palette
استخراج ساختمان به کمک ادغام داده‌هاي ابرطيفي و ليدار به روش یادگیری ماشین
سیدیوسف سجادی, سعید پارسیان

چکیده
 

این مقاله پژوهش روشي نوین که هدفش استخراج عوارض ساختماني از ادغام داده های لیدار با تصاویر فراطیفی است بررسی می کند. در اين روش، فرض بر آنستکه با ادغام داده های لیدار با تصاویر فراطیفی که هر يک توانايي استخراج برخي از خصوصيات عوارض را دارند مي­توان همان عارضه را با دقت و صحت بيشتري استخراج کرد. در این روش با اعمال روش يادگيري ماشين بر روي تصاویر، تصوير کلاس­بندي شده از عوارض ساختماني و ديگر عوارض ايجاد خواهد شد. پس از اعمال کلاس­بندي مقايسه­اي بين روش پيشنهادي و ديگر روش­هاي موجود در اين زمينه انجام می شود، تا کيفيت روش پيشنهادي در مقايسه با روش­هاي موجود مشخص شود. انجام چنين مقايسه­اي نيازمند تعريف تعدادي پارامتر ارزيابي است. پارامترهايي که در اين مقاله براي ارزيابي کيفيت روش پيشنهادي و در قسمت کنترل کيفيت ([1]QC) ارائه خواهند شد، عبارتند از؛ ميزان کامل بودن[2]، صحت[3]، دقت[4] و ضريب کاپا[5]. دقت به دست آمده از نتايج روش پيشنهادي در اين مقاله برابر با  56/95 % ، ميزان کامل بودن برابر با 100% ، صحت کلي  66/98%  و ضريب کاپا برابر با 9430/0 محاسبه شدند. هدف این مقاله شامل استخراج خودکار ساختمان­هاي موجود در تصاوير هوايي ابرطيفي و ليدار اخذ شده از يک منطقه (Automation)، استخراج حداکثر تعداد ساختمان­هاي موجود در تصاوير نام‌برده شده (Completeness) و افزايش دقت و صحت در استخراج ساختمان (Accuracy and Precision) است که بر اساس نتايج بدست آمده از پارامترهاي ارزيابي محقق شده اند.


[1] Quality Control

[2] Completeness

[3] Accuracy

[4] Precision

[5] Kappa Coefficient


[1] Quality Control

[2] Completeness

[3] Accuracy

[4] Precision

[5] Kappa Coefficient



[1] Quality Control

[2] Completeness

[3] Accuracy

[4] Precision

[5] Kappa Coefficient

واژگان کلیدی
لیدار، تصاویر ابرطیفی، عوارض ساختمانی، یادگیری ماشین، روش درخت تصمیم

منابع و مآخذ مقاله

اسدي، م.، ورشوساز، م. و صادقيان، س.، 1386، بررسي روشهاي استخراج ساختمان در مناطق شهري با استفاده از داده‌هاي ليدار، سازمان نقشه‌برداري کشور، همايش ژئوماتيک 86، صص. 89-79.

رضایی، ی.، ولدان زوج ،م.، وزیری، ف.، 1388، بررسی یخچال طبیعی خراسان زردکوه بختیاری بوسیله تصاویر ماهواره ای، علوم زمین، سال هجدهم، شماره 71، صص. 172-167.

متکان ع. ا.، محمدزاده، ع.، صادقيان، س. و حاجب، م.، 1388، ارائه روشي مبتني بر ماشينهاي بردار پشتيبان و مورفولوژي رياضي به منظور آشکارسازي راههاي شهري از داده‌هاي ليزر اسکنر هوايي، سنجش از دور و GIS ايران، سال اول، شماره سوم، صص. 97-81.

هژبری، ب.، صمدزادگان، ف. و عارفی، ح.، 1393، باز سازی مدل ساختمان بر مبنای تلفیق ابر نقطه لیدار و تصویر هوایی، نشریه علمی-پژوهشی علوم و فنون نقشه برداری، دوره سوم، شماره 4.

Awrangjeb, M., and Fraser, C.S., 2014, Automatic Segmentation of Raw LiDAR Data for Extraction of Building Roofs, Remote Sensing, Vol. 6, No. 1, pp. 3715-3751.

Benediktsson, J.A., Palmason, J.A. and Sveinsson, J.R., 2005, Classification of Hyperspectral Data from Urban Area Based on Extended Morphological Profiles, IEEE Transactions on Geoscience and Remote Sensing, Vol. 43, No. 3, pp. 480-491.

Bigdeli, B., Samadzadegan, F. and Reinartz, P., 2014, A Decision Fusion Method Based on Multiple Support Vector Machine System for Fusion of Hyperspectral and LiDAR Data, International Journal of Image and Data Fusion, Vol. 5, No. 3, pp. 196-209.

Debes, C., Merentitis, A., Heremans, R., Hahn, J., Frangiadakis, N., Kasteren, T.V., Liao, W., Bellens, R., Pizurica, A., Gautama, S., Philips, W., Prasad, S., Du, Q. and Pacifici, F., 2014, Hyperspectral and LiDAR Data Fusion: Outcome of the 2013 GRSS Data Fusion Contest, IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 7, No. 6, pp. 2405-2418.

Duda, R.O., Hart, P.E. and Stork, D.G., 2009, Pattern Classification, 3rd Edition, Wiley Publication, New York, USA.

Fauvel, M., Benediktsson, J.A., Chanussot, J. and Sveinsson, J.R., 2008, Spectral and Spatial Classification of Hyperspectral Data using SVMs and Morphological Profile, IEEE Transactions on Geoscience and Remote Sensing, Vol. 46, No.11, pp. 3804–3814.

Gonzalez, R.C. and Woods, R.E., 2008, Digital Image Processing, 3rd Edition, Prentice Hall Inc., Upper Saddle River, New Jersey.

Heck, L.P., and Chou, K.C., 1994, Gaussian Mixture Model Classifiers for Machine Monitoring, In Proceeding of ICASSP, pp. 133-136.

Matkan, A.A., Hajeb, M., Eslami, M., Pourali, H. and Sadeghian, S., 2012, Gap Filling in Road Extraction using Radon Transformation, ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol. 1, No. 4, pp. 47-52.

Quinlan, J.R., 1993, C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers Inc., San Francisco, CA, USA.

Quinlan, J.R., 1996, Improved Use of Continuous Attributes in C4.5, Journal of Artificial Intelligence Research, Vol. 4, No.1, pp. 77-90.

Wei, W., Zhang, Y. and Tian, C., 2015, Latent Subclass Learning-based Unsupervised Ensemble Feature Extraction Method for Hyperspectral Image Classification, Remote Sensing Letters, Vol. 6, No. 4, pp. 257-266.

Yamazaki, F., Hara, K. and Liu, W., 2014, Urban Land-cover Classification Based on Airborne Hyperspectral Data and Field Observation, Image and Signal Processing for Remote Sensing XX, Edited by Lorenzo Bruzzone, Proceedings of SPIE, Vol. 92, No. 44, pp. 1-7.


ارجاعات
  • در حال حاضر ارجاعی نیست.