KaydedilenlerDerginizi ekleyin

Dergiler / Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi / 2019 / Cilt: 19 Sayı: 3

Yüksek Çözünürlüklü Ortofoto ve Lidar Verisinden Hough Dönüşümü ve Algısal Gruplama Kuralları ile Bina Sınırlarının Çıkarımı

Gizem Karakaş(HACETTEPE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ)0000-0003-2490-1519
Mustafa Türker(HACETTEPE ÜNİVERSİTESİ, MÜHENDİSLİK FAKÜLTESİ, GEOMATİK MÜHENDİSLİĞİ BÖLÜMÜ)0000-0001-5604-0472
Sayfa
716–731
Yayın Tarihi
2019-12-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Elde edilen sonuçlar, uygulanan yaklaşımın ortofoto ve LiDAR verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda uzaktan algılama teknolojisindeki gelişmelerle nesne belirleme çalışmalarında artış olmuştur.
📊
Temel Bulgular & Veri:Sadece bitki ve bina nesnelerini elde etmek için nSYM verisine bir eşik değer uygulanır.
💡
Sonuç & Katkı:Elde edilen sonuçlar, uygulanan yaklaşımın ortofoto ve LiDAR verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:LiDAR · Yüksek Çözünürlüklü Ortofoto · DoG Filtresi

Özet

Son yıllarda uzaktan algılama teknolojisindeki gelişmelerle nesne belirleme çalışmalarında artış olmuştur. Özellikle LiDAR (Light Detection and Ranging) verisi ve yüksek konumsal çözünürlüklü görüntülerden bina tespiti en yaygın çalışmalar arasında yer almıştır. Bu çalışmada, yüksek çözünürlüklü renkli (Kırmızı, Yeşil, Mavi) ortofoto ve LiDAR verilerinden otomatik bina çıkarımı için Hough dönüşümü ve algısal gruplama tabanlı bir yaklaşım geliştirilmiştir. Yaklaşımın ön işlemleri, ortofoto ve LiDAR verilerinin referanslandırılması, LiDAR verisinden gürültünün temizlenmesi ve yer filtrelemesi işlemlerini içermektedir. LiDAR verisinden sayısal yüzey modeli (SYM), sayısal arazi modeli (SAM) ve normalize edilmiş SYM (nSYM), ortofotodan da VARI (Visible Atmospherically Resistant Index) bitki indeksi oluşturulur. Sadece bitki ve bina nesnelerini elde etmek için nSYM verisine bir eşik değer uygulanır. Bitki indeksi bandı kullanılarak eşiklenmiş nSYM verisinden bitki alanları maskelenir ve yalnız bina alanlarının kalması sağlanır. Bundan sonra, DoG (Difference of Gaussian) filtresi ile ortofotodan kenarlar çıkarılır. Elde edilen kenar görüntüsünden Hough dönüşümü ile binaları oluşturan çizgi segmentleri çıkarılır ve bu çalışmada uygulanan algısal gruplama kuralları ile çizgi segmentlerinden bina sınırlarının çıkarımı yapılır. Yaklaşım, İzmir ili, Bergama ilçesinden seçilen farklı özelliklere sahip test alanları üzerinde uygulanmıştır. Sonuçların doğruluk analizlerinde piksel-tabanlı ve nesne-tabanlı iki farklı yöntem kullanılmıştır. Piksel tabanlı ve nesne tabanlı yöntemlere göre, ortalama BBBüt (Building Detection Completeness – Bina Belirleme Bütünlüğü) değeri sırasıyla %79.61- %90.76 ve BBDoğ (Bina Belirleme Doğruluğu – Building Detection Correctness) değeri %95.74- %100 olarak hesaplanmıştır. Elde edilen sonuçlar, uygulanan yaklaşımın ortofoto ve LiDAR verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir. Elde edilen sonuçlar, uygulanan yaklaşımın ortofoto ve LiDAR verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir.

