محسن عابدی؛ محمد سعادت سرشت؛ رضا شاه حسینی
چکیده
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش ...
بیشتر
امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش های شناسایی عوارض زمینی، این عوارض با استفاده از پیش دانسته هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان ها در دو منطقه شهری و در بازه های زمانی 5 ساله و 3 ساله می باشد. در این تحقیق با توجه نوع داده های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان های شهری، روش شیءمبنا برای طبقه بندی عوارض و شناسایی ساختمان ها استفاده شده است. این روش شیءگرا، قطعه بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش های فازی، طبقه بندی می شوند و پس از طبقه بندی در دو اپک و استخراج ساختمان های حاصل از طبقه بندی، تغییرات ارتفاعی آنها محاسبه می شود. روش های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می باشد. در روش تفاضل DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه های ارتفاعی و داده های واقعیت زمین ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می شوند و با تغییرات شناسایی شده در روش تفاضلی ارزیابی می شوند. نتایج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان های موجود، حدود 96% ساختمان ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی 90% انجام شده است.
ابوالفضل شریفی؛ محمد سعادت سرشت
چکیده
کالیبراسیون دوربین رکن مهم هر پروژه فتوگرامتری است. تاکنون مدل‌های اعوجاج متعددی برای کالیبراسیون دوربین متریک به‌کارگرفته شده است مانند مدل براون که حداکثر 12 پارامتر شامل فاصله اصلی، مختصات نقطه اصلی، اعوجاج فیزیکی عکسی شامل اعوجاجات شعاعی، اعوجاجات مماسی و ... را در یک فرآیند سرشکنی باندل، به‌صورت خودکالیبراسیون برآورد می‌نماید. ...
بیشتر
کالیبراسیون دوربین رکن مهم هر پروژه فتوگرامتری است. تاکنون مدل‌های اعوجاج متعددی برای کالیبراسیون دوربین متریک به‌کارگرفته شده است مانند مدل براون که حداکثر 12 پارامتر شامل فاصله اصلی، مختصات نقطه اصلی، اعوجاج فیزیکی عکسی شامل اعوجاجات شعاعی، اعوجاجات مماسی و ... را در یک فرآیند سرشکنی باندل، به‌صورت خودکالیبراسیون برآورد می‌نماید. این راهکار کماکان برای دوربین‌های ناپایدار و غیرمتریک در فتوگرامتری پهپاد نیز به‌کار گرفته شده که اگرچه باعث بهبود معنی‌داری در مختصات سه‌بعدی شئ‌ای می‌شود اما هنوز اعوجاجاتی به‌واسطه ناپایداری هندسی دوربین در مختصات عکسی باقی می‌ماند. این اعوجاجات باقیمانده، منجر به پارالاکس و ایجاد پله ارتفاعی بین مدل‌های سه‌بعدی در برجسته‌بینی می‌شود. در این مقاله یک روش پس‌پردازش برای کاهش اعوجاجات باقیمانده عکسی بعد از خودکالیبراسیون دوربین غیرمتریک در پروژه‌های فتوگرامتری پهپاد مطرح می‌گردد. روش ارائه شده مدل‌سازی باقیماندههای عکس به‌کمک یک روش اجزاء محدود است. داده‌های استفاده شده در این تحقیق تصاویر پهپاد فتوگرامتری اخذ شده توسط دوربین‌های ILCE_7RM2و ، FC6310 ، وFC300S است. پیاده‌سازی الگوریتم پیشنهادی در محیط برنامه‌‌نویسی Matlab انجام شده و از نرم‌افزار متاشیپ[1] نیز برای پردازش اولیه استفاده شده است. نتایج حاصل از آزمون‌های انجام شده روی چند داده فتوگرامتری پهپاد با مشخصات و مقیاس‌های متفاوت بیانگر کاهش باقیماندههای عکسی تا 70 درصد در پس از مدل‌سازی و تصحیح اعوجاجات روی تصاویر است. همچنین با انجام برجسته‌بینی سه‌بعدی روی تصاویر تصحیح یافته، شاهد کاهش 60 درصدی پله بین مدل‌های استریو هستیم که منجر به کیفیت هندسی بالاتر تهیه مدل رقومی ارتفاعی، ارتوفتو و تهی نقشه با برجسته‌بینی سه‌بعدی می‌شود.
[1]- Agisoft Metashape
علی عرفان زاده؛ محمد سعادت سرشت
چکیده
آگاهی از رفتار و تأثیر پارامترهای طراحی شبکه فتوگرامتری پهپاد بر روی کیفیت بازسازی سه‌بعدی برای دستیابی به کیفیتی بهینه در بازسازی سه‌بعدی، یکی از بخش‌های مهم در اجرای یک پروژه فتوگرامتری پهپاد با توجه به شرایط و محدودیت‌های موجود می‌باشد. اما به‌دلیل پیچیدگی، زمانبر بودن و هزینه بالای آن در واقعیت، هنوز تحقیق جامعی ...
بیشتر
آگاهی از رفتار و تأثیر پارامترهای طراحی شبکه فتوگرامتری پهپاد بر روی کیفیت بازسازی سه‌بعدی برای دستیابی به کیفیتی بهینه در بازسازی سه‌بعدی، یکی از بخش‌های مهم در اجرای یک پروژه فتوگرامتری پهپاد با توجه به شرایط و محدودیت‌های موجود می‌باشد. اما به‌دلیل پیچیدگی، زمانبر بودن و هزینه بالای آن در واقعیت، هنوز تحقیق جامعی برای رفتارسنجی پارامترهای طراحی شبکه و بازسازی سه‌بعدی انجام نشده است. برای غلبه بر چالش‌های فضای واقعی در این مقاله روش شبیه‌سازی برای بررسی پارامترها به‌کار برده شده است. برای این منظور در محیط نرم‌افزار متلب از یک نقطه با مختصات معلوم تصویربرداری شده است و پس از اعمال خطاهای سیستماتیک و اتفاقی به پارامترها، با استفاده از معادلات شرط هم خطی مشاهدات عکسی و حل آنها به روش کمترین مربعات خطا، بازسازی سه‌بعدی انجام شده و کیفیت آن به روش مونت‌کارلو مورد ارزیابی قرار گرفته است. نتایج حاصل از آزمون‌های انجام شده نشان می‌دهد پارامترهای ناپایداری هندسی دوربین غیرمتریک، کیفیت مشاهدات تصویری و دقت مثلث‌بندی هوایی به‌ترتیب رابطه مستقیم، رابطه عکس و رابطه مستقیم با کیفیت صحت بازسازی سه‌بعدی دارند. همچنین با افزایش فاصله کانونی بدون تغییر ارتفاع، صحت مسطحاتی متناسب با افزایش بزرگنمایی و صحت ارتفاعی تقریباً متناسب با مقدار آن افزایش می‌یابد. که در حالت GSD ثابت، خطای مسطحاتی بازسازی سه‌بعدی کاهش می‌یابد اما خطای ارتفاعی متناسب با نصف افزایش بزرگنمایی افزایش می‌یابد. علاوه‌بر این نتایج نشان داده است افزایش ارتفاع پرواز برخلاف حالت استریو، خطای مسطحاتی و ارتفاعی بازسازی سه‌بعدی به‌صورت خطی افزایش می‌یابد. همچنین نتایج نشان می‌دهد با افزایش پوشش تصویربرداری خطای بازسازی سه‌بعدی کاهش می‌یابد. این شبیه‌سازی اگرچه ممکن است کاملاً منطبق بر واقعیت نباشد، اما می‌تواند یک نوع رفتارسنجی از پارامترها را ارائه نماید که به‌عنوان یک تحقیق مکمل برای تحقیقات سعی و خطای معمول خواهد بود.
