بخشی از مقاله
چکیده
تاکنون، الگوریتمهای متنوعی برای شناسایی ساختمان از تصاویر قدرتتفکیک بالای ماهوارهای پیشنهاد شده است. بهطورکلی این الگوریتمها به دو گروه کلی قابل تقسیم هستند: روشهای پیکسلمبنا و روشهای شیمبنا. واحد پردازش روشهای پیکسلمبنا، پیکسلهای منفرد و اطلاعات طیفی آنهاست. این روشها بهدلیل بکارگیری پیکسل منفرد و عدم استفاده از ویژگیهای غیرطیفی، ممکن است با مشکلاتی مواجه شوند. در مقابل، روشهای شیمبنا از گروه همگنی از پیکسلها - بهعنوان اشیای تصویری - در تجزیهوتحلیل استفاده میکنند.
همچنین این روشها میتوانند علاوه بر ویژگیهای طیفی از ویژگیهای غیرطیفی اشیا - همانند ویژگیهای مکانی، بافت و مجاورت - نیز بهره ببرند. کلیدیترین مرحلهی این روشها، قطعهبندی جهت تولید مجموعه پیکسلهای همگن تصویری است. در این پژوهش نیز از یک روش تجزیهوتحلیل سطح بالای شیمبنا جهت شناسایی ساختمانها از تصویر استفاده میشود.
برای این منظور، دو روش قطعهبندی متفاوت-قطعهبندی مبتنی برلبه و قطعهبندی قدرتتفکیک چندگانه - بهکار میرود و نتایج هر یک از این دو روش روی 8 منطقهی متنوع شهری آزمایش و ارزیابی میشود. تصویر مورد مطالعه، یک تصویر Pan-sharpened ماهوارهی QuickBird 60 - سانتیمتر - اخذ شده از شهر اصفهان است. نتایج نهایی، بر کارایی مناسب و قابلیت روشهای شیمبنا در استفاده از ویژگیهای غیرطیفی جهت استخراج ساختمان دلالت میکند.
-1 مقدمه
یکی از محصولات مهم در سنجشاز دور، تصاویر قدرتتفکیک بالای ماهوارهای هستند. در طی چندین سال گذشته، استخراج خودکار یا نیمهخودکار عوارض شهری بالأخص ساختمانها از این تصاویر یک موضوع فعال پژوهشی محسوب میشده است. شناسایی و استخراج ساختمان یک موضوع کلیدی در بسیاری از کاربردها همچون بهروز رسانی نقشه، برنامهریزی شهری، تهیهی مدلهای سهبعدی، مدیریت زلزله و شناسایی تغییرات است. تاکنون الگوریتمهای استخراج ساختمان متنوعی بهوسیلهی پژوهشگران سنجشازدور، فتوگرامتری، بینایی ماشین و علوم کامپیوتر پیشنهاد شده است .[1]
بهطورکلی، الگوریتمهای استخراج ساختمان به دو گروه قابل تقسیم هستند: روشهای پیکسلمبنا و روشهای شیمبنا. در روشهای پیکسلمبنا، تنها پیکسلهای منفرد و خصوصیات طیفیشان در پردازش به کار میروند. در مواردی که نواحی مورد بررسی ما هماندازه با پیکسل تصویری باشد، این روشها میتوانند تا حدود زیادی به نتایج قابل قبولی دست پیدا کنند .[2] در مقابل، در روشهای شیمبنا، واحد اصلی پردازش، گروه همگنی از پیکسلها - بهعنوان شی تصویری - بهجای پیکسلهای منفرد است. همچنین، این روشها قادرند تا علاوه بر خصوصیات طیفی اشیا، از خصوصیات غیرطیفی آنها - نظیر خصوصیات هندسی و مجاورت - نیز استفاده کنند .[1]
اکثر مطالعات قبلی نشان دادهاند که طبقهبندی شیمبنا در مقایسه با طبقهبندی پیکسلمبنا بهدلیل استفاده از گروه همگنی از پیکسلها بهجای پیکسل منفرد و بهکار بردن خصوصیات اضافهتر غیرطیفی، نتایج مطلوبتر و دقت بیشتری تولید کردهاند .[2] کلیدیترین مرحلهی روشهای شیمبنا، قطعهبندی تصویری جهت تولید قطعات همگن - بهعنوان اشیای تصویری در تجزیهوتحلیل - است .[3]
در [4] و [5]، یک روش تجزیهوتحلیل شیمبنا جهت طبقهبندی پوشش/کاربری زمینی مناطق شهری استفاده شده است. در این مقالات، بهکمک یک قطعهبندی قدرتتفکیک چندگانهٌ متعلق به نرمافزار eCognition و طبقهبندی برمبنای قطعهبندی، یک شبکهی سلسلهمراتبی از اشیا تشکیل شده است. در [6]، بهکمک همین نوع قطعهبندی، ساختمانهای منفرد از تصاویر Pan-sharpened سنجندهی QuickBird استخراج شدند. در این مقاله، ویژگیهای بهینه جهت شناسایی ساختمانها با استفاده از روش جداسازی و آستانهگذاری، بهطور خودکار انتخاب شدند.
