شناسایی ساختمان در مناطق شهری در تصاویر با قدرت تفکیک بالای سنجش از دوری با استفاده از روش آدابوست توسعه یافته و ویژگی های سطح بالا (شبه عمیق)

شناسایی ساختمان از تصاویر سنجش ازدور در بروزرسانی نقشه ها، نظارت شهری و طیف وسیعی از کاربردها اهمیت زیادی دارد. تصاویر با قدرت تفکیک مکانی بالا یک منبع داده مهم، برای استخراج اطلاعات مکانی است. این تصاویر امکانات فوق العاده ای برای استخراج عوارض ازجمله ساختمان و تجزیه وتحلیل های مکانی در مناطق شهری فراهم کرده اند؛ اما این کار معمولا به دلیل پیچیدگی ها و ناهمگونی های این داده ها مانند تغییرات درون کلاسی زیاد و تغییرات بین کلاسی کم، با دشواری هایی همراه است. باوجود تلاش های زیادی که برای توسعه روش های اتوماتیک شناسایی ساختمان از این تصاویر طی دهه های گذشته انجام شده است؛ روش های با کارایی بالا به دلیل عدم قطعیت هایی چون انتخاب ویژگی های بهینه هنوز در دسترس نیستند و از سویی به دلیل افزایش قدرت تفکیک داده های مورداستفاده، زمان پردازش نیز بالا می باشد. ازاین رو، بهبود صحت شناسایی اتوماتیک ساختمان از داده های سنجش ازدور و درعین حال زمان پردازش کمتر انگیزه اصلی تحقیق حاضر است. روش پیشنهادی این مقاله، به این صورت است که ابتدا با بکارگیری ساختارهای بافتی شبه عمیق، ویژگی های سطح بالایی را جهت آشکارسازی بهینه ساختمان استخراج می نماید. سپس بر اساس ادغام الگوریتم آدابوست توسعه یافته با روش ماشین بردار پشتیبان بهینه سازی شده با ازدحام ذرات، ویژگی های بهینه را انتخاب کرده و به طبقه بندی باینری عارضه ساختمان و زمینه می پردازد. روش پیشنهادی بر روی مجموعه داده استاندارد واهینگن اجرا و سپس نتایج حاصل از آن با روش های کارآمد یادگیری ماشین مقایسه شده است. همچنین مقایسه ای بین روش مجموعه ویژگی شبه عمیق با روش متداول ویژگی های بافت GLCM صورت گرفته است. نتایج تجربی نشان دادند که به طور میانگین بیشترین صحت کلی و ضریب کاپا حاصل از روش پیشنهادی به ترتیب، 93. 25 و 83. 06 درصد می باشد و نسبت به روش های مرسوم افزایش دقت 7. 27 درصد در ضریب کاپا دارا می باشد که نشان از اعتبار و توانمندی روش پیشنهادی بوده بعلاوه اینکه زمان محاسبات را حدودا به نصف کاهش می دهد.