استخراج سايه ساختمان از تصاوير ماهواره‌اي با قدرت تفكيك بالا با تلفيق اطلاعات لبه و جهت عوارض نقطه‌اي

Shadow extraction of building using fusion of edge and point feature orientation from high resolution satellite imagery

در بسياري از كاربردهاي سنجش از دور، خصوصا در پردازش تصاوير با قدرت تفكيك بالا، شناسايي سايه يك مرحله پيش پردازشي مهم است. سايه بيانگر اطلاعاتي در مورد شكل، موقعيت نسبي و جهت شيئ است كه در محيط‌هاي شهري بخش قابل‌ توجهي از تصوير را اشغال مي‌كند و مي‌تواند در تفسير عوارض اثرات مثبت و منفي به دنبال داشته باشد. به‌عنوان نمونه برآورد ارتفاع عوارض مرتفع و شناسايي موقعيت ساختمان به كمك سايه صورت مي‌گيرد. محققان روش‌هاي متنوعي براي شناسايي سايه ارائه كرده‌اند كه براساس ويژگي، مدل و شاخص‌ها هستند. در اين تحقيق، به كمك عوارض موضعي به شناسايي سايه ساختمان‌ها پرداخته مي‌شود تا بتوان از اين اطلاعات در شناسايي موقعيت و برآورد ارتفاع ساختمان و غيره بهره برد. پس از استخراج عوارض موضعي نقطه‌اي، برآورد جهت آنها انجام شده و هيستوگرام جهت ترسيم مي‌شود و با توجه به لبه‌هاي عمودي ساختمان، جهات آنها استخراج مي‌گردد. لبه‌ها در جهات اصلي به‌دست‌آمده و به كمك عملگرهاي مورفولوژي در جهات حاصل از مرحله قبل، پخش مي‌شوند تا با سايه‌هاي اوليه تلفيق گردد. لازم به ذكر است كه از لبه‌ها براي شناسايي سايه ساختمان و حذف سايه‌هايي كه متعلق به ساختمان نيستند، استفاده مي‌شود. روش پيشنهادي بر روي چهار تصوير با قدرت تفكيك بالا اجرا شد. همچنين داده‌هاي مرجع زميني به‌صورت دستي به‌دست آمده و معيار Recall، دقت و شاخص F در بهترين حالت به ترتيب برابر با 1/90، 86/88 و 48/89 نشان از كارايي و عملكرد مناسب روش پيشنهادي دارد.

Shadow detection is an important preprocessing step in many applications of remote sensing, particularly in high resolution images. Shadow represents information about the shape, relative position and direction of the object and in urban environments occupy a significant portion of the image. Shadow can have positive and negative effects in objects interpretation. Shadows can be regarded as a type of useful information in building position recognition and height estimation. Researchers have presented model-based methods, property-based methods and based on index to shadow detection. In this research, we use local feature to identify the shadow of buildings in order to detect building position recognition. After point local feature extraction, we estimate their orientation. Orientation histogram calculate and due to the perpendicular edges of different buildings can extract main orientations. Edge map definition, which emphasizes edges only in the main orientations and dilate in the main orientations. This improved edge map is fused with initial shadow features. Edges are used to detect shadow of building and remove shadows that are not for the building. The proposed method was performed on four high-resolution image. Ground reference data obtained manually and Recall, precision and F-score, in best situation, respectively 90.1, 88.86 and 89.48 indicate the efficiency and proper performance of the proposed method.