Topográfiai térképek automatikus raszter-vektor konverziója

Átírás

1 Topográfiai térképek automatikus raszter-vektor konverziója Doktori értekezés tézisei Szendrei Rudolf Témavezető: Dr. Elek István Eötvös Loránd Tudományegyetem Informatikai Kar Informatikai Doktori Iskola Prof. Benczúr András, D.Sc. Információs rendszerek doktori program Prof. Benczúr András, D.Sc. Budapest, 2014.

2

3 1. Bevezetés Az értekezésben bemutatok egy olyan térkép-interpretációs módszert, amelyet a nagy léptékű, elsősorban magyar, papír alapú topográfiai térképek vektorizálásának automatizálására dolgoztam ki. Ennek alapjául, illetve előzményeként tekinthető az IRIS projekt [4], amelynek második szakaszában résztvettem, illetve a [7] PhD értekezés eredményeire is támaszkodhattam. Dolgozatom alapvető célja az volt, hogy a topográfiai térképek manuális vektorizálását informatikai megoldásokkal váltsuk ki, illetve legalább támogassuk egy magasabb szakértői szintig. Az eltervezett működésben az emberi interakció a szoftvernek a térkép csoportokra való beállítására korlátozódik. Ennek során fogalmazódott meg az az alapgondolat, hogy a térképolvasó szakember tudását és látásmódját felhasználva a színes topográfiai térképek logikai rétegeit automatikusan lehessen szétválasztani (lásd 1. ábra, ahol fentről-lefelé haladva látható a pontszerű szimbólumok rétege, a hálózati, illetve a felületi réteg, végül pedig a rétegek egymásra rajzolódásának eredménye, a kész térkép). Ugyanez az ötlet került felhasználásra annak az anomáliának a kezelésekor is, amikor alsóbb rétegek objektumait fedik el felsőbb rétegek objektumai. A rendszer eredményként egy-egy réteget állít elő vektoros állományként a pontszerű, hálózati, illetve felületi objektumok egy-egy típusából. 1. ábra. A térkép réteges logikai felépítése. Téziseimet képezik az egyes térképi rétegtípusokhoz adott speciális feldolgozási módszerek (pontszerű, vonalas és felületi), a térképhez tartozó tudásalapú szabályleírás módszere, valamint egy olyan új algoritmus, amely képes a digitális képszűrő algoritmusok döntő hányadának automatikus párhuzamosítására. 1

4 A bemutatott térkép-interpretációs módszer szükségességét indokolja, hogy hazánk régi topográfiai térképei még nem kerültek vektorizálásra, valamint régiónkból kitekintve, a fejlődő országokban bőven vannak még vektorizálásra váró térképek a hivatalokban. Mivel a kutatás alapjául elkészített szoftvercsomag modulárisan bővíthető, ezt párosítva a tudásleírás lehetőségével [9] út nyílik a különböző országok topográfiai térképeinek ugyanazon rendszerrel való feldolgozására. 2. Tudásalapú térkép-interpretációs megközelítés A használatban lévő szoftverek, illetve hardverek kényelmesebbé teszik ugyan vektorizáló munka elvégzését, de nem foglalkoznak a térkép értelmezésével. Ezek egy része csupán a manuális vektorizálást teszi könnyebbé, másik részük pedig tisztán kép feldolgozási lépésekkel próbál meg eljutni a vektoros adatmodellig. Mivel a topográfiai térképek ábrázolás módjai jelentősen eltérhetnek, illetve bizonyos térbeli viszonyok csak emberi tapasztalat alapján következtethetők ki, ezért az említett módszerek nem elégségesek egy magyar topográfiai térkép interpretációjához. Ezen okból első tézisemben a tudásalapú megközelítéssel [1, 2, 3] a korábbi, pusztán digitális szűrőkre épülő vektorizációs koncepciót szerettem volna egy hatékonyabbra [16] felváltani. Ennek során a térképi rétegeket a papírra kerülésük fordított sorrendjében tartottam célszerűnek felismerni. A jelkulcsi elemeket az őket felismerő algoritmusok szerint három különböző csoportba soroltam (pontszerű, vonalas vagy felületi). Az egyes rétegek interpretálásához szabályhalmazokat definiáltam, valamint a szabályokhoz kiértékelő algoritmusokat adtam. A módszer alapgondolata, hogy a térképek készítése és rétegeik papírra nyomtatása egy jól meghatározott sorrendben zajlik. A később papírra kerülő rétegek objektumai takarást hoznak létre a korábbi rétegek objektumaiban. A felsőbb rétegek eltávolítása után vizuális hiányosságok mutatkoznak a lentebbi rétegekben. Ezek megszüntetését összetett szabályrendszer kísérli meg a térkép-interpretációs tudás alapján. 3. Pontszerű jelkulcsi elemek felismerése A pontszerű jelkulcsi elemek kisméretű ábrák, amelyek megtalálhatóak a jelmagyarázatok gyűjteményében. Az adott térképen szereplő jelkulcsi elemek ezenfelül általában szerepelnek a térkép alján feltüntetett jelmagyarázatban is [10]. Fontos jellemzőjük, hogy a térképen mindig torzítatlan formában szerepelnek, kevés esetben elforgatott helyzetben. Második tézisem egy olyan, a pontszerű jelkulcsi elemek felismerésére adott módszer [11, 12, 15], amely képes a térképek speciális képi világát kihasználva a jelkulcsi elemek lineáris időben történő forgatás-invariáns felismerésére. 2

5 Az eljárás érdekessége, hogy segítségével nem csak a pontszerű szimbólumokat, hanem a felületi textúrákat is felismerhetjük, mivel a textúra egysége a pontszerű szimbólumhoz hasonló képi elem. Az algoritmus ötlete, hogy a térkép és a pontszerű jelkulcsi elem raszteres képét éldetektálásnak, majd Otsu küszöbölésnek vetjük alá. Az élpixeleknél kiszámított irányt és az élpixel helyzetét felhasználva a potenciális mintaillesztések mennyisége több nagyságrendben csökkenthető. A módszer összevetésre került a [17] módszerrel, ami kb. 95%-os felismerési aránnyal rendelkezik. A szerző által adott módszer napjaink átlag gépén nagyjából 261 másodperc alatt képes egy 100 megapixeles térkép feldolgozására, míg az új módszernél ez 2-3 másodpercet vesz igénybe. A pontszerű szimbólumok manuális vektorizálása akár 1 óráig is eltarthat. A lineáris futási idő a [11] cikkben került bizonyításra. 4. Vonalas jelkulcsi elemek felismerése Vonalas jelkulcsi elemek esetén az attribútum ábrázolás színekként és kis vonalas ábrákként nyomtatódik az útszerű objektum nyomvonalára vagy a poligon objektum határvonalára. Ezen elemek felismerése a raszter-vektor konverzió egyik legnehezebb feladata, mivel gyakran összetett, bonyolult ábrázolásmóddal rendelkeznek. Megengedett, hogy két vonalas jelkulcsi elem csak méretarányban térjen el egymástól, valamint az is, hogy a vonalas jelkulcsi elemek keresztezzék egymást vagy összekapcsolódjanak. Szintén nehézséget okoznak az összetartozó, párhuzamosan futó vonalak, amelyek megkülönböztetése a külön objektumokhoz tartozó, párhuzamosan futó vonalaktól még gyakorlott szemmel is nehézkes lehet. Az imént felsorolt anomáliák felismerése túlmutatott a célkitűzéseken, ezért csak olyan vonalas jelkulcsi elemek felismerése volt szempont, ahol feltehető, hogy azok nem keresztezik egymást és nem találkoznak, továbbá összefüggőek, azaz nem szakad meg az ábrázolásuk. A [6] cikk bináris vonalas jelkulcsi elemek vektorizálását mutatja be raszteres képformátumú kataszteri térképeken, míg a [18] cikk topográfiai térképek szintvonalainak automatikus interpretációját mutatja be. Mivel a színes topografikus térképek elemeinek további tulajdonságai, mint útszélesség, burkolattípus stb., nem ismerhető fel a klasszikus módon [8], ezért harmadik tézisemben a problémára egy új módszert [14] dolgoztam ki. Az eljárás első lépésben egy-egy drótvázat állít elő a térképnek, valamint a vonalas jelkulcsi elemeknek a raszteres képeiből. A drótvázakban ezután megkeresi azok speciális pontjait (elágazás, végződés). Ezek a pontok jól ismertek az ujjlenyomat felismerő rendszerekben, ahol minutiae pontoknak hívják őket. Az ujjlenyomat esetében egy mintázat elágazása a komplementer mintában egy végződést jelent, ezért a számítógépes gyakorlatban csak az egyik adattípus elemeit használják fel az azonosításra. 3

6 Fontos megjegyezni, hogy az említett komplementer tulajdonság a térképek esetében nem teljesül, így az elágazási és végződési pontokra is egyaránt szükség van. A drótvázakat irányítás nélküli gráfokként értelmezve, továbbá az elágazásokat F-fel (fork), a végződéseket pedig E-vel (end) címkézve kapjuk az egyes vonalas objektumok EF gráfjait. A címkézést elvégezve a térképnek és a vonalas jelkulcsi elemeknek a gráfjain, a vonalas objektumok elemi egységeinek struktúrái kereshetővé válnak a térkép gráfjában. Egy adott vonalas jelkulcsi elemnek a legkisebb egységéből ily módon képzett gráfjához további tulajdonságok is rendelhetők. Például az elemnek a szomszédos speciális pontjait összekötő út hosszát a megfeleltetett gráfbeli él súlyaként tekinthetjük, illetve a nyomvonalon fekvő speciális pontokat az ezen tulajdonságot leíró plusz címkével lehet ellátni. A nyomvonal attribútumot leíró címkék segítségével a vonalas jelkulcsi elem ciklikus tulajdonsága is leírható a nyomvonal végpontjainak megjelölésével. A módszer finomításként hibrid módon felhasználja az előfeldolgozott képen található pixelek színindexeit is a találatok pontosításához. Az eljárás előnye, hogy véges determinisztikus automatával történő megvalósítás esetén lineáris futásidővel rendelkezik. Az eljárás végén az exportált vektoros adatok generalizálásra kerülnek [5]. A létrehozott EF gráf segítségével lehetőség nyílt a vonalas vektoros adatokból egy a jelkulcsi elem struktúrája, színe és további jellemzői szerinti objektum felismerésre és legyűjtésre. 5. Homogén felületek felismerése A térképen található felületek felismerése során gyakran előforduló tevékenység a vizuálisan elválasztott, de valójában összetartozó felületek egyesítése, valamint a térképi hibák kijavítása. Ennek a megoldását hivatott a negyedik tézisem bemutatni, ahol a felületek felismerését egy olyan maszk segítségével valósítjuk meg, amely megadja, hogy a térkép mely pontjai tekintendők felületi pixeleknek. A maszk megadható például a pontszerű és vonalas jelkulcsi elemek eltávolítása után keletkező területtel. További lehetséges módszer az, hogy a térképen közvetlenül elvégzett színszegmentálás után a felületi színekkel rendelkező pontokat tekintjük maszknak. A maszkhoz tartozó pontokban a megfelelő felületi szín indexét állítjuk be, a maszkon kívüli pontokat pedig nem definiált típusúnak tekintjük. A megfelelő eredmény érdekében az említett két módszert együttesen kerül alkalmazásra. Ahhoz, hogy a felületeket felismerjük és jó minőségben poligonizálhassuk, egy heurisztikus szabályrendszert készítettem. Ennek segítségével lehetőség adódik annak leírására, hogy a térben egymáshoz közel fekvő, azonos vagy akár eltérő felület típusok miként hatnak egymásra. Más szóval, meghatározható az ismeretlen felületet határoló különféle felület típusok közötti dominancia. 4

