Automatisk rekognoscering af vejskilte

Dette projekt omhandler arbejde mod en automatiseret rekognoscering af vejskilte langs det danske vejnet. Der er stillet billedmateriale til rådighed af Vejdirektoratet og med tilladelse fra Aalborg Kommune. Således er projektet udarbejdet på aktuelt materiale der anvendes netop i kommunen. Projektet kan ligeledes anvendes til at give et indblik i, hvorledes et mobilt kortlægningssystem fungerer og er opbygget, da der gives en kort introduktion til teori bag billedbehandling og projektet kan anvendes som en introduktion til programmet ecognition med beskrivelse af hvorledes programmet kan anvendes til objektbaseret billedanalyse. Gennem projektet beskrives hvordan vejskilte kan rekognosceres i billeder og hvordan denne rekognoscering kan positioneres ud fra Vejdirektoratets data. Projektet afsluttes med en test af det producerede produkt. Automatisk Rekognoscering af vejskilte Automatisk rekognoscering af vejskilte Der sendes en speciel Tak Til: Henrik Vad Jensen - Vejdirektoratet Knud Rossen-Jørgensen - Vejdirektoratet Henrik Jess Jensen - Aalborg kommune Rune Pedersen - Aalborg kommune For at stille materiale til rådighed & deres hjælp gennem projektperioden. Aalborg Universitet Landinspektøruddannelsen 8. Semester 2006 Measurement Science Projektgruppe 2

Titel: Automatisk rekognoscering af vejskilte Projektperiode 01/02-2006 til 29/06-2006 Vejledere: Joachim Höhle Peter Cederholm Projektgruppe 2,MS: Jesper Rønbøg Nørnberg Lau Jensen Uffe Ravn-Christensen Oplagstal: 7 Bilag: 6 (A-F) Synopsis I dette projekt tages udgangspunkt i problematikken omkring automatisk rekognoscering af vejskilte i billedmateriale stillet til rådighed af Vejdirektoratet og Aalborg kommune. Indledende i projektet introduceres til Mobile kortlægnings-systemer og en præsentation af Vejdirektoratets system. I forlængelse heraf, beskrives generel billedbehandlingsteori frem mod opstillingen af projektets problem-formulering. For besvarelse af den opstillede problemformulering bearbejdes billedmaterialet gennem programmet ecognition for automatisk rekognoscering af tre udvalgte skiltetyper, Efter endt rekognoscering sammenkobles genkendte skilte med positioneringsdata, ligeledes udleveret af Vejdirektoratet, gennem det matematiske program Matlab. Afslutningsvis opstilles og gennemføres en test af projektets produkt, hvor resultatet vurderes for dermed at konkludere derpå. Produktet vurderes acceptabelt i forhold til de opstillede succeskriterier der inden testen er opstillet for systemet.

Bilag: 6 (A-F)

Forord Dette projekt er udarbejdet af projektgruppe 2 på landinspektørstudiets 8. semester Measurement Science. Projektperioden har Sensor- og dataintegration som hovedtema, hvor emnet til udarbejdelsen af problemorientering var valgfrit. Projektet følger et kontinuert arbejdsflow, hvilket forklares nærmere i projektets afsnit om metode og fremgangsmåde. Når der i projektet anvendes anførselstegn omkring ord, er dette udenlandske begreber, som ikke umiddelbart kan oversættes uden at meningen ændres. Desuden bruges der om funktionsnavne fra programmet ecognition kursiv, for at separere disse fra andet tekst. Gennem projektet anvendes ligeledes forkortelserne VD, AK og MKS for henholdsvis Vejdirektoratet, Aalborg Kommune Teknisk Forvaltning, Vej og Trafik og mobile kortlægningssystemer. Projektet er inddelt i kapitler og afsnit, hvor afsnittene kan være inddelt i flere underafsnit. Kapitlerne er angivet med et nummer, mens afsnittene er markeret med kapitelnummeret og nummeret på afsnittet. F.eks. er afsnit 2 under kapitel 4, angivet som 4.2 og med navn på afsnittet. Figurer har gennem projektet fået numeriske angivelse efter hvilket underafsnit det er placeret under. Figur nr. 1 under afsnit 4.3 kaldes således figur 4.3.1. Kildehenvisninger angives efter følgende metode: [Kildenavn, årstal] og er der udgivet flere samme år, tilføjes et numerisk tal efter kildenavnet. Placeringen af kildehenvisningen er afgørende for kildens betydning for afsnittet. Henvises der til flere fakta eller hele afsnit oplyses dette i starten af kapitlet eller afsnittet. Litteraturlisten er opstillet efter på hvilket tidspunkt kilden introduceres i gennem projektet og er opbygget med forfatter, titel, udgivelsessted, dato, og publikationer fra Internettet, hvortil der henvises, er vedlagt på CD. Bilag, der gennem projektet henvises til, er at finde bagerst i projektet, med en tilhørende oversigt. Bilagene er betegnet med bogstaver. Bilag A er en terminologiliste og bilag F er en vedlagt CD, som indeholder kilder og data fra projektarbejdet. Data, konstrueret ved databehandlingen, fra projektgruppens arbejde i ecognition er ligeledes vedlagt på CD, men kræver adgang til programmet. Under udførelsen af dette projekt er aflagt besøg Vejdirektoratet i Skanderborg og hos Aalborg Kommunes afdeling Vej og trafik. Her ønsker projektgruppen at rette en stor tak til Henrik Vad Jensen og Knud Rossen Jørgensen fra Vejdirektoratet samt Henrik Jess Jensen og Rune Pedersen fra Aalborg Kommunen for deres hjælp gennem projektarbejdet og for at stille billedmateriale til rådighed for projektgruppen. 1

Indholdsfortegnelse Forord... 1 1 Indledning... 4 2 Metode og fremgangsmåde... 6 2.1 Struktur gennem foranalysen... 7 3 Initierende problemstilling... 10 4 Mobil Kortlægningssystemer... 12 4.1 Historie... 12 4.2 Anvendelsesmuligheder... 13 4.3 Opbygning af MKS... 14 4.4 Eksisterende MKS... 17 5 Vejdirektoratets MKS... 19 5.1 Vejdirektoratets data... 21 6 Generel billedbehandlingsteori... 23 6.1 Segmentering... 23 6.2 Klassificering... 24 6.3 Eksisterende løsning... 25 7 Opsamling på foranalysen... 27 7.1 Problemformulering... 28 8 Metode til problemløsning... 29 8.1 Struktur gennem analysen... 29 9 ecognition... 31 9.1 Fuzzy Logic... 32 9.2 Segmentering... 33 10 Rekognosceringsprocessen... 36 10.1 Indledende arbejdsgang i ecognition... 41 10.2 Opbygning (top down)... 47 10.3 Opbygning (bottom up)... 49 10.4 Underklasser... 54 10.5 Overklasser... 61 10.6 Automatisering i ecognition... 67 10.7 Opsamling på rekognoscering... 68 11 Sammenkobling af billed- og positionsdata... 69 11.1 Filopbygning ved sammenkobling... 69 11.2 Programmering af software... 70 11.3 Resultat af sammenkobling... 73 12 Test af system... 74 12.1 Opstilling af test... 74 12.2 Testresultat... 75 2

