[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 5، شماره 3 - ( 9-1396 ) ::
جلد 5 شماره 3 صفحات 77-97 برگشت به فهرست نسخه ها
بررسی جامع بر روی روش‌های طبقه‌بندی غیرپارامتریک به منظور تفکیک عوارض شهری با استفاده از تلفیق داده‌های لایدار و تصویر هوایی با توان تفکیک مکانی بسیار بالا
زینت قوامی، حسین عارفی ، بهناز بیگدلی، میلاد جانعلی پور
دانشگاه تهران
چکیده:   (869 مشاهده)
امروزه به دست آوردن اطلاعات پوشش اراضی شهری، یکی از مهمترین ابزارهای مدیریت شهری است و کاربرد زیادی در بررسی تغییرات زمین دارد. طبقه‌بندی تصاویر، یکی از متداول¬ترین روشهای استخراج اطلاعات از دادههای سنجش از دور است. وجود نواحی شهری پیچیده و متراکم یکی از مشکلات آنالیزهای سنجش از دور می¬باشد. دقت عملکرد طبقه‌بندی در این مناطق برای محققان مورد توجه بوده و همواره سعی در بهبود این دقت داشته¬اند. با استفاده از تکنیک تلفیق داده¬های مختلف و به کارگیری اطلاعات متنوع از عوارض میتوان به طبقهبندی دقیقتر با قابلیت اعتماد بالاتر دست یافت. از جمله روش-های موفقیت آمیز طبقه‌بندی در سالهای اخیر، میتوان به الگوریتمهای ماشین بردار پشتیبان و الگوریتمهای یادگیری دسته جمعی مانند بگینگ، بوستینگ و جنگل تصادفی اشاره کرد. در این مقاله در مورد عملکرد این چهار الگوریتم برای شناسایی عوارض شهری با استفاده از نقاط متراکم لایدار و تصویر هوایی با قدرت تفکیک بسیار بالا بحث شده است. در این تحقیق از سه شیوه بر اساس طبقه‌بندی داده لایدار و تصویر هوایی به تنهایی و تلفیق هر دو داده استفاده شدهاست. نتایج نشان میدهد که ترکیب داده لایدار و تصویر هوایی، طبقه‌بندی بهتری را از عوارض شهری به‌دست می‌دهد. در نهایت طبقه‌بندی عوارض شهری با کمک تلفیق داده‌های لایدار و تصویر هوایی و با استفاده از الگوریتم ماشینهای بردار پشتیبان با دقت ۹۹/۹۳٪،  توانایی بالاتری نسبت به سایر روش¬های طبقه‌بندی مورد استفاده مانند بگینگ، بوستینگ و جنگل تصادفی دارد.
واژه‌های کلیدی: داده لایدار، تصویر هوایی، ماشین‌های بردار پشتیبان، بگینگ، بوستینگ، جنگل تصادفی
متن کامل [PDF 2378 kb]   (926 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: ۱۳۹۵/۴/۱۴ | پذیرش: ۱۳۹۶/۳/۹ | انتشار: ۱۳۹۶/۱۰/۲۰
فهرست منابع
1. [1] B. Sirmacek and P. Reinartz, "Automatic crowd density and motion analysis in airborne image sequences based on a probabilistic framework," in Computer Vision Workshops (ICCV Workshops), 2011 IEEE International Conference on, 2011, pp. 898-905. [DOI:10.1109/ICCVW.2011.6130347]
2. [2] B. Sirmacek and P. Reinartz, "Kalman filter based feature analysis for tracking people from airborne images," in ISPRS workshop high-resolution earth imaging for geospatial information, Hannover, Germany, 2011.
