LiDAR nokta bulutu verisi ve yüksek çözünürlüklü ortofotolar kullanarak bina çıkarımı için bir yaklaşım
An approach for building extraction using LiDAR point cloud data and high resolution orthophotos
- Tez No: 543988
- Danışmanlar: PROF. DR. MUSTAFA TÜRKER
- Tez Türü: Yüksek Lisans
- Konular: Jeodezi ve Fotogrametri, Geodesy and Photogrammetry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2018
- Dil: Türkçe
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Geomatik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüzde Uzaktan Algılama alanındaki sensör teknolojilerinin gelişmesiyle birlikte nesne belirleme çalışmalarında önemli bir artış olmuştur. Özellikle LiDAR (Light Detection and Ranging) nokta bulutu verisi ve yüksek konumsal çözünürlüklü ortofotolar gibi uzaktan algılama verilerinden bina belirlenmesi yaygın ve önemli çalışmalar arasında yer almaktadır. Bu çalışmada, yüksek çözünürlüklü renkli (Kırmızı, Yeşil, Mavi) ortofoto ve LiDAR nokta bulutu verilerinden otomatik bina çıkarımı ve geriçatımı için Hough dönüşümü, algısal gruplama ve tohum bölge büyütme tabanlı bir yöntem geliştirilmiştir. Yöntemin ilk adımı olan ön işlemler, ortofoto ve LiDAR verilerinin koordinat eşlemesi, LiDAR verisinden gürültünün temizlenmesi ve yer filtrelemesi işlemlerini içermektedir. Sonra, LiDAR nokta bulutu 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 nesnelerinin kalması amacıyla, nSYM verisine bir eşik değeri uygulanarak eşiklenmiş nSYM elde edilir. Eşiklenmiş nSYM verisinden bitki indeksi bandı kullanılarak bitki örtüsü alanlar maskelenir ve yalnız bina alanlarının kalması sağlanır. Bina alanlarının bulunmasından sonra, DoG (Difference of Gaussian) filtresi ile ortofotodan kenarlar çıkarılır. Elde edilen kenar görüntüsünden Hough dönüşümü ile binaları oluşturan çizgi segmentleri çıkarılır ve geliştirilen algısal gruplama kuralları ile bu çizgi segmentlerinden bina sınırları çatılır. Çatılan bina sınırları içinde kalan alanlar bir sonraki tohum bölge büyütme segmentasyonu adımı için başlangıç tohum alanları olarak alınır ve bu alanlardan başlayarak gerçekleştirilen segmentasyon işlemi ile binalar belirlenir. Yöntem, Bergama'dan seçilen farklı özelliklere sahip 10 test alanı üzerinde uygulanmıştır. Elde edilen sonuçların doğruluk analizleri, ortofoto üzerinden elle çizilerek oluşturulan referans veriyle karşılaştırılmak suretiyle yapılmıştır. Algısal gruplama algoritması ile elde edilen sonuçların piksel-tabanlı ve nesne-tabanlı ortalama doğruluk değerleri BDCom (Building Detection Completeness – Bina Belirleme Bütünlüğü) için sırasıyla %82.56 ve %96.75, BDCor (Bina Belirleme Doğruluğu – Building Detection Correctness) için sırasıyla %84.00 ve %100 olarak hesaplanmıştır. Piksel-tabanlı doğruluk analizi sonuçlarına göre, kombine algısal gruplama ve tohum bölge büyütme segmentasyonu yöntemi ortalama BDCom ve BDCor doğruluk oranları sırasıyla %89.82 ve %96.37 olarak hesaplanmıştır. Nesne-tabanlı doğruluk analizleri sonuçlarına göre, ortalama BDCom ve BDCor doğruluk oranları sırasıyla, %84 ve %100 olarak hesaplanmıştır. Piksel-tabanlı doğruluk analizi sonuçlarına göre, kombine yöntemin doğruluk değerlerinde algısal gruplama yöntemi doğruluk değerlerine göre BDCom için %7.26 ve QPct (Kalite Yüzdesi–Quality Percentage) için %6.71 artış olmuştur. Bu çalışmadan elde edilen sonuçlar, geliştirilen yöntemin renkli ortofoto ve LiDAR nokta bulutu verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir.
