آشکارسازی ساختمان‌های با پوشش خاص در محیط شهری با استفاده از فناوری سنجش از دور فراطیفی

اکبری, داود; اکبری, محمد

doi:10.22061/jrsgr.2024.11226.1082

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه مهندسی نقشه‌برداری، دانشکده مهندسی، دانشگاه زابل، زابل، ایران

² گروه مهندسی عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران

https://doi.org/10.22061/jrsgr.2024.11226.1082

چکیده

پیشینه و اهداف: یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام میشود، آشکارسازی هدف است. معمولترین روش جهت آشکارسازی هدف در تصاویر ماهوارهای، آشکارسازی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسلهای همسایگی به کلاس مشخص اختصاص مییابد. با پیشرفتهای اخیر و ایجاد تصاویری باقدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در آشکارسازی تصاویر فراطیفی ایجاب میکند. در این پژوهش به آشکارسازی بام‌های دارای پوشش خاص به‌عنوان هدف، در یک محیط شهری از طریق یک سری تصویر فراطیفی پرداخته میشود. از آنجائی که یک محیط شهری دارای ویژگیهای پیچیده‌ای از نظر فیزیکی، هندسی و عناصر به کار گرفته شده در ساختمان‌هاست، دادههای فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری میکنند. شناسایی جنس بام ساختمان‌ها در محیطهای شهری، اهمیت زیادی در کاربردهای گوناگون، چون ارتباطات تلفنهای همراه، واقعیت مجازی، معماری و مدلسازی شهری، برنامهریزی و مدیریت شهرها دارد.
روش‌ها‌: در این تحقیق استراتژی اطلاعات مکانی در کنار اطلاعات طیفی جهت بهبود آشکارسازی هدف در آنالیز تصاویر فراطیفی مورد بررسی قرار میگیرد. برای این منظور از الگوریتم طیفی-مکانی جنگل پوشای مینیمم مبتنی بر نشانه که در فرآیند طبقهبندی تصاویر استفاده شده است، جهت آشکارسازی بام ساختمانهای با پوشش خاص استفاده میگردد. در روش پیشنهادی نشانهها از روی نقشه طبقهبندی ماشین بردار پشتیبان انتخاب شدند. برای این منظور آنالیز برچسبگذاری مولفههای متصل بر اساس 8 پیکسل همسایگی انجام گرفت. بعد از ایجاد درخت پوشای مینیمم و حذف یالهای مربوط به رأس اضافه شده در مرحله آخر، جنگل پوشای مینیمم حاصل میشود. در الگوریتم جنگل پوشای مینیمم هر درخت روی یکی از رئوس تصویر رشد مینماید و با اختصاص دادن کلاس هر نشانه به همه پیکسل‌های رشد یافته از آن، نقشه آشکارسازی طیفی-مکانی حاصل میگردد.
یافته‌ها: تکنیک‌های فوق بر روی یک سری از دادههای تصویری سنجنده CASI که از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است، اعمال شدند. نتایج ارزیابیهای کمی و کیفی نشان میدهد که روش پیشنهادی مقدار ضریب کاپا را به میزان 38 درصد در مقایسه با الگوریتم آشکارسازی اندازهگیری زاویه طیفی بهبود داده است. این موضوع اهمیت به کارگیری اطلاعات مکانی در فرآیند آشکارسازی را نشان میدهد، درحالی‌که الگوریتم اندازهگیری زاویه طیفی جهت آشکارسازی فقط نیاز به اطلاعات طیفی هدف موردنظر دارد.
نتیجه‌گیری: همزمان با رشد شهرنشینی و توسعه مناطق شهری نیاز مدیران و برنامهریزان به نقشههای بسیار دقیق از مناطق شهری به طور چشمگیری افزایش یافته است. استفاده از اطلاعات مکانی به خصوص در مورد تصاویر اخذ شده از مناطق شهری که در آنها چندین پیکسل مجاور به یک کلاس یا عارضه یکسان تعلق دارند، میتواند باعث بهبود دقت در آشکارسازی شود. در نظر است در تحقیقات آتی از میزان خطای موجود در آشکارسازی طیفی-مکانی هدف کاسته شود. شرایط ایجاد پیکسل‌های مختلط مانند همپوشانی پدیدههای زمینی و ناهمگن بودن اکثر پدیدهها، و درنتیجه افزایش واریانس داخلی هدف موجب افزایش خطای آشکارسازی در تصاویر فراطیفی می‌شود. ازاین‌رو سعی بر این است که بتوان با استفاده از روش‌های مختلف خطاهای فوق را کم نمود.

