عنوان

استخراج مدل رقومی سطح در تصاویر ماهواره‌ای با استفاده از الگوریتم‌های ماشین‌بینایی,‮‭Digital Surface Model (DSM) Extraction from Satellite Imagery Based on Computer Vision Algorithms‬

Number

‭۲۲۷۳۹پ‬

.Language of Text, Soundtrack etc

per

Title Proper

استخراج مدل رقومی سطح در تصاویر ماهواره‌ای با استفاده از الگوریتم‌های ماشین‌بینایی

Parallel Title Proper

‮‭Digital Surface Model (DSM) Extraction from Satellite Imagery Based on Computer Vision Algorithms‬

First Statement of Responsibility

/غزاله صراطی

Name of Publisher, Distributor, etc.

: عمران

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۸‬

Name of Manufacturer

، افشاری

Specific Material Designation and Extent of Item

‮‭۱۰۷‬ص‬

Text of Note

چاپی - الکترونیکی

Text of Note

فاقد کلیدواژه لاتین

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی نقشه‌برداری

Date of degree

‮‭۱۳۹۸/۱۱/۲۰‬

Body granting the degree

تبریز

Text of Note

عوارض و پدیده‌صهای زمینی پیوسته در حال تغییر وجابه‌جایی هستند .اطلاع از موقعیت، وضعیت و ویژگی‌صهای هندسی عوارض و پدیده‌صهای موجود روی سطح زمین می‌صتواند نقش بسزایی در مدیریت و طراحی شهری، پیش‌صبینی و مدیریت بلایای طبیعی، بروزرسانی نقشه‌های موجود و پایش کمی تغییر شکل زمین داشته باشد .مدل‌صهای رقومی سطح،‮‭DSM‬ ، ‮‭(Digital Surface Model)‬ نمایشی سه‌صبعدی و کمی از عوارض و پدیده‌صهای زمینی ارائه می‌صدهند .این مدل‌صها از روش‌صهای مختلفی بدست می‌صآیند .تصاویر ماهواره‌صای بدلیل دارا بودن ویژگی‌صهای خاصی مانند امکان استخراج اطلاعات کمی و ارتفاع ساختمان‌صها و عدم دارا بودن محدودیت زمانی در اخذ داده‌صها یکی از داده‌های اساسی تهیه ‮‭DSM‬ محسوب می‌صشوند .هدف اصلی از بازسازی سه‌صبعدی سطح یک منظره، برآورد یک مدل سه‌صبعدی هندسی دقیق از آن با استفاده از تصاویر اخذ شده از منظرهای مختلف است .هدف این تحقیق طراحی و پیاده‌صسازی یک روش اتوماتیک به منظور استخراج ‮‭DSM‬ از تصاویر ماهواره‌ای با قدرت تفکیک مکانی بالا است .یکی از مهم‌صترین مراحل استخراج ‮‭DSM‬ از تصاویر، انجام فرآیند تناظریابی متراکم است .روش‌صهای کلاسیک فتوگرامتری مستقیما از اطلاعات تصویری نظیر شدت درجات خاکستری استفاده می‌صکنند از این‌رو این روش‌صها در مناطق با بافت یکنواخت و مواقعی که اختلافات روشنایی و هندسی تصاویر زیاد باشد با محدودیت دقت مواجه خواهند بود .برخلاف روش‌صهای کلاسیک، روش‌صهای ماشین‌صبینایی قادر به مدل‌سازی عوارض و استخراج ‮‭DSM‬ از تصاویر با اختلافات هندسی بالا و به صورت منظم هستند .این روش‌صها به دلایل مختلفی نظیر پیچیدگی مدل‌صسازی هندسی تصاویر ماهواره‌صای و همچنین تفاوت خصوصیات رادیومتریکی تصاویر ماهواره‌صای با تصاویر بردکوتاه، در سنجش از دور کمتر مورد توجه قرار گرفته‌صاست .برای تولید ‮‭DSM‬ از تصاویر ماهواره‌صای استریو ابتدا باید عملیات هم‌صمرجع‌صسازی برای از بین بردن اختلافات هندسی شدید و برقرای ارتباط دوتصویر انجام شود .پس از حذف نواحی نامشترک بین تصاویر و تراز کردن آن‌صها نسبت به یکدیگر، عملیات تناظریابی متراکم برای شناسایی عوارض متناظر در هر جفت تصویر انجام می‌صشود .دقت روش تناظریابی متراکم مورد استفاده، نقش مهمی در دقت ‮‭DSM‬ بدست آمده خواهد داشت .در این پایان‌صنامه از سه روش تناظریابی متراکم‮‭Flow- SIFT‬، ‮‭LSS‬ و ‮‭DAISY‬ استفاده شده و نتایج با هم مقایسه خواهند شد .در نهایت با انجام درون‌صیابی و استخراج ابرنقاط متراکم و سپس انتقال آن‌صها به سیستم مختصات مرجع زمینی با استفاده از معادلات چند جمله‌صای کسری‮‭(Rational Function Models)‬ ، ‮‭DSM‬ اولیه برای هر یک از جفت تصاویر بدست می‌صآید و با تلفیق آن‌صها ‮‭DSM‬ نهایی از مجموعه تصاویر موجود از یک منطقه تولید می‌صشود .تصاویر مورد استفاده در این پایان‌صنامه تصاویر با قدرت تفکیک مکانی بالا از سنجنده‮‭WorldView‬ - ‮‭۳‬در دو دسته داده از دو منطقه متفاوت هستند .هر دسته داده نیز شامل ‮‭۴‬ تصویر پوشش‌دار است .در پایان ‮‭DSM‬ بدست آمده با ‮‭DSM‬ مرجع حاصل از لیدار مقایسه شده‌صاست .نتایج حاصل بیانگر دقت و کارایی بالای روش پیشنهادی است .سرانجام ‮‭DSM‬ های نهایی هر سه روش تناظریابی نامبرده با میانگین معیار کامل بودن ‮‭۸۳/۸۷‬ برای دسته داده اول و ‮‭۶/۹۳‬ برای دسته داده دوم و ‮‭RMSE‬ ارتفاعی ‮‭(Root Mean Square Error)‬ حدود ‮‭۲‬ متر برای دسته داده اول و حدود ‮‭۴‬ متر برای دسته داده دوم حاصل شده‌صاست