13 Konklusion...77 14 Perspektivering...79 Litteraturliste...81 3

1 Indledning Landinspektøruddannelsens 8. semester (Measurement Science) har hovedtemaet Sensor og Dataintegration. På semestret præsenteres forskellige integrationsmuligheder af sensorer i kombination med undervisning i GPS, Koordinatsystemer og Koordinatomregninger samt Fotogrammetri og Remote Sensing, Objektgenkendelse og Objektmodellering. Sideløbende med undervisningen udarbejdes to frie studieaktiviteter i henholdsvis koordinatomregning og programmering ved en transversal afbildning og automatisk fremstilling af højdemodeller. Semestrets formål er at give de studerende en indgående viden om teorier og metoder til integration af forskellige sensorer, og ved semestrets afslutning skal den studerende ifølge studievejledningen: være i besiddelse af en grundlæggende viden om metoder til brug ved sensor- og dataintegration kunne identificere og analysere de problemer, der er forbundet med sensor- og dataintegration kunne identificere og analysere alternative metoder til brug ved sensor- og dataintegration kunne danne syntese mellem identificerede problemer, teorier samt eventuelle empiriske undersøgelser kunne foretage en vurdering af alternative løsninger ud fra relevante kriterier, f.eks vedr. fuldstændighed, nøjagtighed og ressourceforbrug. Mobil kortlægning er en målemetode som har gennemgået en stor udvikling i de seneste årtier, specielt udvikling af computer, GPS og digitalkamera har medvirket til den øgede forskning vedrørende denne form for kortlægning. Med denne digitale fremgang er det lettere at automatisere processen, hvor det tidligere, eksempelvis grundet filmbaserede kameraer ikke var muligt. Med den forbedrede computerkraft samt moderne kommunikationssystemer kan billederne behandles og de ønskede oplysninger opnås i nær-realtid, hvorfor mobil kortlægning er særdeles anvendeligt i forhold til eksempelvis GIS databaser. Det har igennem projektet været et ønske at skabe en forståelse for MKS samt opbygningen af et sådant system, for derefter at kunne undersøge muligheden for automatisk rekognoscering af skilte i billedmateriale, hvilket er en af de problemstillinger, der kan opstå ved efterbehandlingen af data, indsamlet med et MKS. VD indhenter i dag deres materiale med et MKS, hvor der anvendes kamera og positioneringssensorer til at rekognoscere vejskilte langs det danske vejnet. Det system VD 4

anvender, medfører en del manuelt arbejde, hvorfor efterbehandlingstiden af det indsamlede materiale ikke er optimal. For at udnytte de fordele, der er ved at benytte MKS, undersøges, hvordan der i dag registreres vejskilte i VDs billedmateriale, og hvordan en sådan arbejdsproces kan automatiseres, hvorefter rekognoscering og positionering integreres i et samlet produkt. Projektgruppen har hentet inspiration fra artikler, emnets omtale under forelæsninger og en gæsteforelæsning af VD samt efterfølgende besøg hos henholdsvis VD og AK, hvilket har ledt frem mod opstillingen af det initierede problem. Senere afgrænses denne problemstilling til at en endelig problem formulering, hvorunder der afgrænses mod en løsning på problemet. 5

2 Metode og fremgangsmåde I dette afsnit gives et kort overblik over metoderne anvendt gennem projektet og en kort beskrivelse af projektets forløb frem mod det endelige produkt. Derefter beskrives projektets struktur i foranalysen, hvor der til de enkelte kapitler, gives en kort beskrivelse af indholdet. Til hjælp for at opstille projektets problemformulering og for at analysere og løse denne problemstilling, anvendes gennem projektet, værktøjer og metoder, som er erhvervet gennem forelæsninger i metodelære. Ud fra disse forelæsninger er stiftet bekendtskab med vidensproduktionsprocessens hovedelementer og arbejdsgang, hvor der indledningsvis i projektperioden analyseres frem mod en problemstilling, der ønskes undersøgt, eksempelvis på baggrund af litteraturstudier og interview. Når problemet er defineret opstilles teoretiske muligheder for løsninger og der foretages empiriske undersøgelser frem mod den endelige løsning eller konklusion på projektet og det opnåede resultat. Gennem projektforløbet sammenstilles den opstillede teori med de empiriske undersøgelser og der ledes tilbage på den viden, der er erhvervet i foranalysen, frem mod den endelige problemstilling. I figur 2.0.1 nedenfor vises hovedelementerne ved en vidensproduktionsproces og det illustreres hvorledes elementerne agere i samspil med hinanden. Figur 2.0.1: Vidensproduktionsprocessens hovedelementer og arbejdsgang [Aunsborg, 1997]. 6

Projektet ønskes uarbejdet som et problemorienteret projektforløb, hvor der indledningsvist fremlægges en bredere problemstilling, der tjener som det initierende problem. Herefter laves dybdegående undersøgelse af det initierende problem og der ledes frem mod en afgrænsning af det initierende problem, hvor denne afgrænsning tjener som problemformulering for selve projektets opbygning og formål. Når problemformulering er fastlagt, beskrives projektets løsning og hvilke valg, der er truffet for udviklingen af det produkt, der fremstilles. Her tænkes specielt på valg af programmel og materialer for at finde frem til en løsning. Herefter er det hensigten at der indsamles data, men i dette tilfælde er denne indsamling foretaget af VD, hvis billedmateriale det er valgt at anvende til problemløsningen. Selve databearbejdningsdelen er kernen i dette projekt og det er ud fra denne del at det endelige produkt fremstilles. I dette tilfælde anvendes eksisterende software i samspil med egen programmering til at skabe projektets løsning. Her gøres rede for programmernes virke, anvendelse og hvorfor disse er valgt. I forlængelse og i samspil med databearbejdning udføres tests for at udvikle og vurdere det endelige produkt. Projektet afsluttes med en konklusion samt en perspektivering over emnet. 2.1 Struktur gennem foranalysen Figur 2.1.1: Figuren viser projektets struktur gennem foranalysen. 7

