dc.contributor.author | Λιμνιώτη, Ιουστίνη![]() |
el |
dc.contributor.author | Limnioti, Ioustini![]() |
en |
dc.date.accessioned | 2017-03-07T10:30:47Z | |
dc.date.available | 2017-03-07T10:30:47Z | |
dc.date.issued | 2017-03-07 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/44533 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.6565 | |
dc.description | Εθνικό Μετσόβιο Πολυτεχνείο--Μεταπτυχιακή Εργασία. Διεπιστημονικό-Διατμηματικό Πρόγραμμα Μεταπτυχιακών Σπουδών (Δ.Π.Μ.Σ.) “Γεωπληροφορική” | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Οδικό δίκτυο | el |
dc.subject | Υφή | el |
dc.subject | Αντικειμενοστρεφής ανάλυση | el |
dc.subject | Δομικό σύνολο χαρακτηριστικών | el |
dc.subject | Τυχαία δέντρα | el |
dc.subject | Road network | en |
dc.subject | Texture | en |
dc.subject | Object based analysis | en |
dc.subject | Structural feature set | en |
dc.subject | Random trees | en |
dc.title | Διερεύνηση μεθόδων μηχανικής μάθησης και αντικειμενοστρεφούς ανάλυσης στην ανίχνευση οδικού δικτύου από τηλεπισκοπικές απεικονίσεις | el |
heal.type | masterThesis | |
heal.classification | Τηλεπισκόπηση | el |
heal.classificationURI | http://data.seab.gr/concepts/29f3834f510e2fcbee2fcce329a355775dd48e27 | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2016-10-25 | |
heal.abstract | Η κατά το δυνατόν άμεση ενημέρωση των Συστημάτων Γεωγραφικών Πληροφοριών με σύγχρονο οδικό δίκτυο είναι εξαιρετικά σημαντική και, καθώς η χειρωνακτική ψηφιοποίηση του είναι χρονοβόρος, δαπανηρή και κοπιαστική, η αυτόματη εξαγωγή του από τηλεπισκοπικά δεδομένα είναι ιδιαίτερα χρήσιμη, και αποτελεί τομέα με εκτεταμένο εύρος έρευνας. Η παρούσα εργασία αφορά στην ανίχνευση οδικού δικτύου από δεδομένα τηλεπισκόπησης (δορυφορικές εικόνες, πολυφασματικά δεδομένα) μέσω μεθόδων μηχανικής μάθησης και αντικειμενοστρεφούς ανάλυσης εικόνας (OBIA). Μελετήθηκαν δύο προσεγγίσεις: στην πρώτη (Ι) χρησιμοποιήθηκαν μόνο τρία κανάλια (Red, Green, Blue), ενώ στην δεύτερη (ΙΙ) αξιοποιήθηκαν επίσης καταγραφές στο εγγύς υπέρυθρο κανάλι καθώς και υψομετρικά δεδομένα LiDar. Τα υπό ανάλυση δεδομένα αφορούν δύο δορυφορικές εικόνες Google Earth (μελετήθηκαν με την προσέγγιση I), και πολυφασματικά και υψομετρικά δεδομένα από το σύστημα σαρωτών της εταιρείας TopoSys (που μελετήθηκαν και με τις δύο προσεγγίσεις I & II). Ως Λογισμικό υλοποίησης της OBIA και της εφαρμογής μηχανικής μάθησης χρησιμοποιήθηκε το eCognition (της Εταιρείας Definiens). Η υλοποίηση έγινε σε δύο φάσεις (για κάθε προσέγγιση). Στην Α’ Φάση πραγματοποιείται κατάτμηση της εικόνας σε ένα μοναδικό επίπεδο ανάλυσης, στο οποίο, αφού διαχωριστούν με κανόνες ασαφούς λογικής οι