آشکارسازی ساختمانهای با پوشش خاص در تصاویر فراطیفی با استفاده از الگوریتم هرمی مبتنی بر نشانه | ||
| نشریه سنجش از دور و GIS ایران | ||
| دوره 16، شماره 3 - شماره پیاپی 63، 1403، صفحه 91-104 اصل مقاله (8.06 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.48308/gisj.2023.103401 | ||
| نویسنده | ||
| داود اکبری* | ||
| استادیار سنجشازدور، گروه مهندسی نقشهبرداری، دانشکدة فنی و مهندسی، دانشگاه زابل، زابل، ایران | ||
| چکیده | ||
| فنّاوری سنجشازدور فراطیفی، در دو دهة گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیلهایی که در خصوص تصاویر فراطیفی انجام میگیرد، آشکارسازی هدف است. در این پژوهش به آشکارسازی بامهای دارای پوشش خاص بهعنوان هدف، در یک محیط شهری پرداخته شده است. همزمان با رشد شهرنشینی و توسعة مناطق شهری نیاز مدیران و برنامهریزان به نقشههای بسیار دقیق از مناطق شهری بهطور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگیهای پیچیدهای از نظر فیزیکی، هندسی و عناصر بهکارگرفتهشده در ساختمانهاست، دادههای فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازندة یک محیط شهری میکنند. در خصوص آشکارسازی طیفی هدف، از دو دهة پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورتگرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتمهای استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاینرو در این پژوهش سعی میشود با ارائة روشی جدید و دقیق ساختمانهای با پوشش خاص در تصاویر فراطیفی آشکارسازی شود. مواد و روشها: برای انجام این پژوهش از دادههای تصویری سنجندة CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقة شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقهبندی شبکة عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیادهسازی شده، سپس از نقشة حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعهبندی هرمی مبتنی بر نشانه استفاده میشود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشة قطعهبندی هرمی مبتنی بر نشانه با نقشة حاصل از ادغام طبقهبندیهای MLP و SVM ترکیب میشود. نتایج و بحث: در این پژوهش بهمنظور پیادهسازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقهبندی MLP با 3 لایة پنهان که شامل 5، 6 و 8 نورون هست پیادهسازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانهها، آنالیز برچسبگذاری مؤلفههای متصل براساس 8 پیکسل همسایگی بر روی نقشة حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج بهدستآمده نقشة حاصل از روش پیشنهادی شامل مناطق یکنواختتر و دارای ساختارهای بههمپیوستة بیشتری برای آشکارسازی ساختمانهاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان میدهد. فنّاوری سنجشازدور فراطیفی، در دو دهة گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیلهایی که در خصوص تصاویر فراطیفی انجام میگیرد، آشکارسازی هدف است. در این پژوهش به آشکارسازی بامهای دارای پوشش خاص بهعنوان هدف، در یک محیط شهری پرداخته شده است. همزمان با رشد شهرنشینی و توسعة مناطق شهری نیاز مدیران و برنامهریزان به نقشههای بسیار دقیق از مناطق شهری بهطور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگیهای پیچیدهای از نظر فیزیکی، هندسی و عناصر بهکارگرفتهشده در ساختمانهاست، دادههای فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازندة یک محیط شهری میکنند. در خصوص آشکارسازی طیفی هدف، از دو دهة پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورتگرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتمهای استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاینرو در این پژوهش سعی میشود با ارائة روشی جدید و دقیق ساختمانهای با پوشش خاص در تصاویر فراطیفی آشکارسازی شود. مواد و روشها: برای انجام این پژوهش از دادههای تصویری سنجندة CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقة شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقهبندی شبکة عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیادهسازی شده، سپس از نقشة حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعهبندی هرمی مبتنی بر نشانه استفاده میشود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشة قطعهبندی هرمی مبتنی بر نشانه با نقشة حاصل از ادغام طبقهبندیهای MLP و SVM ترکیب میشود. نتایج و بحث: در این پژوهش بهمنظور پیادهسازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقهبندی MLP با 3 لایة پنهان که شامل 5، 6 و 8 نورون هست پیادهسازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانهها، آنالیز برچسبگذاری مؤلفههای متصل براساس 8 پیکسل همسایگی بر روی نقشة حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج بهدستآمده نقشة حاصل از روش پیشنهادی شامل مناطق یکنواختتر و دارای ساختارهای بههمپیوستة بیشتری برای آشکارسازی ساختمانهاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان میدهد. نتیجهگیری: در این پژوهش راهبرد استفاده از اطلاعات مکانی در کنار اطلاعات طیفی برای بهبود آشکارسازی هدف در آنالیز تصاویر فراطیفی بررسی شد. برای این منظور از الگوریتم طیفی– مکانی هرمی مبتنی بر نشانه که در فرایند طبقهبندی تصاویر استفاده میشود، برای آشکارسازی بام ساختمانها استفاده شد. در روش پیشنهادی از دو نقشة طبقهبندی در انتخاب نشانهها و قانون تصمیم رأی اکثریت در مورد الگوریتم قطعهبندی هرمی اولیه به کار گرفته شد. در ترکیب نقشههای طبقهبندی MLP و SVM بهمنظور استفاده در انتخاب نشانهها و قانون تصمیم رأی اکثریت از احتمال شرطی و انتخاب بالاترین احتمال تعلق هر پیکسل به یک کلاس استفاده میشود. | ||
