fa شناسایی ساختمان در مناطق شهری در تصاویر با قدرت تفکیک بالای سنجش‌ازدوری با استفاده از روش آدابوست توسعه ‌یافته و ویژگی‌های سطح بالا (شبه عمیق) فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;"><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">شناسایی ساختمان از تصاویر سنجش‌ازدور در بروزرسانی نقشه‌ها، نظارت شهری و طیف وسیعی از کاربردها اهمیت زیادی دارد. تصاویر با قدرت تفکیک مکانی بالا یک منبع داده مهم، برای استخراج اطلاعات مکانی است. این تصاویر امکانات فوق‌العاده‌ای برای استخراج عوارض ازجمله ساختمان و تجزیه‌وتحلیل‌های مکانی در مناطق شهری فراهم کرده‌اند؛ اما این کار معمولاً به‌دلیل پیچیدگی‌ها و ناهمگونی‌های این داده‌ها مانند تغییرات درون کلاسی زیاد و تغییرات بین کلاسی کم، با دشواری‌هایی همراه است. باوجود تلاش‌های زیادی که برای توسعه روش‌های اتوماتیک شناسایی ساختمان از این تصاویر طی دهه‌های گذشته انجام شده است؛ روش‌های با کارایی بالا به دلیل عدم قطعیت‌هایی چون انتخاب ویژگی‌های بهینه هنوز در دسترس نیستند و از سویی به دلیل افزایش قدرت تفکیک داده‌های مورداستفاده، زمان پردازش نیز بالا می‌باشد. ازاین‌رو، بهبود صحت شناسایی اتوماتیک ساختمان از داده‌های سنجش‌ازدور و درعین‌حال زمان پردازش کمتر انگیزه اصلی تحقیق حاضر است. روش پیشنهادی این مقاله، به این صورت است که ابتدا با بکارگیری ساختارهای بافتی شبه عمیق، ویژگی‌های سطح بالایی را جهت آشکارسازی بهینه ساختمان استخراج می‌نماید. سپس بر اساس ادغام الگوریتم آدابوست توسعه‌یافته با روش ماشین بردار پشتیبان بهینه‌سازی‌ شده با ازدحام ذرات، ویژگی‌های بهینه را انتخاب کرده و به طبقه‌بندی باینری عارضه ساختمان و زمینه می‌پردازد. روش پیشنهادی بر روی مجموعه داده استاندارد واهینگن اجرا و سپس نتایج حاصل از آن با روش‌های کارآمد یادگیری ماشین مقایسه شده است. همچنین مقایسه‌ای بین روش مجموعه ویژگی شبه عمیق با روش متداول ویژگی‌های بافت </span></span><span dir="LTR">GLCM</span> <span style="font-family:b nazanin;"><span style="font-size:11.0pt;">صورت گرفته است. نتایج تجربی نشان دادند که به‌طور میانگین بیشترین صحت کلی و ضریب کاپا حاصل از روش پیشنهادی به ترتیب، 93.25 و 83.0۶ درصد می‌باشد و نسبت به روش‌های مرسوم افزایش دقت 7.27 درصد در ضریب کاپا دارا می‌باشد که نشان از اعتبار و توانمندی روش پیشنهادی بوده بعلاوه اینکه زمان محاسبات را حدوداً به نصف کاهش می‌دهد.</span></span><br> &nbsp;</div> <div style="text-align: justify;">Building detection from remote sensing images has significant importance in updating the maps, urban monitoring, and a wide range of other applications. The high spatial resolution images are an important data source for geospatial information extraction. These images provide extraordinary facilities for feature extraction like buildings and spatial analysis in urban areas. However this task suffers from some problems due to spectral complexity in the image scene. Since high resolution images contain a lot of details about the scene such as; non-homogeneity of the roof of the buildings, sloping and flatness, it can create various spectral properties among other issues. Also, due to the use of similar materials, some buildings can&rsquo;t be completely separated from the streets and parking. To overcome these issues, the use of neighborhood and height information is essential. Accordingly, the major part of this research is the use of spatial features of adjacent pixels in a multispectral image and elevation data to increase the accuracy of building classification. In this regard, on the one hand, with the expansion of the feature space in a quasi-deep method, the goal was to train the classification algorithm in higher level and more comprehensive information. But all the features available to distinguish between buildings and non-buildings are not useful. On the other hand, due to the large amount of input data and the increased computing time and memory required, to reduce the processing cost, it is necessary to perform the feature selection operation. Despite many efforts that have been made over the past decades to develop the methods for automatic building detection from these images, high-performance methods are still unavailable because of the uncertainties like optimal feature selection. Therefore, in this study, with a view to improving the automatic detection of the building from remote sensing data, a new hybrid approach is proposed to select the optimal features of the large dataset in a reasonable time. The proposed method of this research firstly extracts high-level features for optimal building detection by using quasi-deep texture structures. Then, it selects the optimal features based on the integration of the developed AdaBoost algorithm (Confidence Based AdaBoost) with the optimized support vector machines by particle swarm optimization (CB-SVMpso), and performs the binary classification of the building and background. The experiments were performed on the standard data set of Vaihingen in Germany and then the results of the proposed method were compared with efficient methods of machine learning. Also, a comparison was made between the quasi-deep feature sets with the traditional method of GLCM textures. In experiments, in order to purify the final results, no pre-processing and post-processing steps have been interfered. The experimental results showed that on average, the highest overall accuracy and kappa coefficient obtained from the proposed method were 93.25% and 83.06%, respectively, and in comparison to conventional methods, the accuracy of kappa coefficient has increased by 7.27%, as well as the computational time reduction by half, indicating the reliability and efficiency of the proposed method in detecting the majority of buildings.<br> &nbsp;</div> شناسایی ساختمان, سنجش‌ازدور, انتخاب ویژگی, طبقه‌بندی Building Detection, Remote Sensing, Feature Selection, Classification 35 52 http://jgst.issgeac.ir/browse.php?a_code=A-10-686-1&slc_lang=fa&sid=1 M. Hamidi مینا حمیدی Hamidi.mina94@gmail.com 10031947532846005676 10031947532846005676 Yes Geomatics Engineering Faculty, K.N.Toosi University of Technology دانشکده مهندسی ژئودزی و ژئوماتیک دانشگاه صنعتی خواجه نصیرالدین طوسی H. Ebadi حمید عبادی ebadi@kntu.ac.ir 10031947532846005677 10031947532846005677 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی A. Kiani عباس کیانی abbasekiani@yahoo.com 10031947532846005678 10031947532846005678 No Geomatics Engineering Faculty, K.N.Toosi University of Technology انشکده مهندسی ژئودزی و ژئوماتیک دانشگاه صنعتی خواجه نصیرالدین طوسی