Beskrivelse af strukturdiagram (figur 2.1.1): Første del af projektet frem mod problemformuleringen er undersøgelser der leder frem til en afgrænsning af det valgte emne. Disse undersøgelser indledes gennem en bred initierede problemstilling, hvor projektgruppen har til hensigt at tage udgangspunkt i de ønsker der gives udtryk for ved besøg hos VD og AK. Herefter gennemgås udviklingen for MKS og eksisterende MKS, hvor der fokuseres på historie, anvendelse, opbygning og eksempler på eksisterende systemer. Dette afsnit ledes videre til en beskrivelse af det MKS, VD anvender ved deres dataindsamling og en beskrivelse det billede- og positionsdata der indhentes. I forlængelse af kapitlerne om MKS, introduceres til forskellig metoder vedr. billedbehandling, hvor der herunder tages udgangspunkt i segmentering og klassificering. De nævnte kapitler opsamles under en afrunding på foranalysen, for at kunne opstille projektets problemformulering. Herunder skal det nævnes at projektgruppen ikke ønsker at skabe et komplet MKS til rekognosceringen, men at der fokuseres på at skabe en løsning på et praktisk problem ud fra eksisterende data. I de følgende afsnit beskrives indholdet af de forskellige kapitler, der er inddelt i gennem foranalysen, med henblik på at give læseren en kort introduktion til sammenhæng. Mobile kortlægningssystemer Indledningsvis i kapitel 4 beskrives historien for MKS, for dermed at give et indblik i systemernes forskellighed og hvorfor det først er indenfor de sidste 15 år at udviklingen af sådanne systemer er blevet særdeles interessant. Efterfølgende undersøges til hvilke måleopgaver MKS anvendes, for dermed at danne forståelse for de muligheder, der findes hermed og at der med disse måleopgaver stilles forskellige krav til de anvendte sensorer i systemet. Når der er introduceret til de anvendelsesmuligheder, der findes med MKS, beskrives mulige opbygninger af MKS. Afslutningsvis i kapitlet introduceres til to allerede eksisterende systemer, hvor der tages udgangspunkt i et system med enkeltbillede fotogrammetri samt det stereobillede system anvendt til dataindsamling til Krzysztof Gajdamowicz autorekognoscering af skilte i billeder. Vejdirektoratets MKS For at automatisere rekognoscering af vejskilte har projektgruppen anvendt materiale fra VD for derved at arbejde med et reelt problem. Dette data er indsamlet med VDs MKS, hvorfor der introduceres til dette system for dermed at vurdere hvilke forbedringer der ville kunne foretages, i forhold til eksempelvis nøjagtighed ved positionering. Efter introduktionen til VDs system beskrives de data som opnås ved dataindsamling med dette MKS, hvor eksempelvis positionering forklares. Dette gøres for at give en forståelse for de data, der er til rådighed og eventuelle mangler påpeges. 8

Generel billedbehandlingsteori I kapitel 6 introduceres til billedbehandling (billedanalyse), hvor der tages udgangspunkt i segmentering og klassificering. Da der anvendes forskellige metoder til at uddrage anvendelige oplysninger fra billeder, beskrives disse kort, for dermed at kunne foretage klassificerede valg af hvordan der ønskes arbejdet videre efter problemformuleringen. I kapitlet beskrives ligeledes den metode Krzysztof Gajdamowicz anvendte i sin ph.d.-afhandling, for at undersøge hvordan problemet med rekognoscering er løst tidligere. 9

3 Initierende problemstilling I dette kapitel opstilles den initierende problemstilling for projektet. Interessen for dette emne er skabt gennem en gæsteforelæsning af VD vedrørende deres måleteknikker og de køretøjer som anvendes til forskellige måleopgaver, der her varetages. Afslutningsvis i forelæsningen blev fremlagt ønsker om at automatisere den proces, hvormed de rekognoscerede skiltene i billederne og tildelte billederne en position. Denne problemstilling fangede projektgruppens interesse og da der gennem semestret var introduceret forskellige sensorer samt klassificering af områder i satellitfotos, var det hensigten at undersøge, hvordan sensorerne fungerede i samspil og hvordan processen vedrørende rekognoscering af vejskilte i billederne kunne automatiseres. For at undersøge hvilke kriterier der ønskes opfyldt for at produktet er anvendeligt, henholdsvis positioneringen og de automatiserede billedbehandling, kontaktede projektgruppen udbyderen af materialet (VD) samt en rekvirent af materialet (AK), for at undersøge, hvilke oplysninger det var ønskeligt at kunne uddrage i billederne. Projektgruppen besøgte derfor Henrik Vad Jensen fra VD, hvor der blev talt opbygningen af det MKS, der anvendes til opmåling og hvordan den manuelle proces med rekognoscering foregår i dag. Henrik Vad Jensen forklarede hvilke oplysninger VD anvendte samt at den enkelte rekvirent specificerede de oplysninger som skulle anvendes. Ligeledes forklaredes hvordan der anvendes en uhensigtsmæssig mængde arbejdskraft på at kontrollere om de enkelte billeder indeholdt skilte m.m., hvorfor en automatisering af billedbehandlingen er hensigtsmæssig, herunder automatisk rekognoscering af forskellige skiltetyper. Henrik Vad Jensen forklarede at de enkelte rekvirenter selv specificerede de dataoplysninger de ønsker fra det rekvirerede materiale, hvorfor projektgruppen ønsker at undersøge, hvilke oplysninger en mulig rekvirent måtte have. Ved besøget hos VD blev AK nævnt som en flittig bruger af produktet, hvorfor projektgruppen foretog et besøg, hvor Henrik Jess Jensen og Rune Pedersen, der er med til at administrere vejskiltene i kommunen, forklarede hvilke oplysninger AK ønskede at kunne rekvirere af en udbyder. Således kunne projektgruppen danne sig en ide om, med hvilke oplysninger den automatiserede proces skulle bidrage. På mødet med AK ytredes eksempelvis ønsker om at kunne bestemme en eksakt position for vejskilte og om placering var i helleanlæg eller ved siden af fortov, altså kunne bestemme, hvor langt fra kørebanen skiltene var placeret. AK ønskede også en angivelse af skiltenes retninger i forhold til verdenshjørnerne af hensyn til algedannelse og slid på skiltene. Sidst ønskede kommunen en angivelse af boltenes stand og type på selve skiltene, så det kunne bestemmes ud fra billedmaterialet om der skulle skiftes beslag eller om nogle bolte manglede og hvad type beslag, der var anvendt. 10

Efter besøgene hos henholdsvis VD og AK står det klart, at der er ønsker fra begge parter om at forbedre de informationer, der kan hentes vha. systemet i dag og at begge parter har en ide om hvad systemet kan bruges til. Besøgsrapporterne fra de to besøg kan findes i bilag B - Besøgsrapporter. Den initierende problemformulering lyder derfor som følger: Hvordan skabes et automatiseret system, som kan afhjælpe Vejdirektoratets og Aalborg Kommunes ønsker til rekognoscering og positionering af vejskilte? Herunder ønskes undersøgt: Hvordan er MKS opbygget generelt? Hvordan er VDs MKS opbygget og hvilket datamateriale opnås? Hvordan foregår en rekognoscering af skilte i billeder? Hvordan kan processen automatiseres? De opstillede underpunkter skal ikke ses som værende i prioriteret rækkefølge, men som fremgangsmåden hvorpå problemet søges undersøgt, således ønskes indledningsvist at undersøge MKS for at opnå viden om opbygning af systemet og efterfølgende omkring billedbehandling og hvordan en automatisering af en sådan proces kunne virkeliggøres. 11

4 Mobil Kortlægningssystemer Dette kapitel introducerer til MKS, hvor det kort forklares hvad et MKS er, for dermed at give en forståelse for dataindsamling med MKS. Det ønskes i kapitlet kun at behandle automobilbaserede MKS, da det er denne form for MKS der anvendes til rekognoscering af vejskilte. Der findes udover automobilbaserede MKS ligeledes MKS til fly, helikopter, skib og håndholdte MKS. Indledningsvis i kapitlet beskrives den udvikling MKS har gennemgået fra Foto-logging (FL) til nutidens MKS. Derpå følger afsnittet omhandlende anvendelsesmuligheder hvor de muligheder og fordele der er med opmålinger vha. MKS beskrives, hvilket leder over i hvordan et sådant system er opbygget. I denne gennemgang behandles ligeledes eventuelle problemstillinger som opstår i forbindelse med opmåling vha. MKS. Afslutningsvis i kapitlet introduceres til allerede eksisterende systemer for hermed at undersøge, hvordan disse er opbygget, hvorfor det beskrives, hvilke sensorer der anvendes til positionering i systemerne og hvordan systemerne er opbygget med henblik på indsamling af billedmateriale. 4.1 Historie Udviklingen af MKS begyndte principielt med FL i 1970 erne, hvor systemet var opbygget hovedsageligt af et filmbaseret kamera, placeret i forruden på et køretøj og i samspil med gyroskoper, accelerometre og odometre, benyttedes til opmåling. Da FL er et enkeltkamerasystem og det dermed ikke er muligt at positionere i 3D samt det faktum at der ikke opnås tilstrækkelig nøjagtighed ved positioneringen, anvendtes køretøjets position ofte sammen med tidspunktet til positionering af billedet. Udover den dårlige nøjagtighed optog data herfra uhensigtsmæssigt meget lagerplads og efterbehandlingen var ligeledes for omfattende [Vincent Tao, 2000]. Med udviklingen af videobilledteknologien afløstes FL af Video-logging (VL) [Vincent Tao, 2000], og i 1983 udviklede Alberta Transportation (AT), Canada, et Mobile Highway Inventory System (MHIS), hvor flere sensorer integreredes på et køretøj, for derved at kunne opmåle vejudstyr på de vejstrækninger, som administreredes af AT [Lapucha et al., 1990]. I Alberta Transportations MHIS opbyggedes systemet med to videokameraer, et oversigtskamera og et kamera til observation af vejoverfladen. For at opnå de ønskede positionsoplysninger integreredes forskellige sensorer, herunder gyroskop, gyrokompas, accelerometer og odometer. Således opnåedes eksempelvis, da der måltes vha. Inertial Navigation System (INS), en positionsnøjagtighed på 1m/km, målt i forhold til den tilbagelagte afstand [Lapucha et al., 1990]. En forbedring af MHIS blev testet og publiceret i 1990, da forskere fra University of Calgary, Canada, i samarbejde med AT konstruerede et system, hvor Globalt Positionerings System (GPS) 12

integreredes i forhold til INS, for dermed at udnytte GPS præcise positionering og INS præcise hastigheds- og orienteringsmålinger [Lapucha et al., 1990]. Systemet blev bygget op med en strapdown INS, hvormed beskrives i afsnit 4.3 Opbygning af MKS, og GPS, i form af relativ GPS, hvor en modtager placeredes ved startpunktet og en modtager på køretøjet. Kombinationen GPS og INS eliminerede de cycle slips, der måtte være ved målinger foretaget med GPS. Cycle slips forekommer, når signalet fra bærebølgen ikke kan modtages, hvorfor modtageren mister en eller flere epoker. Dette kan skyldes eksempelvis fysiske blokader, bygninger, træer mm.. For at kombinere data fra de to systemer anvendtes et Kalman filter, hvor INS observationerne blev anvendt til at beregne orientering, anvendtes målingerne med GPS som checkpoints for INS målingerne. Et Kalman filter er en optimal rekursiv algoritme til dataprocession [Maybeck, 1979]. I et Kalman filter integreres alle de tilgængelige oplysninger, der findes til et system. Således inddrages, i dette tilfælde, oplysninger omkring eksempelvis instrumenter, nøjagtigheder til hvert enkelt instrument og andre relevante oplysninger [Maybeck, 1979]. Målingerne med dette system opnåede en nøjagtighed på 10-15cm [Lapucha et al., 1990]. Udviklingen af MKS blev hovedsagelig foretaget af Ohio State University og University of Calgary [Vincent Tao, 2000]. En vigtig faktor for MKS er direkte georeferering, hvilket opnås gennem integration af flere sensorer til navigation og positionering, hvor udviklingen af moderne telekommunikation muliggør tilknytning til en geospatial database og grundet hurtige og gode kompressionsmuligheder opnås billeder i realtid. En af de store forskelle mellem måling med et VL system og et MKS er, at det i det sidstnævnte er muligt at positionere i 3D ved integration af flere kameraer på køretøjet, samtidig med at der integreres forskellige positioneringssystemer, herunder GPS, INS eller Dead Reckoning (DR) [Vincent Tao, 2000]. 4.2 Anvendelsesmuligheder I dette afsnit beskrives forskellige anvendelsesmuligheder for MKS, for at give et overblik over hvordan forskellige opgaver, kan influere på valg af de sensorer, der anvendes i de forskellige systemer. Der er udover rekognoscering og positionering af vejskilte andre anvendeligheder, hvor nogle af de indsamlede artikler beskæftiger sig med forskellige opmålingstyper. I et projekt fra Verona anvendes MKS til undersøgelser angående planlægning af forskellige områders udvikling, for generel byplanlægning og planlægning i forhold til eksempelvis turisme [Manzoni et al., 2005]. MKS anvendes hovedsageligt til GIS databaser og byplanlægning, hvor eksempelvis flyfotogrammetri ikke er tilstrækkeligt. Dette kan være i områder med højt byggeri. Til detektering af kloakdæksler, centerlinier og bygningsfacader kan MKS bidrage med oplysninger, som ikke er mulige at opmåle eller er for omkostningsfulde med andre landmålingsmetoder. 13

Opmålinger med traditionelle landmålingsinstrumenter omkring trafikerede veje kan medføre uhensigtsmæssig gene for trafikken og flyfotogrammetri vil muligvis ikke opnå tilstrækkelige resultater grundet køretøjernes dække af vejoverfladen. Derfor er MKS i en sådan situation et anvendeligt redskab til sådanne opmålinger af vejudstyr og andre oplysninger [Li, 1997]. 4.3 Opbygning af MKS Dette afsnit introducerer til opbygningen af MKS, herunder hvilke sensorer der anvendes, hvorfor de er anvendelige i et MKS samt beskrivelse af hvilke ulemper der kan være ved brugen af de enkelte sensorer. Da et MKS ikke udelukkende består af sensorer, beskrives ligeledes andre nødvendige komponenter til mobil kortlægning. For at opnå resultater til de i afsnit 4.2 omtalte opmålingsbehov, anvendes forskellige sensorer, hvorfor der i dette afsnit afgrænses til beskrivelse af de systemer der anvendes til opmåling af vejudstyr, nærmere betegnet opmåling af vejskilte. MKS der anvendtes til projekter som dette, der har til formål at indsamle data omkring vejskilte har integreret et kamera, her anvendes ofte Charge Coupled Device (CCD) kameraer, hvor det, hvis skiltet skal positioneres præcist, er nødvendigt at anvende to CCD kameraer, for af danne stereomodeller samt at kende indre og ydre orientering af kameraerne. Et CCD er et lysfølsomt kredsløb som anvendes i digitale kameraer. I CCD gemmes og fremvises data ved at hver enkelt pixel konverteres til en elektrisk ladning som er relateret til farveintensiteten. Til beregning af den ydre orientering anvendes data fra positioneringssystemet, hvorfor roll, pitch, yaw samt position af kameraet, i MKS ets eget lokale koordinatsystem, skal kendes. Til positionering er GPS et essentielt redskab da der ved anvendelse af GPS opnås en absolut positionering af GPS antennen med høj nøjagtighed. Modtageren beregner positioner flere gange i sekundet, men ikke med tilstrækkelig frekvens til at køretøjets rute kan beregnes. Dette skyldes at køretøjet har bevæget sig mellem hver GPS måling, hvorfor antennens position ikke kan ses som en kontinuerlig linie, men som en række enkeltpunkter, som illustreret på figur 4.3.1. En anden ulempe ved GPS er at målingerne er afhængige af udefra kommende informationer, hvorfor der, hvis der opstår de tidligere omtalte cycle slips eller Figur 4.3.1: Figuren viser at GPS målingerne ikke danner en kontinuerlig linie, men at positioneringen sker punktvis [Cederholm, 2005] hvis geometrien til den rumlige indbinding der foregår ved GPS målingerne ikke er tilstrækkelig, ikke kan positioneres. 14

For at kunne beregne køretøjets position er det derfor nødvendigt at have en sensor, som måler med højere frekvens end en GPS modtager. Her anvendes ofte DR, som er måling af en kurs og en tilbagelagt afstand. Fordelen med DR er, at der opnås kontinuerlige observationer samt at DR ikke er afhængig af informationer fra kilder udenfor systemet, hvorfor systemet ikke har udfald som GPS. DR er en betegnelse for forskellige kombinationer af sensorer der tilsammen giver de førnævnte størrelser, kurs og tilbagelagt afstand. Opbygningen af DR kan således variere meget, afhængigt af brugerens behov og økonomi. Et DR kan således indeholde et odometer, som er en triptæller, til opmåling af den tilbagelagte afstand i kombination med magnetisk kompas til beregning af køretøjets kurs (yaw). Ved et magnetisk kompas kan opstå forskellige fejl fra magnetiske kilder, herunder bilens eget magnetfelt og lokale magnetfelter som passeres [Cederholm, 2001]. Alternativt til et magnetisk kompas kan anvendes et gyrokompas, hvor gyroens aksestivhed og præcision anvendes sammen med jordens rotation og tyngdekraft. Gyrokompasset genererer fejl ved acceleration hvor kompasset slår ud [Wikipedia 2006]. Hvis køretøjets vipninger omkring de to akser (roll og pitch) kan eksempelvis anvendes inklinometre. Et inklinometer er en sensor til at måle vinkler, hvor der måles 1D vipninger i forhold til lodlinien. En anden form for DR er INS, som indeholder en Inertial Measurement Unit (IMU), men også består af beregningsrutiner til bestemmelse af position, rotation og hastighed på baggrund af output fra IMU'en. IMU består typisk af tre gyroer og tre accelerometre, der henholdsvis måler vinkelhastigheder og accelerationer i tre dimensioner [Cederholm, 2005]. Disse observationer kan omregnes til vinkler og hastigheder, f.eks. hvilken retning objektet/køretøjet bevæger sig i. IMU opbygges typisk efter to principper, herunder Strapdown system og Gimballed system [Cederholm, 2005]. Princippet for et Gimballed system ses på figur 4.3.2, hvor gyroerne og accelerometrene er placeret på en platform centralt i systemet. Denne platform omgives af tre bøjler, som hver især tillader en rotation omkring en akse, hvormed ideen bag Figur 4.3.2: figuren viser et Gimballed system, hvor systemet er at platformen holdes stationær, plat-formen hvorpå gyroerne og accelerometrene er hvilket dog ikke er muligt grundet modstand i placeret, omgives af bøjler som roterer ved bevægelse i lejerne, som tillader denne frie bevægelse forhold til de akser, X,Y eller Z. [Cederholm, 2005] 15

[Cederholm, 2005]. Gimballed systemer er mekanisk komplicerede systemer, netop grundet ledene antages modstandsfire og således er komplicerede at producere, hvilket medfører at systemet er dyrt. Ydermere er der slitage på disse led, hvorfor målinger bliver fejlbehæftede med tiden [Cederholm, 2005]. Strapdown er systemer, der er opbygget på en rigid platform, hvor de tre gyroer og de tre accelerometre placeres, en illustration heraf ses på figur 4.3.3. Ved beregningerne, som er mere komplicerede end ved Gimballed systemet, kalkuleres platformens orientering på baggrund af målingerne fra gyroerne. Grundet strapdown systemets simple opbygning produceres systemet billigt, hvorfor der er stor udvikling indenfor netop denne type IMU [Cederholm, 2005]. Da der i INS genereres fejl, som en funktion af tiden, jf. figur 4.3.4, er det ønskeligt at have korte intervaller mellem kendte koordinater og målinger foretaget med INS, hvorfor opmålinger med INS måles i forhold til et checkpoint. Dette checkpoint kan være en koordinat opnået ved GPS måling. Da der er drift på IMU over tid er systemet ikke tilstrækkeligt som eneste løsning i et MKS, men som supplement til GPS er INS et anvendeligt værktøj [Stowall, 1997]. GPS observationerne benyttes som checkpoint for INS målingerne. Til at kombinere data fra GPS og DR anvendes et Kalman filter, som indeholder data om de forskellige sensorer, hvormed opnås den bedste nøjagtighed for systemet [Maybeck 1979]. Alle data til beregning af systemets indre og ydre orientering beregnes i en computer. Figur 4.3.3: Figuren viser et strapdown system. Som det ses er gyroerne og accelerometrene placeret på en rigid platform [Cederholm, 2005]. Figur 4.3.4: Figuren viser INS og RTK fejl i forhold til tid, hvor det bør notes at RTK ikke tilskrives fejl som funktion af tiden, men INS gør [Cederholm 2, 2005]. 16

4.4 Eksisterende MKS I dette afsnit beskrives allerede eksisterende MKS, hvor det schweiziske system Photobus, som er et enkeltkamera system med anvendelse af bl.a. Real Time Kinematic (RTK) måling til positionering, beskrives. Herefter gennemgås det nordamerikanske On-Sight, som bl.a. er anvendt af Krzysztof Gajdamowicz dataindsamling ved et system til automatisk rekognoscering af vejskilte i Sverige. Photobus Photobus er et MKS udviklet af Swiss Federal Institute of Technology. Systemet anvendes både til opmåling af centerlinie på vejene og vejskilte, hvor to kameraer er integreret, ét til hvert af disse formål. En illustration heraf ses på figur 4.4.1. Som det ses på figuren indeholder køretøjet to CCD kameraer, et til opmåling af skilte og et til måling af centerlinien på vejen. Til positionering af køretøjet anvendes to dobbeltfrekvente GPS modtagere, som modtager positioner pr. 0,05sek. Der er på køretøjet integreret tre GPS modtagere, én på køretøjets Figur 4.4.1: Figuren illustrerer opbygningen af Photobus, hvor enkeltkameraer anvendes til rekognoscering af centerlinier af vejene og vejskilte [Gontran et al.,2004]. forreste del og én på bilens bageste del. Målingerne foretages vha. RTK, hvormed GPS-målingerne opnås i realtid og med en nøjagtighed på 5cm [Gontran et al., 2004]. Til at fastlægge køretøjets orientering anvendes ligeledes IMU, der måler drejninger og accelerationer i tre retninger. Yderligere anvendes et elektronisk odometer. Målingerne med RTK og odometer anvendes til at korrigere systemets azimut og den tilbagelagte afstand, hvormed IMU ens observationer herved kan korrigeres [Gontran et al., 2004]. Azimut er retningsvinklen i forhold til nord. Ved systemets anvendelse til opmåling af vejskilte, hvor kameraet er orienteret nær perpendikulært i forhold til vejen, opnås ikke tilstrækkelig identificering af skiltene, hvorfor der arbejdes med at implementere endnu et kamera med GPS således, at der kan opnås autogenkendelse af skiltene [Gontran et al., artikel]. 17

On-Sight I 1999 udgav Krzysztof Gajdamowicz en ph.d.-afhandling omhandlende automatisk behandling af georefererede stereo farvebilleder til rekognoscering af vejudstyr. Denne afhandling anvender On- Sight MKS. On-Sight består af tre hovedmoduler, herunder et modul til billedindsamling, et til positionering og orientering samt et til datalagring [Gajdamowicz, 1999]. Dette MKS anvender GPS, INS, odometer og fire CCD kameraer, hvor to kameraer er orienteret fremad og to kameraer er orienteret mod højre i forhold til køretøjet [Gajdamowicz, 1999]. Kameraerne på taget af køretøjet er placeret således, at der kan fotograferes billedpar i stereo i et område foran køretøjet. Afstanden mellem kameraerne er 1,8m, hvor de indre orienteringsparametre for kameraet er bestemt ved kalibrering, og de ydre parametre bestemmes vha. de øvrige sensorer i systemet. Til positionering anvendes to dobbeltfrekvente modtagere, hvor én anvendes som master og placeres i et referencepunkt og den anden placeres på køretøjet og anvendes som rover. Herved opnås en absolut position og der korrigeres for drift på INS et. Til at beregne kursen mellem GPS målingerne samt at korrigere for multipath og cycle slips, anvendes INS, hvormed en orientering og en relativ position i forhold til GPS observationen opnås. Multipath er når GPS signalerne modtages via flere baner, eksempelvis i form af at signalet reflekteres på nærtliggende bygninger. Således modtages et signal direkte fra satellitten og det samme signal modtages reflekteret, hvormed en unøjagtig position opnås. Ligeledes anvendes data fra INS til orientering af kameraet, hvor kombinationen af GPS/INS og odometer anvendes som ydre orientering til køretøjet. Odometret anvendes til at måle den tilbagelagte afstand [Gajdamowicz, 1999]. Under opmålingerne foretages kompression til JPEG-format, hvorved der optages mindst muligt dataplads. Denne kompression foregår online, således at det komprimerede billede gemmes sammen med tilhørende positionsdata, hvilket medfører en begrænsning af den hastighed hvormed der kan måles. Hvis der tages fotos for hver meter, begrænses hastigheden til 15km/t, hvorimod hvis indsamlingen af fotos begrænses til hver femte meter, kan hastigheden øges til 80km/t [Gajdamowicz, 1999]. Det system, der i dette tilfælde opbygges, anses for at kunne holde en nøjagtighed på mellem 30cm og 1m, hvis skiltet fotograferes indenfor en afstand af 18m fra der hvor kameraerne er placeret på køretøjet [Gajdamowicz, 1998]. 18

