TY - JOUR T1 - Integration of Visible Image and LIDAR Altimetric Data for Semi-Automatic Detection and Measuring the Boundari of Features TT - تلفیق تصاویر مرئی و داده‌های ارتفاعی لیدار به‌منظور شناسایی نیمه‌خودکار عوارض شهری JF - kntu-jgit JO - kntu-jgit VL - 7 IS - 4 UR - http://jgit.kntu.ac.ir/article-1-766-fa.html Y1 - 2020 SP - 115 EP - 137 KW - Measuring the boundary of features KW - LiDAR KW - Visible images. N2 - این مقاله روشی جدید برای شناسایی عوارض از داده لیدار و تصاویر مرئی ارائه می‌دهد. الگوریتم شناسایی عوارض پیشنهادی، کمترین وابستگی را به نوع سنجنده مورد استفاده برای تصویربرداری و منطقه مورد مطالعه دارد و در مورد هر داده لیدار و داده تصویری ورودی، شامل باند‌های مرئی قرمز، سبز و آبی با قدرت تفکیک مکانی بالا، عوارض را با دقت قابل قبولی شناسایی می‌کند. در روش پیشنهادی، شناسایی عوارض با استفاده از تئوری تحلیل شی‌مبنایی، بعنوان رویکرد اصلی به انجام رسیده است. همچنین دو راهکار و نو‌آوری متفاوت به‌منظور افزایش سطح دقت و خودکارسازی فرایند شناسایی، پیشنهاد و به اجرا رسیده است. اولین راهکار، استفاده مستقل از داده‌های تصویری و لیدار به‌منظور رفع مشکل وابستگی زیاد بین داده‌ها در الگوریتم‌های موجود می‌باشد. راهکار دوم در این تحقیق، ارائه روشی نوین به‌منظور شناسایی مناطق پوشش گیاهی پیشنهاد شده می‌باشد. از ویژگی‌های این روش، عدم نیاز به باند مادون قرمز در داده‌های تصویری و همچنین عدم نیاز به اطلاعات شدت لیزر بازگشتی لیدار می‌باشد. با ارزیابی نتایج رده‌بندی روی داده‌های در دسترس، مشخص شد دقت کلی روش پیشنهادی در مورد رده پوشش گیاهی به طور متوسط 98% است که بالاترین مقدار را نسبت به سایر عوارض نشان می‌دهد. در مورد سایر عوارض نیز این روش به دقت‌های قابل قبولی دست یافت. M3 10.29252/jgit.7.4.115 ER -