بخشی از مقاله
چکیده
در این مقاله روشی جهت کشف اتوماتیک ساختمانها از روی داده های لیدار معرفی شده است. بدین ترتیب که در ابتدا عوارض مرتفع - درختان و ساختمانها - از روی DSM براساس الگوریتم ارتقاء یافته Scan labeling شناسایی میشوند و سپس دستهبندی K-means جهت جداسازی درختان از ساختمانها انجام می گیرد. در ویژگیهای استخراج شده جهت انجام دستهبندی K-means درختان مقادیر بالایی نسبت به ساختمانها دارند که بدینترتیب برچسبگذاری دو کلاس ساختمان و درختان بصورت اتوماتیک انجام میپذیرد.
جهت پس-پردازش نتایج کشف ساختمان نیز از توابع مورفولوژی ریاضی استفاده شده است. بعد از جداسازی درختان، جداسازی ساختمانهای غیرهمارتفاع بر اساس الگوریتم دستهبندی K-means انجام گرفته است نتایج نشان می-دهد که روش پیشنهادشده در کشف ساختمانهای بزرگ و کوچک میتواند موفق باشد. شاخص جامعبودن، صحیحبودن و کیفیت برای این روش پیشنهادی به ترتیب %90/67، %93/97، %85/69 میباشد.
-1 مقدمه
ساختمانها بعنوان یکی از عوارض توپوگرافیک ساخته دست بشر می باشند و همواره دچار تغییرات پیوسته هستند که این تغییرپذیری بودن ساختمانها، به روزرسانی نقشهها و پایگاه دادهها - بعنوان مثال پایگاهداده کاداستر - را ضروری میکند.[1] ضرورتهای مهم در ارتباط با استخراج دوبعدی ساختمانها شامل به روزرسانی نقشههای رقومی و پایگاه دادههای [2]GIS، برنامهریزی شهری، مدیریت در مواقع بحرانی مثل سیل، زلزله و ایجاد امنیت شهری و مهم برای صنعت معاملات املاک[3] میباشد.
الگوریتم های فراوانی جهت کشف و استخراج ساختمان ها ارائه گردیده است. سال 2008، P.Dorninger، جهت کشف ساختمانها فقط از نقاط لیزر اسکن هوایی استفاده کرد.[4] سال 2011، D.Bulatov جهت استخراج ساختمانها تنها از تصاویر استفاده کرد بدین ترتیب که بعد از تناظریابی تصاویر و تولید مدل رقومی زمین - DTM - ، یک طبقه بندی قانونمبنا2 جهت جداسازی ساختمانها و گیاهان انجام میگیرد.[5] سال 2011، J.Niemeyer از طبقهبندی نظارتشده بر مبنای Conditional Random Fields جهت طبقهبندی نقاط لیزر اسکن هوایی استفاده کرد.
سال 2011، D.Grigillo و U.Kanjir از دادههای لیدار جهت تولید مدل رقومی سطح - DSM - ، مدل رقومی زمین - DTM - و مدل رقومی نرمالایزشده سطح - nDSM - منطقه استفاده کردند که با استفاده از مدل رقومی نرمالایزشده سطح و شاخص گیاهی تفاضلی نرمالشده - NDVI - تولید شده از تصویر ارتو ترمیم یافته، ساختمانها را استخراج کردند طرح کلی ساختمانها با استفاده از روشی بر مبنای ترانسفورماسیون هاف تخمین زده شد.
در سال 2012، A.Moussa از ابر نقاط و تصویر ارتوترمیم یافته جهت استخراج ساختمان استفاده کرد که روش وی با یک قطعهبندی و طبقهبندی قانونمبنا دادههای لیزر اسکن هوایی شروع میشود و دادههای لیدار به سه دسته ساختمان، درخت و زمین طبقهبندی میشوند.
سال 2012، C.Liu با استفاده از روش قطعهبندی ابتکاری وی و همکارش ابر نقاط لیدار را قطعهبندی کردند و سپس ویژگیهای بافتی در یک طبقهبندیکننده مبتنی بر شبکههای عصبی استفاده میشوند و طرح کلی دستهها جهت تولید حریمهای مستطیلی شکل با استفاده از روش تخمین کمترین مربعات بهبود و منظم سازی میشوند.
در این مقاله در بخش 2 روش بکارگرفته شده جهت کشف ساختمانها مورد بررسی قرار گرفته است و بخش 3 شامل پیادهسازی روش پیشنهادی و ارزیابی نتایج میباشد و بخش 4 نیز نتیجه گیری میباشد.
