تركيب تصاوير ابرطيفي هوايي و داده‌هاي ليدار براي توليد عوارض شهري

Urban Features Production with Combining LiDAR and Hyperspectral Data

در اين مقاله به منظور شناسايي و استخراج عوارض مختلف شهري به‌صورت خودكار از تصاوير فتوگرامتري روشي ارائه شده كه در آن از تركيب داده‌هاي ليدار و ابرطيفي استفاده مي‌شود. مهمترين مشكل تصاوير ابرطيفي تعداد زياد باندها و وابستگي بالاي بين آن‌ها و نيز نسبت سيگنال به نويز متفاوت در باندهاي مختلف مي‌باشد، در اين تحقيق به‌منظور كاهش ابعاد فضاي داده، كمينه كردن نويز و وابستگي طيفي بين باندها، جهت دست يافتن به نتايج بهتر، از روش كاهش نويز كمينه (MNF) استفاده مي‌شود، با اعمال اين روش تصاوير ابرطيفي با 144 باند به 19 تصوير تبديل يافته مناسب كاهش مي‌يابند. سپس از ابر نقاط ليدار تصاوير ارتفاعي و شدت بازگشت‌هاي اول و آخر ليزر توليد مي‌شوند. در نهايت 19 تصوير تبديل يافته حاصل از تصاوير ابرطيفي با 4 تصوير توليد شده از داده‌هاي ليدار در سطح پيكسل باهم ادغام مي‌شوند و تصويري با 23 ويژگي مناسب به‌وجود مي‌آيد. به‌منظور شناسايي و استخراج هر كدام از عوارض منطقه، هفت ماشين يادگيري بردار پشتيبان (SVM) اجرا مي‌شوند و نهايتاً با ادغام اطلاعات در سطح تصميم كه با رأي‌گيري بين 7 جواب به‌دست آمده، انجام مي‌شود، كلاس مربوط به هر پيكسل مشخص مي‌گردد. در ادامه از عملگر انسداد مورفولوژي رياضي براي ترميم ساختمان‌ها و از تبديل هاف براي بازسازي شبكه‌ي حمل و نقل استفاده مي‌شود تا عوارض ساخت دست بشر داراي ساختاري منظم‌تر بشوند و حضور پيكسل‌هاي منفرد نيز كاهش يابد. روش فوق روي يك مجموعه داده مربوط به محوطه دانشگاه هيوستن آمريكا پياده‌سازي شده است. اين مجموعه داده همراه با داده‌هاي جانبي شامل نمونه‌هاي آموزشي و آزمايشي دقيق، توسط انجمن سنجش از دور و علوم زمين مهندسان برق و الكترونيك در سال 2012 برداشت شده و پيشتر در يك مسابقه‌ي بين‌المللي ادغام داده مورد استفاده قرار گرفته‌اند.

The main problems of hyper spectral data are large number of bands, high dependency between them and different signal to noise ratio in each band. To reduce dimensions of the feature space, minimizing noise and spectral dependence between bands, the MNF method has been applied to achieve better results in this paper. By applying this algorithm, the 144 bands of hyper spectral data were reduced to 19 suitable bands. Then from LiDAR data, the image height and intensity of the return signal received from the first and the last pulse of the laser were examined by LiDAR sensor. At last, the 19 spectral bands extracted from hyper spectral data have been fusion with 4 images of LiDAR data at the pixel level to create 23 suitable spectral bands. In order to detect and extract any study feature of the area on 23 spectral bands, seven different SVM methods were applied and finally by majority voting in the decision-making level between 7 obtained results, the class of each pixel was turned out. Morphology closing transform for repairing buildings and Hough transform for reconstructing the network effects of the fragmentation of land transportation were used on the results of pixels basis SVM method to regulate man-made side structure as well as the individual pixels which reduced. The results in this paper indicates the 99.52% overall accuracy and .958 kappa efficiency which compared to the GRSS chosen institution method. 0.6 Kappa coefficient has been improved. Used data are air-borne LiDAR and hyper spectral scenes requested and downloaded from the organized of a recent contest in data fusion domain.