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

Son yıllarda uzaktan algılama teknolojisindeki gelişmelerle nesne belirleme çalışmalarında artışolmuştur. Özellikle LiDAR (Light Detection and Ranging) verisi ve yüksek konumsal çözünürlüklügörüntülerden bina tespiti en yaygın çalışmalar arasında yer almıştır. Bu çalışmada, yüksek çözünürlüklürenkli (Kırmızı, Yeşil, Mavi) ortofoto ve LiDAR verilerinden otomatik bina çıkarımı için Hough dönüşümüve algısal gruplama tabanlı bir yaklaşım geliştirilmiştir. Yaklaşımın ön işlemleri, ortofoto ve LiDARverilerinin referanslandırılması, LiDAR verisinden gürültünün temizlenmesi ve yer filtrelemesi işlemleriniiçermektedir. LiDAR verisinden sayısal yüzey modeli (SYM), sayısal arazi modeli (SAM) ve normalizeedilmiş SYM (nSYM), ortofotodan da VARI (Visible Atmospherically Resistant Index) bitki indeksioluşturulur. Sadece bitki ve bina nesnelerini elde etmek için nSYM verisine bir eşik değer uygulanır. Bitkiindeksi bandı kullanılarak eşiklenmiş nSYM verisinden bitki alanları maskelenir ve yalnız bina alanlarınınkalması 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 buçalışmada 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. Pikseltabanlı ve nesne tabanlı yöntemlere göre, ortalama BBBüt (Building Detection Completeness – BinaBelirleme Bütünlüğü) değeri sırasıyla %79.61- %90.76 ve BBDoğ (Bina Belirleme Doğruluğu – BuildingDetection Correctness) değeri %95.74- %100 olarak hesaplanmıştır. Elde edilen sonuçlar, uygulananyaklaşımın ortofoto ve LiDAR verilerinden bina çıkarımında oldukça başarılı olduğunu göstermektedir.Elde edilen sonuçlar, uygulanan yaklaşımın ortofoto ve LiDAR verilerinden bina çıkarımında oldukçabaşarılı olduğunu göstermektedir.

Extraction of Building Boundaries Using Hough Transform and Perceptual Grouping Rules from High Resolution Orthophotos and LiDAR Data

In recent years, with the development of remote sensing technology there has been an increase in object detection studies. Especially, building detection from LiDAR data and high resolution images has become one of the most common used studies. In this study, an approach based on Hough transform and perceptual grouping has been developed for automatic building extraction from high resolution orthophotos and LiDAR. Pre-processing of the approach, consists of the registration of LiDAR and orthophotos, noise removal and ground filtering of LiDAR data. Digital Surface- Terrain Model (DSMDTM) and normalized Digital Surface Model (nDSM) are generated from LiDAR, and VARI index is generated from orthophoto. To obtain only the vegetation and the building objects a threshold is applied to nDSM. The vegetation areas are masked from the thresholded nDSM with the vegetation index band and the building areas remained. The edges are extracted from orthophoto using the DoG filter. Line segments that form buildings are extracted from the obtained edge image using Hough transform, and the building boundaries are constructed using these line segments through the developed perceptual grouping rules. The approach was tested on test fields with different characteristics selected from the city of Bergama/ Izmir province, Turkey. Two different methods, pixel and object-based, were used for the accuracy assessments. According to pixel- object-based methods, the average BDCom. rates were %79.61- %90.76 and and BDCor. rates were %95.74- %100, respectively. The results demonstrate that the developed approach is quite successful in the extraction of buildings from orthophotos and LiDAR.

PDF

___

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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
Nixon, M., Aguado, A., 2008. Feature Extraction & Image Processing, Elsevier, Second ed. 173-179.
P. V. C. Hough, “Method and Means for Recognizing Complex Patterns,” US Patent 3 069 654, 1962.
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.
Rock, I. and Palmer, S., 1990. The Legacy of Gestalt Psychology. Scientific American. 263(6), 84-91.
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.
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.
Sohn, G. and Dowman I., 2007. Data fusion of highresolution satellite imagery and LiDAR data for automatic building extraction, ISPRS Journal of Photogrammetry and Remote Sensing. 62, 43-63.
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.
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. XLIB3, 957-962.
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.
Wang, Z. and Schenk, T., 2010. Building Extraction and Reconstruction from Lidar Data, International Archives of Photogrammetry and Remote Sensing, 33(PartB3), 958-964.
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.
1- http://fourier.eng.hmc.edu/e161/lectures/gradient/nod e9.html, (25.03.2018)