عنوان پایان‌نامه
تلفیق داده های فرا طیفی و مدل رقومی سطح برای طبقه بندی و استخراج عوارض توپو گرافی
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3130;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71900
- تاریخ دفاع
- ۰۱ مهر ۱۳۹۴
- دانشجو
- بهاره عباسی
- استاد راهنما
- حسین عارفی
- چکیده
- به منظور طبقه بندی بهتر عوارض زمینی نیازمند داده هایی با قدرت تفکیک مکانی بالا هستیم تا بتوان ساختار اشیا مختلف شهری را شناسایی کرد. اما تصاویر با قدرت تفکیک مکانی بالا دارای اطلاعات طیفی محدودی هستند (به طور مثال چهارباند R، G، Bو NIR). این ضعف در اطلاعات طیفی اغلب منجر به خطا در طبقه بندی برای کلاس های مشابه مختلفی چون پارکینگ ها، آب و چمن مصنوعی و ... می شود. داده های فراطیفی با قدرت تفکیک طیفی و مکانی بالا این امکان را فراهم کرده است که بتوان اکثر کلاس ها را از طریق خصوصیات طیفی شان به خوبی از هم متمایز کرد اما با این وجود باز هم کلاس هایی در سطح شهر وجود دارند که از لحاظ طیفی بسیار مشابه بوده اما از لحاظ مفهومی و کاربردی باهم متفاوت هستند، مانند شباهت بام های سرامیکی ساختمان ها با زمین های دومیدانی و یا بام آسفالتی ساختمان ها با پارکینگ ها و راه ها. محدودیت های سنجنده های مختلف سنجش از دور و ضعف آنها در شناسایی عوارض مختلف باعث شد تلفیق داده های حاصل از سنجنده های مختلف به منظور بهبود نتایج طبقه بندی مورد توجه قرار گیرد. استفاده توام از داده های فراطیفی و لایدار در کنار هم، می تواند خطا در طبقه بندی را به حداقل ممکن کاهش دهد. داده های حاصل از لایدار اطلاعات ارتفاعی مناسبی را از عوارض زمینی به ویژه عوارض دارای ارتفاع مانند ساختمان فراهم می کنند در حالی که اطلاعات طیفی ضعیفی از عوارض ایجاد می کنند. در همین حال داده های حاصل از سنجنده های فراطیفی اطلاعات طیفی مناسبی از عوارضی مانند خاک، آب و چمنزارها فراهم می کنند ولی اطلاعات ارتفاعی مناسبی از آنها در دسترس نیست. با توجه به تفاوت ماهیت این دو نوع سنجنده، تلفیق اطلاعات طیفی و ارتفاعی در سطوح بالا مانند تصمیم گیری می تواند به شناسایی هرچه بهتر عوارض زمینی کمک کند. در این پایان نامه به منظور طبقه بندی بهتر عوارض زمینی از مفهوم تلفیق داده های فراطیفی و لایدار تحت دو روش پیشنهادی استفاده شده است. فرایند استخراج اطلاعات با پیش پردازش داده های فراطیفی و لایدار شروع شد، پیش پردازش داده فراطیفی شامل دو مرحله حذف ابر و کاهش بعد بود و پیش پردازش داده لایدار شامل استخراج 8 ویژگی استخراج شده از ماتریس GLCM می باشد. در بخش طبقه بندی از یک طبقه بندی نظارت شده با استفاده از طبقه بندی کننده ماشین بردار پشتیبان (SVM) استفاده شد. در بخش تلفیق نیز از روش رای گیری وزندار جهت تلفیق مجموعه طبقه بندی کننده ها استفاده شد. در روش پیشنهادی اول، طبقه بندی تنها برروی تصویر فراطیفی کاهش بعد داده شده به وسیله ی روش PCA، NDVI و 8 ویژگی GLCM استخراج شده از داده لایدار انجام شد. در این روش دقت کلی به دست آمده برابر 91% و ضریب کاپا برابر 9084/0 برآورد شد. در روش پیشنهادی دوم، طبقه بندی یکبار برروی بردار ویژگی بدست آمده از تصویر فراطیفی کاهش بعد داده شده به وسیله ی روش PCA، NDVI و 8 ویژگی GLCM استخراج شده از داده لایدار و باردیگر برروی بردار ویژگی بدست آمده از تصویر فراطیفی کاهش بعد داده شده به وسیله ی روش MNF، NDVI و 8 ویژگی GLCM استخراج شده از داده لایدار انجام شد. دراین روش دقت کلی طبقه بندی برابر 95% و ضریب کاپا برابر 9520/0 برآورد گردید. در انتها نیز برای ارزیابی نتایج بدست آمده از دو روش پیشنهادی، نتایج حاصل با نتایج سه محقق برتر مسابقه Best Classification Challenge سال 2013 IEEE مقایسه شد. بررسی ها حاکی از افزایش دو درصدی دقت طبقه بندی روش پیشنهادی نسبت به آنها است. در این تحقیق آنالیزها بر روی دو مجموعه داده فراطیفی CASI داده ارتفاعی لایدار با قدرت تفکیک مکانی یکسان 5/2 متر، که از منطقه شهری هیوستون آمریکا اخذ شده بود، صورت گرفت. کلمات کلیدی: داده فراطیفی، داده لایدار، تلفیق داده ها، طبقه بندی ماشین بردار پشتیبان، تلفیق رای گیری وزندار، استخراج ویژگی
- Abstract
- The rich spectral information of hyperspectral data increases the capability to distinguish different physical materials. However, some problems such as high dimensionality of data and shadows can decrease the classification accuracy. Especially varying levels of illumination due to shadow and cloud cover can be a critical problem in hyperspectral image analysis. On the other hand, due to the limitations of single remote sensing sensors, fusion of data from different can be an appropriate solution to improve classification accuracy. Lidar data which includes useful height information from terrain features such as buildings contains a weak spectral information. In contrast, hyperspectral data provides very rich spectral information from surface features such as soil, water, grass, and so on but on the other hand, they have no height information. In this thesis, a classification algorithm is proposed on joint use of hyperspectral and Lidar data to improve classification accuracy of surface features. The procedure includes two main steps: shadow removal and dimension reduction. Principal Component Analysis (PCA), Minimum Noise Fraction (MNF), and Normalized Difference Vegetation Index (NDVI) operations were applied to produce some feature subsets. In addition, some textural features have been extracted from Lidar data. In classification step, we used a SVM based classification on two processed data. Finally, a decision fusion method has been utilized to fuse ensemble of classifiers. To assess the proposed method, a co-registered hyperspectral and Lidar data is applied. The hyperspectral data contains a big area of shadow covered by cloud area. Validation of results before and after shadow detection and fusion of two data demonstrates the performance of the proposed method. In this thesis, we proposed two scenarios to generate features vector. In first scenario, the feature vectors are generated by PCA+ NDVI+ texture features from Lidar data. The overall accuracy of classification for fusion of two data after shadow removal was estimated 91%. In second scenario, the features vectors are generated by MNF+NDVI + texture feature from Lidar data and PCA+ NDVI+ texture features from Lidar data. The overall accuracy of classification for fusion of two data after shadow removal was estimated 95%. In the end of evaluation step, the results are compared by the results of the three high ranked groups in IEEE contest in 2013. The evaluation shows that the presented method in this work could improves the overall accuracy in about 2 percent comparing to the first group. Keywords: Shadow removal, Classification, Hyperspectral, LiDAR, Data fusion, SVM