Özet (Çeviri)
Nowadays, with the development of sensor technologies in remote sensing, there has been a significant increase in object detection studies. Particulary, building detection is among the common fields and important applications from remote sensing data such as LiDAR (Light Detection and Ranging) point cloud data and high spatial resolution orthophotos. In this study, a method based on Hough transform, perceptual grouping and seeded region growing has been developed for automatic building extraction and reconstruction from high resolution color (Red, Green, Blue) orthophotos and LiDAR point cloud data. The first stage of the method is pre-processing, which includes the registration of LiDAR data and orthophotos, noise removal and ground filtering from LiDAR point cloud data. Then, Digital Surface Model (DSM), Digital Terrain Model (DTM) and normalized Digital Surface Model (nDSM) are generated from LiDAR point cloud data, and VARI (Visible Atmospherically Resistant Index) vegetation index is generated from orthophoto. A threshold is applied to nDSM in order to separate the high vegetation areas and buildings from the low height objects. Next, the vegetation areas are masked from the thresholded nDSM by using the vegetation index band and therefore only the building areas remained. After detecting the building areas, the edges are extracted from orthophoto with the DoG (Difference of Gaussian) filter. Line segments that form buildings are extracted from the obtained edge image using Hough transform, and the building boundaries are constructed from these line segments using the developed perceptual grouping rules. The areas within the constructed building boundaries are then taken as the seed regions and buildings are detected using the seeded region growing segmentation operation. The method was applied on ten test fields with different characteristics selected from the city of Bergama, Turkey. Accuracy assesments of the obtained results were carried out by comparing them with the reference data which was generated by manuel drawing from orthophoto. Based on the obtained results of the perceptual grouping algorithm, the pixel-based and object-based average accuracy values were%82.56 and %96.75 for BDCom. (Building Detection Completess) and %84 and %100 for BDCor. (Building Detection Correctness), respectively. Based on the results of pixel-based accuracy analysis, the average BDCom. and BDCor. accuracy rates of the combined perceptual grouping and seeded region growing segmentation method were %89.82 and %96.37, respectively. Based on the results of object-based accuracy analysis, the average BDCom. and BDCor. accuracy rates were %84 and %100, respectively. According to the results of pixel-based accuracy assessment, the combined method provided the accuracy increase of %7.26 for BDCom and %6.71 for QPct (Quality Percentage) when compared with the results of perceptual grouping method. The results achieved in this study demonstrate that the developed method is quite succesful in the extraction of buildings from color orthophoto and LiDAR point cloud data.
Benzer Tezler
- Taşkın modellemede LiDAR verisi ile performans analizleri
Performance analyses with with LiDAR data in flood modelling
HAKAN ÇELİK
Doktora
Türkçe
2017
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİLAL GONCA COŞKUN
- Üzüm sularının pastörizasyonu ve kontsantresi sırasında hidroksimetilfurfural oluşumu üzerinde bir araştırma
Başlık çevirisi yok
ŞERİFE ŞAHİN
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ürünleri Teknolojisi Ana Bilim Dalı
DOÇ. DR. AYDIN URAL
- Türkiye trafik düzeninde kazaların azaltılması açısından yeni trafik kanunu uygulaması ile ilgili sorunlar ve çözüm yolları
Başlık çevirisi yok
ERDAL UÇAR
Yüksek Lisans
Türkçe
1986
UlaşımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
PROF. DR. RIDVAN EGE
- Pik demiri ve karbon çeliğinin sulu çözeltiler içindeki korozyon hızının tayini
Determination of the rate of corrosion of the cast iran and carbon steel in the aqueous solutions
EMİNE NAZAN ÜNAL
Yüksek Lisans
Türkçe
1985
Kimya MühendisliğiGazi ÜniversitesiKimya Mühendisliği Ana Bilim Dalı
DOÇ. DR. HAYRİ YALÇIN
- Çekirdeksiz kuru üzümde uygulanan politikanın Ege Bölgesinde üretim ve üretici açısından sonuçlarının değerlendirilmesi
Başlık çevirisi yok
GÜVEN ÖZERİN