رویکرد ژنتیک تکمیلی ناحیه‌مبنا برای آشکارسازی ساختمان‌ها با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشجوی دکتری سیستم اطلاعات جغرافیایی، دانشگاه صنعتی مالک اشتر، تهران

2 استادیار دانشگاه صنعتی مالک اشتر، تهران

3 استاد دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران

4 دانشیار دانشکده مهندسی نقشه‌برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران

چکیده

سامر (Sumer) و همکاران (2008 و 2013)  بر پایة به‌کارگیری الگوریتم انطباقی فازی-ژنتیک، رویکردی نوین در آشکارسازی ساختمان‌ها با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا مطرح کردند. روش پیشنهادی با کاهش مشکل همگرایی زودرس در الگوریتم ژنتیک، دقت آشکارسازی عوارض را بهبود چشمگیری بخشید. نبودِ کنترل‌های هندسی بر خروجی این الگوریتم‌ از محدودیت‌های رویکرد پیشنهادی به‌شمار آمده است. در این تحقیق، برای رفع این محدودیت، روش استخراج فازی ژنتیک که سامر و همکاران (2013) آن را توسعه دادند با کنترلگر هندسی پیشنهادی ادغام شد. در این الگوریتم، ابتدا نمونه‌های آموزشی و تست انتخاب می‌شوند، سپس اپراتورهای پایة پردازش تصویر روی ژن‌های کروموزوم‌ها قرار می‌گیرند. خروجی‌های موقتی حاصل از اعمال اپراتورهای پردازش تصویر بر باندهای تصویر ورودی به یک تصویر باینری با بیشترین میزان تمایز بین دو کلاس تبدیل می‌شوند. با محاسبة میزان مطابقت بین نمونة انتخابی و خروجی الگوریتم، مقادیر ارزش برای هریک از اعضای جامعه محاسبه می‌شود. در پایان چرخة هر نسل، رویکرد فازی در نظر گرفته‌شده در این تحقیقْ مقادیر احتمالی اصلاح‌شده برای عملیات لقاح و جهش را به‌منظور ممانعت از همگرایی نابهنگام در شروع نسل بعد تعیین می‌کند. این فرایند تا زمان دستیابی به تعداد مشخصی از تکرار ادامه می‌یابد. به‌منظور کنترل هندسی خروجی‌های الگوریتم پیشنهادی، یک الگوریتم ژنتیک تکمیلی ناحیه‌مبنا نیز توسعه داده شده است. با فرض مشابهت ساختمان‌های همجوار در یک منطقة شهری، الگوریتم تکمیلی سعی در بهینه‌یابی محدودة مساحتی در منطقة مورد مطالعه دارد. بدین‌ترتیب که نواحی با حدود خارج از محدودة مساحتی تعیین‌شده به‌منزلة عوارض کلاس «غیرساختمان» برچسب‌گذاری می‌شوند. این الگوریتم در دوازده ناحیة انتخابی با ساختمان‌های متراکم و پراکنده در منطقة ورزقان استان آذربایجان شرقی پیاده‌سازی شد. میزان کاپای محاسبه‌شده با به‌کارگیری رویکرد پیشنهادی بین 0.59 تا 0.91 است که، درمقایسه با تحقیقات مشابه، عملکرد بهتری از خود نشان می‌دهد. این الگوریتم در مناطق شهری و حومة شهری، به‌نسبت نواحی روستایی، نتایج بهتری داشت.

