متراکم سازی ابر نقاط حاصل از تداخل‌سنجی راداری مبتنی بر پراکنش‌گرهای دائمی در مناطق شهری

ابر نقاط سه‌بعدی سهم قابل توجهی از مشاهدات هواپایه و فضاپایه در سالیان گذشته داشته‌اند. محدودیت‌ها و چالش‌های پردازشی این مشاهدات در مطالعات مختلف ماشین‌بینایی و سنجش‌ازدور مورد بررسی قرار گرفته است. یکی از روش‌های تولید ابر نقاط سه‌بعدی بهره‌گیری از روش تداخل‌سنجی پراکنش‌گرهای دائمی به‌منظور تخمین ارتفاع عوارض مختلف است. با برآورد خطای ارتفاعی مدل توپوگرافی مورد استفاده در پردازش تداخل‌سنجی راداری پراکنش‌گرهای دائمی (فاز باقی‌مانده ارتفاعی)، ارتفاع هر پراکنش‌گر دائمی تخمین زده می‌شود. دقت ارتفاعی حاصل از این روش، با تغییر در روش انتخاب تصویر پایه و معیارهای انتخاب پراکنش‌گرهای دائمی بهبود پیدا کرد. به دلیل تراکم پائین و همچنین پهلونگر بودن تصویربرداری سار، ابر نقاط حاصل از این روش، بیانگر هندسه کامل عوارض نخواهد بود. در این مقاله با هدف افزایش تراکم و تکمیل هندسه عارضه موردنظر، از شبکه‌های یادگیری عمیق تکمیل‌کننده ابر نقاط سه‌بعدی استفاده شد. این شبکه‌ها با انجام فرآیند یادگیری، مستقیماً از فضای ابر نقاط غیرمتراکم به فضای ابر نقطه متراکم رسیده و با استخراج ساختار هندسی کلی عارضه موردنظر، جزئیات را نیز تا حد مطلوبی حفظ می‌کنند. معیار هزینه این شبکه مبتنی بر فاصله چمفر بوده است که فاصله دو ابر نقطه سه‌بعدی ورودی غیرمتراکم و مرجع زمینی متراکم را اندازه‌گیری کرده و در عین افزایش تراکم نقاط خروجی شبکه، فاصله این دو فضا حداقل شود. به دلیل استفاده این شبکه در مطالعات ماشین‌بینایی، مجموعه داده‌های ابر نقطه سه‌بعدی هواپایه یا فضاپایه موجود نیست. در این مطالعه، 27 تصویر ماهواره سنتینل-1 در منطقه فیلادلفیا آمریکا استفاده شد. به‌منظور آموزش شبکه در مناطق شهری، مجموعه داده‌ای شامل 30000 ساختمان در این مطالعه تولید شد. مقدار تابع زیان بدست آمده در فرآیند آموزش 0/048 و در فرآیند ارزیابی شبکه 0/0482 بوده است. با ارزیابی مدل ارتفاعی سطح استخراج شده با داده‌های مرجع لیدار منطقه مورد مطالعه، میانگین خطای تخمین ارتفاع مطلق 4/67 متر بدست آمد که نزدیک به مقادیر دقت مطلق مدل‌های ارتفاعی سطح تجاری موجود در دنیاست.

the densification of the point cloud from ps-insar method in urban area

3d point clouds have made a significant contribution to airborne and spaceborne observations in recent years. the sensor limitations and processing challenges of these observations have been investigated in several studies. we generated 3d point clouds using the persistent scatterers interferometric sar method in order to estimate the obstacles heights. by estimating the height error of the topographic model used in ps-insar processing, the permanent scatterer’s heights were estimated. the height accuracy was improved by making changes in master image selection. due to the low density as well as sar side-looking geometry, the derived 3d point clouds do not represent the complete geometry of complications. in this article, the shape completion deep learning neural network was used to increase the point density and complete the shape geometry. by performing learning steps, these networks directly map non-dense and incomplete shape to dense and complete shape geometry. the global features of the incomplete shapes were determined while retaining the details to an optimal extent. the cost criterion of this network is based on the chamfer distance, which measures the distance between the non-dense input and dense output point clouds. the ps-insar processing was done on 27 images of the sentinel-1 satellite in philadelphia city, usa. this output obtained from ps-insar will be able to estimate the height of various urban complications. we prepared 30000 individual building datasets for training the network in the urban areas. the amount of obtained loss was 0.048 in the training process and 0.0482 in the network evaluation process. by evaluating the surface elevation model extracted by lidar reference data of the studied area, the average absolute height estimation error was 4. 67 meters which is quite near the worldwide amounts.