بخشی از مقاله
چکیده
امروزه یکی از مهم ترین دغدغه هاي متخصصین فتوگرامتري و سنجش از دور، شناسایی و استخراج اتوماتیک عوارض شهري به ویژه عارضه ساختمان و سایر عوارض مسقف است .در این تحقیق، هدف شناسایی عارضه ساختمان در مناطق شهري بر مبناي تلفیق تصاویر هوایی و اطلاعات تهیه شده از ابر نقاط لیدار است.در همین راستا، ابتدا مدل رقومی زمین از طریق اعمال فیلتر Adaptive TIN از دادههاي نقطهاي لیدار تهیه شده، سپس مدل رقومی نرمال شده سطح تهیه و در ادامه با اعمال حد آستانه ارتفاعی، عوارض مرتفع جداسازي گردیده شده است.
جهت شناسایی عارضه ساختمان، در ابتدا مجموعه اي از ویژگیهاي طیفی و بافتی قابل استخراج ازسطح تصاویر هوایی و ویژگیهاي هندسی از سطح داده لیدار تهیه شده با استفاده ازالگوریتم SVM جهت شناسایی و کلاس ساختمان از مجموعه عوارض مرتفع بهره گرفته شده است. نتایج بیانگر دقت کلی %90/38 و ضریب کاپاي 0/7925 در شناسایی کلاس ساختمان از میان مجموعه عوارض مرتفع می باشد.نهاتاًی به منظور کاهش پیچیدگیهاي شناسایی و حذف بلوكهاي چند ساختمانی، صفحات سقفی هر ساختمانبه طور مجزا توسط الگوریتم Mean_shift استخراج و بعد از آنالیز ارتفاعی و مقایسه با بردار متعامد، بهصورت ساختمانهایی شیبدار و مسطح در دو سطح ارتفاعی جداسازي شدهاند.
-1 مقدمه
اطلاعات مکان مرجع از اهمیت بسزایی برخوردار بوده و نقش مهمی در پیشبرد پروژههاي عمرانی، مدیریت، خدمات شهري و غیره بر عهده دارند. از همین رو شناسایی و استخراج عوارض شهري یکی از مهم ترین مشکلات پیشرو است، زیرا دستیابی به اطلاعات دقیق و به هنگام براي تصمیمگیري، نیازمند تولید این دسته اطلاعات است. استخراج عوارض شهري مانند ساختمانها و جادهها از دادههاي سنجش از دور یکی از فعالترین زمینههاي تحقیقاتی در فتوگرامتري و سنجش از دوراست..[1] با ورود لیدار به عرصه مهندسی ژئوماتیک، به عنوان یک سنجنده فعال تولیدکننده ابر سهبعدي، تحولی بزرگ در تهیه دادههاي موردنیازجهت شناسایی و بازسازي مدلهاي سه بعدي ﻋﻮارض ایجاد شده است. .[2] ساختمانها به عنوان یک دسته مهم از عوارض شهري، در این زمینه بسیار موردتوجه قرارگرفته و نیاز به شناسایی و جداسازي آن ها از سایر عوارض بسیار داراي اهمیت است.
-2 داده مورداستفاده
مجموعه داده اي که جهت تحقیق مورداستفاده قرارگرفته شده است، داده اپتیک با توان تفکیک بالا و داده نقطهاي تهیه شده، ازشهر Vaihingenدر کشور آلمان است. تصاویر به وس یله دوربین Intergraph/ZI DMCبافاصله کانونی 120 میلیمتر که توانایی برداشت سه باند اطلاعاتی مادون قرمز، قرمز و سبز با توان تفکیک مکانی 8 سانتیمتر را دارا است تهیه شده است. دادههاي لیدار منطقه نیز، توسط سیستم Lecia ALS50 و در 10 نوارو با میزان پوشش30 درصد از شهر مورد نظر برداشتشده اند. شکل - 1 - داده مورداستفاده در طی روند تحقیق را نشان میدهد.
-4 روش پیشنهادي
هدف ارائه الگوریتمی جهت شناسایی جداسازي عارضه ساختمان بهعنوان مهمترین عارضه شهري، با بهرهگیري از ویژگیهاي قابلاستخراج از سطح دادههاي لیدار و تصاویر هوایی است. شکل - 2 - فلوچارتروشهاي مورداستفاده در طی تحقیق را نمایش میدهد.
-1-4پیش پردازش داده لیدار
به منظور حذف نویزهاي احتمالی در سطح داده لیدار مورد استفاده، با این پیشفرض که فاصله بازگشت باید بزرگ تر یا مساوي بازگشت دوم باشد بهره گرفته شد. جهت شناسایی و حذف خطاها از مجموعه داده هاي نقطهاي مطابق فرمول - 1 - اقدام شده است. دلیل وجود دقت 15 سانتیمترازلحاظ ارتفاعی در برداشت نقطه اي هر بازگشت و وجود دو بازگشت اول و آخر در فرمول 1 بنا به قانون انتشار خطا، میزان حد مجاز آستانه فرمول معادل 21 سانتیمتر در نظر گرفته شد.
-2-4تولید مدل رقومی زمین
به منظور جداسازي عوارض زمینی از غیرزمین ی، الگوریتم فیلترگذاري AdaptiveTIN مورد اﺳﺘﻔﺎده قرارگرفته است [3] که توانایی کافی جهت جداسازي عوارض زمینی از غیرزمین ی را در ﻣﻨﺎﻃﻖ شهري دارا هست..[4] بعد از شناسایی و جداسازي نقاط مربوط به عوارض زمینی، نقاط جداسازي شده، ﺑﻪ همراه دادههاي پالس اول برگشتی با دقت 25 سانتیمتر منظم سازي شدهاند.
