شناسایی ساختمان در مناطق شهری در تصاویر با قدرت تفکیک بالای سنجش‌ازدوری با استفاده از روش آدابوست توسعه ‌یافته و ویژگی‌های سطح بالا (شبه عمیق)

شناسایی ساختمان از تصاویر سنجش‌ازدور در بروزرسانی نقشه‌ها، نظارت شهری و طیف وسیعی از کاربردها اهمیت زیادی دارد. تصاویر با قدرت تفکیک مکانی بالا یک منبع داده مهم، برای استخراج اطلاعات مکانی است. این تصاویر امکانات فوق‌العاده‌ای برای استخراج عوارض ازجمله ساختمان و تجزیه‌وتحلیل‌های مکانی در مناطق شهری فراهم کرده‌اند؛ اما این کار معمولاً به‌دلیل پیچیدگی‌ها و ناهمگونی‌های این داده‌ها مانند تغییرات درون کلاسی زیاد و تغییرات بین کلاسی کم، با دشواری‌هایی همراه است. باوجود تلاش‌های زیادی که برای توسعه روش‌های اتوماتیک شناسایی ساختمان از این تصاویر طی دهه‌های گذشته انجام شده است؛ روش‌های با کارایی بالا به دلیل عدم قطعیت‌هایی چون انتخاب ویژگی‌های بهینه هنوز در دسترس نیستند و از سویی به دلیل افزایش قدرت تفکیک داده‌های مورداستفاده، زمان پردازش نیز بالا می‌باشد. ازاین‌رو، بهبود صحت شناسایی اتوماتیک ساختمان از داده‌های سنجش‌ازدور و درعین‌حال زمان پردازش کمتر انگیزه اصلی تحقیق حاضر است. روش پیشنهادی این مقاله، به این صورت است که ابتدا با بکارگیری ساختارهای بافتی شبه عمیق، ویژگی‌های سطح بالایی را جهت آشکارسازی بهینه ساختمان استخراج می‌نماید. سپس بر اساس ادغام الگوریتم آدابوست توسعه‌یافته با روش ماشین بردار پشتیبان بهینه‌سازی‌ شده با ازدحام ذرات، ویژگی‌های بهینه را انتخاب کرده و به طبقه‌بندی باینری عارضه ساختمان و زمینه می‌پردازد. روش پیشنهادی بر روی مجموعه داده استاندارد واهینگن اجرا و سپس نتایج حاصل از آن با روش‌های کارآمد یادگیری ماشین مقایسه شده است. همچنین مقایسه‌ای بین روش مجموعه ویژگی شبه عمیق با روش متداول ویژگی‌های بافت GLCM صورت گرفته است. نتایج تجربی نشان دادند که به‌طور میانگین بیشترین صحت کلی و ضریب کاپا حاصل از روش پیشنهادی به ترتیب، 93.25 و 83.0۶ درصد می‌باشد و نسبت به روش‌های مرسوم افزایش دقت 7.27 درصد در ضریب کاپا دارا می‌باشد که نشان از اعتبار و توانمندی روش پیشنهادی بوده بعلاوه اینکه زمان محاسبات را حدوداً به نصف کاهش می‌دهد.