Text of Note

‮‭Land-cover objects and features are changing continuously; therefore, having a wide knowledge of the location, position, and charactristics of terrain features plays a vital role in the variety of urban planning and monitoring, natural disaster prediction, updating the existing maps and quantative investigation of earth surface deformation. DSMs (Digital Surface Models) are three dimentional (۳D) and quantitative representations of earth surface features which are achieved using different ways. Satellite images are one of the essential data for DSM extraction due to their particular properties such as the possibility of extracting quantitative information and their unlimited time access to data obtaining. The main purpose of ۳D surface reconstruction of a scene is to achieve a precise ۳D geometric model from the multi-view satellite images of the same scene. The main goal of this thesis is to develop an automatic method for DSM extraction from very high-resolution satellite images which consist of different stages. One of the most crucial steps is the dense matching process. However, photogrammetric classical methods make a direct use of image intensity information, which show a weak performance in areas with a homogeneous texture and images with high illumination and geometric differences. Unlike the classical methods, computer vision algorithms are capable of modeling objects regularly and extracting DSM from images with high geometric differences. These methods are utilized less in remote sensing for various reasons such as the intricacy of geometrical modeling of satellite imagery and also existing radiometric differences between regular and satellite range images. The first step to generate DSM from satellite stereo imagery is co-registering the input images to remove the intense geometric discrepancies between the two input imagery and relate them to each other. After image registration, a dense matching process is carried out to detect corresponding objects in each image pair. The final accuracy of the generated DSM is highly related to the performance of the dense image matching method used to align the image pairs. In this study, we are willing to utilize and assess three dense matching algorithms including SIFT-Flow (Scale- Invariant Feature Transform-Flow), LSS (Local Self-Similarity), and DAISY to match corresponding image features. Subsequently, a dense point cloud for each image pair is generated by using a ۳d-reconstruction process based on the rational function model (RFM). Finally, point clouds are fused to generate final DSM from the existing image set of an area. Data set used in this work consists of very high-resolution WorldView-۳ images in which the results are evaluated using a set of high-resolution airborne lidar ground truth data. Achieved results demonstrate the high performance and accuracy of the purposed method. Final DSMs are generated through the above-mentioned dense matching algorithms with completeness of ۸۸.۴ for the first dataset and ۹۳.۶ for the second dataset. Retrived DSMs also result in RMSE of about ۲ and ۴ meters for first and second data set, respectively‬

Parallel Title

‮‭Digital Surface Model (DSM) Extraction from Satellite Imagery Based on Computer Vision Algorithms‬

صراطی، غزاله

Serati, Ghazaleh

Public note

سیاه و سفید

نمایه‌سازی قبلی