[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 7، شماره 3 - ( 9-1398 ) ::
جلد 7 شماره 3 صفحات 173-198 برگشت به فهرست نسخه ها
استخراج مدل رقومی سطح با استفاده از تک‌تصویر ماهواره‌ای با حدتفکیک بالا و مدل رقومی جهانی SRTM برمبنای یادگیری عمیق
حامد امینی امیرکلائی، حسین عارفی
دانشگاه تهران
چکیده:   (272 مشاهده)
مدل رقومی سطح (DSM) از جمله مهم‌ترین محصولات در حوزه فتوگرامتری و سنجش‌ازدور می‌باشد و کاربردهای متنوعی در این حوزه دارد. تکنیک‌های موجود به بیش از یک تصویر برای استخراج DSM نیاز دارند و در این مقاله سعی شده است امکان استخراج DSM از تک تصویر ماهواره‌ای آنالیز و بررسی شود. در این راستا، یک الگوریتم برمبنای شبکه‌های عصبی کانوولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش پردازش‌هایی نظیر تقسیم تصاویر ماهواره به تصاویر کوچک‌تر، محلی‌سازی مقادیر ارتفاعی و تقویت داده‌های آموزشی برای آماده‌سازی داده‌ها برای ورود به شبکه انجام می‌شود. شبکه عصبی کانوولوشنی (CNN) پیشنهادی دارای ساختاری کدگذار-کدگشا می‌باشد که در مرحله کدگذاری ویژگی‌های مختلف و کارآمد در مقیاس‌های متفاوت استخراج‌شده و در مرحله کدگشایی و با ارائه روندی کارآمد، ویژگی‌های تولیدشده برای تخمین مقادیر ارتفاعی با یکدیگر تلفیق می‌گردند. سپس با ارائه یک الگوریتم پیکسل‌های زمینی و غیرزمینی از هم تفکیک‌شده و مقادیر ارتفاعی عوارض غیرزمینی استخراج می‌شوند. با اضافه نمودن عوارض غیرزمینی به همراه اطلاعات ارتفاعی به مدل رقومی ارتفاعی ماموریت توپوگرافی رادار شاتل (SRTM) با ابعاد پیکسل زمینی 30 متر، DSM نهایی بدست می‌آید. الگوریتم پیشنهادی با استفاده از تصاویر ماهواره‌ای و DSMهای متناظر آن‌ها ارزیابی شد. با ارزیابی تصاویر ارتفاعی کوچک تخمین زده‌شده توسط شبکه CNN پیشنهادی به‌طور متوسط مقادیر 921/0، 221/0 و 956/2 متر به ترتیب برای خطای میانگین نسبی (ER)، خطای میانگین لگاریتم (EL)، ریشه جذر میانگین مربعات (ERMSE) حاصل شد. همچنین با ارزیابی DSMهای یکپارچه نهایی ایجاد شده به طور متوسط مقدار 625/4 متر به ترتیب برای ERMSE بدست آمد.
واژه‌های کلیدی: مدل سطحی رقومی، شبکه عصبی کانوولوشنی، تک‌تصویر ماهواره‌ای، مدل رقومی ارتفاعی SRTM.
متن کامل [PDF 2506 kb]   (95 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری
دریافت: ۱۳۹۷/۱۱/۸ | پذیرش: ۱۳۹۸/۱/۲۱ | انتشار: ۱۳۹۸/۹/۳۰
فهرست منابع
1. [1] F. Rottensteiner, "Advanced methods for automated object extraction from LiDAR in urban areas," in Geoscience and Remote Sensing Symposium (IGARSS), IEEE International, pp. 5402-5405, 2012. [DOI:10.1109/IGARSS.2012.6352385]
2. [2] J. Schiewe, "Segmentation of high-resolution remotely sensed data-concepts, applications and problems," International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, vol. 34, pp. 380-385, 2002.
3. [3] F. Rottensteiner and C. Briese, Automatic generation of building models from LIDAR data and the integration of aerial images: na, 2003. [DOI:10.1109/MCG.2003.1242381]
4. [4] F. Lafarge, X. Descombes, J. Zerubia, and M. Pierrot-Deseilligny, "Structural approach for building reconstruction from a single DSM," IEEE Transactions on pattern analysis and machine intelligence, vol. 32, pp. 135-147, 2010. [DOI:10.1109/TPAMI.2008.281]
5. [5] I. V. Florinsky, "Combined analysis of digital terrain models and remotely sensed data in landscape investigations," Progress in Physical Geography, vol. 22, pp. 33-60, 1998. [DOI:10.1177/030913339802200102]
6. [6] H. Murakami, K. Nakagawa, H. Hasegawa, T. Shibata, and E. Iwanami, "Change detection of buildings using an airborne laser scanner," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 54, pp. 148-152, 1999. [DOI:10.1016/S0924-2716(99)00006-4]
7. [7] B. P. Olsen, T. Knudsen, and P. Frederiksen, "Digital change detection for map database update," International Archives of Photogrammetry Remote Sensing and Spatial Information Sciences, vol. 34, pp. 357-364, 2002.
8. [8] F. H. Sinz, J. Q. Candela, G. H. Bakır, C. E. Rasmussen, and M. O. Franz, "Learning depth from stereo," in Joint Pattern Recognition Symposium, pp. 245-252, 2004. [DOI:10.1007/978-3-540-28649-3_30]
