Αυτόματη ανίχνευση κτηρίων σε δορυφορικές απεικονίσεις πολύ υψηλής διακριτικής ικανότητας με ολοκλήρωση αντικειμενοστρεφούς ανάλυσης και τεχνικών μηχανικής και βαθιάς μάθησης. Μελέτη στον αστικό ιστό της νήσου Ρόδου.

Νικολαΐδης, Γεώργιος; Nikolaidis, Georgios

dc.contributor.author	Νικολαΐδης, Γεώργιος	el
dc.contributor.author	Nikolaidis, Georgios	en
dc.date.accessioned	2023-01-19T09:24:51Z
dc.date.available	2023-01-19T09:24:51Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56761
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24459
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
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	Κατάτμηση	el
dc.subject	Ταξινόμηση	el
dc.subject	Κτήρια	el
dc.subject	Συνελικτικό	el
dc.subject	Ιεραρχική	el
dc.subject	Segmentation	en
dc.subject	Classification	el
dc.subject	Buildings	el
dc.subject	Convolutional	el
dc.subject	Hierarchical	el
dc.title	Αυτόματη ανίχνευση κτηρίων σε δορυφορικές απεικονίσεις πολύ υψηλής διακριτικής ικανότητας με ολοκλήρωση αντικειμενοστρεφούς ανάλυσης και τεχνικών μηχανικής και βαθιάς μάθησης. Μελέτη στον αστικό ιστό της νήσου Ρόδου.	el
dc.title	Automatic building detection in very high resolution satellite imaging with integration of object based image analysis and machine and deep learning techniques. Study in the urban areas of Rhodes island.	en
heal.type	bachelorThesis
heal.classification	Τηλεπισκόπηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-21
heal.abstract	Η ταξινόμηση των κτηρίων είναι μια σημαντική διαδικασία στα συστήματα υποστήριξης δομικών έργων, στη θέσπιση χωροταξικών πλάνων, στη δημιουργία και διατήρηση σύγχρονου κτηματολογίου και στον σύγχρονο πολεοδομικό σχεδιασμό. Έχουν αναπτυχθεί πολλές μέθοδοι έως σήμερα για την αυτόματη ανίχνευση των περιγραμμάτων των κτηρίων με χρήση Τηλεπισκόπησης. Σκοπός αυτής της εργασίας είναι η βελτίωση της ανίχνευσης και εξαγωγής των σχημάτων και περιγραμμάτων των κτηρίων με σύγχρονη αξιοποίηση του σχήματος, καθώς και των φυσικών και φασματικών ιδιοτήτων των δομικών υλικών τους. Για την επίτευξή του εντοπισμού κτηρίων χρησιμοποιήθηκαν δορυφορικές απεικονίσεις πολύ υψηλής χωρικής ανάλυσης, πολυφασματικών δεδομένων της νήσου Ρόδου. Εκτελέστηκαν αρχικά μέθοδοι αντικειμενοστραφούς ανάλυσης και στη συνέχεια επί των εξαχθέντων αντικειμένων, ιεραρχική ταξινόμηση με κανόνες ασαφούς λογικής, μέθοδοι κλασσικής ταξινόμησης, αλγόριθμοι μηχανικής μάθησης καθώς και συνδυασμός αυτών για την επίτευξη του αντικειμενικού σκοπού της μελέτης. Η μηχανική μάθηση μας παρέχει το πλεονέκτημα της ικανότητας χειρισμού μεγάλου αριθμού μεταβλητών εισόδου και φασματικών δεδομένων τα οποία συνήθως δεν μπορούν να χειριστούν με τις συνήθεις παραμετρικές στατιστικές μεθόδους. Χρησιμοποιήθηκε o εποπτευόμενος αλγόριθμος ταξινόμησης με βάση τις εξής μεθόδους μηχανικής μάθησης, δέντρο απόφασης Decision Tree, μέθοδος Random trees (Random Forest), αλγόριθμος Bayes, αλγόριθμος KNN (k Nearest Neighbor) και Τεχνική SVM (Support Vector Machine). Εκτελέστηκαν, επίσης, αλγόριθμοι βαθιάς μάθησης – Deep Learning, όπως η δημιουργία συνελικτικού νευρωνικού δικτύου (CNN), η εκπαίδευση του και η εφαρμογή του σε επίπεδο εικονοστοιχείου, καθώς και σε συνδυασμό με κανόνες ασαφούς λογικής σε αντικείμενα που προέκυψαν από την αντικειμενοστρεφή ανάλυση εικόνας – Object Oriented Image Analysis (OBIA) για την εξαγωγή του καλύτερου αποτελέσματος. Η εφαρμογή των πειραματικών δοκιμών πραγματοποιήθηκε μέσω του λογισμικού eCognition, ενώ εφαρμόστηκαν μέθοδοι αξιολόγησης της απόδοσης και ευστάθειας των ταξινομήσεων με τη δημιουργία πίνακα σύγχυσης και δεικτών αξιολόγησης της σταθερότητας της ταξινόμησης. Η αντικειμενοστρεφής ανάλυση των εικόνων είναι μια πολλά υποσχόμενη μέθοδος όσον αφορά την ανίχνευση των κτηρίων στις διάφορες απεικονίσεις. Η μέθοδος βαθιάς μηχανικής μάθησης όταν συνδυάστηκε με κανόνες ασαφούς