توسعه روشي نوين در بهينه سازي طبقه بندي شئ مبنا جهت به روزرساني نقشه هاي بزرگ مقياس شهري با تاكيد بر عارضه ساختمان

Developing a New Method in Object Based Classification to Updating Large Scale Maps with Emphasis on Building Feature

نظر به گسترش شهرها، به روزرساني نقشه هاي شهري جهت برنامه ريزي شهري حائز اهميت و كارآمدي آن متاثر از دقت استخراج اطلاعات/شناسايي تغييرات است. روش هاي استخراج اطلاعات از ديدگاه واحد پايه محاسباتي به دو گروه پيكسل مبنا و شئ مبنا تقسيم مي شوند. آناليزهاي شئ مبنا محدوديت هاي آناليزهاي پيكسل مبنا (توليد نتايج فلفل-نمكي و توليد عوارض با حفره) را رفع نموده است. در استخراج اطلاعات با طبقه بندي SVM در مناطق پيچيده شهري، بهره گيري از ويژگي هاي متنوع جهت بهبود دقت مطرح است، بااين حال، به دليل افزايش فضاي ويژگي، احتمال حضور ويژگي هاي وابسته افزايش مي يابد. همچنين در SVM نياز به تعيين مقادير پارامترهاي مدل است. در اكثر تحقيقات پيشين مبتني بر آناليزهاي شئ مبنا، دو مرحله مهم فوق به روش سعي و خطا و يا مبتني بر دانش فرد خبره تعيين مي شدند. لزوم انتخاب ويژگي هاي مستقل ازيك طرف و ضرورت تعيين مقادير بهينه پارامترهاي SVM شئ مبنا از سوي ديگر با هدف كاهش حداكثري تعامل كاربر سبب شده است كه در اين مقاله، روشي نوين با سطح خودكارسازي نسبتا بالا مبتني بر بهينه سازي توامان SVM شئ مبنا با الگوريتم هاي فرا ابتكاري جهت به روزرساني نقشه هاي بزرگ مقياس با تلفيق تصاوير با قدرت تفكيك مكاني بالا و داده ارتفاعي ارائه شود. همچنين انتخاب نيمه خودكار نمونه هاي آموزشي/آزمايشي نيز افزايش سطح خودكارسازي روند به روزرساني را تامين مي نمايند. لذا با توجه به اهميت استخراج اطلاعات بر نتايج به روزرساني، روش پيشنهادي سعي بر بهبود نتايج اين مرحله دارد. نتايج حاصل از پياده سازي روش پيشنهادي بر تصاوير آزمايشي نسبت به رويكردهاي پيكسل مبنا، حاوي نتايج نويزي نبودند و زمان اجراي روش پيشنهادي در فرآيند بهينه سازي و طبقه بندي در مقايسه با رويكرد پيكسل مبنا به طور قابل توجهي كاهش يافت. درنهايت دقت نقشه تغييرات از روش پيشنهادي در مقايسه با رويكرد معمول منجر به بهبود 9% ضريب كاپا و 5% معيار كيفيت در كلاس تغييريافته شد.

According to the cities expansion, updating urban maps for urban planning is important and its effectiveness is depend on the information extraction / change detection accuracy. Information extraction methods are divided into two groups, including Pixel-Based (PB) and Object-Based (OB). OB analysis has overcome the limitations of PB analysis (producing salt-pepper results and features with holes). In the information extraction by SVM classification in complex urban areas, using various features was suggested to improve accuracy result. Also, in SVM, it is necessary to determine the values of the model parameters. In most of the previous OB research, the two important steps were determined by trial and error or based on an expert knowledge. The necessity of selecting independent features and determining the optimal values of SVM parameters, with the aim of minimizing the maximum user interaction, have resulted in proposing a novel method with a relatively high automation level based on SVM simultaneously optimization with meta-heuristic algorithms for large scale updating maps in high spatial resolution and elevation data. Semi-automatic selection of train/test samples also has increased the automation level of the updating process. Therefore, according to the effect of information extraction on the updating results, the proposed method is trying to improve this step results. The results of the proposed method had no salt-pepper results in comparison with PB analysis. Also, the time processing of the proposed method in optimization and classification steps had been decreased. Finally, the results of change detection map obtained from the proposed method led to 9% and 5% improvement in comparison with other methods in changed class.