9. [9] J. Skilling and S. Gull, "Algorithms and applications," in Maximum-entropy and Bayesian methods in inverse problems, ed: Springer, pp. 83-132, 1985. [DOI:10.1007/978-94-017-2221-6_5]
10. [10] D. Eigen and R. Fergus, "Predicting depth, surface normals and semantic labels with a common multi-scale convolutional architecture," in Proceedings of the IEEE International Conference on Computer Vision, pp. 2650-2658, 2015. [DOI:10.1109/ICCV.2015.304]
11. [11] D. Eigen, C. Puhrsch, and R. Fergus, "Depth map prediction from a single image using a multi-scale deep network," Advances in neural information processing systems, pp. 2366-2374, 2014.
12. [12] F. Liu, C. Shen, G. Lin, and I. Reid, "Learning depth from single monocular images using deep convolutional neural fields," IEEE transactions on pattern analysis and machine intelligence, vol. 38, pp. 2024-2039, 2016. [DOI:10.1109/TPAMI.2015.2505283]
13. [13] A. Saxena, S. H. Chung, and A. Y. Ng, "3-d depth reconstruction from a single still image," International journal of computer vision, vol. 76, pp. 53-69, 2008. [DOI:10.1007/s11263-007-0071-y]
14. [14] I. Laina, C. Rupprecht, V. Belagiannis, F. Tombari, and N. Navab, "Deeper depth prediction with fully convolutional residual networks," 3D Vision (3DV), 2016 Fourth International Conference on, pp. 239-248, 2016. [DOI:10.1109/3DV.2016.32]
15. [15] Z.-m. Yang and H.-d. Zhao, "A New RBF Reflection Model for Shape from Shading," 3D Research, vol. 8, p. 33, 2017. [DOI:10.1007/s13319-017-0141-z]
16. [16] M. A. Rajabi and J. R. Blais, "Improvement of digital terrain model interpolation using SFS techniques with single satellite imagery," International Conference on Computational Science, pp. 164-173, 2002. [DOI:10.1007/3-540-47789-6_17]
17. [17] M. A. Rajabi and J. R. Blais, "Optimization of DTM interpolation using SFS with single satellite imagery," The Journal of Supercomputing, vol. 28, pp. 193-213, 2004. [DOI:10.1023/B:SUPE.0000020178.66165.f3]
18. [18] J. Schennings, "Deep Convolutional Neural Networks for Real-Time Single Frame Monocular Depth Estimation," ed, 2017.
19. [19] I. P. Howard, "Perceiving in depth, Vol. 3: Other mechanisms of depth perception," 2012. [DOI:10.1093/acprof:oso/9780199764167.001.0001]
20. [20] K. Simonyan and A. Zisserman, "Very deep convolutional networks for large-scale image recognition," arXiv preprint arXiv:1409.1556, 2014.
21. [21] Z. Zhang, C. Xu, J. Yang, Y. Tai, and L. Chen, "Deep hierarchical guidance and regularization learning for end-to-end depth estimation," Pattern Recognition, vol. 83, pp. 430-442, 2018. [DOI:10.1016/j.patcog.2018.05.016]
22. [22] B. Li, Y. Dai, and M. He, "Monocular Depth Estimation with Hierarchical Fusion of Dilated CNNs and Soft-Weighted-Sum Inference," Pattern Recognition, 2018. [DOI:10.1016/j.patcog.2018.05.029]
23. [23] A. Saxena, S. H. Chung, and A. Y. Ng, "Learning depth from single monocular images," Advances in neural information processing systems, pp. 1161-1168, 2006.
24. [24] M. Liu, M. Salzmann, and X. He, "Discrete-continuous depth estimation from a single image," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 716-723, 2014. [DOI:10.1109/CVPR.2014.97]
25. [25] S. Srivastava, M. Volpi, and D. Tuia, "Joint height estimation and semantic labeling of monocular aerial images with CNNs," Geoscience and Remote Sensing Symposium (IGARSS), IEEE International, pp. 5173-5176, 2017. [DOI:10.1109/IGARSS.2017.8128167]
26. [26] L. Mou and X. X. Zhu, "IM2HEIGHT: Height estimation from single monocular imagery via fully residual convolutional-deconvolutional network," arXiv preprint arXiv:1802.10249, 2018.
27. [27] P. Ghamisi and N. Yokoya, "IMG2DSM: Height Simulation From Single Imagery Using Conditional Generative Adversarial Net," IEEE Geoscience and Remote Sensing Letters, vol. 15, pp. 794-798, 2018. [DOI:10.1109/LGRS.2018.2806945]