σκιερές και οι πράσινες επιφάνειες, πραγματοποιούνται στα εναπομείναντα αντικείμενα διαδοχικές ταξινομήσεις εγγύτερου γείτονα και Support Vector Machine, με στόχο την δημιουργία ενός θεματικού χάρτη οδικού δικτύου υψηλής ορθότητας. Η Β’ Φάση έχει ως στόχο την κατά το δυνατόν ενίσχυση του αποτελέσματος της Α’ Φάσης από άποψη πληρότητας, αξιοποιώντας περαιτέρω χαρακτηριστικά της εικόνας. Σε αυτήν την δεύτερη φάση, χρησιμοποιούνται περισσότερα επίπεδα κατάτμησης, συγκεκριμένα: 3 για την Προσέγγιση I και 4 για την Προσέγγιση II, ενώ η τελική ταξινόμηση του οδικού δικτύου πραγματοποιείται στο πλέον λεπτόκοκκο επίπεδο (Νο 1), από το οποίο, με rule-based τεχνικές έχουν διαχωριστεί από την αρχή οι γκρι επιφάνειες. Το τελικό οδικό δίκτυο προκύπτει από τις γκρι επιφάνειες, συνδυάζοντας ταξινομήσεις από ανώτερα επίπεδα: το ένα από αυτά (χονδρόκοκκης ανάλυσης) περιλαμβάνει το αποτέλεσμα ταξινόμησης της Α΄ φάσης ενώ στο άλλο (μεσαίας ανάλυσης), υλοποιείται μία ταξινόμηση Random Trees, για τον διαχωρισμό των αντικειμένων της εικόνας σε περιοχές «Δρόμος», «όχι Δρόμος». Ένα επιπλέον (χονδρόκοκκο) επίπεδο χρησιμοποιήθηκε στην προσέγγιση (II) για περαιτέρω φιλτράρισμα του θορύβου. Σε όλες τις Μεθόδους μηχανικής μάθησης που χρησιμοποιήθηκαν, σημαντικό ρόλο έπαιξε η χρήση παραμέτρων υφής. Τέλος, δοκιμάστηκε μέθοδος αντικειμενοστρεφούς ανάλυσης, για τον περαιτέρω «καθαρισμό» του εξαγόμενου οδικού δικτύου από πιθανά διάσπαρτα εικονοστοιχεία που ταξινομήθηκαν εσφαλμένα ως δρόμοι. Τα αποτελέσματα ως προς την τελική εξαγωγή Οδικού δικτύου κρίνονται ικανοποιητικά για την προσέγγιση I στις εικόνες Google, και μέτρια για την προσέγγιση II, ενώ σε κάθε περίπτωση η σταθερότητα της ταξινόμησης και η στατιστική του μέγιστου βαθμού συμμετοχής για την κατηγορία «Δρόμος» ενισχύθηκαν με την χρήση της ανωτέρω μεθοδολογίας (σε σχέση με την απλή εφαρμογή ενός ταξινομητή εγγύτερου γείτονα σε ένα απλό επίπεδο ιεραρχίας, όπως στην Φάση Α΄). Και με τις δύο προσεγγίσεις, ο εντοπισμός και η αναγνώριση υψηλής κατηγορίας οδικού δικτύου, χωρίς σκίαση, φάνηκε ότι λειτούργησε, ενώ η μεθοδολογία επέδειξε (παρόλο που δεν γεμίζει «κενά» οδικού δικτύου) καλή συμπεριφορά στις διασταυρώσεις. Ως εκ τούτου, κρίνεται χρήσιμη είτε ως αυτόνομη μέθοδος ανίχνευσης οδικού δικτύου είτε ως συνδυαστικό εργαλείο με άλλες υφιστάμενες μεθόδους, για την βελτίωση της συνολικής ποιότητας της ταξινόμησης. | el |
heal.advisorName | Αργιαλάς, Δημήτριος | el |
heal.committeeMemberName | Καραθανάση, Βασιλεία | el |
heal.committeeMemberName | Καράντζαλος, Κωνσταντίνος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 222 σ. | el |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: