توسعه یک الگوریتم طبقه بندی داده های لیدار موج-پیوسته در مناطق شهری

thesis
abstract

در دو دهه اخیر استفاده از لیزر اسکنرهای هوایی و یا بعبارتی سنجنده لیدار در کاربردهای گوناگون مهندسی ژئوماتیک و نقشه برداری رشد فزاینده ای پیدا کرده است. دلیل اصلی این امر قابلیت اعتماد و صحت بالای داده های خروجی حاصل از این نوع سنجنده می باشد. خروجی لیدار، ابرنقاط سه-بعدی طبقه بندی نشده و غیرساختاریافته می باشد. بنابراین مهمترین پردازشی که روی این داده ها می بایست انجام گیرد، طبقه بندی شان در قالب کلاس های متمایز و جدا از هم می باشد. داده های لیدار طبقه بندی شده به عنوان ورودی در پردازش های مربوط به تولید مدلهای سه بعدی شهری بکارگرفته می شوند. این مدلهای سه بعدی به متخصصان حوزه های مختلف مدیریت شهری، صنعت توریسم و مدیریت بحران در تصمیم گیری شان یاری می رساند. داده های لیدار دارای یکسری ویژگی های منحصربفرد می باشند که در فرآیند طبقه بندی شان نقش اساسی ایفا می کنند. مهمترین ویژگی آنها ویژگی های هندسی شان می باشد که از پردازش بر روی موقعیت سه بعدی نقاط بدست می آیند. از جمله این پردازشها استخراج صفحه از ابرنقاط می باشد که بکمک تبدیل هاف سه بعدی انجام می گیرد. در پیاده سازی تبدیل هاف سه بعدی از حالت تصادفی آن بهره گرفته شده است و سعی بر این بوده است که نقاطی از مجموع کل نقاط بدست بیایند که با احتمال بالایی متعلق به صفحات داخل ابرنقاط باشند. دسته دیگر ویژگیهای هندسی با استفاده از پارامترهای تنسور ساختاری بر روی کل نقاط بدست می آید. این دسته پارامترهای تنسور ساختاری بسیار متنوع و متعدد می باشند. بدست آوردن ترکیبی مناسب از این پارامترهای که در ترکیب با سایر ویژگی های بردار ویژگی نتیجه طبقه بندی داده های لیدار را افزایش دهند یکی از چالش های این پایان نامه بوده است و در نهایت بهترین ترکیب با نتیجه دقت طبقه بندی بالا حاصل شده است. از سال 2004 ظهور نسل جدیدی از سنجنده های لیدار با نام لیدار موج-پیوسته امکان استخراج ویژگی های جدیدی با ماهیتی فیزیکی را فراهم نمود. این ویژگی های جدید حاصل پردازش سیگنالی اشعه لیزر گسیل شده از سنجنده می باشد که پس از طی مسافت بین سنجنده و سطح زمین و گذر از اشیا گوناگون دچار اعوجاج گشته و پروفیلی یک بعدی از مسیر سیر خود ایجاد می کنند. از جمله این ویژگی های فیزیکی می توان به دامنه پالس، پهنای پالس و شماره پالس بازگشتی اشاره نمود. در این پایان نامه الگوریتمی توسعه داده شده است که این دو دسته ویژگی، هندسی و فیزیکی، را با هم ترکیب کرده و فضای ویژگی مورد نیاز جهت طبقه بندی را فراهم می کند. اهمیت این موضوع در این است که تا به حال چنین ترکیبی در طبقه بندی داده های لیدار بکارگرفته نشده است. بردار ویژگی تشکیل شده برای هر نقطه به عنوان ورودی به طبقه بندی کننده ماشین بردار پشتیبان معرفی شده و نقاط را در سه کلاس زمین لخت، ساختمان و پوشش گیاهی طبقه بندی می کند. ماشین بردار پشتیبان در طبقه بندی داده های دارای حجم بالا به دقت های بسیار خوبی می رسد. از این رو برای طبقه بندی ابرنقاط حجیم لیدار روش ایده الی محسوب می گردد. برای ارزیابی دقت طبقه بندی کننده از سه معیار گوناگون بهره می گیریم. این سه معیار شامل دقت کلی، دقت میانگین و ضریب کاپا می باشند. با استفاده از روش توسعه یافته در این پایان نامه به دقت کلی 89%، دقت میانگین 88.14% و ضریب کاپا 83.31% در طبقه بندی می رسیم.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

