محمد سعادت سرشت

کالیبراسیون دوربین رکن مهم هر پروژه فتوگرامتری است. تاکنون مدل های اعوجاج متعددی برای کالیبراسیون دوربین متریک به کارگرفته شده است مانند مدل براون که حداکثر 12 پارامتر شامل فاصله اصلی، مختصات نقطه اصلی، اعوجاج فیزیکی عکسی شامل اعوجاجات شعاعی، اعوجاجات مماسی و ... را در یک فرآیند سرشکنی باندل، به صورت خودکالیبراسیون برآورد می نماید. این راهکار کماکان برای دوربین های ناپایدار و غیرمتریک در فتوگرامتری پهپاد نیز به کار گرفته شده که اگرچه باعث بهبود معنی داری در مختصات سه بعدی شئ ای می شود اما هنوز اعوجاجاتی به واسطه ناپایداری هندسی دوربین در مختصات عکسی باقی می ماند. این اعوجاجات باقیمانده، منجر به پارالاکس و ایجاد پله ارتفاعی بین مدل های سه بعدی در برجسته بینی می شود. در این مقاله یک روش پس پردازش برای کاهش اعوجاجات باقیمانده عکسی بعد از خودکالیبراسیون دوربین غیرمتریک در پروژه های فتوگرامتری پهپاد مطرح می گردد. روش ارائه شده مدل سازی باقیمانده های عکس به کمک یک روش اجزاء محدود است. داده های استفاده شده در این تحقیق تصاویر پهپاد فتوگرامتری اخذ شده توسط دوربین های ILCE_7RM2 و ، FC6310 ، و FC300S است. پیاده سازی الگوریتم پیشنهادی در محیط برنامه نویسی Matlab انجام شده و از نرم افزار متاشیپ [1] نیز برای پردازش اولیه استفاده شده است. نتایج حاصل از آزمون های انجام شده روی چند داده فتوگرامتری پهپاد با مشخصات و مقیاس های متفاوت بیانگر کاهش باقیمانده های عکسی تا 70 درصد در پس از مدل سازی و تصحیح اعوجاجات روی تصاویر است. همچنین با انجام برجسته بینی سه بعدی روی تصاویر تصحیح یافته، شاهد کاهش 60 درصدی پله بین مدل های استریو هستیم که منجر به کیفیت هندسی بالاتر تهیه مدل رقومی ارتفاعی، ارتوفتو و تهی نقشه با برجسته بینی سه بعدی می شود.

امروزه به روزرسانی اطلاعات در مناطق شهری اهمیت بالایی دارد، زیرا این اطلاعات، اساس بسیاری از کاربردها را فراهم می کند که شامل مطالعات تغییرات پوشش اراضی و مطالعات محیطی است. روش های متعددی برای شناسایی تغییرات با به کارگیری داده های سنجش از دوری توسعه داده شده اند و روش های جدیدی در حال ظهور هستند. در بسیاری از روش های شناسایی عوارض زمینی، این عوارض با استفاده از پیش دانسته هایی از جمله ساختار، بافت، خصوصیات بازتابی و غیره شناسایی می شوند. هدف از این تحقیق ارایه روشی برای شناسایی تغییرات ساختمان ها در دو  منطقه شهری و در بازه های زمانی 5 ساله و 3 ساله می باشد. در این تحقیق با توجه نوع داده های مورد استفاده و مناطق مورد مطالعه و تراکم ساختمان های شهری، روش شیءمبنا برای طبقه بندی عوارض و شناسایی ساختمان ها استفاده شده است. این روش شیءگرا، قطعه بندی چندمقیاسه است که با استفاده از آن توصیف گرهای مناسب طیفی، بافتی و ساختاری استخراج و با استفاده از روش های فازی، طبقه بندی می شوند و پس از طبقه بندی در دو اپک و استخراج ساختمان های حاصل از طبقه بندی، تغییرات ارتفاعی آنها محاسبه می شود. روش های شناسایی این تغییرات بر مبنای روش مبتنی بر یادگیری عمیق است و ارزیابی آن با استفاده از روش تفاضل DSM می باشد. در روش تفاضل  DSM با استفاده از یک حدآستانه ارتفاعی تغییرات شناسایی می شوند، سپس در روش مبتنی بر یادگیری عمیق با استفاده از یک شبکه عصبی کانولوشن بار دیگر با در اختیار داشتن مشخصه های ارتفاعی و داده های واقعیت زمین  ایجادشده از شناسایی تغییرات در حالت تفاضلی، این تغییرات ارتفاعی آشکار می شوند و با تغییرات شناسایی شده در روش تفاضلی ارزیابی می شوند. نتایج آزمون ها نشان داد با توجه نوع داده مورد استفاده، منطقه مورد مطالعه و تراکم ساختمان های موجود، حدود 96% ساختمان ها از تصاویر هوایی در گام اول شناسایی و استخراج شدند. همچنین در گام دوم شناسایی تغییرات ساختمانی به روش شبکه عصبی با صحت کلی 90% انجام شده است.

