نوع مقاله : مقاله پژوهشی
نویسندگان
استادیاردانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران
چکیده
امروزه ترکیب دادهها و تصاویری که از منابع مختلف سنجش از دوری به دست آمدهاند، به عنوان راهحلی بهینه به منظور استخراج اطلاعات بیشتر مطرح است، چرا که این دادهها با دید وسیع خود، رقومی بودن، تهیه بصورت دورهای، اطلاعات مختلفی را در اختیار محققین قرار میدهند. در این راستا، سنجندههای غیرفعال نوری به صورت گسترده در نگاشت ساختارهای افقی مورد استفاده قرار میگیرند. دادههای راداری نیز با توجه به این که غالباً مستقل از شرایط جوی و به صورت شبانهروزی امکان جمعآوری دارند و نیز برخی ساختارهای زمینی و اهداف مصنوعی پاسخ ویژهای در فرکانس راداری دارند، تواناییهای تصاویر نوری را تکمیل میکنند. همچنین دادههای هوابرد لیدار نیز میتوانند اندازهگیریهای نمونهای با دقت بسیار بالا از ساختارهای قائم در اختیار قرار دهند. در نتیجه، استفاده همزمان دادههای نوری، راداری و لیدار میتواند اطلاعات بیشتری در کاربردهای متنوع فراهم نماید. در این تحقیق، با بکارگیری همزمان این سه دسته داده سعی بر شناسایی عوارض خاص شهری به شکل بهینه نمودیم. در این راستا، با بکارگیری و تولید توصیفگرهای مختلف (57 توصیفگر) و با استفاده از روشهای استخراج ویژگی (شامل PCA و ICA) و تخمین ابعاد ذاتی دادهها (شاملSML و NWHFC)، فضای بهینهای برای طبقهبندی نظارت شده ایجاد شد. پس از انجام طبقهبندی (روش K-NN) با استفاده از نتایج بدست آمده، توصیفگرهای (لایههای اطلاعاتی) تولید شده برای شناسایی عوارض خاص شهری شامل ساختمانها، راهها و پوشش گیاهی براساس دقت کلاسهبندی بدست آمده و گروهبندی شدند. نتایج عددی بدست آمده حاکی از کارایی بالای رویه پیشنهادی و نیز روشهای بکارگرفته شده تخمین بعد ذاتی و استخراج ویژگی است.
کلیدواژهها
عنوان مقاله [English]
Applying Intrinsic Dimension Estimation Methods in the Extraction of Features Obtained from Radar and Satellite Imagery, and LiDAR Data to Identify Urban Specific Features
نویسندگان [English]
- Parham Pahlavani
- Mahdi Hasanlou
Assistant Professor, Faculty of Surveying and Geospatial data Engineering, College of Engineering, University of Tehran
چکیده [English]
Abstract
Nowadays, the combination of data and images obtained from different remote sensing sources is considered as an optimal solution for extracting more information, since these data, with their own wide vision, digital format, their periodically preparation, and high temporal resolution provide researchers with a variety of information about the land surface. In this regard, the passive optical sensors are widely used in mapping horizontal structures. Given that, radar data can often be collected 24-hours a day and Independent of atmospheric conditions, and also some ground structures and artificial targets have a specific response in the radar frequency, they complete the capabilities of optical images. LiDAR airborne data can also provide sample measurements from vertical structures with very high accuracy. As a result, the simultaneous use of optical, radar and LiDAR data can provide more information in a variety of applications. In this research, by simultaneously applying these three categories of data, we tried to identify the urban specific features in an optimal way. In this regard, by utilizing and producing various descriptors (57 descriptors), and using the feature extraction methods (including PCA and ICA) and estimating the intrinsic dimensions of the data (including SML and NWHFC), an optimal space for the supervised classification was created. After classifying (K-NN method) using the obtained results, descriptors (information layers) produced to identify specific urban features including buildings, roads and vegetation were obtained and grouped according to the classification accuracy. The numerical results indicate the high efficiency of the proposed procedure as well as the applied methods of estimating intrinsic dimension and extracting the features.
کلیدواژهها [English]
- Intrinsic Dimension
- Image Classification
- RADAR
- LiDAR
- Optic
- Feature Detection