شناسايي ساختمان در مناطق شهري با استفاده از تلفيق ويژگي هاي تصاوير نوري و راداري در شبكه‌هاي عصبي

Building Detection in Urban Areas using Features Fusion of Optical and Radar Images in Neural Networks

در اين مقاله، تصاوير پانكروماتيك، چندطيفي و رادار با گشودگي تركيبي (SAR) باهدف شناسايي ساختمان تلفيق‌شده‌اند. اين تلفيق به‌منظور رفع نواقص و ضعف هاي مجموعه داده‌هاي تك منبعي مي‌باشد. به همين منظور ابتدا سه مجموعه داده به‌صورت جداگانه مورد ارزيابي قرارگرفته است كه از برخي ويژگي‌هاي ورودي پيشنهادي براي شناسايي ساختمان استفاده‌شده است. سپس اين ويژگي‌ها در تركيب‌هاي مختلف با يكديگر تلفيق‌شده و نتايج مورد مقايسه قرارگرفته‌اند. در تمامي بررسي‌ها، شبكه عصبي مصنوعي اعمال‌شده و عملكرد آن‌ها در پوشش‌هاي مختلف سقف‌هاي ساختمان مورد ارزيابي قرارگرفته است. نتايج حاصل نشان مي‌دهد كه روش بهينه تلفيق شناسايي ساختمان‌ها، بيش از 10% ضريب كاپا را افزايش مي‌دهد. همچنين استراتژي تلفيق پيشنهادي منجر به حداقل 8 برابر بهتر شدن همگني نتايج شناسايي‌شده در انواع مختلف سقف شده است. بنابراين نتايج حاصل از روش پيشنهادي با دقت كلي، ضريب كاپا و دقت شناسايي ساختمان به ترتيب 87.11% و 67.99% و 89.08% مويد توانايي اين روش در شناسايي ساختمان داده‌هاي چند منبعي اپتيك و رادار مي‌باشد.

In this paper high-resolution SAR, panchromatic and multispectral images are fused for building detection purposes. This fusion is aimed to compensate the defects and shortcomings of these individual data sets. For this reason at first these three data sets are considered individually where some proposed input features are used for building detection. Then these features are fused in different combinations and the results are compared. In all experiments neural networks are applied and their performances are evaluated over different cover types of building roofs. It was discovered that the optimum fusion solution improves the building detection for more then 10% kappa coefficient. Also the proposed fusion strategy caused at least 8 times betters homogeneity of detection results over different roof types. The proposed method enjoying overall accuracy, kappa coefficient and building detection accuracy of% 87.11, % 67.99 and%89.08 respectively confirms the ability to detect buildings of multi-resource radar and optical data.