7 A módszer segítségével nem csak arra van lehetőség, hogy egy ismeretlen típusú terület egy ismert, domináns típusú szomszédos felülethez legyen csatolva, hanem arra is, hogy a terület automatikusan felosztásra kerüljön a dominanciák alapján. A szabályrendszer kiértékeléséhez elkészítettem a megfelelő algoritmusokat, valamint a hozzájuk kapcsolódó, grafikus felülettel rendelkező szűrőket. Ezeken felül létrehoztam továbbá egy XML-re épülő, a szabályok leírását támogató formátumot is. Ennek segítségével a már megadott szabályok elmenthetőek és később alkalmazhatóak a térképek kötegelt raszter-vektor konverziójában. 6. Digitális képszűrő algoritmusok automatikus párhuzamosítása Napjainkban a digitális képrögzítő eszközök sebessége és a rögzített képek mérete exponenciális növekedést mutat. Az ezzel együtt fellépő számítási igényre reagálva a processzor gyártók is szemléletet váltottak. Mivel architekturális akadályba ütköztek a buszsebesség további növelésével, ezért ehelyett mára már a processzor magok számának növelése a jellemző. Mivel a régi, szekvenciális algoritmusok egyszerre csak egy processzor magot képesek kezelni, ezért a rendelkezésre álló számítási kapacitásnak csak a töredékét tudják kihasználni. Ötödik tézisemet egy olyan eljárás képezi, amellyel [13] a szekvenciális digitális képszűrő algoritmusok többségét sikerült automatikusan párhuzamosítanom. Az eljárás a kép logikai particionálására épít, amely akkor használható, ha a szűrő a memória elérését egy meghatározott sorrendben végzi, például a képet sorfolytonosan, blokkonként vagy rekurzívan dolgozza fel. A képszűrő algoritmusok párhuzamos programozásának nehézsége főként abból ered, hogy egy adott képpont értékének kiszámításához szükséges a környezetben lévő további képpontok értékének ismerete is. Ilyenkor a kép csupán diszjunkt felosztása nem oldja fel a területek határán található képpontok több folyamat általi egyidejű olvasását. Az átlapoló részek ezért nem olvashatóak egy időben és nem is értékelhetőek ki. Ezek a területek a párhuzamosításnál az úgynevezett párhuzamosítási költséget növelik, mivel csak szekvenciálisan dolgozhatók fel. A módszer figyelembe veszi a párhuzamosítással járó ezen kritikus szakaszokat és lehetőség szerint minimalizálja az azokra fordítandó időt. Mivel a párhuzamos programozás nagyobb szellemi és időráfordítást igényel, ezért ezzel a megoldással sikerült csökkenteni a fejlesztési időt, továbbá növelni az ezzel párhuzamosított kód minőségi mutatóját. A módszer használata kiküszöböli a párhuzamos programozáskor elkövethető hibákat, melyek igen nehezen deríthetők fel. Az eljárás alkalmazásával kapott párhuzamos szűrők futási sebességére jellemző, hogy az aszimptotikusan lineárisan arányos a számítógép processzor magjainak számával, mivel a kritikus szakaszokat jelentő képrészletek mérete elhanyagolható a kép méretéhez viszonyítva. 5

8 7. Összefoglalás Egy olyan térkép interpretációs módszert dolgoztam ki öt új módszer összességeként, amely a korábbi koncepciókhoz képest jobban követi a térképolvasó ember és a térképkészítő szakember logikáját és látásmódját. Az alkalmazott logikát egy testreszabható szabályrendszer írja le, amelynek a kiértékelő algoritmusai is implementálásra kerültek. A szabályrendszer leírásához a széles körben elterjedt XML nyelv került felhasználásra, amelynek köszönhetően a beállítások a programon belül és kívül egyaránt könnyen elvégezhetők. A nyelv további előnye, hogy olyan digitális képszűrőkkel is bővíthető a rendszer, amelyeknek a paraméterei előre nem ismertek. Az XML nyelvnek köszönhetően az ismeretlen paraméterek ilyenkor ugyanis könnyedén figyelmen kívül hagyhatóak. Mind a pontszerű szimbólumok, mind pedig a vonalas, illetve a jelkulcsi elemek felismerését végző algoritmusokat a megvalósítás során sikerült lineáris futási idejűvé tennem. Ezenfelül a képszűrő algoritmusok hatékonyabb fejlesztéséhez és párhuzamos implementálásához kifejlesztettem egy olyan eszközt, amely képes a képszűrő algoritmus automatikus párhuzamosítására. A lineáris futási idejű algoritmusoknak és az automatikus szűrő párhuzamosításnak köszönhetően a korábbiaknál egy gyorsabb, hatékonyabb térkép interpretációs eszközt sikerült készítenem. A szűrőket párhuzamosító algoritmus szélesebb körben is hasznosnak mondható, mivel más célú képfeldolgozó eljárások esetében is alkalmazható. 6

