LiDAR nokta bulutu verisi ve yüksek çözünürlüklü ortofotolar kullanarak bina çıkarımı için bir yaklaşım

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.