5 Vejdirektoratets MKS I dette afsnit beskrives det MKS, VD anvender til opmåling af vejudstyr i Danmark, for hermed at give en forståelse for de anvendelsesmuligheder, dette system giver. Såfremt andet ikke er anmærket er kilden til det skrevne Henrik Vad Jensen fra VD, som ved konstruktionen af køretøjet specificerede kravene hertil. Da de data, der umiddelbart anvendes i Danmark, indsamles af VD, ønskes det at anvende data indsamlet med deres MKS. VDs køretøj består af en bil, hvorpå der er integreret en række sensorer. Der er, på køretøjets tag, monteret en GPS modtager, som foretager RTK-målinger, hvis observationer omsættes til koordinater i et givet referencesystem i køretøjets computer. For at måle orienteringen og den tilbagelagte afstand af køretøjet anvendes DR, hvor køretøjets odometer anvendes til at beregne tilbagelagt afstand. Odometeret kan, på en strækning uden hældninger eller sving, overholde en nøjagtighed på 2-3m/km. For at beregne køretøjets orientering anvendes en såkaldt gyro rate sensor, som måler vinkelhastighed i bilens kørselsretning. Den gyro rate sensor VD anvender, består af en lyskilde, placeret i sensorens centrum og et antal ringe med udfasninger i et bestemt system. Lyset registreres når det når igennem ringene og afhængigt af hvilke ringe lyset når igennem, registreres en forskellig intensitet i lyset. Disse ringe bevæges når kursen på køretøjet ændres. I samspil med gyro rate sensoren anvendes to inklinometre, én i længderetning og én i tværretning, til at måle køretøjets roll, pitch og yaw parametre. Da VD anvender inklinometre i både længde og tværretning kan køretøjets roll og pitch måles. Til at måle spændingerne på sensorerne i DR systemet anvendes en Analog to Digital Converter (ADC). En ADC anvendes til at transformere et analogt signal til et digitalt, for dermed at kunne anvende oplysningen uden manuel betjening. I ADC digitaliserer således de analoge spændinger til digitalt data. Denne ADC er følsom overfor temperaturændringer, hvor denne ved svingende temperaturer driver uhensigtsmæssigt, hvorfor systemet bringes til en vis temperatur før det anvendes. Der er ingen accelerometre i VDs system. For at synkronisere data fra de forskellige sensorer samles dette i en såkaldt SmallPOS, som er en mikroprocessor, der har interface til ADC fra de forskellige sensorer. For at observere vejudstyret, er der påmonteret et videokamera, som er placeret forrest på køretøjets tag. Kameraet kan styres fra førersædet, således at det er muligt at dreje for særlig observation af ønskede skilte. Kameraet kan indstilles til at optage fotos baseret på en ønsket afstand, og til målinger, med undtagelse af specialobservationerne, hvor kameraet drejes af operatøren for at observere skilte med anden orientering. Der er i kameraobservationerne en målestok, som placeres ca. 5-10m foran køretøjet, gående fra vejmidten og mod højre. Det er således operatørens opgave at orientere kameraet således at denne målestok går fra kørebanens midte mod højre, mens køretøjet er 19

i bevægelse. Denne målestok er ikke synlig for operatøren, da den, af systemet, først placeres i billedet efterfølgende. Det er således positionen på køretøjet der opnås og ikke positionen på det ønskede objekt i fotografiet. Der søges dog at positionere vha. den i billedet placerede målestok samt den tilnærmede afstand på 5-10m, idet GPS positionen projiceres ud på den visuelle målestok, ud fra den målte retningsvinkel. Den opnåede position på objekter, ved den manuelle måling i billedet vurderes, af VD, at være ca. 2-3m. Udover de nævnte sensorer findes, i systemet, grovfejlsfiltre til bestemmelse af eksempelvis retningsvinkelen, hvor filtret forkaster retningsvinklen fra GPS, hvis afstanden siden sidste epoke overstiger 2m og differencen mellem retningsvinklen målt med GPS og retningsvinklen målt med gyro overstiger 0,1 grad. Systemet er ikke optimalt i forhold til positionering, da visse parametre ikke er medregnet i processen og taget højde for. Det anvendte videokamera er ikke kalibreret, hvorfor hverken hovedpunkt, kamerakonstant eller linsefortegning kendes. Havde kameraet været kalibreret hensigtsmæssigt at ændre fokuseringen, da dette ændrer kalibreringen. Disse størrelser er nødvendige for at udføre en nøjagtig beregning af skiltets placering. For at beregne en nøjagtig position til skiltet er det ligeledes nødvendigt at kende billedets målforhold, men dette er ikke muligt grundet varierende skiltestandarder. Det er imidlertid ikke kun den indre orientering der er mangelfuld. Det i systemet anvendte kameras orientering er ikke er fast i forhold til køretøjet, dette problem kunne løses ved en registrering af kameraets roll, pitch og yaw. Disse parametre registreres ikke på VDs køretøj, hvorfor der er problemer med den ydre orientering. Kameraets position i forhold til GPS antennen er ikke kendt, der er således ikke foretaget nogen reel kalibrering af MKS et hvorfor positioner på skilte ikke kan beregnes tilstrækkeligt. Til positionering er det ligeledes hensigtmæssigt med stereofotogrammetri, hvilket heller ikke er opfyldt ved VDs MKS. Det er således ikke muligt at positionere skilte i billederne. For at angive en position på skiltet anvendes den føromtalte målestok, som placeres i en afstand af 10m fremskudt i kørselsretning fra GPS antennen. Den position der angives i VDs data er GPS modtageren projiceret ind på målestokken, hvorfor positionen reelt bliver unøjagtig. Afstanden til skiltet kan reelt set ikke beregnes. De ovennævnte mangler skal ses i forhold til nødvendighed og omkostninger, hvorfor forbedringer er nødvendige såfremt rekvirenten er villig til at betale prisen for en højere nøjagtighed. Et område hvor systemet kunne effektiviseres er ved rekognosceringen af eksempelvis skilte. I det eksisterende system foregår en sådan rekognoscering manuelt, hvor operatøren kontrollerer i hvilke billeder der findes skilte, skiltets stand mm. Denne proces ønskes automatiseret, således at systemet kontrollerer billederne og detekterer eventuelle skilte, således ville efterbehandlingstiden kunne begrænses. 20

5.1 Vejdirektoratets data I dette afsnit beskrives de data, der opnås ved opmåling med VDs MKS, for dermed at introducere til de oplysninger, som anvendes til positionering af data. Ved opmålingerne af VD anvendes et system, hvor de enkelte veje inddeles i mapper. I disse mapper placeres undermapper for hver enkelt strækning af 100 billeder på vejen der opmåles, hvori billederne gemmes i JPEG format, da dette er det billedformat som optager lidt dataplads. Således minimeres datamængden hvilket er ønskeligt grundet den mængde data der indsamles. Grunden til grænsen på 100 billeder er at der i systemet kun kan læses to cifre i billednavnet, hvorfor billederne inddeles fra 00-99. Da VD foretager opmålinger i alt slags vejr opnås billeder med forskellig belysning, hvor eksempelvis billeder taget i kraftig regn eller tåge kan have indflydelse på den kommende rekognoscering, et eksempel herpå ses i figur 5.1.1. Figur 5.1.1: Viser en af de situationer hvor, billeder er optaget i tåge. Eksemplet er fra de tilsendte billeder fra VD. 21

