عنوان پایان‌نامه
ادغام طبقه بندی کننده ها به منظور استخراج عوارض از داده ها ی لیدار
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1741;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 44425
- تاریخ دفاع
- ۲۱ بهمن ۱۳۸۸
- دانشجو
- بهناز بیگدلی
- استاد راهنما
- فرهاد صمدزادگان
- چکیده
- طبقه بندی داده های لیدار به منظور استخراج عوارض در مناطق شهری با توجه به حجم گسترده کاربردهای مربوط به این عوارض از دیرباز مورد توجه متخصصین سنجش از دور و فتوگرامتری بوده است. پیچیدگی عوارض در مناطق شهری و حجم انبوه عوارض در این مناطق، الگوریتم های مختلف طبقه بندی را به چالش کشیده است. از سوی دیگر داده های لیدار با توجه به توانایی و مزیت آنها نسبت به سایر داده ها در چند دهه اخیر مورد توجه بوده اند. اگرچه داده های لیدار اطلاعات ارتفاعی و مکانی مناسبی را ایجاد می کنند اما اطلاعات طیفی و بافتی مناسبی را از عوارض سطح زمین فراهم نمی کنند. موارد مذکور بر مشکلات جاری در طبقه بندی عوارض در مناطق شهری با استفاده از داده های لیدار تآکید دارد. روش های طبقه بندی مختلفی به منظور مرتفع نمودن این مشکلات مورد مطالعه و بررسی قرار گرفت اما این روشهای طبقه بندی انفرادی کارآیی مناسبی نداشتند. به منظور حل معضلات مربوط به طبقه بندی کننده های انفرادی تلاش های گسترده ای صورت پذیرفت. یکی از مهمترین و کارآمدترین این تلاش ها ارائه مفهوم ادغام طبقه بندی کننده ها است. هدف از ادغام طبقه بندی کننده ها استفاده همزمان از تصمیمات چندین طبقه بندی کننده متفاوت و ادغام نتایج آنها به منظور ایجاد نتیجه ای است که هیچ یک از طبقه بندی کننده های انفرادی قادر به ایجاد آن نیستند. ادغام در سطح تصمیم گیری یا ادغام طبقه بندی کننده ها باعث ایجاد سیستم-های طبقه بندی کننده چندگانه یا MCS شده است. طراحی مناسب این سیستم ها روی مجموعه داده ها تاکنون نتایج قابل توجهی را ایجاد نموده است. تحقیق پیش رو به منظور طبقه بندی داده های سنجش از دوری لیدار در مناطق شهری از مفهوم ادغام طبقه بندی کننده ها استفاده نموده است. طبقه بندی کننده پایه مورد استفاده در این تحقیق سیستم های ماشین های بردار پشتیبان یا SVM می باشد. نمونه ای از این طبقه بندی کننده ها سیستم های چندکلاسه SVM می باشند که قابلیت استفاده را روی داده های سنجش از دوری دارد. دو طبقه بندی کننده SVM چندکلاسه یک-درمقابل-یک و یک-درمقابل-همه به این منظور طراحی شدند. این دو طبقه بندی کننده با تعریف هسته های مرکزی متفاوت توانایی ایجاد مجموعه ای از طبقه بندی کننده را دارند. ذکر این نکته ضروری است که در الگوریتم پیشنهادی براساس ادغام SVM های چندکلاسه از یک الگوریتم جستجوی اتفاقی برای انتخاب بهترین زیرمجموعه از ویژگی ها استفاده شده است. نتایج حاصل از روش پیشنهادی در اولین مرحله بر کارایی بالای طبقه بندی کننده ماشین های بردار پشتیبان چندکلاسه در مقایسه با طبقه بندی کننده های معمول دیگری نظیر کمترین فاصله و بیشترین شباهت صحه گذاشته است. روش پیشنهادی بر اساس ادغام طبقه بندی کننده ها باعث بهبود نتایج طبقه بندی کننده های انفرادی شد. در این میان استفاده از یک روش انتخاب ویژگی ها به منظور انتخاب بهترین زیرمجموعه از ویژگی های استخراجی، می تواند در ایجاد مجموعه مناسب با دقت بالاتر از طبقه بندی کننده های انفرادی کمک کننده باشد. بهبود دقت طبقه بندی کننده های انفرادی با استفاده از انتخاب بهترین زیرمجموعه از ویژگی ها باعث بهبود نتایج ادغام این طبقه بندی کننده ها و درنهایت افزایش دقت حاصل از طبقه بندی داده های لیدار شده است.
- Abstract
- LIght Detection And Ranging (LIDAR) is a powerful remote sensing technology in the acquisition of the terrain surface information for object classification and extraction. Major benefits of this technique are its high level of automation during data capturing and its spatial resolution. Because of high complexities and difficulties in urban areas, many researchers focus on the using of LIDAR data in such area. Consequently, one of the challenging issues about LIDAR data is classification of these data in urban area for identification of different objects such as building, road and tree. Several urban classification methods have been proposed for object extraction from LIDAR data but, for high complexity of this data, single classification methods couldn’t achieve more accurate results. As a consequence, a newr concept proposed to use several approaches and try to take advantages of the strengths of each classifier. The idea is not to rely on a single decision making scheme. Instead, all the designs, or their subset, are used for decision making by combining their individual opinions to derive a consensus decision. It is variously known as committees of learners, mixtures of experts, classifier ensembles, Multiple Classifier Systems (MCS) and consensus theory. The main reason why we would want to combine classifier outputs is to achieve a more accurate decision from the set of classifiers than can be achieved from one of the classifiers. The performance of classifier fusion essentially depends on the accuracy and power of single classifiers and the performance of single classifiers depend on the features for entrance to classification algorithm. Based on the mentioned concepts, in this research we used both classifier fusion and feature selection on LIDAR data for improving classification results in urban area. Our proposed methodology contains four main steps include feature extraction, feature selection, classification and clasifier fusion. The first step in eve