کلیدواژه‌ها

مراجع

  1. دهقانی، ح.، 1391، پردازش و تفسیر تصاویر سنجش از دور، انتشارات دانشگاه صنعتی مالک اشتر، تهران.
  2. راستی ویس، ح.، صمدزادگان، ف.، 1391، تعیین میزان تخریب ناشی از زلزله در ساختمان‌ها، با استفاده از تصاویر ماهواره‌ای با قدرت تفکیک بالا، علوم و فنون نقشه‌برداری، سال دوم، شمارة 2، صص 106-91.
  3. رنجبر، ح.، اردلان، ع.، دهقانی، ح.، سراجیان، م.، علیدوستی، ع.، 1393، تسهیل فاز واکنش مدیریت بحران زلزله با استخراج خودکار ساختمان‌ها برمبنای آنالیز بافت از تصاویر ماهواره‌ای، مدیریت بحران، سال دوم, شمارة 5, صص، 19-5.
  4. رنجبر، ح.، اردلان، ع.، دهقانی، ح.، سراجیان، م.، علیدوستی، ع.، 1393، ارزیابی روش‌های استخراج اطلاعات فیزیکی ساختمان‌های تخریب‌شده ناشی از زمین‌لرزه و ارائة الگوریتمی بر پایة لایه‌های GIS و سنجش از دور، اطلاعات جغرافیایی (سپهر)، سال 23, شمارة 91، صص، 42-21.
  5. رنجبر، ح.، اردلان، ع.، دهقانی، ح.، سراجیان، م.، علیدوستی، ع.، 1394، ارزیابی سریع خسارت بر پایة به‌کارگیری تصاویر تک‌زمانة SFAP ارسالی از پرنده‌های بدون سرنشین به مجموعة سیار مدیریت بحران، بیست‌ودومین همایش ملی ژئوماتیک.
  6. زارع، ا.، محمدزاده، ع.، ولدان زوج، م.، 1393، استخراج و بازسازی سه‌بعدی ساختمان با استفاده از داده‌های اپتیکی و لیدار، علوم و فنون نقشه‌برداری، سال سوم، شمارة 3، صص 186-167.
  7. عامری، ف.، ولدان زوج، م.، مختارزاده، م.، مبارکی، ع.، 1390، استخراج اشکال متفاوت از تصاویر ماهواره‌ای با قدرت تفکیک‌های مختلف مکانی، سنجش از دور و GIS ایران، سال سوم، شمارة 4، صص 17-1.
  8. یزدان، ر.، ولدان زوج، م.، عبادی، ح.، محمدزاده، ع.، 1393، استخراج نیمه‌اتوماتیک ساختمان با استفاده از مدل Snake از تصاویر هوایی با قدرت تفکیک مکانی بالا، علوم و فنون نقشه‌برداری، سال چهارم، شمارة 2، صص 188-179.
  9. Croitoru, A. & Doytsher, Y., 2003, Monocular Right-Angle Building Hypothesis Generation in Regularized Urban Areas by Pose Clustering, Photogrammetric Engineering & Remote Sensing, 69(2), PP. 151-169.
  10. De Jong, K.A., 1975, An Analysis of the Behavior of a Class of Genetic Adaptive Systems, Ph.D. Thesis, University of Michigan.
  11. De Jong, K.A., 1975, An Analysis of the Behavior of a Class of Genetic Adaptive Systems, Ph.D. Thesis, University of Michigan.
  12. Dong, L. & Shan, J., 2013, A Comprehensive Review of Earthquake-Induced Building Damage Detection with Remote Sensing Techniques, ISPRS Journal of Photogrammetry and Remote Sensing, 84(0), PP. 85-99.
  13. Dornaika, F. et al, 2016, Building Detection from Orthophotos Using a Machine Learning Approach: An Empirical Study on Image Segmentation and Descriptors, Expert Systems with Applications, 58, PP. 130-142.
  14. Fazan, A.J. & Dal Poz, A.P., 2013, Rectilinear Building roof Contour Extraction Based on Snakes and Dynamic Programming, International Journal of Applied Earth Observation and Geoinformation, 25, PP. 1-10.
  15. Ghanea, M., Moallem, P. & Momeni, M., 2014, Automatic Building Extraction in Dense Urban Areas through GeoEye Multispectral Imagery, International Journal of Remote Sensing, 35(13), PP. 5094-5119.
  16. Gonzalez, R.C. & Woods, R.E., 2002, Digital Image Processing, Addison-Wesley, New York.
  17. Grigillo, D., Kosmatin Fras, M. & Petrovič, D., 2012, Automated Building Extraction from IKONOS Images in Suburban Areas, International Journal of Remote Sensing, 33(16), PP. 5149-5170.
  18. Harvey, N.R. et al., 2002, Comparison of GENIE and Conventional Supervised Classifiers for Multispectral Image Feature Extraction, IEEE Transactions on Geoscience and Remote Sensing, 40(2), PP. 393-404.
  19. Inglada, J., 2007, Automatic Recognition of Man-Made Objects in High Resolution Optical Remote Sensing Images by SVM Classification of Geometric Image Features, ISPRS Journal of Photogrammetry and Remote Sensing, 62(3), PP. 236-248.
  20. Karantzalos, K. & Paragios, N., 2010, Large-Scale Building Reconstruction Through Information Fusion and 3-D Priors, IEEE Transactions on Geoscience and Remote Sensing, 48(5), 2283-2296.
