استفاده از اطلاعات طیف و بافت تصویر در منحنی فعال به منظور استخراج ساختمان از تصاویر اپتیک

حجم عمده ای از تصمیمات کلان و راهبردی اخذ شده توسط مدیران و برنامه ریزان به موقعیت و مکان عوارض منتسب و مربوط می باشد، لذا وجود اطلاعات مکانی دقیق و بهنگام از منابع کشور در یک پایگاه داده جامع مکان مرجع به همراه تجزیه و تحلیل های مرتبط، از مهم ترین ابزارهای تصمیم گیری و مدیریت بهینه می باشد. از بین اطلاعات مکانی، ساختمان به عنوان یکی از مهم ترین عوارض ساخت دست بشر، بیشترین تعدد را در مناطق شهری و نیمه شهری داشته و درنتیجه بیشترین زمان و هزینه تهیه اطلاعات مکانی را به خود اختصاص می دهد. لذا دستیابی به الگوریتمی جهت استخراج اتوماتیک ساختمان از منابع داده بسیار مهم می باشد. در این راستا تصاویر ماهواره ای و هوایی که قادر به پوشش مناطق وسیع و غیرقابل دسترس در زمان اندکی هستند دارای پتانسیل بالایی بوده و حجم زیادی از تحقیقات را در این حوزه به خود اختصاص داده اند. بسیاری از روش های توسعه یافته از داده های چند منبعی جهت غلبه بر پیچیدگی های تصویر استفاده نموده اند، اما تهیه آن ها بسیار پرهزینه و دشوار می باشد. بنابراین در تحقیق حاضر از اطلاعات طیف و بافت موجود در تک تصویر به منظور استخراج ساختمان استفاده شده است. زیرا ساختمان ها اغلب دارای بافت یکسان هستند. برای این منظور از مدل منحنی فعال که دارای سطح اتوماسیون بالایی هستند، استفاده گردیده است. مدل مذکور با کمینه سازی یک تابع انرژی که در بردارنده ترم هایی بر اساس اطلاعات گرادیان، طیف و یا بافت تصویر است، منحنی های اولیه تعریف شده را در یک فرایند تکراری به سمت محدوده عوارض هدایت می کند. در مرحله نخست از تحقیق، برخلاف تحقیقات رایج که از منحنی فعال جهت استخراج مرز عوارض استفاده نموده اند، از آن برای شناسایی عوارض و تولید ماسک ساختمان با استفاده از باندهای طیفی استفاده شده است. در واقع نتیجه حاصل برای ماسک کردن ویژگی های بافت به کار گرفته می شود. زیرا ویژگی هایی بافت توانایی تمایز بین برخی عوارض نظیر ساختمان، راه و یا پارکینگ های بزرگ را نداشته و دچار مشکل می گردند، درحالیکه این عوارض دارای ویژگی طیفی متفاوت می باشند. نهایتاً ویژگی بافت ماسک شده به عنوان ورودی به مدل منحنی فعال معرفی شده و مرزهای ساختمان شناسایی و استخراج می گردند. بنابراین در تصویر نهایی، تنها عوارضی که دارای طیف و بافت یکسان با ساختمان هستند به عنوان ساختمان شناسایی می شوند. این موضوع با پیاده سازی الگوریتم پیشنهادی بر روی تصاویری با ساختمان های مختلف مورد بررسی قرار گرفت که با توجه به کسب دقت موقعیت کلی 83.08 و 95.00 درصد به ترتیب برای تصویر اول و دوم توانایی آن به اثبات رسید.