آگاهی از رفتار و تأثیر پارامترهای طراحی شبکه فتوگرامتری پهپاد بر روی کیفیت بازسازی سه بعدی برای دستیابی به کیفیتی بهینه در بازسازی سه بعدی،  یکی از بخش های مهم در اجرای یک پروژه فتوگرامتری پهپاد با توجه به شرایط و محدودیت های موجود می باشد. اما به دلیل پیچیدگی، زمان بر بودن و هزینه بالای آن در واقعیت، هنوز تحقیق جامعی برای رفتارسنجی پارامترهای طراحی شبکه و بازسازی سه بعدی انجام نشده است. برای غلبه بر چالش های فضای واقعی در این مقاله روش شبیه سازی برای بررسی پارامترها به کار برده شده است. برای این منظور در محیط نرم افزار متلب از یک نقطه با مختصات معلوم تصویربرداری شده است و پس از اعمال خطاهای سیستماتیک و اتفاقی به پارامترها، با استفاده از معادلات شرط هم خطی مشاهدات عکسی و حل آن ها به روش کمترین مربعات خطا، بازسازی سه بعدی انجام شده و کیفیت آن به روش مونت کارلو مورد ارزیابی قرار گرفته است. نتایج حاصل از آزمون های انجام شده نشان می دهد پارامترهای ناپایداری هندسی دوربین غیرمتریک، کیفیت مشاهدات تصویری و دقت مثلث بندی هوایی به ترتیب رابطه مستقیم، رابطه عکس و رابطه مستقیم با کیفیت صحت بازسازی سه بعدی دارند. همچنین با افزایش فاصله کانونی بدون تغییر ارتفاع، صحت مسطحاتی متناسب با افزایش بزرگ نمایی و صحت ارتفاعی تقریباً متناسب با مقدار آن افزایش می یابد. که در حالت GSD ثابت ، خطای مسطحاتی بازسازی سه بعدی کاهش می یابد اما خطای ارتفاعی متناسب با نصف افزایش بزرگنمایی افزایش می یابد. علاوه بر این نتایج نشان داده است افزایش ارتفاع پرواز برخلاف حالت استریو، خطای مسطحاتی و ارتفاعی بازسازی سه بعدی به صورت خطی افزایش می یابد. همچنین نتایج نشان می دهد با افزایش پوشش تصویربرداری خطای بازسازی سه بعدی کاهش می یابد. این شبیه سازی اگرچه ممکن است کاملاً منطبق بر واقعیت نباشد، اما می تواند یک نوع رفتارسنجی از پارامترها را ارائه نماید که به عنوان یک تحقیق مکمل برای تحقیقات سعی و خطای معمول خواهد بود.

عوامل گوناگونی بر کیفیت نتایج حاصل از لیزراسکنر زمینی اثرگذارند و از آنجا که دقت اسکنر تا حد زیادی با خطاهای دستگاهی سیستماتیک محدود می شود، باید کالیبره شود. کالیبراسیون در عمل پیش نیازی است برای استخراج اطلاعات دقیق و قابل اعتماد سه بعدی از ابرنقاط. تاکنون مدل های مختلفی که هر یک چند پارامتر فیزیکی را در بر می گیرند برای بهبود کیفیت داده های لیزر اسکنر ارائه شده است. در ادامه بعد از مشاهدة نمودار مقادیر باقی مانده، پارامترهای تجربی به مدل های آنها اضافه شده است. این مسئله سبب ایجاد این ضعف در مدل می شود که فقط برای همان دسته از مشاهده ها قابل استفاده اند، چون ممکن است این پارامترهای تجربی در جای دیگری کارساز و پایدار نباشند و می بایست پارامترهای دیگری را جایگزین آنها کرد. در مطالعات گذشتة نویسندگان مدل جدیدی ارائه شد که به صورت پارامتریک است و با استفاده از آن امکان کالیبراسیون لیزراسکنر به طور عام وجود دارد. ازآنجاکه پایداری پارامترهای مدل ها اهمیت زیادی دارد، در نوشتار حاضر براساس ساختار داخلی دستگاه، پایداری پارامترهای یک مدل پارامتریک که برای کالیبراسیون ابرنقاط به دست آمده ارائه شده است و وابستگی آنها با تغییر ساختار دستگاه به طور دقیق و از طریق آزمایش های متعدد در این مقاله بررسی شده است. با محاسبة پارامترهای مدل و ارزیابی وابستگی آنها و اعمال آنها بر داده های ابرنقاط مشاهده می شود که این مدل با پایداری نسبی پارامترها، می تواند دقت داده های لیزراسکنر زمینی را بهبود بخشد. کلید واژه ها : لیزراسکنر زمینی، کالیبراسیون، ابرنقاط، مدل پارامتریک.

پیچیدگی و حجم سنگین داده های حاصل از سنجنده های فراطیفی باعث شده است که امروزه روش های هرچه پیشرفته تر آنالیز داده های فراطیفی به منظور استخراج اطلاعات دقیق تر و کامل تر از آنها مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می شود، آشکارسازی طیفی هدف است. در این مقاله به منظور بررسی روش های آشکارسازی طیفی هدف و امکان سنجی بهبود آنها، جمعاً چهارده الگوریتم در قالب سه دسته اندازه گیری های قطعی، اندازه گیری های آماری و آشکارسازی آنامولی پیاده سازی شده است. سپس تصاویر حاصل از بهترین الگوریتم ها در هر دسته انتخاب شده و به روش های مختلف در دو مرحله با یکدیگر تلفیق گردیده اند تا تصویر تلفیقی بهینه ای با بالاترین صحت به دست آید. در بررسی های انجام شده در زمینه دسته الگوریتم ها ی آشکارسازی مذکور، مشخص گردید که به ترتیب دو الگوریتم (Spectral Correlation Similarity)SCS و (Spectral Angle Measure)SAM، دو الگوریتم (Information Spectral Divergence) SID و (Jeffiries-Matusita Distance)JMD و سه الگوریتم (Covariance-based Matched Filter Measure)CMFM، (Constrained Energy minimizing) CEM و (Correlation-based Matched Filter Measure)RMFM دارای بالاترین صحت آشکارسازی در بین الگوریتم های موجود در هر دسته اند. در این مقاله به منظور تلفیق نتایج آشکارسازی، دو روش باینری ـ شامل عملگر بولی و فاصله اقلیدسی ـ و نیز دو روش استنتاج فازی شامل دستی (Fuzzy Inference System) FIS و اتوماتیک ((System Adaptive Neuro-Fuzzy Inference) ANFIS) ـ پیاده سازی شده است. آزمون های انجام گرفته بر روی تصویری از سنجنده فراطیفی (Compact Airborne Spectrographic Imager)CASI از منطقه شهری تولوز واقع در جنوب فرانسه برای آشکارسازی بام ساختمان ها، نشان داد که در بین چهار روش تلفیق یاد شده، روش ANFIS به عنوان روشی هوشمند و خودکار، پس از اعمال روی نتایج هفت الگوریتم آشکارسازی طیفی مذکور، توانسته است به بالاترین صحت با ضریب کاپای 9/0 دست یابد.

هدف از این مقاله، توسعه ی یک مدل برپایه ی سامانه ی اطلاعات مکانی، به منظور پاسخ گویی به مسئله ی جست وجوی مسیر بهینه، برای تخلیّه و انتقال سریع آسیب دیدگان حوادث ناگهانی به مناطق امن از پیش تعیین شده است. در بسیاری از حوادث، بهترین گزینه، جابه جایی افراد نجات یافته از بلایا که در منطقه ی تحت تأثیر مخاطره واقع شده اند، به مناطق امن است. پس تخلیّه ی اضطراری، از نخستین مراحل مدیریت بحران به شمار می رود که باید در کمترین زمان ممکن انجام شود. چالش اصلی در مدیریت تخلیّه ی اضطراری، هدایت مردم در مسیرهای بهینه برای دست یابی به مناطق امن مورد نظر است. از این رو، به دلیل لزوم سرعت در تخلیّه ی منطقه ی تحت خطر، وجود یک طرح مسیریابی بهینه و کارآمد، بسیار ارزشمند است. مدل پایه برای مسیریابی بهینه در این پژوهش، دایجسترا است که با مقیّد شدن به پاره ای شرایط خاص، برای حادثه ی زلزله بهینه شده است. از آنجاکه فرایند مسیریابی برای تخلیّه ی اضطراری آسیب دیدگان می بایست به کرّات (برابر حاصل ضرب تعداد بلوک های ساختمانی در تعداد نواحی امن مربوطه) انجام پذیرد، مهم ترین ویژگی الگوریتم پیشنهادی سرعت بالای آن است. قابلیّت و سرعت روش پیشنهادی، در یک شبکه ی مجازی شبیه سازی شده و همچنین در یک شبکه ی واقعی معابر شهری واقع در منطقه ی 7 شهرداری تهران، مورد آزمون قرار گرفته است. آزمایش های انجام شده حاکی از آن است که برای تعیین مسیر بهینه در یک شبکه ی واقعی شهری با 432 گره بلوک ساختمانی، 11 گره ناحیه ی امن و تعداد 1189 یال، تنها نیاز به زمانی در حدود 90 ثانیه است. قابلیّت جست وجوی چند مقصدی مدل در یک بار اجرای آن، از دیگر ویژگی های روش پیشنهادی است.