Journal of Geospatial Information Technology

fa طبقه بندی تصویر مدل رقومی سطح لایدار بر اساس نیمرخ‌ های ریخت شناسی چندشکلی و شبکه نواحی تصادفی عمیق مبتنی بر تبدیل تحلیل تفکیک پذیری خطی MMP-MLDANet: Classification of LiDAR-DSM Image Based on Multishape Morphological Profiles and Multiscale LDA-based Deep Random Patches Networks سنجش از دور RS پژوهشي Research اطلاعات ارتفاعی مشابه در ردههای زمینی مختلف، طبقهبندی عوارض و ردههای زمینی را در تصاویر مدل رقومی سطح (DSM) حاصل شده از حسگرهای لایدار (LiDAR) به امری چالشبرانگیز تبدیل میکند. علاوه بر اطلاعات ارتفاعی، تصاویر DSM حاوی اطلاعات مکانی ارزشمندی نیز میباشند که این اطلاعات میتواند کمک شایانی به بهبود دقت طبقهبندی کند. در سالهای اخیر روشهای یادگیری عمیق به عنوان ابزاری قدرتمند برای استخراج اطلاعات و طبقهبندی تصاویر تبدیل شدهاند. علی‌رغم نتایج مطلوب عمدهی این روشها، بسیاری از رویکردهای یادگیری عمیق پیشنهادی دارای ساختاری پیچیده هستند و به سخت‌افزار پیشرفته و حجم نمونه آموزشی زیاد نیاز دارند. به عنوان یک راه حل، این مقاله یک راهبرد جدید برای طبقهبندی DSM به منظور دستیابی به نقشههای دقیق پوشش زمین پیشنهاد میکند. روش پیشنهادی، به نام MMP-MLDANet، از نیمرخ‌‌های ریختشناسی چندشکلی (MMP) و شبکه‌های نواحی تصادفی عمیق مبتنی بر تبدیل تحلیل تفکیکپذیری خطی با مقیاس چندگانه (MLDANet) به منظور استخراج ویژگی استفاده میکند. در نهایت یک سیستم طبقه‌بندیکننده چندگانه بر مبنای ماشینهای بردار پشتیبان (SVM) به منظور طبقهبندی ویژگیهای عمیق تولیدی توسعه داده شده است. بر اساس آزمایش‌های انجام‌شده بر روی تصاویر تک باند DSM معیار هیوستون و ترنتو، روش ارائه شده در وضعیت وجود تعداد محدودی از نمونههای آموزشی به دقت کلی 85/90% و 49/98% دست یافت که از برخی روش‌های موجود در این حوزه بهتر است.   Similar elevation information in different land classes makes it challenging to classify features and land classes in Digital Surface Model (DSM) images obtained from LiDAR sensors. In addition to elevation data, DSM images contain valuable spatial information that can greatly improve classification accuracy. In recent years, deep learning techniques have emerged as powerful tools for feature extraction and image classification. Despite achieving appropriate results, many proposed deep learning approaches have complex structures and require advanced hardware and large training datasets. As a solution, this paper proposes a new strategy for DSM classification to produce accurate land-cover maps. The proposed method, named MMP-MLDANet, uses multishape morphological profiles (MMP) and multiscale LDA-based deep random patches networks (MLDANet)  for feature extraction. Finally, a multiple-classifier system based on support vector machines (SVMs) is developed to classify the resulting deep features. Based on experiments conducted on single-band DSM images of the Houston and Trento areas, the proposed method achieves the desired overall accuracies of 90.85% and 98.49% with a limited number of training samples, outperforming some existing methods in this field.   مدل رقومی سطح, لایدار, یادگیری عمیق, طبقه بندی, نیمرخ ریخت شناسی Digital Surface Model, Lidar, Deep Learning, Classification, Morphological Profile 105 130 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-653-5&slc_lang=fa&sid=1 Behnam Asghari Beirami بهنام اصغری بیرامی behnam.asghari1370@gmail.com 100319475328460010806 100319475328460010806 Yes Imam Hossein university دانشگاه امام حسین (ع) Mohammadreza Seif محمد رضا سیف mrseyf@ihu.ac.ir 100319475328460010807 100319475328460010807 No Imam Hossein university دانشگاه امام حسین (ع)