| کلیدواژهها | ||
| تصویر فراطیفی؛ آشکارسازی هدف؛ الگوریتم هرمی مبتنی بر نشانه | ||
| عنوان مقاله [English] | ||
| Building Detection with Special Roofing in Hyperspectral Images Using Marker-Based Hierarchical Algorithm | ||
| نویسندگان [English] | ||
| Davood Akbari | ||
| Assistant Professor, Remote Sensing Division, Surveying and Geomatics Engineering Department, College of Engineering, University of Zabol, Zabol, Iran | ||
| چکیده [English] | ||
| Hyperspectral remote sensing technology has witnessed remarkable progress in the last two decades. One of the analyzes performed on the hyperspectral images is target detection. In this research, the detection of roofs with special cover has been done as a target in an urban environment. 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. Since an urban environment has complex characteristics in terms of physical, geometrical and elements used in buildings, hyperspectral data effectively help to identify, extract and produce a map of the constituent elements of an urban environment. Regarding the spectral detection of the target, continuous and numerous researches have been carried out since the last two decades. According to the studies carried out, until now, the hierarchical algorithm has achieved the best results in comparison with other algorithms for extracting spatial information in hyperspectral images, Therefore, in this research, it is tried to reveal buildings with special cover in hyperspectral images by presenting a new and accurate method. Material and methods: The image data of the CASI sensor has been used to carry out this research. The images processed in this research include images with 32 spectral bands and a resolution of 2 meters, which were taken in May 2001 from the urban area of Toulouse located in the south of France. In the proposed method, two classification algorithms of multilayer perceptron neural network (MLP) and support vector machine (SVM) are implemented on the hyperspectral image. Then, the map resulting from the combination of the two mentioned algorithms is used to select the marker for the marker-based hierarchical segmentation algorithm. Finally, with the help of the majority vote decision rule, the marker-based hierarchical segmentation map is combined with the map resulting from the integration of MLP and SVM classifications. Results and discussion: In this research, Gaussian radial basis kernel was used to implement the SVM algorithm. The values of two parameters, penalty (C) and width of Gaussian function () were determined in SVM algorithm with the help of cross validation technique. The MLP classification algorithm was implemented with 3 hidden layers that include 5, 6 and 8 neurons and its evaluation was done with 500 repetitions and to select markers, the analysis of the labeling of connected components was done based on 8 neighborhood pixels on the map resulting from the combination of MLP and SVM. Based on the obtained results, the map obtained from the proposed method includes uniform regions and has more interconnected structures to reveal buildings, which shows the importance of using spatial information along with spectral information. Conclusion: In this research, the strategy of using spatial information along with spectral information to improve target detection in the analysis of hyperspectral images was examined. For this purpose, the spectral-spatial marker-based hierarchical algorithm, which is used in the image classification process, was used to reveal the roofs of the buildings. In the proposed method, two classification maps were used in the selection of markers and the decision rule of the majority vote in the case of the initial hierarchical segmentation algorithm. In the combination of MLP and SVM classification maps, conditional probability and selection of the highest probability of each pixel belonging to a class are used in the selection of markers and majority vote decision rule. Material and methods: The image data of the CASI sensor has been used to carry out this research. The images processed in this research include images with 32 spectral bands and a resolution of 2 meters, which were taken in May 2001 from the urban area of Toulouse located in the south of France. In the proposed method, two classification algorithms of multilayer perceptron neural network (MLP) and support vector machine (SVM) are implemented on the hyperspectral image. Then, the map resulting from the combination of the two mentioned algorithms is used to select the marker for the marker-based hierarchical segmentation algorithm. Finally, with the help of the majority vote decision rule, the marker-based hierarchical segmentation map is combined with the map resulting from the integration of MLP and SVM classifications. Results and discussion: In this research, Gaussian radial basis kernel was used to implement the SVM algorithm. The values of two parameters, penalty (C) and width of Gaussian function () were determined in SVM algorithm with the help of cross validation technique. The MLP classification algorithm was implemented with 3 hidden layers that include 5, 6 and 8 neurons and its evaluation was done with 500 repetitions and to select markers, the analysis of the labeling of connected components was done based on 8 neighborhood pixels on the map resulting from the combination of MLP and SVM. Based on the obtained results, the map obtained from the proposed method includes uniform regions and has more interconnected structures to reveal buildings, which shows the importance of using spatial information along with spectral information. Conclusion: In this research, the strategy of using spatial information along with spectral information to improve target detection in the analysis of hyperspectral images was examined. For this purpose, the spectral-spatial marker-based hierarchical algorithm, which is used in the image classification process, was used to reveal the roofs of the buildings. In the proposed method, two classification maps were used in the selection of markers and the decision rule of the majority vote in the case of the initial hierarchical segmentation algorithm. In the combination of MLP and SVM classification maps, conditional probability and selection of the highest probability of each pixel belonging to a class are used in the selection of markers and majority vote decision rule. | ||
| کلیدواژهها [English] | ||
| Hyperspectral imagery, Target detection, Marker-based hierarchical algorithm | ||
| مراجع | ||
|
Akbari, D., 2019, Improved Neural Network Classification of Hyperspectral Imagery using Weighted Genetic Algorithm and Hierarchical Segmentation, IET image processing, 13, pp. 2169-2175. https://doi.org/10.1049/iet-ipr.2018.5693 Akbari, D., Safari, A.R. and Homayouni, S., 2014, A Combination of Spectral-Spatial Detection Methods of Hyperspectral Images for the Better Separation of Special Buildings' Roofs in Urban Area, J. Geomatics Sci. Technol., 4, pp. 1–10. http://jgst.issgeac.ir/article-1-238-en.html Bhattacharya, B.K., Green, R.O., Rao, S., Saxena, M., Sharma, S., Kumar, K.A., Srinivasulu, P., Sharma, S., Dhar, D. and Bandyopadhyay, S., 2019, An Overview of AVIRIS-NG Airborne Hyperspectral Science Campaign over India, Curr. Sci., 116, pp. 1082–1088. https://www.jstor.org/stable/27138000 Bradley, A.P., 1997, The Use of the Area Under the ROC Curve in the Evaluation of Machine Learning Algorithms, Pattern Recognit., 30, pp. 1145-1159. https://doi.org/10.1016/S0031-3203(96)00142-2 Carvalho, O.A. and Meneses, P.R., 2002, Spectral Correlation Mapper (SCM): An Improvement on the Spectral Angle Mapper (SAM), Asa Norte, 70910-900, Brasília, DF, Brasil. Chang, C.I., 2003, Hyperspectral Imaging: Techniques for spectral Detection and Classification, Orlando, FL: Kluwer Academic. https://doi.org/10.1007/978-1-4419-9170-6 Chang, C.I. and Chiang, S.S., 2002, Anomaly Detection and Classification for Hyperspectral Imagery, IEEE Trans. Geosci. Remote Sens., 40, pp. 1314-1325. https://doi.org/10.1109/TGRS.2002.800280 