بررسی سیستم‌های نوروفازی انطباق‌پذیر در شناسایی ساختمان‌های شهری از تصاویر هوایی دیجیتال و داده‌های لیدار

شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز مورد توجه بسیاری از محققین فعال در فتوگرامتری و سنجش ازدور بوده است. با ظهور سنجنده های جدید مانند لیدار و ترکیب داده های این سنجنده ها و تصاویر هوایی بحث شناسایی و استخراج وارد دوره جدیدی شده است. به دلیل توانایی زیاد مدل های نروفازی انطباق پذیر (انفیس) در حل مسائل پیچیده، استفاده از این مدل ها به صورت روز افزون در حال افزایش می باشد. مدل های نروفازی توانایی کار با مقدار زیاد داده ها و روابط خطی و غیر خطی بین آنها را دارا می باشند. در این تحقیق، روشی بر مبنای مدل های نروفازی برای شناسایی ساختمان ها با استفاده از داده های لیدار و تصاویر دیجیتال هوایی ارائه می گردد. بر این اساس، چهار توصیفگر باند سبز، شاخص گیاهی نرمال شده و دو مدل رقومی سطح نرمال شده (که توسط دو الگوریتم متفاوت تولید می شوند) به عنوان ورودی های مدل نروفازی استفاده می شوند. مدل نروفازی ارائه شده از سه الگوریتم مختلف برای تولید ساختار سیستم استنتاج فازی استفاده می کند. این الگوریتم ها شامل قسمت بندی شبکه ای (grid partitioning)، خوشه بندی کاهشی و خوشه بندی فازی می شوند. روش ارائه شده در این تحقیق بر روی سه ناحیه مختلف از شهر وایهینگن آلمان مورد آزمایش قرار می گیرد. این نواحی توسط کارگروه iii/4 جامعه بین المللی فتوگرامتری و سنجش ازدور در اختیار محققین قرار گرفته و از آنها خواسته شده تا نتایج حاصل از روش های خود برای شناسایی و بازسازی عوارض شهری را برای مقایسه به این کار گروه بفرستند. حال در این پژوهش نتایج بدست آمده از سه الگوریتم نروفازی و نتایج مشارکت کننده های کارگروه iii/4 مقایسه و مورد بحث قرار خواهند گرفت. این مقایسه بر اساس معیارهای کمال، صحت، کیفیت و خطای مجذور میانگین در دو مبنای پیکسلی و عارضه ای انجام خواهد گرفت. نتایج حاصل از این مقایسه ها حاکی از توانایی بالای مدل های نروفازی انطباق پذیر در شناسایی ساختمان در مقایسه با بقیه روش ها دارد. این روش ها در شناسایی ساختمان هایی با مساحت بزرگ تر از 50 مترمربع با در نظر گرفتن معیار کمال، 100 % موفق بوده اند. همچنین با در نظر گرفتن معیار کمال و صحت در شناسایی عوارض بزرگ تر از 50 مترمربعی، همواره به درصدهای بالای 90 رسیده اند.

Building detection using aerial images and LiDAR data via adaptive neuro-fuzzy systems

As adaptive neurofuzzy inference system (ANFIS) has shown a high capability in solving various complicated problems, its usage has been increased so far. LiDAR is an active sensor which operates based on measuring distance by sending pulses to the ground and receiving the backscatters. This technology gives the 3D position of a point directly. Because of using millimeter level laser ranging accuracy, LiDAR is highly accurate. Dense point clouds of LiDAR can be directly used in simple applications, but the full manipulation of the LiDAR potentials and capabilities needs new methods and researches that differ from those in traditional Photogrammetry. The main output data of LiDAR are point clouds. Each point has two range and two intensity values for both the first and the last pulses. In some areas where there are some trees, the values for the first and the last pulses may differ, in which the first pulse data includes upper surfaces of trees, whereas the last pulse data includes lower surfaces, mainly ground. ANFIS is able to deal with large amounts of data with linear or nonlinear relations. In our study, the combination of digital aerial images and LiDAR data were used for the first time to probe the capabilities of the ANFIS as a classifier. The fact of nonlinearity and ambiguity of this combination makes this challenge so hard. The main goal of this research is to detect buildings in city scenes from digital aerial images and LiDAR data using the ANFIS. In this regard, a genetic algorithm is run for feature selection. Four features were selected by genetic algorithm. These features were generated as ANFIS inputs including Green band, normalized difference vegetation index (NDVI), and normalized digital surface model (nDSM) using two different algorithms via morphological operations. The proposed ANFIS used three different algorithms to build its fuzzy inference system structure including grid partition, subtractive clustering, and fuzzy cmeans clustering. Also, as there are many methods in building and tree detection as mentioned before, the main question is which of them is better among the others? This is not an easy question to answer because these methods are not evaluated over a unique dataset. To overcome this problem, fourth working group of third commission (WG III/4) in the international society of photogrammetry and remote sensing (ISPRS) has provided some benchmark datasets, and has encouraged all researchers around the world to evaluate their methods on these datasets. The results were evaluated on three different test areas, known as Areas 1, 2, and 3. The achieved results were compared with each other, as well as with ISPRS WG III/4 participantsamp;rsquo; results, by considering Completeness, Correctness, Quality, and RMS indices perarea and perobject levels. The achieved results demonstrated the capability of the proposed ANFIS in detecting buildings in complex city scenes in comparison with other methods. Although there are some typical errors among participantsamp;rsquo; results, most of these errors have resolved in ANFISbase approaches. Proposed ANFISbased methods achieved Completeness of 100% in all three test areas for buildings larger than 50 m2.