28. [28] H. A. Amirkolaee and H. Arefi, "Height estimation from single aerial images using a deep convolutional encoder-decoder network," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 149, pp. 50-66, 2019. [DOI:10.1016/j.isprsjprs.2019.01.013]
29. [29] H. A. Amirkolaee and H. Arefi, "Convolutional neural network architecture for digital surface model estimation from single remote sensing image," Journal of Applied Remote Sensing, vol. 13, p. 016522, 2019. [DOI:10.1117/1.JRS.13.016522]
30. [30] A. Garcia-Garcia, S. Orts-Escolano, S. Oprea, V. Villena-Martinez, and J. Garcia-Rodriguez, "A review on deep learning techniques applied to semantic segmentation," arXiv preprint arXiv:1704.06857, 2017. [DOI:10.1016/j.asoc.2018.05.018]
31. [31] M. Lin, Q. Chen, and S. Yan, "Network in network," arXiv preprint arXiv:1312.4400, 2013.
32. [32] Y.-L. Boureau, J. Ponce, and Y. LeCun, "A theoretical analysis of feature pooling in visual recognition," Proceedings of the 27th international conference on machine learning (ICML-10), pp. 111-118, 2010.
33. [33] A. Krizhevsky, I. Sutskever, and G. E. Hinton, "Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, pp. 1097-1105, 2012.
34. [34] Y. LeCun, Y. Bengio, and G. Hinton, "Deep learning," Nature, vol. 521, pp. 436-444, 2015. [DOI:10.1038/nature14539]
35. [35] R. H. Hahnloser, R. Sarpeshkar, M. A. Mahowald, R. J. Douglas, and H. S. Seung, "Digital selection and analogue amplification coexist in a cortex-inspired silicon circuit," Nature, vol. 405, p. 947, 2000. [DOI:10.1038/35016072]
36. [36] S. Ioffe and C. Szegedy, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," arXiv preprint arXiv:1502.03167, 2015.
37. [37] S. Wager, S. Wang, and P. S. Liang, "Dropout training as adaptive regularization," Advances in neural information processing systems, pp. 351-359, 2013.
38. [38] K. He, X. Zhang, S. Ren, and J. Sun, "Deep residual learning for image recognition," Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778, 2016. [DOI:10.1109/CVPR.2016.90]
39. [39] J. Long, E. Shelhamer, and T. Darrell, "Fully convolutional networks for semantic segmentation," Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 3431-3440, 2015. [DOI:10.1109/CVPR.2015.7298965]
40. [40] H. Noh, S. Hong, and B. Han, "Learning deconvolution network for semantic segmentation," Proceedings of the IEEE international conference on computer vision, pp. 1520-1528, 2015. [DOI:10.1109/ICCV.2015.178]
41. [41] A. Dosovitskiy, J. T. Springenberg, and T. Brox, "Learning to generate chairs with convolutional neural networks," IEEE Conference on Computer Vision and Pattern Recognition (CVPR) , pp. 1538-154, 2015. [DOI:10.1109/CVPR.2015.7298761]
42. [42] M. D. Zeiler and R. Fergus, "Visualizing and understanding convolutional networks," in European conference on computer vision, pp. 818-833, 2014 [DOI:10.1007/978-3-319-10590-1_53]
43. [43] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, et al., "Going deeper with convolutions," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2015, pp. 1-9 [DOI:10.1109/CVPR.2015.7298594]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


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

Amini Amirkolaee H, Arefi H. Digital surface model extraction with high details using single high resolution satellite image and SRTM global DEM based on deep learning. jgit. 2019; 7 (3) :173-198
URL: http://jgit.kntu.ac.ir/article-1-748-fa.html

امینی امیرکلائی حامد، عارفی حسین. استخراج مدل رقومی سطح با استفاده از تک‌تصویر ماهواره‌ای با حدتفکیک بالا و مدل رقومی جهانی SRTM برمبنای یادگیری عمیق. مهندسی فناوری اطلاعات مکانی. 1398; 7 (3) :173-198

URL: http://jgit.kntu.ac.ir/article-1-748-fa.html



دوره 7، شماره 3 - ( 9-1398 ) 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 31 queries by YEKTAWEB 4106