پژوهش [3]، یک روش قطعهبندی رشد ناحیهی خودکار با استفاده از دادهی GIS موجود از منطقه ارائه داد. در این پژوهش، ساختمانها با استفاده از یک طبقهبندی قانونمبنا استخراج شدند. پژوهش [7] بهکمک یک قطعهبندی مبتنی برلبهٍ متعلق به ماژول ENVI Zoom Feature Extraction، پوشش/کاربری زمینی شهری بالأخص ساختمانها را طبقهبندی نمود. در [1]، با استفاده از این نوع قطعهبندی و تعریف قواعد برای قطعات تولیدی، ساختمانها از یک منطقهی شهری استخراج شدند.
در این مقاله، ما نیز قصد داریم تا با یک روش تجزیهوتحلیل شیمبنای تصویری سطح بالا، مناطق ساختمانی را از یک تصویر Pan-sharpened سنجندهی 60 - QuickBird سانتیمتر - استخراج کنیم. دو الگوریتم ارائه شده که در اولی، از قطعهبندی مبتنی بر لبه و در دومی، از قطعهبندی قدرتتفکیک چندگانه استفاده شده است.
هر دوی این روشها روی 8 منطقهی متنوع شهری آزمایش و ارزیابی میشود. بخشهای بعدی این مقاله بدینترتیب است: در بخش2، الگوریتم دو روش شیمبنا بهطور خلاصه توضیح داده میشود. دادهها و منطقهی موردمطالعه در بخش 3 معرفی میشود. در ادامه، بخش 4 به پیادهسازی و ارزیابی نتایج هر یک از این دو روش میپردازد. نهایتاً بخش 5 به نتیجهگیری و ارائهی پیشنهادات ختم میشود.
-2 روشها
در این بخش، دو روش طبقهبندی شیمبنا جهت استخراج نواحی ساختمان از تصویر قدرتتفکیک بالای ماهوارهای توضیح داده میشود. روش اول، از یک قطعهبندی مبتنی بر لبه و روش دوم از یک قطعهبندی قدرتتفکیک چندگانه بهره میبرد. در ادامه، الگوریتم هر یک از ایندو روش مختصراً توضیح داده میشود:
-1-2 طبقهبندی شیمبنا با استفاده از یک قطعهبندی مبتنی برلبه
روش طبقهبندی شیمبنای اول از قطعهبندی مبتنی بر لبه مختص نرمافزار ENVI Zoom Feature Extraction استفاده میکند. چارچوب شماتیک الگوریتم آن در شکل 1 دیده میشود. مطابق با شکل 1، این الگوریتم شامل دو گام کلی است: - 1 - یافتن اشیای تصویری و - 2 - استخراج عارضه. در گام اول، ابتدا یک قطعهبندی مبتنی بر لبه روی تصویر اصلی بهکار میرود تا قطعات همگن تصویری تشکیل شوند.
این قطعه-بندی شامل دو سطح است: سطح مقیاسٌ و سطح ادغام قطعات ٍ .[8] پارامترهای این دو سطح با سعی و خطا قابل تعیین هستند. پس از اینکه این قطعات تعیین شدند لازم است تا ویژگیهای طیفی و غیرطیفی - مکانی و بافت - مناسبی برای این قطعات خام محاسبه شود. با محاسبهی این ویژگیها، قطعات به اشیای معنادار تصویری تبدیل و گام اول یعنی یافتن اشیا انجام میشود .[8]
گام بعدی، استخراج عارضهی موردنظر - دراینجا ساختمان - است. برای اینمنظور از یک روش طبقهبندی نظارتشده استفاده خواهد شد. بایستی ابتدا کلاسهای لازم جهت طبقهبندی در تصویر مشخص شوند. در اینجا، علاوه بر کلاس ساختمان، کلاسهای دیگری از جمله پوشش گیاهی، خیابان، جادههای خاکی و سایه نیز در نظر گرفته میشود. سپس برای هر کلاس، نمونههای مناسب آموزشی انتخاب و جمعآوری میشود.
این نرمافزار از دو جداساز -kنزدیکترین همسایگی - KNN - و ماشینهای بردار پشتیبان - SVM - برای طبقه-بندی بهره میبرد .[8] همچنین این نرمافزار، قابلیت انتخاب ویژگیهای بهینه برای طبقهبندی نظارتشده را داراست. با هر دوی این جداسازها، طبقهبندی انجام شده و هر کدام که نتایج بهتری بهدست آورد، بهعنوان نتیجهی نهایی طبقهبندی درنظر گرفته میشود. در نهایت کلاس ساختمانها از تصویر طبقهبندیشده استخراج خواهد شد. رویهی این روش را میتوانید بهعنوان نمونه در اشکال -2الف الی -2د مشاهده نمایید.