9 Hivatkozások [1] Baik, S., et al.: A naive geography analyst system with cognitive support of imagery exploitation. Monroy, R., et al., editor, Lecture Notes in Artificial Intelligence, No. 2974, pp , [2] Chen, H., et al.: A geographic knowledge representation system for multimedia geospatial retrieval and analysis. International Journal on Digital Libraries, No. 1, Vol. 2, pp , [3] Corner, R.J.: Knowledge Representation in Geographic Information Systems. Ph.D. thesis, Curtin University of Technology, [4] Dezső, B., Elek, I., Máriás, Zs.: Image processing methods in raster-vector conversion of topographic maps. Karras, A. D., et al., editor, Proceedings of the 2009 International Conference on Artificial Intelligence and Pattern Recognition, pp , [5] Douglas, D. and Peucker, T.: Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. The Canadian Cartographer, 10(2), pp , [6] Janssen, R. D. T. és Vossepoel, A. M.: Adaptive vectorization of line drawing images. Computer Vision and Image Understanding, 65(1), pp , [7] Katona, E.: Automatikus térkép-interpretáció, Szegedi Tudományegyetem, [8] Liang, S., Chen, W.: Extraction of line feature in binary images. IEICE Transactions on Fundamentals of Electronics Communications and Computer Sciences E91A, , issue 8., 2008 [9] Mayer, H., Heipke, C., Maderlechner, G.: Knowledge-based interpretation of scanned large-scale maps using multi-level modeling. International Archives of Photogrammetry and Remote Sensing, 29 B3, pp [10] Samet H., Soffer A.: MAGELLAN: Map Acquisiton of GEographic Labels by Legend ANalysis. International Journal on Document Analysis and Recognition, Vol. 1, pp [11] Szendrei, R., Fekete, I., and Elek, I.: Texture based recognition of topographic map symbols. In Karras, A. D., et al., editor, Proceedings of the 2009 International Conference on Artificial Intelligence and Pattern Recognition, AIPR-09, pp. 7 10, ISBN: , ISRST

10 [12] Szendrei, R., Elek, I.: Automatic symbol recognition for topographic maps In Geomatics - Riga, pp , [13] Szendrei, R.: Automatic parallelization of raster image filters. In Majkic, Z., et al., editor, Proceedings of the 2010 International Conference on Artificial Intelligence and Pattern Recognition, AIPR-10, pp , ISBN: , ISRST [14] Szendrei, R., Elek, I., Márton, M.: Graph-based feature recognition of linelike topographic map symbols. Lecture Notes in Computer Science 6729, pp , [15] Szendrei, R., Elek, I., Fekete, I.: Automatic recognition of topographic map symbols based on their textures. Lecture Notes in Computer Science 6729, pp , [16] Szendrei, R., Fekete, I., Elek, I., Márton, M.: A knowledge-based approach to raster-vector conversion of large scale topographic maps. Acta Cybernetica 20, pp , [17] Tsai, D., Tsai, Y.: Rotation-invariant pattern matching with color ringprojection. Pattern Recognition, 35(1), pp , [18] Xin, D., Zhou, X., Zheng, H.: Contour Line Extraction from Paper-based Topographic Maps, Journal of Information and Computing Science Vol. 1, No. 5, pp ,