آمار

تعداد نشریات36
تعداد شماره‌ها1,192
تعداد مقالات8,579
تعداد مشاهده مقاله6,989,647
تعداد دریافت فایل اصل مقاله4,033,175
عرب سعیدی, علیرضا, مالیان, عباس. (1397). آشکارسازی دانش مبنای ساختمان ها با ادغام تصاویر ماهواره ای و داده های لیزری. پدافند الکترونیکی و سایبری, 9(3), 47-54.
علیرضا عرب سعیدی; عباس مالیان. "آشکارسازی دانش مبنای ساختمان ها با ادغام تصاویر ماهواره ای و داده های لیزری". پدافند الکترونیکی و سایبری, 9, 3, 1397, 47-54.
عرب سعیدی, علیرضا, مالیان, عباس. (1397). 'آشکارسازی دانش مبنای ساختمان ها با ادغام تصاویر ماهواره ای و داده های لیزری', پدافند الکترونیکی و سایبری, 9(3), pp. 47-54.
عرب سعیدی, علیرضا, مالیان, عباس. آشکارسازی دانش مبنای ساختمان ها با ادغام تصاویر ماهواره ای و داده های لیزری. پدافند الکترونیکی و سایبری, 1397; 9(3): 47-54.

آشکارسازی دانش مبنای ساختمان ها با ادغام تصاویر ماهواره ای و داده های لیزری

پدافند غیرعامل
مقاله 5، دوره 9، شماره 3، آذر 1397، صفحه 47-54    اصل مقاله (1006.69 K)
نوع مقاله: مقاله پژوهشی
نویسندگان
علیرضا عرب سعیدی* ؛ عباس مالیان
دانشگاه شهید رجایی
تاریخ دریافت: 26 اردیبهشت 1396،  تاریخ بازنگری: 15 اسفند 1397،  تاریخ پذیرش: 28 شهریور 1397 
چکیده
یکی از مطالعات کاربردی در زمینه تحلیل‌های شیئ مبنا، استخراج عوارض شهری است. ساختمان‌ها از مهم‌ترین عوارض شهری در نقشه-های بزرگ مقیاس می‌باشند، لذا فرآیند شناسایی و استخراج این عوارض به ویژه در فرآیندهای مکان مبنای مرتبط با پدافند غیرعامل از اهمیت بالایی برخوردار است. به دلیل تنوع خصوصیات طیفی و هندسی این دسته از عوارض، شناسایی آن‌ها در مناطق مطالعاتی مختلف، با مشکلاتی همراه است. در این پژوهش با استفاده از تحلیل شیئ مبنا و ویژگی‌های استخراج‌شده از داده‌های لیزری و عکس های هوایی به شناسایی ساختمان‌های با سقف شیب‌دار پرداخته می‌شود. در گام نخست پس از فرآیند بخش‌بندی، جدا‌سازی عوارض مرتفع و غیر‌مرتفع با استفاده از لایه شیب و جهت شیب انجام می‌شود. در گام بعدی با استخراج ویژگی‌های هندسی و مفهومی، تفکیک درختان و ساختمان‌ها از یکدیگر انجام می‌گردد. در گام پایانی بازسازی ساختمان‌های از دست‌‌رفته، توسط عملگرهای ریخت‌شناسی صورت می‌پذیرد. تلفیق دو دسته داده ورودی در سطح تصمیم‌گیری منجر به بهره‌مندی از مزایای ویژگی‌های هر دو داده می‌شود و هر‌کدام از آن‌ها می‌تواند مشکلات و کاستی‌های دیگری را پوشش دهد. در روش پیشنهادی، یک راهبرد قاعده مبنا مبتنی بر تولید ویژگی‌های هندسی و مفهومی و استفاده از شیوه چند‌ مرحله‌ای در نظر گرفته شده است. سرانجام دقت کلی شناسایی رده ساختمان، 87% و ضریب کاپا 81/0 به‌دست آمد. نتایج، نشان‌دهنده قابلیت بالای روش‌های شیئ مبنا در شناسایی عوارض شهری نظیر ساختمان‌ها با تلفیق داده‌های لایدار و عکس‌های هوایی با وجود تنوع شکل در محیط‌های شهری می‌باشد.
 