λογικής και προσαρμόστηκαν τα αποτελέσματα της πάνω σε αντικείμενα είχε την βέλτιστη ακρίβεια, με δεύτερη τη μέθοδο που προέκυψε από τον αλγόριθμο Random Forest σε συνδυασμό με την αντικειμενοστραφή ανάλυση. Στην εργασία αυτή διερευνήθηκε επίσης η δυνατότητα εφαρμογής των μεθόδων ταξινόμησης που αναπτύχθηκαν και σε άλλες τηλεπισκοπικές απεικονίσεις, αντίστοιχης χωρικής διακριτικής ικανότητας. Τα αποτελέσματα είναι ελπιδοφόρα και με τις κατάλληλες τροποποιήσεις η προτεινόμενη βέλτιστη μεθοδολογία μπορεί ευρέως να χρησιμοποιηθεί. Όμως, η παρούσα εργασία καταδεικνύει επίσης πως η αυτόματη ανίχνευση των περιγραμμάτων των κτηρίων σε περιαστικό χώρο συναντά κάποιους περιορισμούς και κρίνεται απαραίτητη η εισαγωγή κάποιων πρόσθετων δεδομένων, όπως π.χ. Ψηφιακά Μοντέλα Εδάφους ή δεδομένα LiDAR από εναέρια μέσα.	el
heal.abstract	Classification of buildings is an important process in structural support systems, in the introduction of spatial plans, in the creation and preservation of a modern land registry and in modern urban planning. Many methods have been developed till nowadays to automatically detect the outlines of the buildings using remote sensing. The purpose of this work is to improve the detection and extraction of the shapes and outlines of buildings with the use of the shape, as well as the natural and spectral properties of the building materials. For this purpose, satellite multispectral imagery for the island of Rhodes with very high spatial analysis, was used. Initially, object oriented analysis was performed. On the extracted objects, hierarchical classification with fuzzy logic rules, classical classification methods, machine learning algorithms and a combination of them were also implemented in order to improve the accuracy of the results. Machine learning methods provide us the advantage of handling a large number of input variables that the usual parametric statistical methods cannot handle. We used the supervised classification algorithm based on the following machine learning methods, Decision Tree, Random Trees (Random Forest) method, Bayes algorithm, kNN (k Nearest Neighbor) algorithm and SVM (Support Vector Machine) algorithm. Furthermore, we applied deep learning algorithms including the creation of a convolutional neuronal network (CNN), its training and its implementation a) on pixel-based data, b) in combination with the rules that were used in the object oriented image analysis (OBIA). The implementation of the experiments was carried out through the ecognition software, while methods for evaluating the performance and stability of the classifications were applied by creating a confusion matrix and evaluation indicators of classification stability. Object oriented analysis is a very promising method for detecting buildings in remote sensing imagery. The combination of CNN model with OBIA outperformed, while the second higher performance was yielded by the combination of Random Forest and OBIA. In this study, we also explored the possibility of applying the developed classification models on other remote sensing images. The results are promising and with appropriate modifications the developed methodology can be widely used. However, this work shows that automatic detection of buildings in urban and suburban areas encounters some restrictions and it is necessary to introduce some additional data, such as digital terrain models or Lidar data from aerial means.	en
heal.advisorName	Καραθανάση, Βασιλεία	el
heal.committeeMemberName	Καράντζαλος, Κωνσταντίνος	el
heal.committeeMemberName	Κολοκούσης, Πολυχρόνης	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Αγρονόμων και Τοπογράφων Μηχανικών. Τομέας Τοπογραφίας. Εργαστήριο Τηλεπισκόπησης	el
heal.academicPublisherID	ntua
heal.numberOfPages	145 σ.	el
heal.fullTextAvailability	false
heal.fullTextAvailability	false