عنوان

ارزیابی میزان تخریب ناشی از زلزله در ساختمانها بر مبنای استخراج توصیفگرهای موضعی در تصاویر ماهوارهای با قدرت تفکیک بالا,‮‭Post-Earthquake Building Damage Evaluation Based on Local Feature Descriptors in High Resolution Satellite Images‬

شماره

‭۲۳۸۶۸پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

ارزیابی میزان تخریب ناشی از زلزله در ساختمانها بر مبنای استخراج توصیفگرهای موضعی در تصاویر ماهوارهای با قدرت تفکیک بالا

عنوان اصلي به زبان ديگر

‮‭Post-Earthquake Building Damage Evaluation Based on Local Feature Descriptors in High Resolution Satellite Images‬

نام نخستين پديدآور

/میلاد فرزانه زاده

نام ناشر، پخش کننده و غيره

: فنی و مهندسی عمران

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۹‬

نام توليد کننده

، عباسپور

نام خاص و کميت اثر

‮‭۸۶‬ص‬

متن يادداشت

چاپی - الکترونیکی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی ژئودزی

زمان اعطا مدرک

‮‭۱۳۹۹/۰۶/۱۵‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

هدف اصلی این تحقیق ارزیابی میزان خسارت ناشی از زلزله با استفاده از تصاویر ماهوارهای بزرگ مقیاس است .ارزیابی میزان تخریب بعد از زلزله در ساختمانها یک فرآیند بسیار اساسی به منظور مدیریت بحران در مناطق شهری است .این موضوع یکی از دغدغههای مسئولان مدیریتی در هر کشوری است که بیانگر اهمیت و کاربرد این تحقیق است .ارزیابی صحیح تخریب ساختمانها، سهولت در تصمیمگیری و مدیریت صحیح بحران بهوجود آمده و همچنین سهولت در امدادرسانی به آسیب دیدگان یک منطقه را در پی دارد .در این تحقیق یک روش برای انجام فرآیند ارزیابی خسارت با استفاده از تصاویر ماهوارهای بزرگ مقیاس ارائه شده است .برای این منظور دو تصویر ماهوارهای با قدرت تفکیک بالا مربوط به قبل و بعد از زلزله به همراه نقشه مربوط به بلوکهای ساختمانی به عنوان ورودی دریافت شده است .مراحل روش پیشنهادی به منظور ارزیابی میزان خسارت شامل پنج مرحله اساسی است .در مرحله اول این تحقیق که مربوط به پیش پردازش تصاویر است، ابتدا تصاویر ورودی از نظر طیفی تصحیح میشوند .به منظور بهبود فرآیند مقایسه تصاویر قبل و بعد از زلزله باید شرایط طیفی آنها مشابه باشد برای این منظور از روش تناظریابی هیستوگرام به منظور همسانسازی هیستوگرام آنها استفاده میشود .در مرحله دوم، به منظور مقایسه تصاویر و تعیین میزان تخریب لازم است تا دو تصویر قبل و بعد از زلزله با یک دیگر هممرجع باشند .برای این منظور از یک روش اتوماتیک تناظریابی و یک مدل تبدیل هندسی مناسب استفاده شده است .به منظور تناظریابی به صورت اتوماتیک از ترکیب عوارض مستخرج دو الگوریتم‮‭KAZE‬ و ‮‭)Speeded up robust features( SURF‬ استفاده شده است .تابع تبدیل هندسی مورد استفاده نیز تابع‮‭)multiquaderic( MQ‬ است .در مرحله سوم این تحقیق، با استفاده از نقشه مربوط به بلوکهای ساختمانی توصیفگرهای موضعی برای هر ساختمان در هر دو تصویر قبل و بعد از زلزله ایجاد شده است .برای این منظور از توصیفگرهای پیشرفته و پایدار در برابر تغییرات روشنایی و‮‭( LSS - Local Self‬، ‮‭)Shape Context( SC‬،‮‭invariant feature transform( SIFT - )Scale‬هندسی شامل استفاده شده است .درمرحله ( ‮‭KAZE‬و ‮‭Speeded up robust features( SURF‬، ‮‭)Spin Image( SI‬، ‮‭)Similarity‬چهارم بعد از استخراج توصیفگرهای مربوط به تمام بلوکهای ساختمانی، فرآیند طبقهبندی میزان تخریب در چهار کلاس بدون تخریب، تخریب متوسط، تخریب شدید و ویران با مقایسه توصیفگرهای مربوط به قبل و بعد از زلزله و به صورت نظارت شده و بدون نظارت انجام شده است .الگوریتمهای مورد استفاده در روش نظارت شده، الگوریتمهای کمترین فاصله و بیشترین شباهت هستند و الگوریتم مورد استفاده در روش نظارت نشده نیز الگوریتم‮‭mean- k‬است .در نهایت نتایج حاصل از روش پیشنهادی با نتایج حاصل از بررسی بصری یک شخص ماهر مقایسه شده و میزان کیفیت آن ارزیابی شده است دادههای مورد استفاده شامل یک جفت تصویر ماهواره مربوط به قبل و بعد از زلزله بم در سال‮‭۴۰۰۲‬ میلادی مربوط به سنجنده‮‭Quickbird‬ است .نتایج ارزیابی تحقیق بیانگر قابلیت بالای روش پیشنهادی در ارزیابی میزان تخریب ساختمانها است .در میان توصیفگرهای مورد استفاده توصیفگرهای مبتنی بر گرادیان نتایج بهتری را از خود نشان داده و الگوریم‮‭SIFT‬ بهترین عملکرد را دارد .در بین الگوریتمهای طبقهبندی نیز الگوریتمهای کمترین فاصله و بیشترین شباهت نتایج نزدیک به هم دارند اما الگوریتم طبقهبندی کمترین فاصله برای توصیفگر‮‭SIFT‬ بهترین نتیجه را با دقت‮‭۰۰‬ درصد و ضریب کاپا‮‭۰/۸۸‬ در طبقهبندی دارد

