طبقه‌بندي سه‌بعدي عوارض شهري مبتني بر تلفيق اطلاعات هندسي و چند طيفي اخذشده به كمك پهپاد

3D Classification of Urban Features Based on Integration of Structural and Spectral Information from UAV Imagery

طبقه ­بندي سه ­بعدي عوارض شهري يكي از مهم­ترين ابزارهاي مديريت شهري و مبناي بسياري از آناليزها در فتوگرامتري است؛ بنابراين به عنوان ورودي در بسياري از كاربرد­ها همچون برنامه‌ريزي، مديريت شهري و مديريت بحران مورد استفاده قرار مي‌گيرد. از آنجايي ‌كه ابر نقاط حاصل از تناظريابي متراكم تصاوير در مناطق شهري به علت مشاهده مستقيم ويژگي­ هاي خطي، كارايي بيشتر نسبت به ابر نقاط حاصل از ليزر اسكنر هوايي دارند و از لحاظ هزينه نيز مقرون ‌به‌ صرفه است؛ به همين دليل در اين تحقيق براي طبقه ­بندي، از ابر نقاط حاصل از تناظريابي متراكم تصاوير استفاده ­شده و جهت افزايش دقت طبقه ­بندي نيز، اين تصاوير به وسيله دوربين چند طيفي Micasense RedEdge اخذ شده است. يكي از چالش­ هاي موجود در دوربين­ هاي چند طيفي، هم مرجع سازي باند­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­­ها مي­ باشد؛ كه در اين تحقيق از الگوريتم SIFT براي استخراج نقاط متناظر هر باند استفاده­ شده است. به ‌اين ‌ترتيب باند­ها با يكديگر تركيب ­شده تا يك تركيب رنگي (تصوير) از هر سه باند ايجاد­ شود. با اين كار دو مجموعه تصاوير توليد شده است كه از اين دو مجموعه تصاوير، دو ابر نقطه با استفاده از فن تناظريابي متراكم تصاوير توليد مي ­شوند. ابر نقاط با استفاده از روش درون‌يابي نزديك‌ترين نقاط همسايه با يكديگر تلفيق‌ شده‌اند تا يك ابر نقطه چند طيفي حاصل شود. در انتها طبقه ­بندي ابر نقطه چند طيفي، با استفاده از الگوريتم جنگل تصادفي[1]و با ويژگي­ هاي هندسي و چند طيفي، به سه صورت اقدام شده است كه شامل استفاده جداگانه از اطلاعات طيفي، اطلاعات هندسي و تلفيق اطلاعات طيفي و هندسي با يكديگر مي­باشد. نتايج نشان­ دهنده بهبود 25 درصدي دقت در روش تلفيق اطلاعات طيفي و هندسي نسبت به روش استفاده جداگانه از اطلاعات طيفي مي­ باشد و نيز بهبود 32 درصدي دقت در روش تلفيق اطلاعات طيفي و هندسي نسبت به روش استفاده جداگانه از اطلاعات هندسي مي­ باشد؛ همچنين بين روش استفاده از اطلاعات چند طيفي و روش استفاده از اطلاعات مرئي (RGB) مقايسه‌اي انجام ­شده است كه نتايج نشان­ دهنده برتري 5 درصدي دقت روش استفاده از اطلاعات چند طيفي مي ­باشد.

Three-dimensional classification of urban features is one of the important tools for urban management and the basis of many analyzes in photogrammetry and remote sensing. Therefore, it is applied in many applications such as planning, urban management and disaster management. In this study, dense point clouds extracted from dense image matching is applied for classification in urban areas. Applied images are acquired using a Micasense RedEdge multispectral camera to increase the classification accuracy. The band to band registration is one of the existing challenges of multi-spectral camera, which the SIFT algorithm is used to extract the corresponding features of each band. One band selected as reference and other bands are transferred to the reference band by projective transformation. Finally, the bands are combined to create a color image from each three bands. So, two point clouds are generated using dense image matching techniques from two sets of images. To produce a multi-spectral point cloud, the two set of point clouds have been integrated using nearest neighbor interpolation. The multi-spectral point clouds are classified by using random forest algorithm, structural and multi-spectral features. This process composed of three parts as structural information, multi-spectral information, and integration of both. Finally, the results are shown a 25% improvement in the accuracy of the integration of multi-spectral and structural information compared to multi-spectral information and 32% improvement in the accuracy of the integration of multi-spectral and structural information compared to structural information. Classification using visible information (RGB) instead of multispectral information resulted in an accuracy drop by 5%.