-2 روش پیشنهادی
ارزیابی دقت
جداسازی ساختمان های غیر هم ارتفاع و برچسب گذاری آن ها
تشخیص اتوماتیک کلاس ساختمان و کلاس درختان
دسته بندی K-means×
حدآستانه گذاری بر روی nDSM
nDSM عوارض مرتفع
استخراج ویژگی
شکل .1 فلوچارت کلی روند تحقیق
فلوچارت کلی روند تحقیق در شکل 1 نشان داده شده است و مراحل این تحقیق بصورت اجمالی در ادامه بیان شده است.
-2-1 پیشپردازش دادههای لیدار
در این پژوهش هدف از پیشپردازش دادههای لیدار حذف نویزهای موجود در دادههای لیدار می باشد. در دادههای لیدار بازگشت اول فاصله باید بزرگتر یا مساوی بازگشت آخر فاصله باشد اما بدلیل دقت ارتفاعی داده های لیدار این بازگشت میتواند به اندازه خطای ارتفاعی دادههای لیدار از بازگشت آخر کوچکتر باشد در نتیجه جهت تشخیص نویز در دادههای لیدار از رابطه - 1 - استفاده شده است.
بازگشت اول فاصله و بازگشت آخر فاصله میباشد. نقاطی که در رابطه - 1 - صدق کنند بعنوان نویز تشخیص داده میشوند. بعد از تشخیص نویزها مقادیر جدید این نقاط در DSM از طریق روش درونیابی نزدیکترین همسایگی تعیین میشود.
-2-2 کشف عوارض مرتفع براساس الگوریتم ارتقاء یافته فیلترینگ Scan Labeling
روش فیلترینگ [10] Scan Labeling جهت تولید DTM از روی داده های لیدار میباشد. در این روش فرض بر این است که با حرکت در طول اسکن، مجموعه نقاط قرار گرفته بین مجموعه ناپیوستگیها عارضه هستند البته به شرط آنکه این مجموعه نقاط ارتفاع بیشتری را نسبت به نقاط همسایه داشته باشند
در الگوریتم ارتقاء یافته فیلترینگ Scan Labeling هر نقطه، در یک اسکن چهار برچسب موقتی دارد، جهت تشریح این الگوریتم نقاط زمینی با برچسب یک و نقاط غیرزمینی با برچسب صفر بیان میشوند. در مرحله اول، اسکن از چپ به راست شروع می شود، اولین نقطه در تمامی اسکن ها فرض میشود که زمین لخت باشد و نقطه دوم نسبت به نقطه اول بررسی میشوند اگر آنها معیار پیوستگی معرفیشده را ارضاء کنند آنگاه برچسب اولین نقطه به نقطه دوم انتقال داده میشود در غیر اینصورت برچسب LR نقطه دوم صفر - 0 - میشود به شرط آن که نقطه دوم ارتفاع بیش تری را نسبت به نقطه اول داشته باشد و اگر ارتفاع نقطه دوم از نقطه اول کمتر باشد مقدار برچسب LR نقطه دوم یک - 1 - میشود.
این انتقال برچسب برای تمام نقاط مجاور در اسکن تکرار میشود، در مرحله دوم اسکن از راست به چپ با همان قواعد برچسبگذاری تکرار میشود و اولین نقطه در این اسکن همان نقطه آخر در اسکن مرحله قبل می باشد.[10] همین پروسه برای حالت بالا به پایین و پایین به بالا نیز تکرار میشود و برچسب نقاط در این دو حالت نیز به ترتیب در BU, UB قرار میگیرد و در نهایت تابع برچسبگذاری مطابق رابطه - 2 - نقاط زمینی از غیرزمینی را تفکیک میکند.
به ترتیب برچسب نقطه در اسکن پایین به بالا، بالا به پایین،راست به چپ و چپ به راست میباشند. بعد از مشخص شدن نقاط زمینی، دوباره با استفاده از روش رگرسیون خطی تکبعدی نقاط غیرزمینی باقیمانده شناسایی و حذف میشوند بدین منظور با استفاده از تعریف همسایگی برای نقاط زمینی، برازش رگرسیون برای نقاط همسایه طبق رابطه 3 انجام میگیرد و نقاطی که انحراف از رگرسیون آنها از میانگین انحرافات، بیش تر از سه برابر انحراف معیار انحرافات باشد به عنوان نقطه غیرزمینی تشخیص داده میشود.
در رابطه فوق شعاع همسایگی برای نقاط زمینی میباشد. در روشی که ما جهت کشف عوارض مرتفع بکار گرفتیم ابتدا DTM منطقه بر اساس روش ارتقاء یافته Scan labeling تولید میشود. جهت تولید DTM از اصول الگوریتم Scan Labeling با قواعد برچسبگذاری یکسان و تابع برچسبگذاری متفاوت استفاده میشود. معیار ناپیوستگی در روش پیشنهادی ما شیب بین پیکسلهای مجاور میباشد.
