ارائه روشي مبتني بر آناليز قانون مبناي اشياء تصويري به منظور تشخيص راه در مناطق شهري با استفاده از تصاوير ماهواره‌اي با قدرت تفكيك بالا و داده‌هاي لايدار

A Rule Based Analysis of Image Objects for Road Detection in Urban Areas Using High Resolution Satellite Image and LiDAR Data

تشخیص راه ها در مناطق شهری، از اهمیت بیشتری برخوردار بوده و همواره به عنوان یكی از مباحث اصلی در تحقیقات گروه های سنجش از دور مورد توجه قرار گرفته است. با توجه به تنوع خصوصیات طیفی و هندسی و همچنین شباهت طیفی و هندسی پیكسل‌های راه با سایر عوارض از جمله ساختمان‌ها، پاركینگ‌ها و پیاده‌روها و عدم پیوستگی عوارض راه به علت مجاورت با عوارضی نظیر اتومبیل و درختان، شناسایی دقیق راه‌های شهری از طریق تصاویر ماهواره‌ای با مشكلاتی همراه است. از طرف دیگر داده‌های لایدار با فراهم كردن اطلاعات ارتفاعی، امكان تفكیك راه‌ها از سایر عوارض مشابه از نقطه نظر طیفی، را فراهم می‌سازند. بنابراین در تحقیقات مختلف در كنار تصاویر ماهواره‌ای به منظور تشخیص عوارض مختلف از جمله راه‌ها بكار رفته‌اند. در این مقاله از تصاویر ماهواره‌ای سنجنده QuickBird با قدرت تفكیك بالا و داده‌های لایدار و نیز بكارگیری آنالیزهای شئ‌مبنا به منظور تشخیص راه در یك ناحیه شهری با تنوعات گوناگون راه بهر‌ه‌گیری شده است. در روش پیشنهادی یك استراتژی قانون‌مبنا مبتنی بر تكنیك ماسك‌گذاری طراحی و مورد استفاده قرار گرفته و برای بهبود نتایج از یك استراتژی تكمیلی مبتنی بر طراحی ویژگی‌های مفهومی بهره‌گیری شده است. در نهایت دقت كلی شناسایی كلاس‌های مختلف %2/89 و ضریب كاپای آن 832/0 بدست آمده است كه با توجه به شرایط مختلف و نیز اغتشاشات فراوان بین كلاسی، دقت حاصله رضایت بخش می‌باشد. نتایج حاصل از این تحقیق، نشان‌دهنده قابلیت‌ بالای روش‌های شئ‌مبنا در تشخیص همزمان گستره‌ی وسیع و متنوعی از المان‌های راه در محیط‌های پیچیده شهری از طریق بكارگیری همزمان داده‌های تصاویر ماهواره‌ای با قدرت تفكیك بالا و داده‌های لایدار می‌باشد.

Roads detection in urban areas is of greater importance and is constantly considered as a main issue of researches in remote sensing community. According to spectral and geometrical variety of road pixels as well as their spectral similarity with other features such as buildings, parking lots and sidewalks and sometimes discreteness of roads due to having vehicles and trees in their neighborhood makes it problematic to precisely identify urban roads through satellite images. On the other hand, LiDAR data, providing height information, make it possible to recognize roads from other spectrally similar elements. Therefore, it has been used in many researches to identify different features like roads along with satellite images. In this paper Quick Bird large scale satellite image and LiDAR data through an object oriented analyses have been used to extract various types of urban roads. Proposed method has designed and implemented a rule oriented strategy based on a masking strategy. Afterwards, a supplementary strategy based on conceptual features design was used. The overall precision of class identification is 89.2 % and kappa coefficient is 0.832 which show a satisfactory precision according to different conditions and many interclass noises. Final results demonstrate high capability of object oriented methods in simultaneous identification of wide variety of road elements in complex urban areas using both high resolution satellite image and LiDAR data.