کلیدواژه‌ها

موضوعات

سنجش از دور

عنوان مقاله [English]

Building Detection with Special Roofing in Urban Areas using Hyperspectral Remote Sensing Technology

نویسندگان [English]

D. Akbari ¹
M. Akbari ²

¹ Department of Surveying Engineering, Faculty of Engineering, University of Zabol, Zabol, Iran

² Department of Civil Engineering, Faculty of Engineering, University of Birjand, Birjand, Iran

چکیده [English]

target detection. The most common method for target detection in satellite images is pixel-based detection, in which each pixel is assigned to a specific class with only its spectral information and without considering neighboring pixels. With recent advances and the creation of images with high spatial resolution, it is necessary to use both spectral and spatial information to detect hyperspectral images. This research deals with the detection of roofs with special coverage as a target, in an urban environment, through a series of hyperspectral images. Since an urban environment has complex characteristics in terms of physics, geometry and elements used in buildings, hyperspectral data effectively helps to identify, extract and produce a map of the elements that make up an urban environment. Identifying the type of roof of buildings in urban environments is very important in various applications, such as mobile phone communications, virtual reality, architecture and urban modeling, planning, and city management.
Methods: In this research, the spatial information strategy is investigated along with the spectral information to improve target detection in the analysis of hyperspectral images. For this purpose, the spectral-spatial algorithm of marker-based minimum spanning forest, which is used in the image classification process, is used to detect the roofs of buildings with special coverage. The markers were selected from the support vector machine classification map in the proposed method. For this purpose, the analysis of the labeling of the connected components was done based on 8 neighboring pixels. The minimum spanning forest is obtained after creating the minimum spanning tree and removing the ridges related to the added vertex in the last step. In the minimum spanning forest algorithm, each tree grows on one of the vertices of the image, and by assigning the class of each marker to all the pixels grown from it, a spectral-spatial detection map is obtained.
Findings: The above techniques were applied on a series of CASI sensor image data taken from the urban area of Toulouse located in the south of France. The results of quantitative and qualitative evaluations show that the proposed method has improved the value of the Kappa coefficient by 38% in comparison with the spectral angle measurement detection algorithm. This shows the importance of using spatial information in the detection process, while the spectral angle measurement algorithm only needs the spectral information of the desired target for detection.
Conclusion: Simultaneously with the growth of urbanization and the development of urban areas, the need of managers and planners for very accurate maps of urban areas has increased significantly. The use of spatial information, especially in the case of images taken from urban areas where several adjacent pixels belong to the same class or complex, can improve detection accuracy. It is intended to reduce the amount of error in the spectral-spatial detection of the target in the future research. The conditions of creating mixed pixels, such as the overlap of terrestrial phenomena and the heterogeneity of most phenomena, and as a result, the increase of the internal variance of the target, increase the detection error in hyperspectral images. Therefore, it is tried to reduce the above errors by using different methods.

کلیدواژه‌ها [English]

Building detection
Urban area
Remote sensing
Hyperspectral imagery

COPYRIGHTS
© 2024 The Author(s). This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)

مراجع

[1] Bhattacharya, B.K., Green, R.O., Rao, S., Saxena, M., Sharma, S., Kumar, K.A., Srinivasulu, P., Sharma, S., Dhar, D., & Bandyopadhyay, S. (2019). An overview of AVIRIS-NG airborne hyperspectral science campaign over India, Curr. Sci., 116: 1082–1088.

