بخشی از مقاله
چکیده
در این مقاله روشی جهت کشف ساختمانها با سطح اتوماسیون بالا از روی تصویر هوایی و دادههای لیدار معرفی شده است. بدین ترتیب که در ابتدا عوارض مرتفع - درختان و ساختمانها - از روی دادههای لیدار استخراج میشود و سپس با استفاده از یک شاخص گیاهی ترکیب یافته با شاخص سایه، جداسازی درختان از ساختمانها صورت میگیرد. در این شاخص ترکیبی گیاهان در مناطق غیرسایه و سایهدار دارای مقادیر بالایی میباشند که این ویژگی شاخص ترکیبی جهت جداسازی بهتر گیاهان از ساختمانها در مناطق غیرسایه و سایهدار مناسب میباشد.
جهت پسپردازش نتایج نیز از توابع مورفولوژی ریاضی استفاده شده است. بعد از جداسازی درختان، جداسازی ساختمانهای غیرهمارتفاع بر اساس دستهبندی K-means انجام گرفته است نتایج نشان میدهد که روش پیشنهادشده در کشف ساختمانهای بزرگ و کوچک میتواند موفق باشد. شاخص جامعبودن، صحیحبودن و کیفیت برای این روش پیشنهادی به ترتیب %92/13، %94/25، %87/23 میباشد.
-1 مقدمه
در حال حاضر یکی از مهمترین موضوعات در ارتباط با محیطهای شهری، استخراج اتوماتیک یا نیمه اتوماتیک عوارض شهری مثل ساختمانها میباشد تحقیقات انجام گرفته در این زمینه از اواخر سال 1980 میلادی شروع شده است. ضرورتهای مهم در ارتباط با استخراج دوبعدی ساختمانها شامل به روزرسانی نقشههای رقومی و پایگاه دادههای [1]GIS، برنامهریزی شهری، مدیریت در مواقع بحرانی مثل سیل، زلزله و ایجاد امنیت شهری و مهم برای صنعت معاملات املاک[2] میباشد .
در این مقاله در بخش 2 به پیشینه کارهای انجام گرفته اخیر پرداخته میشود و در بخش 3 روش بکارگرفته شده جهت کشف ساختمانها مورد بررسی قرار گرفته است و بخش 4 شامل پیادهسازی روش پیشنهادی و ارزیابی نتایج میباشد و در نهایت در بخش 5 نتیجهگیریها ارائه گردیده است.
-2 پیشینه تحقیق
سال 2008، P.Dorninger، جهت کشف ساختمانها فقط از نقاط لیزر اسکن هوایی استفاده کرد. بدین صورت که بعد از کشف قطعههای سطوح صفحهای1 در ابر نقاط، نتیجه کشف شده بوسیله یک طبقهبندی مدلمبنا و بوسیله ترکیب قطعات بهبود داده شده است
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
سال 2011، J.Niemeyer از طبقهبندی نظارتشده بر مبنای Conditional Random Fields جهت طبقهبندی نقاط لیزر اسکن هوایی استفاده کرد که دسته نقاط بدست آمده برای هر کلاس داخل یک تصویر برچسبگذاری میشود و در نهایت با عملگرهای مورفولوژی، تصویر نرم میشود
سال 2011، D.Grigillo و U.Kanjir از داده-های 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 یک ماسک از عوارض بالای زمین را بدست آوردند و با استفاده از شاخص گیاهی تفاضلی نرمالشده - NDVI - تولید شده از تصویر ارتو ترمیم یافته، مناطق گیاهی از ساختمانها جداسازی شدند و مناطق باقیمانده با توابع مورفولوژی فیلتر شدند و 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. اطلاعات طیفی بدست آمده از تصویر جهت بهبود طبقه-بندی استفاده شده است
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.
-3 روش پیشنهادی
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.
-3-1 رجیستر کردن تصویر هوایی
جهت استفاده از تصویر هوایی منطقه، نیاز به ثبت تصویر هست که در نتیجه تصویر هوایی بوسیله نقاط کنترل انتخاب شده از DSM رجیستر میشود.
-3-2 پیشپردازش دادههای لیدار
در این تحقیق 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 دادههای 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.
-3-3 کشف عوارض مرتفع
در این تحقیق جهت استخراج عوارض مرتفع از یک روشی مبتنی بر Scan Labeling استفاده شده است.
-3-3-1 الگوریتم فیلترینگ Scan Labeling
روش فیلترینگ [9] Scan Labeling جهت تولید DTM از روی داده های لیدار می باشد. 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.[9] هر نقطه، در یک اسکن دو 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 آنکه 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.[9] در مرحله دوم برچسب ها با RL بیان می شوند
