شناسایی عارضه ساختمان از داده های لیدار و اپتیک با استفاده از توابع مورفولوژی و ویژگی های شی مبنا

شناسایی عارضه ساختمان در سال های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. شناسایی ساختمان ها به عنوان مهمترین عارضه شهری جهت پیشبرد سیاست های توسعه شهری، برنامه ریزی و طراحی شهری، آمادگی در برابر خطرات بلایای طبیعی نظیر سیل و زلزله و یا حوادث غیرمترقبه نظیر آتش سوزی مورد تحقیق بسیاری از دانشمندان بوده است. منظر شهری بسیار پیچیده و متراکم است از این رو با توجه به مزایایی که داده لیدار و تصاویر هوایی بزرگ مقیاس در آن واحد در اختیار محقق قرار می دهند؛ این دو داده به عنوان ورودی الگوریتم پیشنهادی انتخاب شدند. تحقیق به این شرح می باشد، در مرحله اول پیش پردازش داده های لیدار با حذف نویز انجام می شود، در مرحله دوم تصویر هوایی پیش پردازش شده با لایه های رستری اولین و آخرین بازگشت فاصله لیدار و داده شدت هم مرجع شده تا برای ورود به الگوریتم آماده گردد. هم مرجع کردن دو داده از اهمیت بالایی برخوردار است چرا که سنگ بنای پردازش ها و آنالیز شی مبناست. در مرحله سوم به منظور تولید مدل رقومی و سطح نرمالایز شده زمین از دو روش فیلترینگ موفق سال های اخیر چندجهتی و مورفولوژیک بهبودیافته استفاده می شود، با مقایسه نتایج دو الگوریتم فوق، الگوریتم موفولوژیک بهبودیافته جهت ادامه کار انتخاب می گردد. در مرحله چهارم لایه های شیب و جهت شیب از روی ndsm تولیدشده در مرحله قبل، ساخته می شوند. در مرحله پنجم ویژگی های مختلف جهت ورود به طبقه بندی کننده های مرحله بعد انتخاب می شود که این ویژگی ها در سه دسته کلی ویژگی های استخراج شده از تصویر هوایی و داده لیدار و ویژگی های شی مبنا دسته بندی می شوند. در مرحله ششم طبقه بندی کلاس ساختمان در دو آنالیز شی-مبنا و پیکسل مبنا انجام می شود که طبقه بندی کننده های شی مبنا شامل حدآستانه گذاری، نزدیک ترین همسایگی و ماشین بردار پشتیبان است و روش های بیشترین شباهت و ماشین بردار پشتیبان در آنالیز پیکسل مبنا بررسی می شود، آنالیزهای پیکسل مبنا در حالت اول و دوم با ویژگی های متفاوت طبقه بندی را انجام می دهند که حالت اول شامل ویژگی های ndvi، ndsm، باند قرمز، سبز، مادون قرمز، شیب می-باشد و در حالت دوم علاوه بر ویژگی های ذکرشده، سه ویژگی جهت شیب و اولین بازگشت فاصله و شدت لیدار اضافه می شود. مرحله هفتم شامل انتخاب پارامترهای مناسب قسمت بندی و اعمال آن ها به لایه های ورودی است. انتخاب این پارامترها به صورت سعی و خطاست که از طریق ارزیابی بصری نتایج حاصل از قسمت بندی انجام می شود. روش قسمت بندی، چند مقیاسه در نظر گرفته شده است که امکان انتساب وزن به لایه های ورودی نیز در آن وجود دارد. مرحله هشتم شامل پس پردازش نتایج حاصل از طبقه بندی می باشد که با استفاده از توابع مورفولوژی این نتایج بهبود میابند. در نهایت در مرحله پایانی نتایج حاصل از هر طبقه بندی با داده مرجع مقایسه شده و ارزیابی می شوند. که با مقایسه ضرایب کاپای روش های حدآستانه گذاری، نزدیک ترین همسایگی، ماشین بردار پشتیبان با آنالیز شی مبنا که به ترتیب 0/98 ، 0/97 ، 0/97می باشد و ضرایب روش پیکسل مبنای بیشترین شباهت در حالت اول و دوم به ترتیب 0/42و 0/52 می باشد و ضرایب ماشین بردار پشتیبان با آنالیز پیکسل مبنا در دو حالت به ترتیب 0/63 و 0/70می باشد، این نتایج حاصل می شود که به طور کلی در این تحقیق آنالیز شی مبنا به دلیل استفاده از ویژگی های شی مبنا نتایج مطلوب تری نسبت به آنالیز پیکسل مبنا دارد. از طرفی اضافه شدن جهت شیب و اولین بازگشت فاصله و شدت لیدار در حالت دوم هر دو روش پیکسل مبنا، نتایج را بهبود داده است.