Abstract
Studien har to deler. Del en omfatter simulering av bilder fra QuickBird satellitten, med deteksjon av kjøretøy i slike blder og analyse av egenskaper ved kjøretøysegmenter versus geometrisk oppløsning i bildene. Ved å ta utgangspunkt i RGB flybilder over Oslo med oppløsning på 0,125 m er QuickBird pankromatiske bilder simulert i ulike oppløsninger fra 0,6 m til 0,125 m. For formålet deteksjon av kjøretøy ansees simuleringen av QuickBird bilder for tilfredstillende. Deteksjonsraten for simulerte bilder med oppløsning 0,6 m er sammenliknbar med den for QuickBird, ved bruk av samme algoritme.
Deteksjonsalgoritmen bruker Otsus tersklingsmetode og sammenkobling av segmenter før egenskapsuttrekking. Potensielle kjøretøysegmenter reduseres med 29 % ved kobling, uten at sanne kjøretøy går tapt. Det er ikke slik at feilraten ved deteksjon synker entydig ved økt oppløsning, trolig er 0,3 m en ideell oppløsning. Skygger i bildene anses som det største hinderet for å detektere kjøretøy korrekt. De mest brukte egenskapene samlet for alle oppløsninger er area, width, length, elongation, compactness, contrast, boundary gradient og gradient mean.
Del to tar for seg synbarhet av kjøretøy i SAR flybilder med oppløsning 1,2 m. Styrken og geografisk nøyaktighet for tilbakespredningen fra parkerte kjøretøy på 12 ulike parkeringsplasser i Lillestrøm er vurdert. Ulike bånd (bølgelengder) og polariseringer sammenlignes og en rangering er foretatt. L-HH sammen med L-HV gir en kontrast på 10 - 15 dB mellom kjøretøy og asfalt, og god geografisk nøyaktighet. X-HH sammen med X-HV gir en kontrast på 10 - 11 dB mellom kjøretøy og asfalt, og den beste geografisk nøyaktigheten i studien. Store kjøretøy avbildes ikke tydelig i denne kombinasjonen. CHH sammen med C-HV gir en kontrast på 11 - 12 dB mellom kjøretøy og asfalt. Avviket i geografisk nøyaktighet er størst i denne kombinasjonen.
This study consists of two parts. Part one contains simulation of QuickBird satellite images with detection of vehicles and analysis of features of vehicle segments versus geometric resolution in the images. The QuickBird panchromatic images are simulated in resolutions 0,6m to 0,125m from RGB aerial photos from Oslo with a resolution of 0,125m. For the purpose of vehicle detection the simulation of QuickBird images are satisfactory. The detection rates in the simulated images with resolution 0,6m are comparable to the QuickBird images, using the same algorithm.
The detection algorithm uses Otsu's threshold method and joins and segments before feature extraction. The amount of potential vehicle segments is reduced with 29% after joining without any true vehicles getting lost. The error rate in the detection does not show an unambiguous descent with increased resolution. The resolution of 0,3m is most likely the optimal resolution. Shadows from the images are considered the greatest obstacle for correct vehicle detection. The most common features throughout the resolutions are area, width, length, elongation, compactness, contrast, boundary gradient and gradient mean.
Part two is focused on visibility of vehicles in SAR aerial images with a resolution of 1,2m. The strength and geographic accuracy for the backscatter of parked images on 12 different parking lots are reviewed. Different bands (band lengths) and polarizations are compared and a ranking is performed. Band L-HH with L-HV produces a contrast of 10 - 15 dB between vehicles and asphalt, and good geographic accuracy. Band X-HH with X-HV produces a contrast of 10-11 dB between vehicles and asphalt, and the best geographic accuracy throughout the study. Large vehicles are not clearly imaged in this combination. Band CHH with C-HV produces a contrast of 11 - 12 dB between vehicles and asphalt. The accuracy of the geographic deviation is highest in this combination.