استخراج نیمه اتوماتیک داده های آموزشی جهت شناسایی تغییرات مناطق شهری از تصاویر اپتیک و لیدار

از آنجا که از دیرباز تهیه نقشه امری درخور توجه بوده است، همواره دولت ها و نظام های حاکمه درصدد تولید نقشه بوده اند. آنچه که پس از تهیه نقشه از اهمیت خاصی برخوردار است، اعتبار و منطبق بودن نقشه با وضع موجود است. از آنجا که شهرها، روستاها و مناطق مختلف همواره با گذشت زمان دستخوش تغییر می شوند، به همین دلیل شناسایی تغییرات رخ داده در نقشه تولیدی از اهمیت بسزایی برخوردار است. در این بین یکی از روش های مرسوم در این زمینه استفاده از روش های طبقه بندی تصویر و مقایسه آن با نقشه می باشد. نظر به اینکه در طبقه بندی نظارت شده همواره داده های آموزشی نقش حیاتی ایفا می کنند، لذا اطمینان از صحت داده های آموزشی به طور مستقیم بر قابلیت اطمینان طبقه بندی انجام شده موثر خواهد بود. در این پایان نامه، سعی بر آن بوده تا روشی برای پالایش داده های آموزشی و پس پردازش تصویر طبقه بندی شده ارائه گردد. در روش پیشنهادی در این پایان نامه، از تصویر هوایی با قدرت تفکیک مکانی 9 سانتیمتر، داده لیدار با تراکم 6 نقطه در متر مربع اقدام به شناسایی مناطق تغییر کرده نسبت به نقشه موجود از منطقه شده است. برای این منظور ابتدا داده های آموزشی اولیه متناسب با کلاس های مدنظر از لایه های نقشه موجود استخراج شدند. سپس از قطعه بندی شی گرای چندمقیاسه تصویر و مدل رقومی نرمال شده سطح حاصله از داده های لیزر اسکنر هوایی در پالایش داده های آموزشی کمک گرفته شده است. پس از این مراحل طبقه بندی تصویر مبتنی بر داده های آموزشی پالایش یافته با استفاده از دو الگوریتم ماشین بردار پشتیبان و k همسایه نزدیک پیاده سازی گردید. به منظور پس پردازش طبقه بندی انجام شده، از مدل رقومی نرمال شده سطح کمک گرفته شد. در این مرحله پیکسل هایی که اشتباه طبقه بندی شده بودند، با توجه به ارتفاع حاصل از این مدل ارتفاعی، متناسب با نوع کلاس عارضه مدنظر، اصلاح و برچسب کلاس مربوط به خودشان را اتخاذ کردند. سرانجام پس از پس پردازش طبقه بندی، با مقایسه نقشه و تصویر طبقه بندی شده مناطق تغییر کرده در چهار کلاس "ساختمان "، "چمن زار"، درخت" و "راه" مشخص شده اند. دقت کلی و ضریب کاپا حاصل از بکارگیری داده های آموزشی پالایش یافته و انجام پس پردازش های صورت گرفته با استفاده از مدل رقومی نرمال شده سطح در طبقه بندی به روش ماشین بردار پشتیبان به ترتیب 62/96% و 15/95% و برای روش k همسایه نزدیک به ترتیب 51/96% و 99/94% بدست آمده اند. این پارامترهای ارزیابی در مقایسه با حالتی که از مدل رقومی نرمال شده سطح در پالایش و پس-پردازش در طبقه بندی استفاده نشود، به ترتیب رشد 81/15% و 67/23% برای روش ماشین بردار پشتیبان و 59/14% و 35/21% برای روش k همسایه نزدیک را نشان می دهد. در انتها نیز مناطق تغییر کرده شناسایی شده بر روی نقشه جانمایی شدند.