[2] Chang, C.-I., & Heinz, D.C. (2000). Constrained Subpixel Target Detection for Remotely Sensed Imagery, IEEE Transactions on Geoscience and Remote Sensing, 38(3): 1144-1159. https://doi.org/10.1109/36.843007

[3] Dos Reis Salles, R., Souza Filho, C.R., Cudahy, T., Vicente, L.E., & Monteiro, L.V.S. (2017). Hyperspectral remote sensing applied to uranium exploration: A case study at the Mary Kathleen metamorphic-hydrothermal U-REE deposit, NW, Queensland, Australia, J. Geochem. Explor., 179: 36–50. https://doi.org/10.1016/j.gexplo.2016.07.002

[4] Mobasheri, M.R., Gholami, N., & Farajzadeh Asl, M. (2010). Upgrading MODIS Cloud Detection Algorithm Using ASTER Simultaneous Image, Case Study: Damghan, Planning and Space Amayesh, 15(2): 81-99. [In Persian]

[5] Alimohammadi, A., Shamsodini, A., & Ziaeian, P. (2008). Comparison of spectral and spatial performance of image composition methods in the power difference of different resolutions of multispectral and panchromatic images: Tehran, Planning and Space Amayesh, 12(2): 119-137. [In Persian]

[6] Ghasemian Yazdi, M.H., & Elyasi, M. (2009). Integration of Spatial Information of Icon Image and Spectral Information of Spot 4 Images, Planning and Space Amayesh, 14(1): 57-81. [In Persian]

[7] Landgrebe, D., (1999). Some Fundamentals and methods for hyperspectral image Data Analysis, SPIE Int. Symp. On Biomedical Optics (Photonics West), San Jose CA, Proc. SPIE, 3603: 104-113. https://doi.org/10.1117/12.346731

[8] Ren, S., He, K., & Girshick, R. (2017). Faster r-cnn: towards real time object detection with region proposal networks, IEEE Trans Pattern Anal, 39: 1137–1149.

https://doi.org/10.48550/arXiv.1506.01497

[9] Carvalho, O.A., & Meneses, P.R. (2002). Spectral Correlation Mapper (SCM): An Improvement on the Spectral Angle Mapper (SAM), Asa Norte, 70910-900, Brasília, DF, Brasil, 1-9.

[10] Chang, C.-I. (2003). Hyperspectral Imaging: Techniques for spectral Detection and Classification, Orlando, FL: Kluwer Academic, 1-370.

http://dx.doi.org/10.1007/978-1-4419-9170-6

[11] Jang, J.-S.R., (1993). ANFIS: Adaptive-Network-based Fuzzy Inference Systems, IEEE Transactions on Systems, Man, and Cybernetics, 23(3): 665-685.

https://doi.org/10.1109/21.256541

[12] Cheng, G., & Han, J. (2016). A survey on object detection in optical remote sensing images, ISPRS J. Photogramm. Remote Sens., 117: 11–28.

https://doi.org/10.1016/j.isprsjprs.2016.03.014

[13] Freitas, S., Silva, H., & Almeida, J. (2018). Hyperspectral imaging for real-time unmanned aerial vehicle maritime target detection, J Intell Robot Syst, 90(3): 551–570. https://doi.org/10.1007/s10846-017-0689-0

[14] Frolov, D., & Smith, R.B. (1999). Locally Adaptive Constrained Energy minimization for AVIRIS image, Eighth JPL Airborne Earth Science (AVIRS), http://www.microimages.com/papers/.

[15] Kanjir, U., Greidanus, H., & Oštir, K. (2018). Vessel detection and classification from space borne optical images: A literature survey, Remote Sens. Environ., 207: 1–26.

https://doi.org/10.1016/j.rse.2017.12.033

[16] Yadav, D., Arora, M.K., Tiwari, K.C., & Ghosh, J.K. (2018). Parameters affecting target detection in VNIR and SWIR range, Egypt. J. Remote Sens. Space Sci., 21: 325–333. https://doi.org/10.1016/j.ejrs.2017.08.004

[17] Carleer, A.P., & Wolff, E. (2006). Urban land cover multi-level region-based classification of VHR data by selecting relevant features, International Journal of Remote Sensing, 27(6):1035-1051. https://doi.org/10.1080/01431160500297956

[18] Bauer, T.h., & Steinnocher, K. (2001). Per-parcel land use classification in urban areas applying a rule-based technique, GeoBIT/GIS, 24–27.