ارائه یک سیستم طبقه بندی کننده چندگانه فازی برای ادغام داده های فراطیفی و لیدار

محدودیت­های سنجنده­های مختلف سنجش از دور و ضعف آنها در شناسایی عوارض مختلف باعث شد ادغام داده­های حاصل از سنجنده­های مختلف به منظور بهبود نتایج طبقه بندی مورد توجه قرار گیرد. در میان سنجنده­های مختلف کنونی، در سال­های اخیر دو سنجنده فراطیفی و لیدار به منظور طبقه­بندی زمین بسیار پرکاربرد بوده­اند. داده­های حاصل از لیدار اطلاعات ارتفاعی مناسبی را از عوارض زمینی به ویژه عوارض دارای ارتفاع مانند سا...

full text

سیستم لیدار موج-پیوسته و کاربردهای آن

در سال­‌های اخیر سنجنده جدیدی با نام لیدار موج-پیوسته وارد خانواده لیزر اسکنرهای تجاری شده است. مزیت اصلی این نوع جدید سنجنده‌­ها، ثبت کامل موج پالس بازگشتی پس از برخورد به عوارض گوناگون در مسیر سیر پالس لیزر به سطح زمین می­‌باشد. با ثبت کامل موج، خروجی ابر نقاط دارای تراکم بالاتر و قابلیت اطمینان بیشترهمراه با پارامترهای جدیدی ازجمله پهنای پالس و دامنه پالس مربوط به هر نقطه می­‌باشد. این پارام...

full text

طبقه بندی شیءگرای مناطق شهری با استفاده از تلفیق داده های فراطیفی و لیدار

یکی از مهم ترین اطلاعات در حوزه برنامه ریزی و مدیریت شهری، نقشه های پوشش اراضی و کاربری اراضی می باشند. برای تهیه این نوع نقشه ها با استفاده از داده های سنجش از دور، نیازمند داده هایی با رزولوشن مکانی بالا می باشیم تا بتوان ساختار اشیاء مختلف شهری را شناسایی کرد. اما این تصاویر دارای اطلاعات طیفی محدودی می باشند. این ضعف اغلب منجر به خطا در طبقه بندی برای کلاس های مشابه مختلفی چون پارکینگ ها، آ...

مقایسه ی الگوریتم های مختلف طبقه بندی داده ها برای تعیین نوع زردی در نوزادان

Background and Aim: Neonatal jaundice is a matter that is very important for clinicians all over the world because this disease is one of the most common cases that requires clinical care. The aim of this study is to use data classification algorithms to predict the type of jaundice in neonates, and therefore, to prevent irreparable damages in future. Materials and Methods: This is a descripti...

full text

طبقه بندی راه های شهری مبتنی بر ادغام در سطح تصمیمات داده های نوری و راداری

در این مقاله قابلیت تصاویر اسپات و سار به منظور تشخیص عارضه راه در مناطق شهری مورد بررسی قرار گرفته است. شباهت طیفی عارضه راه با سقف آسفالت ساختمان ها در مناطق شهری موجب بروز مشکلاتی در تشخیص راه مبتنی بر داده های اپتیک از جمله اسپات می گردد. از سوی دیگر، تصاویر سار با اینکه قابلیت خوبی در تشخیص راههای فرعی و باریک دارند، اما در تشخیص راه از پوشش گیاهی دچار مشکلاتی می شود. بنابراین، نتایج حاصل ...

full text

استخراج عوارض از مناطق شهری براساس استفاده همزمان داده های راداری، چندطیفی و لیدار

در سال­های اخیر داده­های راداری به منظور استخراج عوارض مورد استفاده و توجه قرار گرفته­اند. مستقل بودن سنجنده­های راداری از شرایط آب و هوایی و تابش خورشیدی در کنار قابلیت نفوذ امواج ماکروویو در بسیاری از عوارض زمینی، باعث شده است استفاده از آنها در زمینه طبقه بندی عوارض زمینی شدت یابد. در این میان اطلاعات جمع آوری شده توسط سیستم­های سنجش از دوری راداری بسیار متفاوت از سنجنده­های معمول نوری است ک...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023