سیدیوسف سجادی؛ سعید پارسیان
دوره 10، شماره 2 ، آذر 1397، ، صفحه 1-14
چکیده
در این مقاله، پژوهشی نوین از تلفیق دادههای ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه دادههایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیشتر، دانشگاه هیوستن در منطقة مجاور شهری بهکار گرفته است مورد ...
بیشتر
در این مقاله، پژوهشی نوین از تلفیق دادههای ابرطیفی و لیدار را برای تشخیص و استخراج عوارض ساختمانی، با استفاده از الگوریتم یادگیری ماشین، بررسی کردیم. مجموعه دادههایی که بنیاد ملی علوم (NSF) در اختیار گذاشته (این بنیاد را مرکز ارزیابی لیزر هوایی(NCALM) تأسیس کرده است) و پیشتر، دانشگاه هیوستن در منطقة مجاور شهری بهکار گرفته است مورد استفاده قرار گرفت. در این روش، ابتدا، فرض بر آن است که، با تلفیق دادههای فراطیفی و لیدار که هریک توانایی استخراج برخی از ویژگیهای عوارض ساختمانی را دارد، میتوان همان عارضه را، با دقت و صحت بیشتری، استخراج کرد. اعمال روش یادگیری ماشین روی دادههای ابرطیفی تصویرِ سطحبندیشده از عوارض ساختمانی و دیگر عوارض را ایجاد خواهد کرد. پس از اعمال سطحبندی، روش پیشنهادی و دیگر روشهای موجود در این زمینه مقایسه میشوند تا کیفیت روش پیشنهادی مشخص شود. چنین مقایسهای نیازمند بررسی تعدادی پارامتر ارزیابی است که، در قسمت کنترل کیفیت، مطرح خواهند شد. بههرحال، دقت بهدستآمده از نتایج روش انجامگرفته در این مقاله برابر با 56/95%، میزان کاملبودن 100%، صحت کلی 66/98% و ضریب کاپا برابر با 9430/0 محاسبه شد. هدف این مقاله استخراج خودکار ساختمانهای موجود در دادههای ابرطیفی هوایی و لیدار دریافتشده از یک منطقه (automation)، استخراج حداکثر تعداد ساختمانهای موجود در تصاویر نامبردهشده (completeness) و افزایش دقت و صحت در استخراج ساختمان (accuracy and precision) بوده است که، براساس نتایج حاصل از پارامترهای ارزیابی، محقق شدهاند.
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.
علی اکبر متکان؛ علی محمد زاده؛ سعید صادقیان؛ محمد حاجب
دوره 1، شماره 3 ، آذر 1388
چکیده
امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پر هزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آن ها اهمین ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای اشکارسازی ...
بیشتر
امروزه لیزر اسکنر هوایی (لیدار) نقش مهمی در برداشت اطلاعات سه بعدی عوارض سطح زمین ایفا می کند. استخراج عوارض از داده های لیدار، به صورت دستی زمان بر و پر هزینه است. راه ها مهمترین گروه عوارض خطی هستند و استخراج اطلاعات مربوط به آن ها اهمین ویژه ای برای سازمان ها و نهادهای مرتبط در هر کشوری دارد. هدف پژوهش حاضر، ارائه الگوریتمی برای اشکارسازی راه هاست که در آن منحصراً از داده های لیدار، استفاده شود. برای این منظور، ابتدا داده های شدت و سپس هر دو داده شدت و فاصله لیدار با استفاده از ماشین بردار پشتیبان طبقه بندی گردیدند. سپس با استفاده از الگوریتم فیلتر کردن شیب مبنا، عوارض ارتفاعی از مجموعه داده ها حدف شدند و مدل رقومی زمین و مدل رقومی عوارض غیرزمینی به دست آمد. در ادامه، نتایج مرحله طبقه بندی با بهره گیری از لایه اطلاعاتی مدل رقومی عوارض غیرزمینی بهبود داده شد. سرانجام با انجام عمیات پس پردازش 5 مرحله، پاکسازی مورفولوژی، حذف عناصر کوچک، اتصال قطع شدگی های راه ها، حذف عناصر ناپیوسته و انسداد مورفولوژی، راه ها از داده های لیدار شناسایی گردید. با مقایسه نتایج حاصل از اجرای الگوریتم با داده های مرجع مقادیر 35/84 درصد برای پارامت «کامل بودن»، 61/71 درصد برای پارامتر «صحیح بودن» و 22/63 درصد برای پارامتر «کیفیت» به دست آمد