Detekcija cesta koristeći LiDAR podatke dobivene zračnim snimanjem RH

diplomski rad

• Naslov (engleski): Road detection using LiDAR data acquired from aerial surveys of the Republic of Croatia
• Autor: Kate Gojak
• Mentor: Mario Miler (mentor); MBZ: 296874
• Mentor: Ivan Brkić (pomoć pri izradi, neposredni voditelj)
• Član povjerenstva: Luka Rumora (predsjednik povjerenstva)
• Član povjerenstva: Mario Miler (član povjerenstva)
• Član povjerenstva: Dino Dobrinić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Geodetski fakultet; (Zavod za geomatiku); (Katedra za geoinformatiku); Zagreb
• Datum i država obrane: 2024-06-21, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Geodezija; Geomatika

Sažetak

Cilj ovog rada je primjenom dostupnih ulaznih slojeva – digitalnog ortofoto (DOF) rastera, LiDAR (engl. Light Detection and Ranging) podataka te vektorskog sloja cesta preuzetog s OpenStreetMap-a detektirati i izdvojiti cestovni sloj u urbanom području grada Karlovca. Korišteni softver, eCognition Developer, nudi napredne funkcije za segmentiranje i klasificiranje slika. Za segmentaciju se koristi multirezolucijska segmentacija, pristup temeljen na analizi objekata (engl. Object-based Image Analysis - OBIA). Klasifikacija je nadzirana, što uključuje ručno odabiranje reprezentativnih uzoraka za svaku klasu. Proces klasifikacije koristi srednje vrijednosti ulaznih slojeva i algoritam klasifikatora najbližeg susjeda (engl. k-nearest neighbors - kNN) kako bi dodijelio preostale segmente jednoj od dvije definirane klase: cesta i ne-cesta. Analizom utjecaja pojedinih ulaznih slojeva na rezultate klasifikacije, cilj je dublje razumjeti izazove u izdvajanja cesta u urbanom okruženju te raspraviti moguća rješenja. Kombinacija spektralnih kanala, visinskih podataka i vektorskog sloja cesta pokazala se ključnom za poboljšanje točnosti klasifikacije. Međutim, najveći izazov ostaje pravilna klasifikacija ostalih asfaltiranih površina, poput parkirališta i pločnika, koje su spektralno slične cestama. Iako su neki segmenti ovih površina uspješno eliminirani, varijacije u rezultatima i dalje su prisutne. Ovaj rad pruža temelj za buduća istraživanja i unaprjeđenja u području segmentacije i klasifikacije urbanih cesta, ukazujući na važnost integracije različitih izvora podataka i naprednih algoritama za analizu slika.

Sažetak (engleski)

The aim of this study is to detect and extract the road surfaces in the urban area of Karlovac by applying available input layers – digital orthophoto (DOF) raster, LiDAR data, and a line vector layer of roads obtained from OpenStreetMap. eCognition Developer software was used. It offers advanced functions for image segmentation and classification. Multiresolution segmentation, an approach based on object-based image analysis (OBIA), is used for segmentation. The classification is supervised, which includes manually selecting representative samples for each class. The classification process utilizes the mean values of input layers and the k-nearest neighbor (kNN) classifier algorithm to assign the remaining segments to one of two defined classes: road and non-road. By analyzing the impact of individual input layers on classification results, the goal is to gain a deeper understanding of the challenges in road extraction in urban environments and to discuss possible solutions. The combination of spectral bands, elevation data, and the line vector road layer proved to be crucial for improving classification accuracy. However, the greatest challenge remains the accurate classification of other asphalt surfaces, such as parking lots and sidewalks, which are spectrally similar to roads. Although some segments of these surfaces were successfully eliminated, variations in results are still present. This study provides a base for future research and advancements in the field of urban road segmentation and classification, highlighting the importance of integrating different data sources and advanced image analysis algorithms.

• Ključne riječi: ceste; eCognition; klasifikacija; LiDAR; OBIA; segmentacija
• Ključne riječi (engleski): roads; eCognition; classification; LiDAR; OBIA; segmentation
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:256:363009
• Studijski program: Naziv: Geodezija i geoinformatika; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka geodezije i geoinformatike (mag. ing. geod. et geoinf.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Rad dostupan nakon; Datum isteka embarga: 2034-06-01
• Datum i vrijeme pohrane: 2024-06-21 11:45:55