Journal of Geospatial Information Technology

fa ترکیب تصاویرابرطیفی هوایی و داده‌های لیدار برای تولید عوارض شهری Urban Features Production with Combining LiDAR and Hyperspectral Data فتوگرامتری Aerial Photogrammetry پژوهشي Research 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. The main problems of hyper spectral data are large number of bands, high dependency between them and different signal to noise ratio in each band. To reduce dimensions of the feature space, minimizing noise and spectral dependence between bands, the MNF method has been applied to achieve better results in this paper. By applying this algorithm, the 144 bands of hyper spectral data were reduced to 19 suitable bands. Then from LiDAR data, the image height and intensity of the return signal received from the first and the last pulse of the laser were examined by LiDAR sensor. At last, the 19 spectral bands extracted from hyper spectral data have been fusion with 4 images of LiDAR data at the pixel level to create 23 suitable spectral bands. In order to detect and extract any study feature of the area on 23 spectral bands, seven different SVM methods were applied and finally by majority voting in the decision-making level between 7 obtained results, the class of each pixel was turned out. Morphology closing transform for repairing buildings and Hough transform for reconstructing the network effects of the fragmentation of land transportation were used on the results of pixels basis SVM method to regulate man-made side structure as well as the individual pixels which reduced. The results in this paper indicates the 99.52% overall accuracy and .958 kappa efficiency which compared to the GRSS chosen institution method. 0.6 Kappa coefficient has been improved. Used data are air-borne LiDAR and hyper spectral scenes requested and downloaded from the organized of a recent contest in data fusion domain. تصاویر ابرطیفی, لیدار, ماشین بردار پشتیبان, مورفولوژی, ادغام Hyper Spectral, LiDAR, Morphology, Support Vector Machine, Fusion 1 14 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-580-6&slc_lang=fa&sid=1 Seyed Yousef Sajjadi سید یوسف سجادی sajjadi@tafreshu.ac.ir 10031947532846005142 10031947532846005142 Yes Tafresh University دانشگاه تفرش Omid Aieneh امید آینه 10031947532846005143 10031947532846005143 No Tafresh University دانشگاه تفرش