3. [3] Y. Cao, H. Zhao, N. Li, and H. Wei, "Land-cover classification by airborne LIDAR data fused with aerial optical images," in Multi-Platform/Multi-Sensor Remote Sensing and Mapping (M2RSM), 2011 International Workshop on, 2011, pp. 1-6. [DOI:10.1109/M2RSM.2011.5697394]
4. [4] Y. Chen, W. Su, J. Li, and Z. Sun, "Hierarchical object oriented classification using very high resolution imagery and LIDAR data over urban areas," Advances in Space Research, vol. 43, pp. 1101-1110, 2009. [DOI:10.1016/j.asr.2008.11.008]
5. [5] K. K. Singh, J. B. Vogler, D. A. Shoemaker, and R. K. Meentemeyer, "LiDAR-Landsat data fusion for large-area assessment of urban land cover: Balancing spatial resolution, data volume and mapping accuracy," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 74, pp. 110-121, 2012. [DOI:10.1016/j.isprsjprs.2012.09.009]
6. [6] F. J. Mesas-Carrascosa, I. L. Castillejo-González, M. S. de la Orden, and A. G.-F. Porras, "Combining LiDAR intensity with aerial camera data to discriminate agricultural land uses," Computers and electronics in agriculture, vol. 84, pp. 36-46, 2012. [DOI:10.1016/j.compag.2012.02.020]
7. [7] M. Bandyopadhyay, J. A. van Aardt, and K. Cawse-Nicholson, "Classification and extraction of trees and buildings from urban scenes using discrete return LiDAR and aerial color imagery," in SPIE Defense, Security, and Sensing, 2013, pp. 873105-873105-9.
8. [8] M. M. Awad, "Toward Robust Segmentation Results Based on Fusion Methods for Very High Resolution Optical Image and LiDAR Data," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2017. [DOI:10.1109/JSTARS.2017.2653061]
9. [9] A. Zarea and A. Mohammadzadeh, "A novel building and tree detection method from LiDAR data and aerial images," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 9, pp. 1864-1875, 2016. [DOI:10.1109/JSTARS.2015.2470547]
10. [10] M. Wu, Z. Sun, B. Yang, and S. Yu, "Synergistic Use of WorldView-2 Imagery and Airborne LiDAR Data for Urban Land Cover Classification," in IOP Conference Series: Earth and Environmental Science, 2017, p. 012035. [DOI:10.1088/1755-1315/57/1/012035]
11. [11] M. Esfahani and A. Mohammadzade, "Fusion of Pixel-Based and Object-Based Analysis in Order to Buildings and Trees Detection in Urban Area From LiDAR and Optic Data," Journal of Geomatics Science and Technology, vol. 6, pp. 27-42, 2016.
12. [12] B. Ghimire, J. Rogan, V. R. Galiano, P. Panday, and N. Neeti, "An evaluation of bagging, boosting, and random forests for land-cover classification in Cape Cod, Massachusetts, USA," GIScience & Remote Sensing, vol. 49, pp. 623-643, 2012. [DOI:10.2747/1548-1603.49.5.623]
13. [13] C. Zhang and Z. Xie, "Data fusion and classifier ensemble techniques for vegetation mapping in the coastal Everglades," Geocarto International, vol. 29, pp. 228-243, 2014. [DOI:10.1080/10106049.2012.756940]
14. [14] P. O. Gislason, J. A. Benediktsson, and J. R. Sveinsson, "Random forests for land cover classification," Pattern Recognition Letters, vol. 27, pp. 294-300, 2006. [DOI:10.1016/j.patrec.2005.08.011]
15. [15] X. Meng, N. Currit, and K. Zhao, "Ground filtering algorithms for airborne LiDAR data: A review of critical issues," Remote Sensing, vol. 2, pp. 833-860, 2010. [DOI:10.3390/rs2030833]
16. [16] P. Axelsson, "DEM generation from laser scanner data using adaptive TIN models," International Archives of Photogrammetry and Remote Sensing, vol. 33, pp. 111-118, 2000.
17. [17] S. Theodoridis and K. Koutroumbas, "Pattern Recognition, Academic Press," New York, 1999.
18. [18] M. Janalipour and A. Mohammadzadeh, "Building damage detection using object-based image analysis and ANFIS from high-resolution image (Case study: BAM earthquake, Iran)," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 9, pp. 1937-1945, 2016. [DOI:10.1109/JSTARS.2015.2458582]
19. [19] M. Janalipour and M. Taleai, "Building change detection after earthquake using multi-criteria decision analysis based on extracted information from high spatial resolution satellite images," International Journal of Remote Sensing, vol. 38, pp. 82-99, 2017. [DOI:10.1080/01431161.2016.1259673]
20. [20] M. JANALIPOUR, A. MOHAMMADZADEH, Z. M. J. VALADAN, and S. AMIRKHANI, "BUILDINGS'DAMAGE DETERMINATION AFTER THE EARTHQUAKE BY USING ANFIS MODEL AND REMOTE SENSING IMAGERY," 2015.
