Детектирование объектов на спутниковых изображениях

Программа по обнаружению объектов на спутниковых изображениях с использованием характерных признаков Хаара. На вход подаются снимки с Google карт, на которых присутствуют дома и другие прямоугольные здания. С помощью признака Хаара программа обрабатывает все области изображения и находит дом, после чего выделяет обнаруженный объект прямоугольной рамкой и сохраняет его как новое изображение. Используемые библиотеки - skimage, numpy, operator и os.

Алгоритм детектирования изображений

1. Считывание изображений из папки houses.
2. Вычисление значения параметров характерного признака Хаара для изображения.
3. Выбор масштаба, положения признака Хаара на изображении и значение порога.
4. Обработка всех областей изображения окном поиска слева направо, сверху вниз.
5. Обнаружение объекта, наложение рамки на найденный объект и сохранение изображения в папку houses_detected (папка должна быть пустой на момент запуска программы).

Для детектирования домов был выбран линейный признак Хаара, который сравнивает более светлую область изображения (крыша дома) с окружающим ее фоном. Для успешного распознавания зданий были выбраны снимки с горизонтально расположенными домами прямоугольной формы, крыши которых светлее окружающего фона. Для зданий иной формы и иного угла наклона рекомендуется использовать альтернативные характерные признаки Хаара.

Выбранный признак Хаара.

Считывание изображений

Функция read_images считывает изображение, переводит его в формат полутонов и производит регулировку контрастности (Sigmoid Correction). Обработанные изображения объединяются в список.

def read_images(path):
    images_list = []
    for image_name in os.listdir(path):
        img = io.imread(path + '/' + image_name)
        img_gray = color.rgb2gray(img)
        img_contrast = exposure.adjust_sigmoid(img_gray, cutoff=0.7, gain=25, inv=False)
        images_list.append((img, img_contrast))
    return images_list

Использование признака Хаара

Получение параметров признака Хаара реализуется функцией get_haar_params, после чего выбираются размеры окна поиска X-Y и размеры классификатора w-h. Координаты всех подходящих областей объединяются в список res_coords.

Использование признака Хаара представлено следующими фрагментами кода:

def get_haar_params(bright_w, dark_w, h):
    return [[(0, 0), (h, bright_w)], [(0, bright_w), (h, dark_w + bright_w)],
            [(0, bright_w + dark_w), (h, 4 * bright_w + dark_w)]]

[area1, area2, area3] = get_haar_params(dark_w=1, bright_w=2, h=15)
square1 = area1[1][0] * (area1[1][1] - area1[0][1])
square2 = area2[1][0] * (area2[1][1] - area2[0][1])
square3 = area3[1][0] * (area3[1][1] - area3[0][1])

mean_bright1 = transform.integrate(int_img, (x, y), (x + area1[1][0], y + area1[1][1])) / square1
mean_dark = transform.integrate(int_img, (x + area2[0][0], y + area2[0][1]),
                                (x + area2[1][0], y + area2[1][1])) / square2
mean_bright2 = transform.integrate(int_img, (x + area3[0][0], y + area3[0][1]),
                                   (x + area3[1][0], y + area3[1][1])) / square3

mean_bright = (mean_bright1 + mean_bright2) / 2
if mean_bright - mean_dark > w_threshold:
    res_coords.append((x, y, (window_w, window_h)))

Корректировка результатов

Поскольку окно поиска проходится по всем участкам изображения, объект может быть детектирован сразу несколькими областями. Чтобы избежать повторов, используется функция remove_close_hits, которая сравнивает все сохраненные координаты, на которых было обнаружено изображение, и удаляет повторяющиеся, которые находятся слишком близко друг к другу.

def remove_close_hits(res_coords):
    new_coords = sorted(res_coords, key=operator.itemgetter(0))
    i = 1
    n = len(new_coords)
    while i < n:
        x = new_coords[i][0]
        y = new_coords[i][1]
        x1 = new_coords[i - 1][0]
        y1 = new_coords[i - 1][1]
        difx = abs(x - x1)
        dify = abs(y - y1)
        if (difx + dify) <= 240:
            del new_coords[i]
            n -= 1
        else:
            i += 1
    return new_coords

Без использования данной функции (а также при неправильном выборе пороговых значений) результат был бы следующим: