.
객체 기반의 도로 추출이란 무엇인가?
, 2011) 화소 기반과 객체 기반의 방법으로 나뉠 수 있다. 화소 기반의 도로 추출은 영상에서 도로의 분광적 특징을 나타내는 화소를 도로 클래스로 분류하는 방법이며 객체 기반의 도로 추출은 유사한 분광 정보를 나타내는 화소들을 객체(segment)로 분할하고 객체 단위의 도로 클래스를 분류하는 방법이다. 화소 기반의 도로 추출의 연구는 신경망(neural network), 최대우도 (maximum likelihood), SVM (Support Vector Machine) 등의 분류자를 이용하여 수행되어왔다(Miao et al.
참고문헌 (28)
Baltsavias, E.P. (2004), Object extraction and revision by image analysis using existing geodata and knowledge: current status and steps towards operational systems, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 58, No. 3-4, pp. 129-151.
Bentabet, L., Jodouin, S., Ziou, D., and Vaillancourt, J. (2003), Road vectors update using SAR imagery: a snake-based method, IEEE Transactions on Geoscience and Remote Sensing, Vol. 41, No. 8, pp. 1785-1803.
Dal Poz, A.P., Gallis, R.A., da Silva, J.F., and Martins, E.F. (2012), Object-space road extraction in rural areas using stereoscopic aerial images, IEEE Geoscience and Remote Sensing Letters, Vol. 9, No. 4, pp. 654-658.
Das, S., Mirnalinee, T.T., and Varghese, K. (2011), Use of salient features for the design of a multistage framework to extract roads from high-resolution multispectral satellite images, IEEE Transactions on Geoscience and Remote Sensing, Vol. 49, No. 10, pp. 3906-3931.
Fauvel, M., Benediktsson, J. A., Chanussot, J., and Sveinsson, J.R. (2008), Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles, IEEE Transactions on Geoscience and Remote Sensing, Vol. 46, No. 11, pp. 3804-3814.
Grote, A., Heipke, C., and Rottensteiner, F. (2012), Road network extraction in suburban areas, The Photogrammetric Record, Vol. 27, No. 137, pp. 8-28.
Hu, X. and Tao, C.V. (2005), A reliable and fast ribbon road detector using profile analysis and model-based verification, International Journal of Remote Sensing, Vol. 26, No. 5, pp. 887-902.
Huang, X., Zhang, L., and Li, P. (2007), Classification and extraction of spatial features in urban areas using high-resolution multispectral imagery, IEEE Geoscience and Remote Sensing Letters, Vol. 4, No. 2, pp. 260-264.
Huang, X. and Zhang, L. (2009), Road centreline extraction from high-resolution imagery based on multiscale structural features and support vector machines. International Journal of Remote Sensing, Vol. 30, No. 8, pp. 1977-1987.
Kirthika, A. and Mookambiga, A. (2011), Automated road network extraction using artificial neural network, 2011 International Conference on Recent Trends in Information Technology (ICRTIT), IEEE, 3-5 June 2011, Chennai, Tamil Nadu, India, pp. 1061-1065.
Katartzis, A., Sahli, H., Pizurica, V., and Cornelis, J. (2001), A model-based approach to the automatic extraction of linear features from airborne images, IEEE Transactions on Geoscience and Remote Sensing, Vol. 39, No. 9, pp. 2073-2079.
Klang, D. (1998), Automatic detection of changes in road data bases using satellite imagery, International Archives of Photogrammetry and Remote Sensing, Vol. 32, No. 4, pp. 293-298.
Li, M., Stein, A., Bijker, W., and Zhan, Q. (2016), Region-based urban road extraction from VHR satellite images using binary partition tree, International Journal of Applied Earth Observation and Geoinformation, Vol. 44, pp. 217-225.
Maboudi, M., Amini, J., Hahn, M., and Saati, M. (2017), Object-based road extraction from satellite images using ant colony optimization, International Journal of Remote Sensing, Vol. 38, No. 1, pp. 179-198.
Maboudi, M., Amini, J., Malihi, S., and Hahn, M. (2018), Integrating fuzzy object based image analysis and ant colony optimization for road extraction from remotely sensed images. ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 138, pp. 151-163.
Mayer, H., Hinz, S., Bacher, U., and Baltsavias, E. (2006), A test of automatic road extraction approaches, International Archives of Photogrammetry, Remote Sensing, and Spatial Information Sciences, Vol. 36, No. 3, pp. 209-214.
Mayer, H. and Steger, C. (1998), Scale-space events and their link to abstraction for road extraction, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 53, No. 2, pp. 62-75.
McKeown, D.M. and Denlinger, J.L. (1988), Cooperative methods for road tracking in aerial imagery, CVPR'88: The Computer Society Conference on Computer Vision and Pattern Recognition, IEEE, 5-9 June 1988, Ann Arbor, MI, USA, pp. 662-672.
Miao, Z., Wang, B., Shi, W., and Zhang, H. (2014), A semi-automatic method for road centerline extraction from VHR images, IEEE Geoscience and Remote Sensing Letters, Vol. 11, No. 11, pp. 1856-1860.
Miao, Z., Shi, W., Gamba, P., and Li, Z. (2015), An object-based method for road network extraction in VHR satellite images, IEEE journal of selected topics in applied earth observations and remote sensing, Vol. 8, No. 10, pp. 4853-4862.
Myint, S. W., Gober, P., Brazel, A., Grossman-Clarke, S., and Weng, Q. (2011), Per-pixel vs. object-based classification of urban land cover extraction using high spatial resolution imagery, Remote Sensing of Environment, Vol. 115, No. 5, pp. 1145-1161.
Tupin, F., Houshmand, B., and Datcu, M. (2002), Road detection in dense urban areas using SAR imagery and the usefulness of multiple views, IEEE Transactions on Geoscience and Remote Sensing, Vol. 40, No. 11, pp. 2405-2414.
Wang, F. and Newkirk, R. (1988), A knowledge-based system for highway network extraction. IEEE Transactions on Geoscience and Remote sensing, Vol. 26, No. 5, pp. 525-531.
Yager, N. and Sowmya, A. (2003), Support vector machines for road extraction from remotely sensed images, In International Conference on Computer Analysis of Images and Patterns, 25-27 August 2003, Springer, Berlin, Germany, Vol. 2756, pp. 285-292.
Zhou, J., Bischof, W. F., and Caelli, T. (2006), Road tracking in aerial images based on human-computer interaction and Bayesian filtering, ISPRS Journal of Photogrammetry and Remote Sensing, Vol. 61, No. 2, pp. 108-124.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.