For IRECOS Journal (Adding related work) v1

Type : single-feature segmentation

[1] W. Shi, Z. Miao, and J. Debayle, “An integrated method for urban main-road centerline extraction from optical remotely sensed imagery,” IEEE Trans. Geosci. Remote Sens., vol. 52, no. 6, pp. 3359–3372, 2014.

บทความนี้นำเสนอวิธีการที่เป็น integrated method เพื่อนำมาสกัดถนนออกจากภาพถ่ายดาวเทียม โดยนำเสนอวิธีการที่เรียกว่า General adaptive neighborhood (GAN) เข้าจำแนกภาพถ่ายภาพ โดยแยกในส่วนของถนน และไม่ใช่ถนนตามลำดับ โดยวิธีการถัดมาจะมีการทำฟิลเตอร์โดยเสมือนเป็นการกรองเพื่อให้ได้ถนนที่ถูกต้องมากยิ่งขึ้นด้วยวิธีการที่เรียกว่า local Geary’s C ผลลัพธ์จากวิธีนี้ส่งผลให้กลุ่มถนนที่ได้มี accuracy ที่สูงขึ้น และขั้นตอนถัดไป road shape features are used to extract reliableroad segments และสุดท้าย local linear kernel smoothing regressionis performed to extract smooth road centerlines. Road networksare then generated using tensor voting. ซึ่งเฟรมเวิร์คทั้งหมดของบทความนี้ที่เสนอมามีข้อดีคือสามารถสกัดถนนกับภาพถ่ายดาวเทียมที่มีขนาดใหญ่ ได้โดยที่ไม่ต้องเลือกบริเวณใดบริเวณหนึ่งของภาพ ซึ่งส่งผลให้สามารถสกัดถนนออกมาได้ดีเมื่อเทียบประสิทธิภาพกับงานก่อนหน้า แต่ข้อเสียคือการใช้ค่าขีดแบ่งกับภาพถ่ายดาวเทียมนั้น ถ้าส่วนที่เป็น foreground คือถนน และส่วนที่เป็น background คือส่วนที่ไม่ใช่ถนน จากภาพถ่ายดาวเทียมมีค่าความสว่างหรือสีโทนใกล้กันมากๆก็จะไม่สามารถทำในส่วน segmentation ออกมาได้ไม่ดี

Type : single-feature segmentation

[2] R. Liu, Q. Miao, J. Song, and Q. Xue, “Directional Segmentation Based on Shear Transform and Shape Features for Road Centerlines Extraction from High Resolution Images” pp. 1–9, 2015.

บทความนี้นำเสนอการสกัดถนนออกจากภาพถ่ายดาวเทียมโดยใช้พื้นฐานที่เรียกว่า Shear transform, directional segmentation, shape features และ a skeletonization algorithm ตามลำดับ โดยเริ่มจาก combine shear transform with directional segmentation to get road regions จากนั้น road shape features filtering are used to extract reliable road segments และสุดท้ายมีการทำ vectorization โดยการทำ the road centerlines are extracted by a skeletonization algorithm ข้อดีของการใช้เฟรมเวิร์คนี้จะสามรารถจำแนกถนนออกมาได้ชัดมากกว่าการใช้การตัด threshold แบบทั่วๆไป เนื่องจากตัว shape transform จะเลือกกลุ่มถนนที่ชัดที่สุดในแต่ละกลุ่มที่เป็นถนนจากภาพถ่ายดาวเทียมอีกที ส่งผลให้การทำฟิลเตอร์จากวิธีการที่บทความนี้นำเสนอได้ประสิทธิภาพที่ดีมากยิ่งขึ้น ส่วนข้อเสียจะเป็นในส่วนคล้ายๆกับการใช้ threshold แบบปกติ เพราะถ้าหากกลุ่มถนนที่อยู่ในภาพถ่ายดาวเทียมมีความสว่างหรือสีที่ใกล้เคียงกับภาพกลุ่มที่ไม่ใช่ถนนจะส่งผลให้เฟรมเวิร์คที่นำเสนอไม่สามารถสกัดถนนออกมาได้มีประสิทธิภาพและถูกต้อง

Type : single-feature segmentation

[3] J. V. C. I. R, R. Liu, Q. Miao, B. Huang, J. Song, and J. Debayle, “Improved road centerlines extraction in high-resolution remote sensing images using shear transform , directional morphological filtering and enhanced broken lines connection q,” J. Vis. Commun. Image Represent., vol. 40, pp. 300–311, 2016.

