یاسر انصاری؛ علی محمدزاده؛ محمودرضا صاحبی صاحبی؛ کوروش خوشالهام
دوره 8، شماره 3 ، تیر 1395، ، صفحه 11-24
چکیده
روشهای اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهوارهای و دادههای لیدار دارای کاربردهای بسیار وسیع و مهم مانند بهروزرسانی نقشهها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمهشهری بهدست میآید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق دادههای ...
بیشتر
روشهای اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهوارهای و دادههای لیدار دارای کاربردهای بسیار وسیع و مهم مانند بهروزرسانی نقشهها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمهشهری بهدست میآید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق دادههای لیدار و تصویر هوایی است. برای این منظور در مرحلۀ اول، انواع روشهای شناسایی ساختمان (SVM1، MD2 و ANN3) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روشها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان میدهد که در حالت پیکسل مبنا بهمنزلۀ روش منتخب شناسایی است. در مرحلۀ دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی میشود. بنابراین با استفاده از قطعهبندی برمبنای طیفی و هندسی، لبۀ هر ساختمان بهصورت قطعات مجزا تفکیک شد. سپس لبههای هر ساختمان براساس معادلات کمترین مربعات بازسازی میشود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.
میلاد نیرومند جدیدی؛ محمودرضا صاحبی صاحبی؛ مهدی مختارزاده
دوره 5، شماره 1 ، تیر 1392
چکیده
تصاویر سنجش از دور معمولاً به صورت ترکیبی از پیکسلهای خالص و مخلوطاند. در روشهای طبقهبندی سخت، پیکسلهای مخلوط به کلاس دارای بیشترین اطمینان تعلق نسبت داده میشوند. بدین ترتیب به علت تکبرچسبی بودن نتایج طبقهبندی سخت، اطلاعات در سطح زیرپیکسل نادیده گرفته میشود. روشهای طبقهبندی نرم که برای حل این مشکل شکل گرفتهاند، ...
بیشتر
تصاویر سنجش از دور معمولاً به صورت ترکیبی از پیکسلهای خالص و مخلوطاند. در روشهای طبقهبندی سخت، پیکسلهای مخلوط به کلاس دارای بیشترین اطمینان تعلق نسبت داده میشوند. بدین ترتیب به علت تکبرچسبی بودن نتایج طبقهبندی سخت، اطلاعات در سطح زیرپیکسل نادیده گرفته میشود. روشهای طبقهبندی نرم که برای حل این مشکل شکل گرفتهاند، برآورد سهم کلاسهای مختلف را برای هر یک از پیکسلها فراهم میآورند. البته این نوع طبقهبندیکنندهها هیچگونه اطلاعاتی را در مورد آرایش مکانی کلاسهای مختلف در داخل پیکسلها ارائه نمیکنند. الگوریتم معاوضه پیکسلی با استفاده از نتایج طبقهبندی نرم و براساس بیشینه کردن وابستگی مکانی زیرپیکسلها، امکان تهیه نقشه پوششی را در سطح زیرپیکسل فراهم میسازد. الگوریتم پایه این روش برای حالت باینری است. در تحقیق حاضر به منظور تولید نقشه پوششی، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری ایجاد گردیده و دقت این الگوریتم در دو حالت مستقل از خطای طبقهبندی نرم و وابسته به آن مورد ارزیابی قرار گرفته است. بهعلاوه، تأثیر پارامترهای مختلف ـ مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن ـ نیز در عملکرد این الگوریتم بررسی شده است. براساس نتایج تحقیق، دقت کلی الگوریتم معاوضه پیکسلی، بسیار وابسته به دقت ورودی الگوریتم (نتایج طبقهبندی نرم است. دستاورد دیگر تحقیق، این بود که مشخص گردید با افزایش ضریب بزرگنمایی، دقت الگوریتم کاهش مییابد. دیگر اینکه سطح همسایگی دوم و توابع معکوس فاصله و مجذور معکوس فاصله، بیشترین دقت را به همراه دارند. با در نظر گرفتن ضریب بزرگنمایی کمتر از 5، دقت کلی الگوریتم در فرایند بهینهسازی آرایش مکانی زیر پیکسلها بیشتر از 90 درصد برآورد گردید.