استخراج تغییرات ناحیه حاشیه شهری با استفاده از طبقه بندی و قطعه بندی تصاویر ماهوارهای با قدرت تفکیک بالا بر مبنای تحلیل در سیستمهای اطلاعات جغرافیایی

نوع فایل:word 

تعداد صفحات :۹۰

به ‌روزآوری پایگاه‌های داده زمینی در محیط شهری کاری سخت و پر هزینه می‌باشد. تکنیک‌های سنجش از دور ماهواره‌ای به طور وسیعی در استخراج و کنترل تغییر پوشش زمین در مقیاس‌های مختلف مورد استفاده قرار گرفته‌اند که منجر به  ایجاد نتایج مفیدی شده‌اند. انجام این کار به کمک روشهای استخراج اتوماتیک تغییر آسان‌تر می شود. از طرف دیگر برای استخراج تغییر به شکل اتوماتیک دو استراتژی وجود دارد: مقایسه تصویر با نقشه و مقایسه تصویر با تصویر. روشهای استخراج تغییر اکثرا بر اساس مقایسه تصویر با تصویر هستند. در مقایسه تصویر با نقشه از نقشه موجود جهت پیدا کردن نواحی تغییر کرده در تصویری که اخیرا به دست آمده, استفاده می‌شود. جهت استخراج تغییرات می‌توان از دو شیوه پیکسل مبنا و شی مبنا استفاده کرد. تکنیک‌های پیکسل مبنا, روشهای سنتی آنالیز تصویر هستند و روند کار آنها به این صورت است که تفاوت‌های عوارض گوناگون را جستجو می‌کنند. اطلاعات تماتیک مورد نظر از این تفاوت‌ها, استخراج می‌شود. در بسیاری از کاربردها، نیاز به استخراج عوارضی است که از پیکسل‌های چندگانه تشکیل شده‌اند از جمله این عوارض جاده‌ها, ساختمان‌ها و غیره هستند. برای استخراج این عوارض نیاز به طبقه‌بندی گروهی پیکسل‌های نزدیک به یکدیگر است. در واقع در اینجا به جای استخراج پیکسل نیاز به استخراج شی وجود دارد. شی‌ها می‌توانند صدها ویژگی داشته باشند, مثل شکل, اندازه, پاسخ طیفی و غیره که این ویژگی‌ها می‌توانند برای آنالیز تصویر استفاده شوند. شی‌ها تعدادی ویژگی دارند که فقط در روشهای شی مبنا از آنها می‌توان استفاده کرد. برای استخراج عوارض نامشخص باید از اطلاعات اضافی مثل شکل و اندازه سایه‌ها استفاده کرد که دراشیاء, این موارد را می‌توان پیدا کرد. در این پژوهش یک روش جدید بر اساس شیوه‌های شی مبنا, جهت استخراج اتوماتیک تغییرات ساختمان‌ها در محیط‌های شهری از تصاویری با قدرت تفکیک بالا و استفاده از پایگاه داده زمینی موجود ارائه می‌شود. روش مورد نظر از چند مرحله تشکیل شده است. در ابتدا پایگاه داده زمینی موجود از ساختمان‌ها و دیگر شی‌های شهری  مدل می‌شوند. سپس تصویر قطعه‌بندی می‌شود. در ادامه تصویر قطعه‌بندی شده با استفاده از پایگاه داده موجود مورد آنالیز قرار می‌گیرد تا به این ترتیب موقعیت قطعاتی که احتمالا تغییر ساختمان در آن رخ داده است شناسایی شود. در نهایت قوانین استخراج تغییر بر روی قطعات معین شده آزمایش می‌شوند و به این صورت قطعاتی که ساختمان‌های تغییر کرده را ارائه می‌دهند, مشخص گردند. در قسمت دوم این مطالعه, به جای قطعه‌بندی تصویر از روشهای مختلف دسته بندی استفاده شده است. از طرف دیگر در اجرای الگوریتم باید از ویژگی‌هایی استفاده شود که متناسب با منطقه بوده و منجر به نتایج قابل قبول شود. در این مطالعه از ویژگی‌های مختلف هندسی, بافتی و طیفی استفاده شد. الگوریتم مورد نظر در سه منطقه مورد آزمایش قرار گرفت. منطقه اول شامل ۱۵ شی بود و تغییرات زیادی در این منطقه رخ نداده بود. منطقه دوم شامل ۷ شی بود و عاری از تغییر بود. و در نهایت در منطقه سوم, ۳۶ شی وجود داشت که نسبت به دو منطقه قبلی تغییرات بیشتری داشت. نتیجه روش پیشنهادی در هر سه منطقه قابل قبول بود و اکثر تغییراتی که در این مناطق به وقع پیوسته بودند, توسط این روش استخراج شدند. الگوریتم پیشنهادی تعدادی نقاط ضعف نیز دارد. این روش در استخراج حد فاصل دقیق بین ساختمان‌ها محدودیتهایی دارد. از طرف دیگر تعدادی از ساختمان‌های قدیمی توسط این روش به عنوان ساختمان جدید شناسایی شدند. از نکات دیگری که باید به آن اشاره کرد, بافت منطقه مورد مطالعه می‌باشد. داده‌هایی که در اینجا مورد استفاده قرار می‌گیرند, مربوط به حاشیه جنوبی شهر اصفهان هستند. ساختمان‌ها به شکل بلوک‌های کاملا پیوسته در این منطقه به چشم می‌خورند. از طرف دیگر نوع تصویر ماهواره‌ای که برای اجرای عملیات از آن استفاده می‌شود, نیز مهم است. قدرت تفکیک مکانی تصویر در استخراج تغییرات نقش مهمی دارد. در این تحقیق از یک تصویر Quickbird که در سال ۲۰۰۸ به دست آمده و همچنین نقشه ۲۰۰۰/۱ سال ۱۳۷۵ شهر استفاده شده است.