🔖

Bu Makaleye Atıf Yap

Karakaş, G., Türker, M. (2019). Yüksek Çözünürlüklü Ortofoto ve Lidar Verisinden Hough Dönüşümü ve Algısal Gruplama Kuralları ile Bina Sınırlarının Çıkarımı. Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, Cilt: 19 Sayı: 3, 716–731. https://doi.org/10.35414/akufemubid.559183

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (23)

  1. Akbulut, Z., Özdemir, S., Acar, H., Karsli, F., 2018. Automatic Building Extraction from Image and LiDAR Data with Active Contour Segmentation. Journal of the Indian Society of Remote Sensing, 46(12), 2057–2068.
  2. Awrangjeb, M., Ravanbakhsh, M., Fraser, C.S., 2010. Automatic detection of residential buildings using LIDAR data and multispectral imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 65(5), 457-467.
  3. Cawse-Nicholson, K., Bandyopadhyay, M., and Aardt, J.V., 2013. Classification and Extraction of Trees and Buildings from Urban Scenes Using Discrete Return LiDAR and Aerial Color Imagery. The International Society for Optical Engineering, 8731.
  4. Chen, L., Zhao, S., Han, W., Li, Y., 2012. Building Detection in an Urban Area Using Lidar Data and QuickBird Imagery. International Journal of Remote Sensing, 33(16), 5135-5148.
  5. Cheng, L., Gong, J., Chen, X., Han, P., 2008. Building boundary extraction from high resolution imagery and LIDAR data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 37(Part B3), 693-698.
  6. Grigillo, D. and Kanjir, U., 2012. Urban object extraction from digital surface model and digital aerial images. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences. I-3, 215-220.
  7. Güdücü, H.V., 2008. Building Detection from Satellite Images Using Shadow and Color Information. Yüksek Lisans Tezi, Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 121.
  8. Hyuk Lee, D., Mu Lee, K., Lee, S., 2008. Fusion of LiDAR and Imagery for Reliable Building Extraction. Photogrammetric Engineering and Remote Sensing. 74(2), 215-225.
  9. Mayer, H., Hinz, S., Bacher, U., Baltsavias, E., 2006. A Test of Automatic Road Extraction Approaches, International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences. 36(3), 209-214.
  10. Miliaresis, G. and Kokkas, N., 2007. Segmentation and object-based classification for the extraction of the building class from LIDAR DEMs. Computers & Geosciences. 33., 1076-1087.
  11. Nixon, M., Aguado, A., 2008. Feature Extraction & Image Processing, Elsevier, Second ed. 173-179.
  12. P. V. C. Hough, “Method and Means for Recognizing Complex Patterns,” US Patent 3 069 654, 1962.
  13. Ramiya, A.M., Nidamanuri, R.R and Krishnan, R., 2017. Segmentation based building detection approach from LiDAR point cloud. The Egyptian Journal of Remote Sensing and Space Science, 20(1), 71-77.
  14. Rock, I. and Palmer, S., 1990. The Legacy of Gestalt Psychology. Scientific American. 263(6), 84-91.
  15. Shaker, I., Abd-Elrahman, A., K.Abdel-Gawad, A., A Sherief, M., 2011. Building Extraction from High Resolution Space Images in High Density Residential Areas in the Great Cairo Region. Remote Sensing. 3, 781-791.
  16. Siddiqui, F.U., Teng, S., Awrangjeb, M., Lu, G., 2016. A Robust Gradient Based Method for Building Extraction from LiDAR and Photogrammetric Imagery, Sensors (Basel, Switzerland). 16(7), 1110.
  17. Sohn, G. and Dowman I., 2007. Data fusion of high-resolution satellite imagery and LiDAR data for automatic building extraction, ISPRS Journal of Photogrammetry and Remote Sensing. 62, 43-63.
  18. Sun, Y., Zhang, X., Zhao, X., Xin, Q., 2018. Extracting building boundaries from high resolution optical images and LiDAR data by integrating the convolutional neural network and the active contour model, Remote Sensing. 10, 1459, 2018.
  19. Tsenga, Y., Hungb, H., 2016. Extraction Of Building Boundary Lines From Airborne Lidar Point Clouds, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLI-B3, 957-962.
  20. Turker, M., and Koc-San, D., 2015. Building extraction from high-resolution optical spaceborne images using the integration of support vector machine (SVM) classification, Hough transformation and perceptual grouping. Int. J. Applied Earth Observation and Geoinformation. 34, 58-69.
  21. Wang, Z. and Schenk, T., 2010. Building Extraction and Reconstruction from Lidar Data, International Archives of Photogrammetry and Remote Sensing, 33(PartB3), 958-964.
  22. Yalçın, A., 2008. Effect of Shadow in Building Detection and Building Boundary Detection, Yüksek Lisans Tezi, Orta Doğu Teknik Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 90.
  23. http://fourier.eng.hmc.edu/e161/lectures/gradient/node9.html, (25.03.2018)