تلفيق تصاوير مرئي و داده‌هاي ارتفاعي ليدار به‌منظور شناسايي نيمه‌خودكار عوارض شهري

اين مقاله روشي جديد براي شناسايي عوارض از داده ليدار و تصاوير مرئي ارائه مي‌دهد. الگوريتم شناسايي عوارض پيشنهادي، كمترين وابستگي را به نوع سنجنده مورد استفاده براي تصويربرداري و منطقه مورد مطالعه دارد و در مورد هر داده ليدار و داده تصويري ورودي، شامل باند‌هاي مرئي قرمز، سبز و آبي با قدرت تفكيك مكاني بالا، عوارض را با دقت قابل قبولي شناسايي مي‌كند. در روش پيشنهادي، شناسايي عوارض با استفاده از تئوري تحليل شي‌مبنايي، بعنوان رويكرد اصلي به انجام رسيده است. همچنين دو راهكار و نو‌آوري متفاوت به‌منظور افزايش سطح دقت و خودكارسازي فرايند شناسايي، پيشنهاد و به اجرا رسيده است. اولين راهكار، استفاده مستقل از داده‌هاي تصويري و ليدار به‌منظور رفع مشكل وابستگي زياد بين داده‌ها در الگوريتم‌هاي موجود مي‌باشد. راهكار دوم در اين تحقيق، ارائه روشي نوين به‌منظور شناسايي مناطق پوشش گياهي پيشنهاد شده مي‌باشد. از ويژگي‌هاي اين روش، عدم نياز به باند مادون قرمز در داده‌هاي تصويري و همچنين عدم نياز به اطلاعات شدت ليزر بازگشتي ليدار مي‌باشد. با ارزيابي نتايج رده‌بندي روي داده‌هاي در دسترس، مشخص شد دقت كلي روش پيشنهادي در مورد رده پوشش گياهي به طور متوسط 98% است كه بالاترين مقدار را نسبت به ساير عوارض نشان مي‌دهد. در مورد ساير عوارض نيز اين روش به دقت‌هاي قابل قبولي دست يافت.

This paper presents a new method for detecting the features using LiDAR data and visible images. The proposed features detection algorithm has the lowest dependency on region and the type of sensor used for imaging, and about any input LiDAR and image data, including visible bands (red, green and blue) with high spatial resolution, identify features with acceptable accuracy. In the proposed approach, detecting the features by using the object-based analysis theory as the main approach has been performed. Also two different approaches and innovations in order to increase “Level of Automation” (LoA) and level of accuracy and precision in detecting process have been proposed and performed. The first approach uses visible and LiDAR data independently in order to resolve the problem of high-dependencies between data in the existing algorithms. The second proposed method has been suggested in order to the detection of vegetation regions. Among the characteristics of this method it can be mentioned that there is no need to use the infrared band in the image data and also there is no need to intensify information of the laser returns. By assessing the results of available data classification, the determined overall accuracy of the proposed method on average, about vegetation regions is 98 % which shows the highest value compared with other features. The proposed method about other features also achieves acceptable accuracy.