[19] Frauman, E., & Wolff, E. (2005). Segmentation of Very High Spatial Resolution Satellite Images in Urban Areas for Segments-Based Classification, Proceedings of the 5th International Symposium Remote Sensing of Urban Areas, Tempe, Arizona, USA, 1-4.

[20] Batista, M.H., & Haertel, V. (2010). On the classification of remotes sensing high spatial resolution image data, International Journal Remote Sensing, 31: 5333–5548. https://doi.org/10.1080/01431160903485786

[21] Benz, U.C., Hofmann, P., Willhauck, G., Lingenfelder, I., & Heynen, M. (2004). Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information, ISPRS Journal of Photogrammetry and Remote Sensing, 58: 239– 258. https://doi.org/10.1016/j.isprsjprs.2003.10.002

[22] Frohn, R.C., & Chaudhary, N. (2008). Multi-scale image segmentation and object-oriented processing for land cover classification, GIScience & Remote Sensing, 45: 377-391. https://doi.org/10.2747/1548-1603.45.4.377

[23] Frohn, R.C., Reif, M., Lane, C.R., & Autrey, B.C. (2009). Satellite remote sensing of isolated wetlands using object-oriented classification of LANDSAT-7 data, The Society of Wetland Scientists, McLean, 29(3):931-941.

https://doi.org/10.1672/08-194.1

[24] Fauvel, M. (2007). Spectral and Spatial Methods for the Classification of Urban Remote Sensing Data, PhD thesis, Grenoble Institute of Technology, 1-180.

[25] Fauvel, M., Chanussot, J., Benediktsson, J.A., & Sveinsson, J.R. (2008). Spectral and spatial classification of hyperspectral data using SVMs and morphological profiles, IEEE Trans. Geos. And Remote Sens., 46(11): 3804–3814.

[26] Pesaresi, M., & Benediktsson, J.A. (2001). A new approach for the morphological segmentation of high-resolution satellite imagery, IEEE Trans. Geos. And Remote Sens., 39(2): 309–320. https://doi.org/10.1109/36.905239

[27] Jain, R., Kasturi, R., & Schunck, B.G. (1995). Machine Vision. McGraw-Hill series in Computer Science., McGraw-Hill, Inc, 1-549.

[28] Soille, P. (2006). Morphological Image Analysis, IEEE Transactions on Pattern Analysis and Machine Intelligence, 28(5): 673-683. https://doi.org/10.1109/TPAMI.2006.99

[29] Tarabalka, Y., Chanussot, J., & Benediktsson, J.A. (2010). Segmentation and classification of hyperspectral images using minimum spanning forest grown from automatically selected markers, IEEE Trans. Syst., Man, Cybern. B, Cybern., 40: 1267–1279. https://doi.org/10.1109/TSMCB.2009.2037132

[30] Chang, C.-I., & Chiang, S.-S. (2002). Anomaly Detection and Classification for Hyperspectral Imagery, IEEE Trans. on Geoscience and Remote Sensing, 40(6): 1314-1325. https://doi.org/10.1109/TGRS.2002.800280

[31] Homayouni, S., & Roux, M. (2005). Hyperspectral image analysis for material mapping using spectral matching, ISPRS04-Istanbul, GET, Telecom Paris, UMR 5141 LTCI, Department TSI, 46 rue Barrault, 75013 Paris, France.

[32] Emami, H., & Afary, A. (2007). Subpixel Classification on the Hyperspectral Images for Accuracy Improvement of Classification Results, Dep. of Geodesy and Geomatic Eng, K.N. Toosi University of Technology, Tehran-Iran.

