مقايسه و ارزيابي روش‌هاي مختلف كلاسه‌بندي مبتني بر آناليز شي‌مبنا جهت شناسايي عوارض شهري از داده‌هاي لايدار و اپتيك

Comparison and Assessment of Different Classification Methods Based on Object Based Analysis Using LiDAR Data and Optical Imagery in Urban Area

شناسایی عوارض شهری در سال‌های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. كشف عوارض شهری و طبقه‌بندی آن‌ها در لایه‌های مختلف اطلاعاتی جهت ایجاد، تكمیل و به‌روز رسانی پایگاه داده اطلاعات شهری مورد تحقیق بسیاری از دانشمندان بوده است. هدف از این تحقیق مقایسه و ارزیابی روش‌های مختلف كلاسه‌بندی مبتنی بر آنالیز شی‌مبنا جهت شناسایی عوارض شهری از داده‌های لایدار و اپتیك است. این تحقیق سه فاز اصلی را در بر می‌گیرد. در فاز اول تصویر هوایی با مقیاس بالا و داده لایدار پیش‌پردازش می‌شوند تا برای ورود به الگوریتم آماده گردند. در این مرحله داده‌های مذكور با هم از نظر مكانی هم‌مرجع می‌شوند. در فاز دوم سطوح مختلف قسمت‌بندی درختی ایجاد می‌شوند. با اتخاذ این استراتژی در هر سطح كلاس-های مورد نظر تحقیق شناسایی می‌شوند، به این طریق طبقه‌بندی با انسجام بیشتری صورت می‌گیرد. انتخاب پارامترهای مناسب قسمت‌بندی چند رزولوشنه و اعمال وزن به لایه‌های ورودی در هر سه سطح دنبال می‌شود. انتخاب این پارامترها به صورت سعی و خطاست كه از طریق ارزیابی بصری نتایج حاصل از قسمت‌بندی انجام می‌گیرد. بعد از تولید اشیا باید ویژگی‌های مناسب جهت انجام كلاسه‌بندی شی‌مبنا در هر سطح با سه روش حد آستانه گذاری، نزدیك‌ترین همسایه و تابع تعلق معرفی شوند. انتخاب ویژگی مرحله‌ای حساس و مهم است چرا كه دقت نتایج كلاسه‌بندی را كنترل می‌نماید. فاز سوم شامل ارزیابی و تفسیر نتایج هر سطح سلسله مراتب برای هر روش كلاسه‌بندی است. با ارزیابی نتایج مشخص گردید. دقت كلی روش نزدیك‌ترین همسایه در سطح اول برابر 99/0 است كه در میان سه روش اجرا شده بالاترین دقت كلی را داراست. در سطح دوم دقت كلی روش نزدیك ترین همسایه با 985/0 بیشترین مقدار است. در سطح سوم دقت كلاسه‌بندی با روش تابع تعلق و حدآستانه گذاری برابر 841/0 است.

In recent years urban classification becomes very important caused by urban growth and high rate of urbanization. Classification and recognition of urban classes in different information layers for supplementation and updating of urban database is considered by researchers and managers. The goal of this paper is comparison and evaluation of different urban classification methods base on object based analysis by using LIDAR data and optical imagery. This paper includes three main phases. First step of workflow is co registration and preprocessing of LIDAR data and high resolution imagery to prepare multi source data for urban classification. Second step followed by hierarchal multi resolution segmentation at different scales to exhibit different features which are consist of building, roads, vegetation area and vehicles. Segmentation contains three main levels. Selection of hierarchal segmentation parameters is a try and error task and segmentation validation is done by visual assessment. After object production convenient features should be introduced to the classification algorithms. Finally thresholding, nearest neighbor and fuzzy nearest neighbor classification at each level of hierarchy was performed. Last step is result assessment and interpretation. By result evaluation, nearest neighbor classification with 0.99 over all accuracy was nominated as best classifier in first level. In second level of hierarchy nearest neighbor classification with 0.985 shows the highest overall accuracy. In third level fuzzy nearest neighbor classification and thresholding show 0.841 over all accuracy.