کلیدواژه‌ها
شناسایی ساختمان؛ عکس هوایی؛ ویژگی های هندسی و مفهومی؛ تحلیل شیئ مبنا
عنوان مقاله [English]
Knowledge-Based Building Detection by Means of Integrating Satellite Images and Laser Data
چکیده [English]
One of the applied studies in the field of object-based analyses is the extraction of urban features. Buildings are one of the most important urban features in large scale maps, so the process of identifying and extracting these features is especially important in the location-based processes of the passive defense. Due to the variety of spectral and geometric properties of these types of features, their identification in different study areas is associated with some problems. In this study, using an object-based analysis and extracted features from laser data and aerial photos to identify buildings with a sloping roof are discussed. In the first step, after the segmentation process, the separation of high and non-complicated features is done using the slope and gradient direction. In the next step, by extracting the geometric and conceptual features, the separation of trees and buildings from each other is done. In the final step, the reconstruction of the lost buildings is performed by morphological operators. The combination of two categories of input data at the decision level leads to benefits from the characteristics of both data, and each of them can cover other problems and shortcomings. In the proposed method, a rule-based strategy is based on the production of geometric and conceptual features and the use of a multi-stage approach. Finally, the overall accuracy of the building category identification is 87%, and the kappa coefficient is 81%. The results demonstrate the high capability of object-based methods to identify urban features, such as buildings, by combining Lidar data and aerial photos despite the diversity of urban environments.       
کلیدواژه‌ها [English]
Building Identification, Aerial photograph, Lidar, Geometric and conceptual characteristics, Object-based analysis
مراجع
  1. A. Antonarakis, K. S. Richards, and J. Brasington,      “Object-based land cover classification using airborne LiDAR,” Remote Sensing of Environment, vol. 112, pp. 2988-2998, 2008.##
  2. B. Waske and M. Braun, “Classifier ensembles for land cover mapping using multitemporal SAR imagery,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 64, pp.        450-457, 2009.##
  3. F. Samadzadegan, B. Bigdeli, and P. Ramzi, “A multiple classifier system for classification of LIDAR remote sensing data using multi-class SVM,” in Multiple classifier systems, ed: Springer, pp. 254-263, 2010.##
  4. S. A. Mumtaz and K. Mooney, “A semi-automatic approch to object extraction from a combination of image and laser data,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 38, pp. 53-58, 2009.##
  5. M. Awrangjeb, M. Ravanbakhsh, and C. Fraser, “Automatic detection of residential buildings using LIDAR data and multispectral imagery,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 65, pp. 457-467, 2010.##
  6. Y. Ansari, “Comparison and analysis of the building detection and extraction algorithms from LiDAR data,” M.Sc Thesis, K. N. Toosi University of Technology, Tehran, Iran, 2012.##
  7. W. Zhou and A. Troy, “An object-oriented approach for analysing and characterizing urbanLandscape at the parcel level Remote Sensing,” vol. 29, pp. 3119-3135, 2008.##
  8. M. Pal and P. Mather, “Support vector machines for classification in remote sensing,” International Journal of Remote Sensing, vol. 26, pp. 1007-1011, 2005.##
  9. N. Ekhtari, M. J. Valadan Zoej, M. R. Sahebi, and A. Mohammadzadeh, “Automatic building extraction from LIDAR digital elevation models and WorldView imagery,” Journal of Applied Remote Sensing, vol. 3, no. 1, 2009.##
  10. C. Hopkinson, L. Chasmer, C. Gynan, C. Mahoney, and M. Sitar, “Multisensor and multispectral LiDAR characterization and classification of a forest environment,” Journal of Applied Remote Sensing, vol. 42, no. 5, pp.      501-520, 2016.##
  11. منصوری فر، ندا، محمدزاده، علی، مختارزاده، مهدی، ولدان زوج، محمدجواد، شناسایی ساختمان ها از داده های لایدار و نوری با استفاده از ماشین بردار پشتیبان در تحلیلهای پیکسل مبنا وشیءمبنا، نشریه علمی پژوهشی نقشه برداری دوره چهارم، شماره2، 1393.##

 S. Morsy, A. Shaker, A. El-Rabbany, and P. E. LaRocque,  “Airborne multispectral lidar data for land-cover classification and land/water mapping using different spectral indexes,” SPRS Ann. Photogrammetry, Remote Sensing Spatial Information Science III-3, pp. 217-224, 2016.##

آمار
تعداد مشاهده مقاله: 1,687
تعداد دریافت فایل اصل مقاله: 719