شاخص‌ها و روشي نوين جهت طبقه‌بندي درختان و ساير گياهان در شهرها با تصوير هوايي اپتيك

New Method and Indexes for Classification of Trees and Other Vegetation in Urban Area Using Aerial Visible Image

طبقه‌بندي و شناسايي عوارض شهري همواره مورد چالش محققان علوم فتوگرامتري و سنجش‌ازدور بوده است. در ميان كلاس هاي گوناگون شهري، عوارض گياهي به دليل تنوع گونه اي بالا، شباهت طيفي گونه ها در تصاوير اپتيك و هم‌چنين دارا نبودن شكل هندسي خاص در تفكيك انواع مختلف گونه هاي گياهي از يكديگر داراي پيچيدگي خاصي بوده است. در تحقيقات گذشته به ‌منظور استخراج كلاس درختان از كلاس «ساير گياهان» از منابع مختلف داده استفاده شده، كه تصوير اپتيك از ارزان ترين و عمومي ترين منابع داده است. از اين‌رو در اين مقاله به‌ منظور تفكيك كلاس درختان و ساير عوارض گياهي در مناطق شهري با استفاده از تصوير اپتيك روشي جديد ارايه شده است. بدين منظور ابتدا شاخص هاي گياهي جديد با نام هاي شاخص گياهي تركيب باندي تقسيم ((SVI و شاخص گياهي تركيب باندي تفريق/ تقسيم MSVI از روي باند هاي آبي و سبز توليد شد. سپس اطلاعات فراوان بافتي از طريق ماتريس ماتريس درجه خاكستري رخداد توام توليد شد و اين اطلاعات بافتي در مرحله بعد از طريق روش كسر نويز كمترين (MNF) كاهش ابعاد ويژگي يافت. در مرحله بعد پنج باند اول اطلاعات بافتي كاهش ابعاد يافته، دو باند شاخص‌هاي جديد توليد شده و هم‌چنين سه باند تصوير اپتيك با هم به طبقه‌بندي كننده بيشترين شباهت وارد گرديد. نتيجه طبقه‌بندي، نقشه خروجي براي سه كلاس درختان، «ساير گياهان» و «ساير عوارض شهري» است. نتايج حاصل از ارزيابي طبقه‌بندي الگوريتم پيشنهادي نشان‌دهنده مقدار دقت كل 5/98 درصد و هم‌چنين ضريب كاپاي 93 درصد است. هم‌چنين نتايج به‌دست‌آمده از كارايي مطلوب شاخص هاي پيشنهادي در اين مقاله در مقايسه با شاخص‌هاي گياهي شناخته‌شده در بهبود ميزان دقت كلاس ساير گياهان، دقت كل، ضريب كاپا و دقت ميانگين طبقه بندي دارد. هم‌چنين نتايج به‌دست‌آمده براي شاخص هاي پيشنهادي در اين مقاله از افزايش ضريب كاپاي طبقه‌بندي تا چهار درصد جهت تفكيك كلاس درختان از كلاس «ساير گياهان» حكايت دارد.

Classification and detection of urban objects have always been a challenge for Photogrammetry and Remote Sensing researchers. Among various urban classes, plant complications due to their high diversity, spectral similarities in visible images and also absence of specific geometrical shapes have remarkable separation intricacies. In previous researches, for separation of the Trees class from "other vegetation" classes, different data sources have been used, which making use of visible images are the most low-cost and accessible data sources. Hence in this research study, an innovative method is developed for classification of Trees and "other vegetation" classes using visible image in urban areas. Therefore, firstly two new vegetation indices: Subdividing Vegetation Index (SVI) and Minus/ Subdividing Vegetation Index (MSVI), which are extracted from blue and green bands, are introduced. Then many textural features using Gray level Co-occurrence Matrix are estimated and then data reduction of Minimum Noise Fraction (MNF) is applied to the obtained textural features and first 5 bands had been selected. The obtained 2 new vegetation indices, 5 first bands of MNF and 3 bands of source images are entered to a Maximum Likelihood (MLL) classifier. The final result includes classification maps consist of Trees, "other vegetation" and "other urban objects" classes. The outcome of the newly proposed classification algorithm has shown the overall accuracy of 98.5 percent and Kappa coefficient values of about 93 percent. Furthermore, obtained results are shown the desirable effectiveness of the introduced vegetation indices in comparison to the other well-known vegetation indices for the classification overall accuracy, Kappa coefficient and average accuracy improvement. Also performance evaluation of the novel indices has shown an improvement about 4 percent in.