متن يادداشت

based descriptors presented better results and the SIFT algorithm had the best performance. The minimum distance and maximum Likelihood algorithms had similar results among the classification algorithms but the minimum distance classification algorithm for the SIFT algorithm had the best result with 90 accuracy and Kappa coefficient of 0.88 in classification-means algorithm. Finally, the results of the proposed method were compared to the results of the visual inspection of an expert and their quality has been evaluated. The used data included a pair of satellite images related to before and after the Bam earthquake in 2004 related to the Quickbird sensor. The results of the research evaluation showed the high capability of the proposed method in evaluating the amount of damage to the buildings. Among the used descriptors, the gradient-register. For this purpose, an automatic image matching method and a proper geometrical transformation model have been used. The combination of the extracted of the two algorithms Speeded Up Robust Features (SURF) and KAZE has been used automatically for matching. The applied geometric transformation function was the multiquadric(MQ) function. In the third step of this research, using the maps related to the building polygons, the local descriptors have been generated for each building in both images of before and after the earthquake. For this purpose, the advanced and reliable descriptors against the illumination and geometric variations, including Scale Invariant Feature Transform (SIFT), Shape Context (SC), Local Self Similarity (LSS), Spin Image (SI), SURF and KAZE have been used. In the fourth step, after extracting the descriptors related to all the building polygons, the classification process of the amount of damage has been performed in four classes of undamaged, moderate damage, severe damage and destruction . This process is performed by comparing the descriptors related to the before and after the earthquake and using the supervised and unsupervised classification methods. The used algorithms in the supervised method were the minimum distance and maximum Likelihood and the applied algorithm in the unsupervised method was the k-processing of the images, at first, the input images will be corrected spectrally. To improve the comparison process of the images before and after the earthquake, their spectral conditions must be similar. For this purpose, the histogram matching method has been used to match their histograms. In the second step, to compare the before and after images and determine the amount of damage, it is necessary that the two images be co-resolution satellite images related to the before and after the earthquake accompanied by the maps of the buildings have been received as input. The proposed steps for evaluating the damage included five fundamental steps. In the first step of this research that is related to the pre- resolution satellite images. For this purpose, two high-making, proper management of the happened crisis, and ease of emergency relief to the hurt people in an area. In this research, a method has been presented to perform the evaluation process of the amount of damage due to earthquake using High-The main objective of this study is to evaluate the amount of damage due to earthquake using Highresolution satellite images. The evaluation of the damage amount after the earthquake in buildings is a very fundamental process in crisis management in urban areas. This subject is one of the concerns of the government managers in each country, which represents the importance and application of this study. The correct evaluation of the building destruction results in the simplicity of decision

عنوان اصلي به زبان ديگر

‮‭Post-Earthquake Building Damage Evaluation Based on Local Feature Descriptors in High Resolution Satellite Images‬

مستند نام اشخاص تاييد نشده

فرزانه زاده، میلاد

مستند نام اشخاص تاييد نشده

Farzane zade, Milad

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی