[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 1 - ( 3-1397 ) ::
جلد 6 شماره 1 صفحات 1-14 برگشت به فهرست نسخه ها
ترکیب تصاویرابرطیفی هوایی و داده‌های لیدار برای تولید عوارض شهری
سید یوسف سجادی ، امید آینه
دانشگاه تفرش
چکیده:   (361 مشاهده)
در این مقاله به منظور شناسایی و استخراج عوارض مختلف شهری به‌صورت خودکار از تصاویر فتوگرامتری روشی ارائه شده که در آن از ترکیب دادههای لیدار و ابرطیفی استفاده می‌شود. مهمترین مشکل تصاویر ابرطیفی تعداد زیاد باندها و وابستگی بالای بین آن‌ها و نیز نسبت سیگنال به نویز متفاوت در باندهای مختلف می‌باشد، در این تحقیق به‌منظور کاهش ابعاد فضای داده، کمینه کردن نویز و وابستگی طیفی بین باندها، جهت دست یافتن به نتایج بهتر، از روش کاهش نویز کمینه (MNF) استفاده می‌شود، با اعمال این روش تصاویر ابرطیفی با 144 باند به 19 تصویر تبدیل یافته مناسب کاهش می‌یابند. سپس از ابر نقاط لیدار تصاویر ارتفاعی و شدت بازگشت‌های اول و آخر لیزر تولید می‌شوند. در نهایت 19 تصویر تبدیل یافته حاصل از تصاویر ابرطیفی با 4 تصویر تولید شده از داده‌های لیدار در سطح پیکسل باهم ادغام می‌شوند و تصویری با 23 ویژگی مناسب به‌وجود می‌آید. به‌منظور شناسایی و استخراج هر کدام از عوارض منطقه، هفت ماشین یادگیری بردار پشتیبان (SVM) اجرا می‌شوند و نهایتاً با ادغام اطلاعات در سطح تصمیم که با رأی‌گیری بین 7 جواب به‌دست آمده، انجام می‌شود، کلاس مربوط به هر پیکسل مشخص می‌گردد. در ادامه از عملگر انسداد مورفولوژی ریاضی برای  ترمیم ساختمان‌ها و از تبدیل هاف برای بازسازی شبکه‌ی حمل و نقل استفاده می‌شود تا عوارض ساخت دست بشر دارای ساختاری منظم‌تر بشوند و حضور پیکسل‌های منفرد نیز کاهش یابد. روش فوق روی یک مجموعه داده مربوط به محوطه دانشگاه هیوستن آمریکا پیاده‌سازی شده است. این مجموعه داده همراه با داده‌های جانبی شامل نمونه‌های آموزشی و آزمایشی دقیق، توسط انجمن سنجش از دور و علوم زمین مهندسان برق و الکترونیک در سال 2012 برداشت شده و پیشتر در یک مسابقهی بین‌المللی ادغام داده مورد استفاده قرار گرفته‌اند.
واژه‌های کلیدی: تصاویر ابرطیفی، لیدار، ماشین بردار پشتیبان، مورفولوژی، ادغام
متن کامل [PDF 1799 kb]   (167 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۶/۸/۱۰ | پذیرش: ۱۳۹۶/۱۰/۲۰ | انتشار: ۱۳۹۷/۳/۳۱
فهرست منابع
1. [1] P. Pahlevani, H, Amini Amir Kalaei, and S. Sadeghian, "Extracting Land Digital Model from Lidar Data and Aerial Images and Identifying Urban Buildings and Passages by Present Nerve Network", Journal of Soft Computing and Information Technology",Vol. 2, No. 4, 1394.
2. [2] S. Sadeghian, A. Aieneh, "Extraction of Vegetation Cover in Urban Areas by Means of Merging of Lidar and Superiority Data", Presented at 22nd Geomatics National Conference, Tehran, Iran, 1394.
3. [3] A. Benedikttson. and I. Kanellopoulos, "Classification of Multisource and Hyperspectral Data based on Decision Fusion", IEEE Transactions on Geoscience and Remote Sensing, Vol. 37, No. 3, pp. 1367-1377, 1999. [DOI:10.1109/36.763301]
4. [4] M. Turker, and D. Koc-San, "Building Extraction from High-Resolution Optical Space-borne Images using the Integration of Support Vector Machine (SVM) Classification", Hough Transformation and Perceptual Grouping, International Journal of Applied Earth Observation and Geo-information, Vol. 34, pp. 58-69, 2015. [DOI:10.1016/j.jag.2014.06.016]
5. [5] A, Matkan, M. Hejeb, and S, Sadeghian, "Road Extraction from Lidar Data using Support Vector Machine Classification, Phogrammetric Engineering and Remote Sensing (PE&RS) Journal, Vol. 80, No. 5, pp. 409-422, May 2014.
