Neural network and local laplace filter methods applied to very high resolution remote sensing imagery in urban damage detection

Hordiiuk, Dariia; Hnatushenko, Volodymyr

doi:10.1109/ysf.2017.8126648

Cited by 14 publications

(4 citation statements)

References 7 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Незважаючи на розроблені методи, призначені для поліпшення якості результуючого зображення, з'являються нові наукові проблеми, які пов'язані із підвищенням вимог до результатів обробки знімків високого просторового розрізнення [2]. Більшість відомих методів розроблялися для об'єднання даних супутника SPOT, на відміну від якого довжина панхром-хвилі сучасних супутників (OrbView, Worldview-2,3 та ін.)…”

Section: постановка проблемиunclassified

Дослідження Ефективності Методів Злиття Супутникових Знімків Високого Просторового Розрізнення

Kashtan¹,

Hnatushenko²

2023

ППММ

Self Cite

View full text Add to dashboard Cite

Національний технічний університет «Дніпровська політехніка» ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ МЕТОДІВ ЗЛИТТЯ СУПУТНИКОВИХ ЗНІМКІВ ВИСОКОГО ПРОСТОРОВОГО РОЗРІЗНЕННЯ Впродовж останніх років космічні знімальні системи стрімко розвиваються. На даний момент вони дозволяють отримувати дані з просторовим розрізненням півметра і менше для дослідження стану лісів, морських акваторій, шельфів тощо. Поява знімків високого просторового розрізнення вимагає застосування спеціальних методів їх обробки. Тому в даній роботі проведено аналіз ефективності відомих методів злиття супутникових знімків високого просторового розрізнення. Порівнюються методи: GIHS, Brovey, HPF, HCT, вейвлет-перетворення та комбінований HSV-HCT, з метою знаходження їх відмінностей та подальшого ефективного використання. Оцінка якості зображення відіграє важливу роль в обробці супутникових знімків, особливо при використанні методів підвищення інформативності зображень. Дослідження ефективності методів злиття відбувалися на первинних супутникових знімках високого просторового розрізнення WorldView-2. Одним із критеріїв перевірки спектральних властивостей синтезованих зображень є розрахунок спектрального індексу NDVI. Отриманні значення індексу NDVI для методів «Brovey» та HPF свідчать про колірні спотворення в порівнянні з еталонними даними. Це обумовлено тим, що методи «Brovey» та HPF засновані на злитті трьох канальних зображень та не враховують інформацію, яка міститься в ближньому інфрачервоному діапазоні. Порівняння кількісних показників (RMSE, ERGAS та NDVI) та візуальні результати показали перевагу комбінованого HSV-HCT методу. Це досягається, зокрема, за рахунок попередньої обробки первинних знімків, оброблення даних у локалізованих спектральних базисах, оптимізованого за інформаційними характеристиками, та використання інформації, яку містить зображення інфрачервоного діапазону. Тестування показали, що синтезоване зображення високого просторового розрізнення з максимальною інформативністю досягається при комплексному використанні методів злиття, що дозволяє підвищити просторову розрізненість багатоканального зображення без істотних колірних спотворень. Результати роботи можуть бути використані при подальшому розпізнаванні об'єктів та тематичній обробці знімків. Ключові слова: злиття; гіперсферичне перетворення; супутникові знімки, високе просторове розрізнення; вейвлет-перетворення; нормалізований індекс вегетації.

show abstract

Section: постановка проблемиunclassified

Дослідження Ефективності Методів Злиття Супутникових Знімків Високого Просторового Розрізнення

Kashtan¹,

Hnatushenko²

2023

ППММ

Self Cite

View full text Add to dashboard Cite

show abstract

“…The applications include planning and mapping (tech, natural resources, urban, infrastructure), detection of exchanges, land use, tourism, crop management, military and environmental surveillance. They also enable us to resolve various problems, such as environmental monitoring and influencing anthropogenic factors, the detection of contaminated territories, unapproved buildings, forest planting status estimates, operational land resources surveillance, urban buildings, and other [2].…”

