طبقه بندی عوارض شهری با استفاده از داده های لیدار و تصاویر دیجیتال هوایی بر اساس مدل های نروفازی

پایان نامه
چکیده

شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز موردتوجه بسیاری از محققین فعال در فتوگرامتری و سنجش ازدور بوده است. با ظهور سنجنده¬های جدید مانند لیدار و ترکیب داده¬های این سنجنده¬ها و تصاویر هوایی بحث شناسایی و استخراج وارد دوره جدیدی شده است. به دلیل توانایی زیاد مدل های نروفازی انطباق پذیر در حل مسائل پیچیده، استفاده از این مدل¬ها به صورت روزافزون در حال افزایش می باشد. مدل های نروفازی توانایی کار با مقدار زیاد داده¬ها و روابط خطی و غیرخطی بین آن ها را دارا می¬باشند. در این تحقیق، روشی بر مبنای مدل های نروفازی برای طبقه¬بندی عوارض شهری با استفاده از داده¬های لیدار و تصاویر رقومی هوایی ارائه می¬گردد. ابتدا به تولید انواع توصیفگرهای مختلف از داده-های لیدار و تصاویر رقومی هوایی می¬پردازیم. سپس با استفاده از الگوریتم ژنتیک پیوسته توصیفگرهای بهینه را از بین توصیفگرهای تولیدشده انتخاب می¬نماییم. این توصیفگرهای بهینه به عنوان ورودی¬های مدل نروفازی استفاده می¬شوند. مدل نروفازی ارائه شده از سه الگوریتم مختلف برای تولید ساختار سیستم استنتاج فازی استفاده می کند. این الگوریتم¬ها شامل قسمت بندی شبکه¬ای ، خوشه¬بندی کاهشی و خوشه¬بندی فازی می¬شوند. روش ارائه شده در این تحقیق بر روی سه ناحیه مختلف از شهر وایهینگن آلمان مورد آزمایش قرار می گیرد. این نواحی توسط کارگروه iii/4 جامعه بین¬المللی فتوگرامتری و سنجش ازدور در اختیار محققین قرارگرفته و از آن ها خواسته شده تا نتایج حاصل از روش های خود برای شناسایی و بازسازی عوارض شهری را برای مقایسه به این کارگروه بفرستند. حال در این پژوهش نتایج به دست آمده از سه الگوریتم نروفازی و نتایج مشارکت کننده های کارگروه iii/4 مقایسه و موردبحث قرار خواهند گرفت. این مقایسه بر اساس معیارهای کمال، صحت، کیفیت و خطای مجذور میانگین در دو مبنای پیکسلی و عارضه¬ای انجام خواهد گرفت. نتایج حاصل از این مقایسه¬ها حاکی از توانایی بالای مدل های نروفازی انطباق پذیر در شناسایی عوارض شهری در مقایسه با بقیه روش¬ها دارد. این روش¬ها در شناسایی ساختمان¬هایی با مساحت بزرگ تر از 50 مترمربع با در نظر گرفتن معیار کمال، 100 % موفق بوده¬اند. همچنین با در نظر گرفتن معیار کمال و صحت در شناسایی عوارض بزرگ تر از 50 مترمربعی، همواره به درصدهای بالای 90 رسیده¬اند. در بخش نهایی این پایان¬نامه به مقایسه الگوریتم¬های طبقه¬بندی نظارت شده شناخته شده بر روی ناحیه 1 اقدام می¬کنیم.

منابع مشابه

بررسی سیستم های نوروفازی انطباق پذیر در شناسایی ساختمان های شهری از تصاویر هوایی دیجیتال و داده های لیدار

شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز مورد توجه بسیاری از محققین فعال در فتوگرامتری و سنجش ازدور بوده است. با ظهور سنجنده های جدید مانند لیدار و ترکیب داده های این سنجنده ها و تصاویر هوایی بحث شناسایی و استخراج وارد دوره جدیدی شده است. به دلیل توانایی زیاد مدل های نروفازی انطباق پذیر (انفیس) در حل مسائل پیچیده، استفاده از این مدل ها به صورت روز افزون در حال افزایش می باشد. مدل های ن...

متن کامل

بررسی سیستم‌های نوروفازی انطباق‌پذیر در شناسایی ساختمان‌های شهری از تصاویر هوایی دیجیتال و داده‌های لیدار

شناسایی و استخراج عوارض از تصاویر هوایی از دیرباز مورد توجه بسیاری از محققین فعال در فتوگرامتری و سنجش‌ازدور بوده‌است. با ظهور سنجنده های جدید مانند لیدار و ترکیب داده های این سنجنده ها و تصاویر هوایی بحث شناسایی و استخراج وارد دوره جدیدی شده است. به دلیل توانایی زیاد مدل های نروفازی انطباق پذیر (انفیس) در حل مسائل پیچیده، استفاده از این مدل ها به‌صورت روز افزون در حال افزایش می باشد. مدل های ن...

متن کامل

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...

متن کامل

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...

متن کامل

ترکیب تصاویرابرطیفی هوایی و داده‌های لیدار برای تولید عوارض شهری

در این مقاله به منظور شناسایی و استخراج عوارض مختلف شهری به‌صورت خودکار از تصاویر فتوگرامتری روشی ارائه شده که در آن از ترکیب داده‌های لیدار و ابرطیفی استفاده می‌شود. مهمترین مشکل تصاویر ابرطیفی تعداد زیاد باندها و وابستگی بالای بین آن‌ها و نیز نسبت سیگنال به نویز متفاوت در باندهای مختلف می‌باشد، در این تحقیق به‌منظور کاهش ابعاد فضای داده، کمینه کردن نویز و وابستگی طیفی بین باندها، جهت دست یافت...

متن کامل

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...

منابع من

با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید

ذخیره در منابع من قبلا به منابع من ذحیره شده

{@ msg_add @}


نوع سند: پایان نامه

وزارت علوم، تحقیقات و فناوری - دانشگاه تفرش - دانشکده مهندسی عمران

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023