ترکیب تصاویرابرطیفی هوایی و داده‌های لیدار برای تولید عوارض شهری

در این مقاله به منظور شناسایی و استخراج عوارض مختلف شهری به صورت خودکار از تصاویر فتوگرامتری روشی ارائه شده که در آن از ترکیب داده های لیدار و ابرطیفی استفاده می شود. مهمترین مشکل تصاویر ابرطیفی تعداد زیاد باندها و وابستگی بالای بین آن ها و نیز نسبت سیگنال به نویز متفاوت در باندهای مختلف می باشد، در این تحقیق به منظور کاهش ابعاد فضای داده، کمینه کردن نویز و وابستگی طیفی بین باندها، جهت دست یافتن به نتایج بهتر، از روش کاهش نویز کمینه (mnf) استفاده می شود، با اعمال این روش تصاویر ابرطیفی با 144 باند به 19 تصویر تبدیل یافته مناسب کاهش می یابند. سپس از ابر نقاط لیدار تصاویر ارتفاعی و شدت بازگشت های اول و آخر لیزر تولید می شوند. در نهایت 19 تصویر تبدیل یافته حاصل از تصاویر ابرطیفی با 4 تصویر تولید شده از داده های لیدار در سطح پیکسل باهم ادغام می شوند و تصویری با 23 ویژگی مناسب به وجود می آید. به منظور شناسایی و استخراج هر کدام از عوارض منطقه، هفت ماشین یادگیری بردار پشتیبان (svm) اجرا می شوند و نهایتاً با ادغام اطلاعات در سطح تصمیم که با رای گیری بین 7 جواب به دست آمده، انجام می شود، کلاس مربوط به هر پیکسل مشخص می گردد. در ادامه از عملگر انسداد مورفولوژی ریاضی برای ترمیم ساختمان ها و از تبدیل هاف برای بازسازی شبکه ی حمل و نقل استفاده می شود تا عوارض ساخت دست بشر دارای ساختاری منظم تر بشوند و حضور پیکسل های منفرد نیز کاهش یابد. روش فوق روی یک مجموعه داده مربوط به محوطه دانشگاه هیوستن آمریکا پیاده سازی شده است. این مجموعه داده همراه با داده های جانبی شامل نمونه های آموزشی و آزمایشی دقیق، توسط انجمن سنجش از دور و علوم زمین مهندسان برق و الکترونیک در سال 2012 برداشت شده و پیشتر در یک مسابقه ی بین المللی ادغام داده مورد استفاده قرار گرفته اند.