บทความนี้จะคล้ายกับบทความที่แล้ว (แต่บทความนี้ถูกขยายจากบทความที่ 2 ให้กลายเป็น journal แต่ไอเดียยังคงเดิมครับอาจารย์) โดยนำเสนอดังต่อไปนี้
1) directional segmentation based on spectral information and shear transform is used to segment the images for obtaining the initial road map. Shear transform is introduced to overcome the disadvantage of the loss of the road segment information.
2) perform hole filling to remove the holes due to noise in some road regions.
3) reliable road segments are extracted by road shape features and directional morphological filtering. Directional morphological filtering can separate road from the neighboring non-road objects to ensure the independence of each road target candidate.
4) tensor voting and MARS are exploited to extract smooth road centerlines, which overcome the shortcoming that the road centerlines extracted by the thinning algorithm have many spurs.
5) propose an enhanced broken lines connectional algorithm to generate a complete road network
ซึ่งข้อดีของบทความนี้จะคล้ายๆกับบทความที่แล้ว คือ การใช้เฟรมเวิร์คนี้จะสามรารถจำแนกถนนออกมาได้ชัดมากกว่าการใช้การตัด threshold แบบทั่วๆไป เนื่องจากตัว shape transform จะเลือกกลุ่มถนนที่ชัดที่สุดในแต่ละกลุ่มที่เป็นถนนจากภาพถ่ายดาวเทียมอีกที แล้วมีการนำเสนอ enhanced broken lines connectional algorithm เพื่อทำให้การสกัดเส้นจากกลุ่มพื้นที่ถนนด้วยวิธี skeletonization ดู smooth ยิ่งขึ้น

Type : multiple-feature segmentation

[4] Z. Miao, S. Member, W. Shi, A. Samat, S. Member, G. Lisini, and P. Gamba, “Information Fusion for Urban Road Extraction From VHR Optical Satellite Images,” pp. 1–13, 2015.

บทความนี้นำเสนอ novel method exploiting fusion at the information level for urban road extraction โดยการ explore spectral and shape features computed at the pixel level
และ use them to select road segments using two different methods คือ
1. การทำ expectation maximization clustering
2. การทำ linearness filtering
ซึ่งข้อดีของบทความนี้คือการทำ Fusion filtering ซึ่งเป็นการรวมฟิลเตอร์สองตัวคือ EM และ Linearness (EM clustering and the linearness filter) เช้าด้วยกันซึ่งจะทำให้กรองถนนออกมาได้ดียิ่งขึ้น

Type : multiple-feature segmentation

[5] G. Cheng, F. Zhu, S. Xiang, Y. Wang, and C. Pan, “Neurocomputing Accurate urban road centerline extraction from VHR imagery via multiscale segmentation and tensor voting,” Neurocomputing, vol. 205, pp. 407–420, 2016.

บทความนี้นำเสนอ 3 เทคนิค หลักในการสกัดถนนออกจากภาพถ่ายดาวเทียม โดยมีเทคนนิคของ fused multiscale collaborative representation (FMCR) & graphcuts (GC), tensor voting(TV) & non-maximum suppression (NMS) และมีการทำ vectorization โดยเทคนิค thinning (morphological thinning is a fast and widely used algorithm to extract road centerline) โดยข้อดีของบทความนี้จะเป็นส่วนในการใช้ 3 เทคนิคผสมเข้าด้วยกันในขั้นตอน segmentation ให้กลุ่มของถนนออกจากภาพถ่ายดาวเทียมได้อย่างถูกต้องแม่นยำมากโดยที่ไม่ต้องผ่านกระบวนการฟิลเตอร์ใดๆ โดยสามารถลัดไปทำ vectorization โดยวิธีการ thinning ได้ทันที ข้อเสียคือ ทั้ง 3 เทคนิคอาจจะมีกรณีที่ต้องสูญเสีย FN ไปบ้าง เนื่องจากเทคนิคที่นำเสนอจะจำแนกและกรองไปพร้อมกัน ทำให้มีโอกาสเสียถนนจริงๆ (FN) ไปบ้าง