6. [6] Z. Azizi, and S. Sadeghian, "Forest Canopy Modeling with LIDAR Data and Digital Aerial Imagery, 2nd International Conference on Sensors and Models in Photogrammetry and Remote Sensing (SMPR'13, Tehran, Iran, 2013.
7. [7] B. Bigdeli, F. Samadzadegan, and P. Reinartz, "A decision Fusion Method Based on Multiple Support Vector Machine System for Fusion of Hyperspectral and LiDAR Data", International Journal of Image and Data Fusion, Vol. 5, No. 3, pp. 196-20, 2014. [DOI:10.1080/19479832.2014.919964]
8. [8] C.W, Geerling, M. L. abrador-Garcia, J.G.P.W. Clevers, A.M.J. Ragas, and A.J.M. Smits, "Classification of Floodplain Vegetation by Data fusion of Spectral (CASI) and LIDAR Data", International Journal of Remote Sensing, Vol. 28, pp. 4263−4284, 2007. [DOI:10.1080/01431160701241720]
9. [9] M. Voss, and R. Sugumaran, "Seasonal Effect on Tree Species Classification in an Urban Environment using Hyper-spectral Data, LIDAR and an Object-oriented Approach Sensors", Vol. 8, pp. 3020−3036, 2008.
10. [10] G.W. Geerling, M.J. Vreeken-Buus, P. Jesse, A.M.J. Ragas, and A.J.M. Smits. "Mapping River Floodplain Ecotopes by Segmentation of Spectral (CASI) and Structural (LIDAR)" Remote Sensing Data, River Research and Applications, Vol. 25, No. 7, pp. 795−813, 2009. [DOI:10.1002/rra.1181]
11. [11] J.W. Boardman, and F.A. Kruse, "Automated Spectral Analysis: A geological Example using AVIRIS Data, Northern Grapevine Mountains, Nevada: in Proceedings", 10th Thematic Conference, Geologic Remote Sensing, Vol. 9, No. 12, May 1994, San Antonio, Texas, Chapter I, pp. 407-418, 1994.
12. [12] A.A. Green, M. Berman, P. Switzer, and M.D. Craig, "A Transformation for Ordering Multispectral Data in Terms of Image Quality with Implications for Noise Removal", IEEE Transactions on Geoscience and Remote Sensing, Vol. 26, No. 1, pp. 65-74, 1988. [DOI:10.1109/36.3001]
13. [13] F. Graybill, Matrices with applications in statistics, 2nd Edition, Wadsworth, Belmont, California. 1983.
14. [14] V. Vapnik, and A. LERNER, "Pattern Recognition using Generalized Portrait Method", Automation and Remote Control, Vol. 24, pp. 774–780, 1963.
15. [15] T. Joachims, "Making large-scale SVM learning practical", in B. Sch¨olkopf, C.J.C . Burges, and A.J. Smola, Editors, Advances in Kernel Methods - Support Vector Learning, Cambridge, MA, MIT Press, 1998.
16. [16] V. Vapnik, Statistical Learning Theory, Wiley, New York, 1998.
17. [17] B.E Boser, I. Guyon, V. Vapnik, "A Training Algorithm for Optimal Margin Classifiers", Proceedings of the Fifth Annual Workshop on Computational Learning Theory, ACM Press, pp. 144–152, 1992. [DOI:10.1145/130385.130401]
18. [18] C. Cortes, V. Vapnik, "Support Vector Network. Machine Learning", Vol. 20, pp. 273-297, 1995. [DOI:10.1007/BF00994018]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Sajjadi S Y, Aieneh O. Urban Features Production with Combining LiDAR and Hyperspectral Data. jgit. 2018; 6 (1) :1-14
URL: http://jgit.kntu.ac.ir/article-1-560-fa.html

سجادی سید یوسف، آینه امید. ترکیب تصاویرابرطیفی هوایی و داده‌های لیدار برای تولید عوارض شهری. مهندسی فناوری اطلاعات مکانی. 1397; 6 (1) :1-14

URL: http://jgit.kntu.ac.ir/article-1-560-fa.html



دوره 6، شماره 1 - ( 3-1397 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.06 seconds with 30 queries by YEKTAWEB 3781