  21. Koc-San, D. & Turker, M., 2012, A Model-Based Approach for Automatic Building Database Updating from High-Resolution Space Imagery, International Journal of Remote Sensing, 33(13), PP. 4193-4218.
  22. Laws, K.I., 1980, Rapid texture identification, 24th Annual Technical Symposium, 23. December, Vol. 0238, PP. 376-381, SPIE, San Diego.
  23. Lillesand, T., Kiefer, R.W. & Chipman, J., 2014, Remote Sensing and Image Interpretation, Wiley, Chichester.
  24. Liu, H., Xu, Z. & Abraham, A., 2005, Hybrid Fuzzy-Genetic Algorithm Approach for Crew Grouping, In: Proceedings of the 5th International Conference on Intelligent Systems Design and Applications (ISDA'05), Warsaw, Poland, PP. 332-337.
  25. Mayunga, S., Coleman, D. & Zhang, Y., 2007, A Semi‐Automated Approach for Extracting Buildings from QuickBird Imagery Applied to Informal Settlement Mapping, International Journal of Remote Sensing, 28(10), PP. 2343-2357.
  26. Mayunga, S., Coleman, D. & Zhang, Y., 2013, Semi-Automatic Building Extraction in Dense Urban Settlement Areas from High-Resolution Satellite Images, Survey Review, 42(315), PP. 50-61.
  27. Myint, S.W. et al., 2011, Per-Pixel vs. Object-Based Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery, Remote Sensing of Environment, 115(5), PP. 1145-1161.
  28. Paulinas, M. & Ušinskas, A., 2007, A Survey of Genetic Algorithms Applications for Image Enhancement and Segmentation, Information Technology and Control, 36(3), PP. 278-284.
  29. Perkins, S.J. et al., 2000, Genie: A Hybrid Genetic Algorithm for Feature Classification in Multispectral Images, International Symposium on Optical Science and Technology, 13. October, Vol. 4120, PP. 52-62, SPIE, San Diego.
  30. Perkins, S.J. et al., 2005, Genie Pro: Robust Image Classification Using Shape, Texture, and Spectral Information, Defense and Security, 13. July, Vol. 5806, PP. 139-148, SPIE, San Diego.
  31. Quang, N.T. et al., 2015, An Efficient Framework for Pixel-Wise Building Segmentation from Aerial Images, In: Proceedings of the Sixth International Symposium on Information and Communication Technology, Hue, Vietnam, PP. 282-287.
  32. Rutzinger, M., Rottensteiner, F. & Pfeifer, N., 2009, A Comparison of Evaluation Techniques for Building Extraction from Airborne Laser Scanning, Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal, 2(1), PP. 11-20.
  33. Shufelt, J., 1999, Performance Evaluation and Analysis of Monocular Building Extraction from Aerial Imagery, Pattern Analysis and Machine Intelligence, IEEE Transactions, 21(4), PP. 311-326.
  34. Sirmacek, B. & Unsalan, C., 2009, Urban-Area and Building Detection Using SIFT Keypoints and Graph Theory, IEEE Transactions on Geoscience and Remote Sensing, 47(4), PP. 1156-1167.
  35. Stork, D.G. Hart, P.E. Duda, R.O., 2001, Pattern Classification, Wiley, New York.
  36. Sumer, E. & Turker, M., 2008, Building Detection from High-Resolution Satellite Imagery Using Adaptive Fuzzy-Genetic Approach, In: Proceedings of GEOBIA 2008, Alberta, Canada, PP. 1-6.
  37. Sumer, E. & Turker, M., 2013, An Adaptive Fuzzy-Genetic Algorithm Approach for Building Detection Using high-Resolution Satellite Images, Computers, Environment and Urban Systems, 39, PP. 48-62.
  38. Teimouri, M., Mokhtarzade, M. & Valadan Zoej, M.J., 2016, Optimal Fusion of Optical and SAR High-Resolution Images for Semiautomatic Building Detection, GIScience & Remote Sensing, 53(1), PP. 45-62.
  39. Tobler, W.R., 1970, A Computer Movie Simulating Urban Growth in the Detroit Region, Economic Geography, 46(sup1), PP. 234-240.
  40. Zhengjun, L., Shiyong, C. & Qin, Y., 2008, Building Extraction from High Resolution Satellite Imagery Based on Multi-Scale Image Segmentation and Model Matching, International Workshop on Earth Observation and Remote Sensing Applications (EORSA 2008), 30 June-2 July, Beijing, China, PP. 1-7.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار