عنوان پایان‌نامه
تلفیق تصاویر حرارتی و مرئی به منظور طبقه بندی عوارض سه بعدی در مناطق شهری
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3286;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75691;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3286;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75691
- تاریخ دفاع
- ۱۵ شهریور ۱۳۹۵
- دانشجو
- عمران امینی
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- تولید اطلاعات دقیق و بروز از جمله ابزارهای اساسی و مهم بمنظور مدیریت و برنامه‌ریزی شهری می‌باشد. گسترش روز افزون تکنولوژی سنجش از دور امکان استخراج اطلاعات متنوع از پوشش‌های شهری را فراهم می‌آورد. اما وجود عوارض متنوع در محدوده شهرها و نیز کاربری‌های مختلف اطلاعات مکانی تولید شده، تلفیق منابع داده را امری ضروری می‌کند. علاوه بر این استفاده از تلفیق منابع متنوع داده سنجش از دوری جهت شناسایی عوارض شهری کارایی خود را به اثبات رسانده است. از این رو، در این تحقیق تلفیق داده جدید فراطیفی مادون قرمز حرارتی با قدرت تفکیک مکانی بالا و تصویر مرئی مربوط به مسابقه IEEE در سال 2014، جهت شناسایی و طبقه‌‌بندی عوارض شهری مورد مطالعه قرار گرفت. در تحقیقات پیشین روش‌های پیشنهادی با تکیه بر اطلاعات طیفی/مکانی تصویر مرئی و نیز اطلاعات طیفی داده حرارتی به شناسایی عوارض شهری پرداختند. این در حالی است که، فضای ویژگی مکانی تولیدی از داده حرارتی مدنظر قرار نگرفته است. هم چنین روش‌های کاهش ابعاد فضای ویژگی داده فراطیفی حرارتی در تحقیقات پیشین از کارای مناسبی برخوردار نبوده است. در این تحقیق روش طبقه‌‌بندی ماشین بردار پشتیبان باینری جهت شناسایی عوارض شهری با استفاده از داده‌های مذکور پیشنهاد گردیده است. در این روش تلاشهای زیادی در مرحله استخراج ویژگی انجام شد بشرط آنکه ویژگی‌های استخراج شده با مفهوم باشند، و از طبقه‌‌بندی کننده SVM دو کلاسه سنتی برای طبقه‌‌بندی استفاده شد. ابتدا داده‌های حرارتی و مرئی به فاصله 0.5 متر بترتیب upsample و downsample می‌شوند. بدلیل ابعاد بالای داده‌های حرارتی مادون قرمز یک PCA به آن اعمال می‌شود و 5 مولفه اصلی آن نگهداری می‌شود. کلاس‌های مختلف با استفاده از ترکیب ویژگی‌های متناسب بطور موفقیت آمیزی شناسایی می‌شوند. در نهایت نقشه طبقه‌‌بندی پیکسل بیس بوسیله چند مرحله پس پردازش بهبود می یابد. در ابتدا نقشه طبقه‌‌بندی بوسیله رأی اکثریت smooth شده و سپس نتایج آن با یک قطعه بندی mean shift تلفیق می‌شود. در آخر چندین کار دیگر برای بهبود نتایج بکار برده می شوند. نتایج حاصل از روش پیشنهاد شده در این تحقیق با نتایج خروجی مسابقه تلفیق داده جامعه سنجش از دور IEEE،2014 با معیار کاپای ماتریس ابهام مقایسه و جز بهترین نتایج قرار گرفت، همچنین نتایج بدست آمده برای دقت کل و ضریب کاپا مقادیر به ترتیب 96.02و 94.11درصد را نشان می دهد.
- Abstract
- Accurate and update information production is one of the most important and the main tools of urban and management. Recently development of the Remote Sensing (RS) and Photogrammetry technologies provides informative information of the urban land covers. The variable urban objects and different needs to the variety of information in urban areas management necessitate the integration of different RS data sources for urban object detection is proven. Therefore, in this research integration of high spatial resolution hyperspectral Thermal infrared and visible image for urban object detection and classification has been applied. Previously integrated works used spectral/spatial features space for visible image and only spectral bands of Thermal data for mentioned proposes. While, spatial feature space produced by Thermal bands have not been considered. In this research, a novel strategy of integration of Thermal and visible data for urban object detection has been introduced. First Thermal infrared and visible data were upsampled and downsampled to 0.5 m, respectively. Due to the high dimensionality of Thermal infrared data, a principal component analysis (PCA) was applied and the first five principal components were kept. Then the Textural features, Vegetation Index, Gabor energy and morphological building Index were extracted. Different classes were identified successively using appropriate feature combinations. Finally the Pixel-based classification map was improved by two post processing steps: First the map was smoothed by majority filtering, then it was fused with the result of an adaptive mean shift segmentation. The Kappa coefficient Value of produced map compared with the best results of IEEE data fusion contest 2014 and has been shown its efficiency. Also the Overall accuracy and Kappa values of proposed strategy are about 96.02 and 94.11 percent. Keywords: Hyperspectral Thermal Infrared, land cover classification, multimodal- multiresolution-multisource-data fusion
