jayzsolt / sze-digital-img-processing

SZE img digital processing

Épületek, objektumok felismerése műholdképeken

HFV9UY

==========================================================================

I. Rendszerkövetelmények

• 32 ill. 64 bites rendszer ill. dedikált GPU ajánlott.

• Kompatibilitás tesztelve Windows 10 x64 OS-en.

• Kompatibilitás feltételezhető Unix-rendszereken is, de nem garantált.

• Python 3.7.6 verziója ajánlott teszteléshez. 3.5-3.9 közötti verziókkal is vélhetően működik, de dependencia-problémák előfordulhatnak.

• Az alábbi python library-k kerültek feltelepítésre:

cycler          0.11.0
kiwisolver      1.3.2
matplotlib      3.5.0
numpy           1.21.4
opencv-python   4.5.4.60
packaging       21.3
Pillow          8.4.0
pip             21.1.1
pyparsing       3.0.6
python-dateutil 2.8.2
setuptools      49.2.1
setuptools-scm  6.3.2
six             1.16.0
tomli           1.2.2
pip             21.3.1
setuptools      41.2.0
tensorflow      2.5.0
wrapt           1.13.0

A program lineáris lefutású Python-kód, Oo alkalmazása nélkül. OpenCV-t használ, így az általa elfogadott raszter-képformátumokkal dolgozhatunk. 0-255 intenzitás közötti értékeket használunk.

=====================================

II. Technikai dokumentáció

A képfeldolgozás lépései:

1. Kép kicsinyítése (képfeldolgozás erőforrás-hatékonyságának növelése céljából)

2. Zöldterületek kiszűrése, maszkolása (pl. szürkeárnyalatban cseréptetőhöz hasonló értékű erdők, bokros területek eliminálásához)

3. Szürkeárnyalatos képpé konvertálás

4. Gauss-féle elmosás

5. Bináris treshold alkalmazása - adott minimum ill. maximum képpontintenzitás-határok között szeretnénk feldolgozni a kép tartalmát. Az ezen kívül eső tartományok egységesen feketék lesznek.

6. Kontúrok azonosítása

7. Kontúrok közül a túlságosan kis méretű objektumok (pl. autó, kuka) ill. túl nagy méretű objektumok (pl. szintén sötét színű, szabályos alakú folyók, hidak, utak) kiszűrése, kontúr kerülete ill. körülhatárolt területe alapján

8. Objektum külső kontúr-vonalainak egymással bezárt szöge alapján fals pozitívak kiszűrése (ideális esetben az épületek oldalai, tetejük síkjai 45 ill 90 fokos szöget, vagy ahhoz közelit zárnak be, és jól kivehető határvonalakkal rendelkeznek)

9. Eredményül a Python output ablakában az eredeti képre ráhelyezett maszkon zölddel besatírozva találhatók az azonosított épületek.

=====================================

III. A script használata:

1. Nyissuk meg az init.py scriptet

2. Adjuk meg az input ill. output fájlok lokális elérési útját a fájl első soraiban definiált változóban, pl.:

input_img = 'C:\Users\micro\Desktop\Gepilatas\input\07.png'

(Ügyeljünk az esetleges escape-karakterekre, pl. backslash)

3. Szükség esetén módosítsuk a képátméretezés, színek ill. tresholdok értékét (ld. 2/5. pont)

4. Futtassuk a scriptet standard módon parancssorból, paraméterek/argumentumok használata nélkül:

python init.py

=====================================

IV. Tesztelés, inputok

A mellékelt input mappában több léptékű és forrású műholdkép-részlet adott.

A várt eredményektől függően további beállítási lehetőség nyílik:

• a zöldterületek RGB-tartományának meghatározásához ("mennyire zöld" a terület, amit ignorálni szeretnénk)
• bináris treshold esetén, szürkeárnyalatban mely sötét ill. világos tartományokat szeretnénk figyelmen kívül hagyni
• kép kicsinyítésének mértéke / target pixel x pixel képméret (arányos a képfeldolgozás ill. kontúrok generálásának sebességével, értelemszerűen)
• körbezárt kontúrok minimum ill maximum kerülete, területe is szabályozható (ld. refineContours függvény)

=====================================

V. Ismert korlátok:

• zöldtetős megoldás esetén az épületek felismerése kétséges.
• világos burkolatú utak, parkolók időnként fals pozitív értékeket adnak
• fekete cseréppel fedett tetők felismerése hiányos
• erősen szabálytalan alakú épületek felismerése elváráson aluli. (a Győri Nemzeti Színház ívelt épületét a próbált konfigurációkban pl. felismerjük, más esetekben hibák adódnak)