Journal of Geomatics Science and Technology

fa طبقه‌بندی سه‌بعدی عوارض شهری مبتنی بر تلفیق اطلاعات هندسی و چند طیفی اخذشده به کمک پهپاد 3D Classification of Urban Features Based on Integration of Structural and Spectral Information from UAV Imagery 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;">طبقهبندی سهبعدی عوارض شهری یکی از مهمترین ابزارهای مدیریت شهری و مبنای بسیاری از آنالیزها در فتوگرامتری است؛ بنابراین به عنوان ورودی در بسیاری از کاربردها همچون برنامه‌ریزی، مدیریت شهری و مدیریت بحران مورد استفاده قرار می‌گیرد. از آنجایی ‌که ابر نقاط حاصل از تناظریابی متراکم تصاویر در مناطق شهری به علت مشاهده مستقیم ویژگیهای خطی، کارایی بیشتر نسبت به ابر نقاط حاصل از لیزر اسکنر هوایی دارند و از لحاظ هزینه نیز مقرون ‌به‌ صرفه است؛ به همین دلیل در این تحقیق برای طبقهبندی، از ابر نقاط حاصل از تناظریابی متراکم تصاویر استفاده شده و جهت افزایش دقت طبقهبندی نیز</span></span><span style="font-family:B Nazanin;"><span style="font-size:10.0pt;">، </span></span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">این تصاویر به وسیله دوربین چند طیفی </span></span><span dir="LTR">Micasense RedEdge</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;"> اخذ شده است. یکی از چالشهای موجود در دوربینهای چند طیفی، هم مرجع سازی باندها میباشد؛ که در این تحقیق از الگوریتم </span></span><span dir="LTR">SIFT</span> <span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">برای استخراج نقاط متناظر هر باند استفاده شده است. به ‌این ‌ترتیب باندها با یکدیگر ترکیب شده تا یک ترکیب رنگی (تصویر) از هر سه باند ایجاد شود. با این کار دو مجموعه تصاویر تولید شده است که از این دو مجموعه تصاویر، دو ابر نقطه با استفاده از فن تناظریابی متراکم تصاویر تولید میشوند. ابر نقاط با استفاده از روش درون‌یابی نزدیک‌ترین نقاط همسایه با یکدیگر تلفیق‌ شده‌اند تا یک ابر نقطه چند طیفی حاصل شود. در انتها طبقهبندی ابر نقطه چند طیفی، با استفاده از الگوریتم جنگل تصادفی<a href="#_ftn1" name="_ftnref1" title=""><sup><span dir="LTR"><sup><span style="font-family:Times New Roman,serif;"><span style="font-size:9.0pt;">[1]</span></span></sup></span></sup></a></span>و با ویژگیهای هندسی و چند طیفی، به سه صورت اقدام شده است که شامل استفاده جداگانه از اطلاعات طیفی، اطلاعات هندسی و تلفیق اطلاعات طیفی و هندسی با یکدیگر میباشد. نتایج نشاندهنده بهبود 25 درصدی دقت در روش تلفیق اطلاعات طیفی و هندسی نسبت به روش استفاده جداگانه از اطلاعات طیفی میباشد و نیز بهبود 32 درصدی دقت در روش تلفیق اطلاعات طیفی و هندسی نسبت به روش استفاده جداگانه از اطلاعات هندسی میباشد؛ همچنین بین روش استفاده از اطلاعات چند طیفی و روش استفاده از اطلاعات مرئی (</span><span dir="LTR">RGB</span><span style="font-family:B Nazanin;"><span style="font-size:11.0pt;">) مقایسه‌ای انجام شده است که نتایج نشاندهنده برتری 5 درصدی دقت روش استفاده از اطلاعات چند طیفی میباشد.</span></span></div> <div> <div style="text-align: justify;"><br clear="all" > </div> <hr align="left" size="1" width="33%" > <div style="text-align: justify;"></div> <div id="ftn1" style="text-align: justify;"><a href="#_ftnref1" name="_ftn1" title=""><span style="vertical-align:super;"><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:8.0pt;"><span style="vertical-align:super;"><span style="font-family:Times New Roman,serif;"><span style="font-size:8.0pt;">[1]</span></span></span></span></span></span></span></a><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:8.0pt;"> Random Forest</span></span></span> <span style="vertical-align:super;"><span dir="LTR"><span style="font-family:Times New Roman,serif;"><span style="font-size:8.0pt;"></span></span></span></span></div> <div style="text-align: justify;"></div> </div> <div> <div style="text-align: justify;"> </div> <hr align="left" size="1" width="33%" > <div style="text-align: justify;"><div id="ftn1"></div></div> </div> <div> <div style="text-align: justify;"> </div> <hr align="left" size="1" width="33%" > <div style="text-align: justify;"><div id="ftn1"></div></div> </div> <div style="text-align: justify;">Three-dimensional classification of urban features is one of the important tools for urban management and the basis of many analyzes in photogrammetry and remote sensing. Therefore, it is applied in many applications such as planning, urban management and disaster management. In this study, dense point clouds extracted from dense image matching is applied for classification in urban areas. Applied images are acquired using a Micasense RedEdge multispectral camera to increase the classification accuracy. The band to band registration is one of the existing challenges of multi-spectral camera, which the SIFT algorithm is used to extract the corresponding features of each band. One band selected as reference and other bands are transferred to the reference band by projective transformation. Finally, the bands are combined to create a color image from each three bands. So, two point clouds are generated using dense image matching techniques from two sets of images. To produce a multi-spectral point cloud, the two set of point clouds have been integrated using nearest neighbor interpolation. The multi-spectral point clouds are classified by using random forest algorithm, structural and multi-spectral features. This process composed of three parts as structural information, multi-spectral information, and integration of both. Finally, the results are shown a 25% improvement in the accuracy of the integration of multi-spectral and structural information compared to multi-spectral information and 32% improvement in the accuracy of the integration of multi-spectral and structural information compared to structural information. Classification using visible information (RGB) instead of multispectral information resulted in an accuracy drop by 5%.</div> طبقه‌بندی, جنگل تصادفی, تناظریابی متراکم تصاویر, تصاویر چند طیفی, هم مرجع سازی باندها, ابرنقطه 3D Classification, Dense Image Matching, Multispectral Image, Band to Band Registration, Point Cloud, Random Forest 57 78 http://jgst.issgeac.ir/browse.php?a_code=A-10-36-4&slc_lang=fa&sid=1 B. Sadeghi بهرام صادقی bahram.sadeghi@ut.ac.ir 10031947532846007043 10031947532846007043 No University of Tehran دانشگاه تهران F. Samadzadegan فرهاد صمدزادگان samadz@ut.ac.ir 10031947532846007044 10031947532846007044 No University of Tehran دانشگاه تهران F. Dadrasjavan فرزانه دادرس جوان fdadrasjavan@ut.ac.ir 10031947532846007045 10031947532846007045 Yes University of Tehran دانشگاه تهران