Section: Introductionmentioning

confidence: 99%

“…Over the last decade, autonomous driving and Advanced Driver Assistance Systems (ADAS) have been among the leading research domains explored in deep learning technology. Important progress has been realized, particularly in autonomous driving research, since its inception in 1980 and the DARPA urban competition in 2007 [1,2]. However, up to now, developing a reliable autonomous driving system remained a challenge [3].…”

Section: Introductionmentioning

confidence: 99%

Analysis On Radar Image Classification Using Deep Learning

Pushpa¹

2021

TURCOMAT

View full text Add to dashboard Cite

The progress of the last 10 years of deep learning technology has inspired many fields of research, such as the processing of radar signal, speech and audio recognition, etc. Data representation acquired with Lidar or camera sensors are used for most prominent deep learning models, leaving automotive radars seldom used. Despite their vital potential in adverse weather conditions and their ability to seamlessly measure the range of an object and radial speed. Since radar signals have still not been used, the available benchmarking data is lacking. In the recent past, however, the application of radar data to various profound learning algorithms has been very interesting, since more datasets are being provided. This article aims to describe a new method of grading applied for the synthetic aperture radar (SAR), followed by fine tuning in such a grading scheme; Pre-trained architectures in the ImageNet database were used; the VGG 16 had actually been used as a feature extractor and the new classifier was trained based on the extracted features. The Dataset used is the data acquisition and recognition (MSTAR) of the Moving and Stationary Traget; for ten (10) different classes we have achieved a final accuracy of 97.91 percent.

show abstract

“…Scientific studies have demonstrated the successful use of automatic classifiers for damage detection [5,6]. However, there have been serious challenges, such as labeling problems, determining the contours of destroyed objects, and imbalance of classes in images of urban war zones.…”

mentioning

confidence: 99%

Automated building damage detection on digital imagery using machine learning

Kashtan,

Hnatushenko

2023

Nauk. visn. nat. hirn. univ.

View full text Add to dashboard Cite

Purpose. To develop an automated method based on machine learning for accurate detection of features of a damaged building on digital imagery. Methodology. This article presents an approach that employs a combination of unsupervised machine learning techniques, specifically Principal Component Analysis (PCA), K-means clustering, and Density-Based Spatial Clustering of Applications with Noise (DBSCAN), to identify building damage resulting from military conflicts. The PCA method is utilized to identify principal vectors representing the directions of maximum variance in the data. Subsequently, the K-means method is applied to cluster the feature vector space, with the predefined number of clusters reflecting the number of principal vectors. Each cluster represents a group of similar blocks of image differences, which helps to identify significant features associated with fractures. Finally, the DBSCAN method is employed to identify areas where points with similar characteristics are located. Subsequently, a binary fracture mask is generated, with pixels exceeding the threshold being identified as fractures. Findings. The introduced methodology attains an accuracy rate of 98.13 %, surpassing the performance of conventional methods such as DBSCAN, PCA, and K-means. Furthermore, the method exhibits a recall of 82.38 %, signifying its ability to effectively detect a substantial proportion of positive examples. Precision of 58.54 % underscores the methodology’s capability to minimize false positives. The F1 Score of 70.90 % demonstrates a well-balanced performance between precision and recall. Originality. DBSCAN, PCA and K-means methods have been further developed in the context of automated detection of building destruction in aerospace images. This allows us to significantly increase the accuracy and efficiency of monitoring territories, including those affected by the consequences of military aggression. Practical value. The results obtained can be used to improve automated monitoring systems for urban development and can also serve as the basis for the development of effective strategies for the restoration and reconstruction of damaged infrastructure.

show abstract

Neural network and local laplace filter methods applied to very high resolution remote sensing imagery in urban damage detection

Cited by 14 publications

References 7 publications

Дослідження Ефективності Методів Злиття Супутникових Знімків Високого Просторового Розрізнення

Дослідження Ефективності Методів Злиття Супутникових Знімків Високого Просторового Розрізнення

Analysis On Radar Image Classification Using Deep Learning

Automated building damage detection on digital imagery using machine learning

Contact Info

Product

Resources

About