Chang, C.I., Heinz, D.C., 2000, Constrained Subpixel Target Detection for Remotely Sensed Imagery, IEEE Trans. Geosci. Remote Sens., 38, pp. 1144-1059. https://doi.org/10.1109/36.843007 Cheng, G. and Han, J., 2016, A Survey on Object Detection in Optical Remote Sensing Images, ISPRS J. Photogramm. Remote Sens., 117, pp. 11–28. https://doi.org/10.1016/j.isprsjprs.2016.03.014 Cristianini, N. and 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 Dos Reis Salles, R., Souza Filho, C.R., Cudahy, T., Vicente, L.E. and 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, pp. 36–50. https://doi.org/10.1016/j.gexplo.2016.07.002 Du, Y., Chang, C.I. and Ren, H., Chang, C.C., Jensen, J.O. and D'Amico, F., 2004, New Hyperspectral Discrimination Measure for Spectral Characterization, Optical Engineering, 43, pp. 1777-1786. https://doi.org/10.1117/1.1766301 Emami, H. and 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. https://civilica.com/doc/4132/ Freitas, S., Silva, H. and Almeida, J., 2018, Hyperspectral Imaging for Real-time Unmanned Aerial Vehicle Maritime Target Detection, J. Intell. Robot Syst., 90, pp. 551–570. https://doi.org/10.1007/s10846-017-0689-0 Freitas, S., Silva, H., Almeida J.M. and Silva, E., 2019, Convolutional Neural Network Target Detection in Hyperspectral Imaging for Maritime Surveillance, Int. J. Adv. Robot. Syst., pp. 1-13. https://doi.org/10.1177/1729881419842991 Frolov, D. and Smith, R.B., 1999, Locally Adaptive Constrained Energy Minimization for AVIRIS Image, Eighth JPL Airborne Earth Science (AVIRS), 1. http://www.microimages.com/papers Homayouni, S. and 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, France. Hou, Y., Zhang, Y., Yao, L., Liu, X. and Wang, F., 2016, Mineral Target Detection based on MSCPE_BSE in Hyperspectral Image, In Proceedings of the 2016 IEEE Int. Geosci. Remote Sens. Symposium (IGARSS), Beijing, China, pp. 1614–1617. https://doi.org/10.1109/IGARSS.2016.7729412 Jang, J.S.R., 1993, ANFIS: Adaptive-Network-based Fuzzy Inference Systems, IEEE Trans. Syst. Man Cybern., 23, pp. 665-685. https://doi.org/10.1109/21.256541 Jha, S.S. and 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 Sens., 12, pp. 2145. https://doi.org/10.3390/rs12132145 Kanjir, U., Greidanus, H. and Oštir, K., 2018, Vessel Detection and Classification from Space borne Optical Images: A Literature Survey, Remote Sens. Environ., 207, pp. 1–26. https://doi.org/10.1016/j.rse.2017.12.033 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, pp. 104-113. https://doi.org/10.1117/12.346731 Ren, S., He, K. and Girshick, R., 2017, Faster R-cnn: Towards Real Time Object Detection with Region Proposal Networks, IEEE Trans. Pattern Anal., 39, pp. 1137–1149. https://doi.org/10.48550/arXiv.1506.01497 Rosenfield, G.H., Fitzpatric-Lins, K., 1986, A Coefficient of Agreement as a Measure of Thematic Classification Accuracy, Photogrammetric Eng. Remote Sensing., 52, pp. 223-227. Tarabalka, Y., Tilton, J.C., Benediktsson, J.A. and Chanussot, J.A., 2011, Marker-Based Approach for the Automated Selection of a Single Segmentation from a Hierarchical Set of Image Segmentations, IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens, 5, pp. 262-272. https://doi.org/10.1109/JSTARS.2011.2173466 Tilton, J., 2003, Analysis of hierarchically related image segmentations, in Proc. IEEE Workshop Adv. Tech. Anal. Remotely Sensed Data, pp. 60–69. https://doi.org/10.1109/WARSD.2003.1295173 Tilton, J., 2009, RHSEG User’s Manual: Including the Core RHSEG Open Source Release, HSEGExtract, HSEGReader and HSEGViewer. Van der Meer, F., 2006, The Effectiveness of Spectral Similarity Measures for the Analysis of Hyperspectral Imagery, Int. J. Appl. Earth Observation Geoinformation., 8, pp. 3–17. https://doi.org/10.1016/j.jag.2005.06.001 Yadav, D., Arora, M.K., Tiwari, K.C. and Ghosh, J.K., 2018, Parameters A_ecting Target Detection in VNIR and SWIR Range, Egypt. J. Remote Sens. Space Sci., 21, pp. 325–333. https://doi.org/10.1016/j.ejrs.2017.08.004 Zhang, X., Nansen, C. and Aryamanesh, N., 2015, Importance of Spatial and Spectral Data Reduction in the Detection of Internal Defects in Food Products, Appl Spectrosc., 69, pp. 473–480. https://doi.org/10.1366/14-07672 | ||
|
آمار تعداد مشاهده مقاله: 4,911 تعداد دریافت فایل اصل مقاله: 2,089 |
||