[33] Freitas, S., Silva, H., Almeida, J.M., & Silva, E. (2019). Convolutional neural network target detection in hyperspectral imaging for maritime surveillance, International Journal of Advanced Robotic Systems, 1-13.

[34] Jha, S.S., & Nidamanuri, R.R. (2020). Gudalur Spectral Target Detection (GST-D): A New Benchmark Dataset and Engineered Material Target Detection in Multi-Platform Remote Sensing Data, remote sensing, 12: 2145. https://doi.org/10.3390/rs12132145

[35] Akbari, D., Safari, A.R., & Homayouni, S. (2014). A Combination of Spectral-Spatial Detection Methods of Hyperspectral Images for the Better Separation of Special Buildings' Roofs in Urban Area, Journal of Geomatics Science and Technology, 4(2): 1–10. [In Persian]

[36] Hou, Y., Zhang, Y., Yao, L., Liu, X., & Wang, F. (2016). Mineral target detection based on MSCPE_BSE in hyperspectral image, the IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 1614–1617. https://doi.org/10.1109/IGARSS.2016.7729412

[37] Zhang, X., Nansen, C., & Aryamanesh, N. (2015). Importance of spatial and spectral data reduction in the detection of internal defects in food products, Appl Spectrosc, 69(4): 473–480. https://doi.org/10.1366/14-07672

[38] Akbari, D., Saadatseresht, M., & Homayouni, S. (2008a). Hyperspectral Detection Improvement by using Spectral-Spatial feature, the Map Asia 2008 Conference, Kuala Lumpur, Malaysia.

[39] Akbari, D., Saadatseresht, M., & Homayouni, S. (2008b). Evaluation and performance of Pattern Recognition Methods in Hyperspectral Image Data, Geomatic 87 Conference, National Cartographic Center of Iran, Tehran, Iran, 1-9. (In Persian)

[40] Nasrabadi, N.M. (2008). Regularized Spectral Matched Filter for Target Recognition in Hyperspectral Imagery, SPLetters, 1: 317-320.

[41] Vapnik, V. (2000). The nature of statistical learning theory, Springer Verlag, 1-314.

https://doi.org/10.1007/978-1-4757-3264-1

[42] Van der Meer, F. (2006). The effectiveness of spectral similarity measures for the analysis of hyperspectral imagery, Int. J. Appl. Earth Observation Geoinformation, 8(1): 3–17. https://doi.org/10.1016/j.jag.2005.06.001

[43] Homayouni, S., & Roux, M. (2003). Material Mapping from Hyperspectral Images using Spectral Matching in Urban Area, IEEE Workshop on Advances in Techniques for analysis of Remotely Sensed Data, NASA Goddard center, Washington DC, USA.

[44] Rosenfield, G.H., & Fitzpatric-Lins, K. (1986). A Coefficient of Agreement as a Measure of Thematic Classification Accuracy, Photogrammetric Engineering and Remote Sensing, 52(2): 223-227.

[45] Bradley, A.P. (1997). The use of the area under the ROC Curve in the evaluation of machine learning algorithms, Pattern Recognition, 30(7): 1145-1159.

https://doi.org/10.1016/S0031-3203(96)00142-2

[46] Cristianini, N., & Shawe-Taylor, J. (2000). An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, Cambridge University Press.

https://doi.org/10.1017/CBO9780511801389

پژوهش های سنجش از دور و اطلاعات مکانی

آشکارسازی ساختمان‌های با پوشش خاص در محیط شهری با استفاده از فناوری سنجش از دور فراطیفی

مراجع

مراجع

دوره 2، شماره 2 - شماره پیاپی 4
تیر 1403
صفحه 265-276

آشکارسازی ساختمان‌های با پوشش خاص در محیط شهری با استفاده از فناوری سنجش از دور فراطیفی

مراجع

مراجع

دوره 2، شماره 2 - شماره پیاپی 4تیر 1403صفحه 265-276

دوره 2، شماره 2 - شماره پیاپی 4
تیر 1403
صفحه 265-276