شناسایی ساختمانها از تصـاویر هوایی و ماهوارهای یک بحث تحقیقاتی فعال در حوزهی سنجش از دور و ماشین بینایی در طی سالهای اخیر است. الگوریتمهای طبقهبندی عوارض، در مناطق پیچیده شهری مانند منطقه مورد مطالعه که ساختمانها در میان تراکم درختان و دارای سقف شیروانی و قسمتهایی از شیشه هستند، با مشکلات بسیاری مواجه میباشند.در این مقاله برای مقابله با مشکلات ذکر شده، ویژگیهای شیمبنا، ارتفاعی و...جهت طبقهبندی با استفاده از ماشین بردار پشتیبان در دو آنالیز شی-مبنا و پیکسلمبنا بررسی شدهاند. لازم به ذکر است که آنالیز پیکسلمبنا در دو حالت با ویژگیهای استخراج شده از تصویر هوایی و داده لایدار انجام میشود.روش پیشنهادی شامل سه مرحله کلی میباشد، در مرحله اول آمادهسازی دادهها و استخراج ویژگیها انجام میشود، مرحله دوم شامل طبقهبندی با استفاده از ماشین بردار پشتیبان است که در دو آنالیز شیمبنا و پیکسلمبنا صورت میگیرد،در مرحله سوم پس از پردازش، نتایج حاصل از هر آنالیز با داده مرجع، مقایسه شده و ارزیابی میشوند.در این تحقیق هدف نهایی دستیابی به الگوریتمی بهینه با استفاده از ویژگیهای مختلف میباشد. با مقایسه سه ضریب کاپای طبقهبندی کننده ماشین بردار پشتیبان که در آنالیز شیمبنا 97/0 و در حالت اول آنالیز پیکسلمبنا 88/0 و در حالت دوم 95/0 میباشند، این نتیجه حاصل میشود که در آنالیز شیمبنا به دلیل استفاده از ویژگیهایی شامل شکل و ساختار، در مقایسه با دو حالت آنالیز پیکسلمبنا، شناسایی کلاس ساختمان مطلوبتر انجام گرفته است. از طرفی با مقایسه دو حالت پیاده شده در آنالیز پیکسلمبنا،مشخص می-شود که اضافه شدن ویژگیهای ارتفاعی لایدار در حالت دوم، باعث بهبود نتایج شده است.
N. Mansourifar, A. Mohammadzadeh, M. Mokhtarzadeh, M. J. Valadan Zoej. Building Detection from LiDAR and Optical Data Using Support Vector Machine in Pixel-Based and Object-Based Analysis. JGST 2014; 4 (2) :189-201 URL: http://jgst.issgeac.ir/article-1-254-fa.html
منصوری فر ندا، محمدزاده علی، مختارزاده مهدی، ولدان زوج محمد جواد. شناسایی ساختمانها از دادههای لایدار و نوری با استفاده از ماشین بردار پشتیبان در آنالیزهای پیکسلمبنا و شیمبنا. علوم و فنون نقشه برداری. 1393; 4 (2) :189-201