Ydermere kan der opstå problemer omkring genkendelse af skilte som er placeret bag beplantning, da disse ikke er synlige i billedet, et eksempel herpå er illustreret i figur 5.1.2 Figur 5.1.2: Viser en af de situationer hvor, rekognosceringen er problematisk pga. beplantning. Eksemplet er fra de tilsendte billeder fra VD. Ved opmålingerne indstilles diverse kamera parametre, herunder blændetid og fokus manuelt, hvorfor billedernes skarphed m.m. kan variere fra operatør til operatør. Havde den indre orientering været kendt, ville en ændret fokusering medføre en ændret kamerakonstant, hvorfor der ikke burde ændres herpå. Ligeledes foretages opmålinger hvor køretøjet standses og kameraet drejes for at fotografere skilte der har en anden orientering og derfor ikke er synlige i kørselsretningen. De typer skilte der kan forekomme i materialet findes i bilag C Skilteoversigt. Udover billedmaterialet opnås ligeledes filer til angivelse af forskellige parametre. Der oplyses eksempelvis position, der, som nævnt i afsnit 5.0-Vejdirektoratets MKS, angives ved projiceringen af GPS antennen på den placerede målestok, som er angivet enten i system34, KP2000 eller UTM. Derudover angives en højde på observationen, i DNN, DVR-90 eller ellipsoidehøjde, denne højde er ligeledes en projiceret højde, (på samme måde som ved XY). Til angivelse af kvalitet fortæller log-filen for systemet, hvor mange satellitter, der er indgået i beregningerne af positionen, hvilken spredning, der er på den plane position og om der er anvendt GPS eller DR. Disse log-filer gælder én for hver vejkode og er opbygget med alle billedstier og efterfølgende data fra sensorer. 22

6 Generel billedbehandlingsteori I dette kapitel introduceres til billedbehandling, herunder segmentering og klassificering. Formålet hermed er at undersøge de anvendte fremgangsmåder for hvordan billedmateriale generelt behandles for at opnå de ønskede data, f.eks. objektgenkendelse eller shapefiler til brug i GIS-systemer. Indledningsvis beskrives begreberne segmentering og klassificering, for at danne forståelse for disse begreber. Sidst i kapitlet beskrives en eksisterende metode til autorekognoscering af vejskilte, udformet af Krzysztof Gajdamowicz, som har udfærdiget en ph.d.-afhandling omkring automatisk rekognoscering af vejudstyr i georefererede stereofarvebilleder, for dermed at undersøge hvordan en sådan automatisering kan foretages. 6.1 Segmentering Ved en segmentering opdeles billedet i mindre regioner eller mængder med flere pixler ud fra opstillede kriterier [Wikipedia 2, 2006]. Formålet hermed er at få oplysninger om de relevante segmenter, hvorfor segmenteringen afhænger af hvilke data der ønskes. Der kan således frembringes oplysninger i det samme billede som kan være interessante i forhold til et projekt men irrelevante i et andet. Efter segmenteringen kan billedet anvendes til yderligere analyse. I forbindelse med traditionelle segmenterings metoder findes tre typer segmentering, pixelbaseret, kantbaseret og regionbaseret [De Jong et al., 1999], hvor valget afhænger af hvilke oplysninger der ønskes fra den efterfølgende klassificering. Den centrale problemstilling ved denne form for segmentering er at finde konturerne for de ønskede objekter. Dette gøres vha. forskellige teknikker til at finde grænserne på objektet, hvor et eksempel kan være at inddele billedets pixler i gråtonværdier og herved finde kanterne på et objekt ved markante skift i gråtonværdien mellem to nabopixler. [Schenk, 1999]. Den kantbaserede segmentering har til hensigt at finde kanter mellem forskellige regioner i billedet og bestemme segmenterne som regioner i disse kanter. Dette betyder at kanterne angiver grænserne mellem objekter i billedet. Der er forskellige måder at skitsere grænserne på, men generelt set starter enhver kantbaseret segmentering med kantpåvisning, som foretages i tre skridt: filtrering, forstærkning og påvisning. Filtreringen fortages for at frasortere støj i billedet, hvor forstærkningen foretages for at forstærke eventuelle ændringer i intensiteten. Afslutningsvis påvises kanterne i billeder og kantpunkterne kan samles til for dermed at danne en region [De Jong et al., 1999]. Den regionbaserede segmentering danner segmenter ud fra naboprincippet, hvor der tages højde for de lokale forhold i billedet, herunder om en pixel har samme værdi som den tilstødende. Det kan 23

således siges at segmentet udvides indtil en tærskelværdi for intensiteten opnås [Morse, 2000]. Segmenteringen startes altså ud fra et vilkårligt såkaldt seed point og derefter sker der Region Growing, hvor objektet udvider sig indtil nabopixlerne rammer en opstillet tærskelværdi og herefter sammensmeltes pixlerne til et objekt. Processen gentages indtil hele billedet er segmenteret [De Jong et al., 1999]. Det ønskes således at konstruere segmenter så store som muligt, og samtidig at tillade fleksibilitet indenfor regionen [Morse, 2000]. Fordelen ved regionbaseret segmentering er at der produceres sammenhængende segmenter, hvorfor der ikke opstår mellemrum på baggrund af manglende pixler i kanten. Ulempen ved regionbaseret segmentering er at objekter som spænder over flere, ikke sammenhængende regioner, ikke dannes [Morse, 2000]. 6.2 Klassificering Efter segmentering af billedet foretages en klassificering heraf, for dermed at gruppere de segmenter der opnås ved segmenteringen. Der findes to klassificeringsmetoder, Supervised, Unsupervised. Klassificering er processen, hvor segmenter, der antages at have samme karakteristika, tildeles den samme klasse [Gibson et al., 2000]. Der kan således ud fra forskellige tærskelværdier til attributter opstilles et klassehierarki, hvorudfra klassificeringen ønskes foretaget. Et klassehierarki består af overklasser og underklasser og disse tildeles tærskelværdier i ønskede attributter. Over- og underklasser hænger sammen i dette klassehierarki vha. relationsattributter. I Supervised classification anvendes et såkaldt øvelsesområde, hvor operatøren udvælger eksempler, ud fra farve eller strukturer, til de forskellige klasser. Når et antal eksempler er valgt, foretages klassifikationen af det anvendte software. For at kontrollere at klassificeringen er forløbet tilfredsstillende, kontrolleres denne efterfølgende af operatøren. I tilfælde hvor resultatet ikke er tilfredsstillende vælges flere eksempler i øvelsesområdet, hvorefter der klassificeres på ny [CCRS, 2006]. Ved Unsupervised classification derimod samles klynger af pixler udelukkende på baggrund af statistik, hvor operatøren ikke foretager nogen form for udpegning af eksempler. Fordelen ved Unsupervised classification er således at det ikke er nødvendigt at have kendskab til det område som klassificeres, hvilket dog medfører at nøjagtigheden er ringere[ccrs, 2006]. Klassifikation af billedmateriale kan ske ud med udgangspunkt i to forskellige grundlag, hvor den ene er pixelbaseret og den anden, og nye metode, er objektbaseret. Den egentlige forskel på de to klassificeringstyper er at hver pixel klassificeres ved den pixelbaserede og at der ved den objektbaserede tages udgangspunkt i at klassificere objekterne, der er opstået ved segmenteringen af billederne. En af fordelene ved at anvende objektbaseret klassificering er der undgås problemer med støj, altså fejlregistreringer, i billedmaterialet, da der sammensmeltes polygoner ud fra større 24