21. [21] F. Albregtsen, "Statistical texture measures computed from gray level coocurrence matrices," Image processing laboratory, department of informatics, university of oslo, vol. 5, 2008.
22. [22] F. Bianconi and A. Fernández, "Evaluation of the effects of Gabor filter parameters on texture classification," Pattern Recognition, vol. 40, pp. 3325-3335, 2007. [DOI:10.1016/j.patcog.2007.04.023]
23. [23] D. Zhao, Z. Lin, R. Xiao, and X. Tang, "Linear Laplacian discrimination for feature extraction," in Computer Vision and Pattern Recognition, 2007. CVPR'07. IEEE Conference on, 2007, pp. 1-7. [DOI:10.1109/CVPR.2007.383125]
24. [24] A. M. Milad Janalipour, Mohammad Javad Valadan zouj., "Application of the Weighted Indexes Using Training Data and Genetic Algorithm on High Resolution Images for Vegetation Detection in Urban Areas," Journal of Natural Environment, vol. 67, pp. 135-243, 2014.
25. [25] C. Persello, "Advanced techniques for the classification of very high resolution and hyperspectral remote sensing images," University of Trento, 2010.
26. [26] K. S. Durgesh and B. Lekha, "Data classification using support vector machine," Journal of Theoretical and Applied Information Technology, vol. 12, pp. 1-7, 2010.
27. [27] V. Vapnik, The nature of statistical learning theory: Springer Science & Business Media, 2013.
28. [28] M. Chi and L. Bruzzone, "Semisupervised classification of hyperspectral images by SVMs optimized in the primal," IEEE Transactions on Geoscience and Remote Sensing, vol. 45, pp. 1870-1880, 2007. [DOI:10.1109/TGRS.2007.894550]
29. [29] R. Pino-Mejías, M. D. Cubiles-de-la-Vega, M. Anaya-Romero, A. Pascual-Acosta, A. Jordán-López, and N. Bellinfante-Crocci, "Predicting the potential habitat of oaks with data mining models and the R system," Environmental Modelling & Software, vol. 25, pp. 826-836, 2010. [DOI:10.1016/j.envsoft.2010.01.004]
30. [30] S. E. Sesnie, B. Finegan, P. E. Gessler, S. Thessler, Z. Ramos Bendana, and A. M. Smith, "The multispectral separability of Costa Rican rainforest types with support vector machines and Random Forest decision trees," International Journal of Remote Sensing, vol. 31, pp. 2885-2909, 2010. [DOI:10.1080/01431160903140803]
31. [31] Z.-H. Zhou, Ensemble methods: foundations and algorithms: CRC Press, 2012.
32. [32] R. G. Pontius Jr and M. Millones, "Death to Kappa: birth of quantity disagreement and allocation disagreement for accuracy assessment," International Journal of Remote Sensing, vol. 32, pp. 4407-4429, 2011. [DOI:10.1080/01431161.2011.552923]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Ghavami Z, Arefi H, Bigdeli B, Janalipour M. Comprehensive investigation on non-parametric classification methods in order to separate urban objects using the integration of very high spatial resolution LiDAR and aerial data. jgit. 2017; 5 (3) :77-97
URL: http://jgit.kntu.ac.ir/article-1-517-fa.html

قوامی زینت، عارفی حسین، بیگدلی بهناز، جانعلی پور میلاد. بررسی جامع بر روی روش‌های طبقه‌بندی غیرپارامتریک به منظور تفکیک عوارض شهری با استفاده از تلفیق داده‌های لایدار و تصویر هوایی با توان تفکیک مکانی بسیار بالا. مهندسی فناوری اطلاعات مکانی. 1396; 5 (3) :77-97

URL: http://jgit.kntu.ac.ir/article-1-517-fa.html



دوره 5، شماره 3 - ( 9-1396 ) 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 0.05 seconds with 29 queries by YEKTAWEB 3764