طبقه بندی راه های شهری مبتنی بر ادغام در سطح تصمیمات داده های نوری و راداری

نوع مقاله: مقاله پژوهشی

نویسندگان

1 گروه آموزشی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

2 دانش آموخته کارشناسی ارشد سنجش از دور، گروه آموزشی نقشه برداری، دانشکده مهندسی عمران، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

چکیده

در این مقاله قابلیت تصاویر اسپات و سار به منظور تشخیص عارضه راه در مناطق شهری مورد بررسی قرار گرفته است. شباهت طیفی عارضه راه با سقف آسفالت ساختمان ها در مناطق شهری موجب بروز مشکلاتی در تشخیص راه مبتنی بر داده های اپتیک از جمله اسپات می گردد. از سوی دیگر، تصاویر سار با اینکه قابلیت خوبی در تشخیص راههای فرعی و باریک دارند، اما در تشخیص راه از پوشش گیاهی دچار مشکلاتی می شود. بنابراین، نتایج حاصل از هر دو داده اسپات و سار مکمل یکدیگر بوده و ادغام آنها ممکن است تاثیر بسزایی در بهبود نتایج تشخیص اتوماتیک راه های شهری داشته باشد. روش پیشنهادی در این مقاله یک الگوریتم ادغام تصمیمات نتایج طبقه بندی داده های اسپات و سار به منظور بهبود راه های تشخیص داده شده می‌باشد. این روش سه مرحله اصلی دارد: 1) استخراج ویژگی های بافت از هریک از تصاویر اسپات و سار، 2) طبقه بندی مجزای هر یک از تصاویر اسپات و سار برداشت شده از منطقه با استفاده از الگوریتم طبقه بندی ماشین های بردار پشتیبان و 3) ادغام در سطح تصمیمات نتایج طبقه بندی تصاویر اسپات و سار. اجرای مراحل روش پیشنهادی در یک منطقه شهری نشان داد که کیفیت طبقه بندی راه‌های شهری در تصویر اسپات پس از ادغام نتایج آن با نتایج طبقه بندی سار درحدود 21% بهبود یافته است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Urban Road Classification Based on Decision Fusion of SAR and Optical Images

نویسندگان [English]

  • Fatemeh Tabib Mahmoudi 1
  • Mohadesseh Lazari Zare 2
1 Civil engineering Department, Shahid Rajaee Teacher Training University
2 Civil engineering Department, Shahid Rajaee Teacher Training University
چکیده [English]

Road recognition and extraction based on remotely sensed data is efficient and applicable in much urban management studies. In this research, the capabilities of SPOT and SAR images are investigated for road recognition. Spectral and textural similarities between roads and other urban objects such as building’s roofs may cause some difficulties in road recognition based on SPOT image. On the other hand, SAR images are good for small road recognition but, may have some difficulties for detecting roads among vegetation. The proposed method in this paper is a decision level fusion of SPOT and SAR classification results in order to modify extracted road regions. This method has three main steps; 1) texture feature extraction from each of the SPOT and SAR images, 2) classifying each of the SPOT and SAR images based on SVM classifier, 3) decision level fusion of classification results in order to reduce road recognition difficulties and having optimum road regions. Performing the capabilities of the proposed decision level fusion algorithm for road recognition can improve the quality of the classification for about 21%.

کلیدواژه‌ها [English]

  • Road classification
  • Decision level fusion
  • Support vector machine
  • SPOT image
  • SAR image