استخراج مدل رقومی سطح با استفاده از تک‌تصویر ماهواره‌ای با حدتفکیک بالا و مدل رقومی جهانی Srtm برمبنای یادگیری عمیق

مدل رقومی سطح (dsm) از جمله مهم‌ترین محصولات در حوزه فتوگرامتری و سنجش‌ازدور می‌باشد و کاربردهای متنوعی در این حوزه دارد. تکنیک‌های موجود به بیش از یک تصویر برای استخراج dsm نیاز دارند و در این مقاله سعی شده است امکان استخراج dsm از تک تصویر ماهواره‌ای آنالیز و بررسی شود. در این راستا، یک الگوریتم برمبنای شبکه‌های عصبی کانوولوشنی عمیق طراحی شد. در الگوریتم پیشنهادی ابتدا پیش پردازش‌هایی نظیر تقسیم تصاویر ماهواره به تصاویر کوچک‌تر، محلی‌سازی مقادیر ارتفاعی و تقویت داده‌های آموزشی برای آماده‌سازی داده‌ها برای ورود به شبکه انجام می‌شود. شبکه عصبی کانوولوشنی (cnn) پیشنهادی دارای ساختاری کدگذارکدگشا می‌باشد که در مرحله کدگذاری ویژگی‌های مختلف و کارآمد در مقیاس‌های متفاوت استخراج‌شده و در مرحله کدگشایی و با ارائه روندی کارآمد، ویژگی‌های تولیدشده برای تخمین مقادیر ارتفاعی با یکدیگر تلفیق می‌گردند. سپس با ارائه یک الگوریتم پیکسل‌های زمینی و غیرزمینی از هم تفکیک‌شده و مقادیر ارتفاعی عوارض غیرزمینی استخراج می‌شوند. با اضافه نمودن عوارض غیرزمینی به همراه اطلاعات ارتفاعی به مدل رقومی ارتفاعی ماموریت توپوگرافی رادار شاتل (srtm) با ابعاد پیکسل زمینی 30 متر، dsm نهایی بدست می‌آید. الگوریتم پیشنهادی با استفاده از تصاویر ماهواره‌ای و dsmهای متناظر آن‌ها ارزیابی شد. با ارزیابی تصاویر ارتفاعی کوچک تخمین زده‌شده توسط شبکه cnn پیشنهادی به‌طور متوسط مقادیر 0.921، 0.221 و 2.956 متر به ترتیب برای خطای میانگین نسبی (er)، خطای میانگین لگاریتم (el)، ریشه جذر میانگین مربعات (ermse) حاصل شد. همچنین با ارزیابی dsmهای یکپارچه نهایی ایجاد شده به طور متوسط مقدار 4.625 متر به ترتیب برای ermse بدست آمد.

Digital surface model extraction with high details using single high resolution satellite image and SRTM global DEM based on deep learning

The digital surface model (DSM) is an important product in the field of photogrammetry and remote sensing and has variety of applications in this field. Existed techniques require more than one image for DSM extraction and in this paper it is tried to investigate and analyze the probability of DSM extraction from a single satellite image. In this regard, an algorithm based on deep convolutional neural networks (CNN) is designed. In the proposed subject, firstly, some preprocessing such as dividing the satellite image into smaller images, localizing the height values and data augmentation are applied in order to prepare data to enter the network. The proposed CNN network has an encoderdecoder structure in which, different and effective features in different scales are extracted in the encoder stage and the generated features are fused to estimate height values by presenting an effective procedure in the decoding stage. Subsequently, the ground and nonground pixels are separated and height values of the nonground objects are extracted. The final DSM is obtained by adding the nonground pixels with height information to the SRTM digital elevation model (DEM) with 30 meter pixel size. The proposed algorithm is evaluated using the satellite images and their corresponding DSMs. Analyzing the estimated small height images using the proposed CNN indicated 0.921, 0.221 and 2.956m on average for relative mean error (ER), logarithm mean error (EL) and root mean squared error (ERMSE), respectively. Moreover, analyzing the final seamless DSMs indicated 4.625 on average for ERMSE.