TY - JOUR T1 - Urban Features Production with Combining LiDAR and Hyperspectral Data TT - ترکیب تصاویرابرطیفی هوایی و داده‌های لیدار برای تولید عوارض شهری JF - kntu-jgit JO - kntu-jgit VL - 6 IS - 1 UR - http://jgit.kntu.ac.ir/article-1-560-fa.html Y1 - 2018 SP - 1 EP - 14 KW - Hyper Spectral KW - LiDAR KW - Morphology KW - Support Vector Machine KW - Fusion N2 - 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. M3 10.29252/jgit.6.1.1 ER -