استخراج شی‌ءگرای ساختمانها از تصاویر ماهواره‌ای VHR و آشکارسازی تخریب لرزه‌ای آنها بر مبنای آنالیز بافتی و استفاده از شبکه عصبی

اطلاع سریع، دقیق و جامع از موقعیت ساختمانهای آسیب‌دیده، پس از وقوع زلزله، مبنای بسیاری از مراحل مطرح در روند مدیریت بحران از قبیل امداد و نجات، اسکان، آواربرداری و حتی بازسازی است. در سالهای اخیر استفاده از تصاویر ماهواره‌ای با قدرت تفکیک مکانی زیاد، یکی از اصلی‌ترین منابع اطلاعاتی به شمار می‌رود. هدف از این پژوهش استخراج خودکار ساختمانها و برآورد میزان آسیب لرزه‌ای آنها توسط پردازش تصاویر ماهواره‌ای است. به‌ منظور اجرای روش پیشنهادی در این پژوهش، از تصاویر ماهواره QuickBird در قبل و بعد از زلزله بم 2003 استفاده شد. پس ‌از انجام عملیات پیش‌پردازش نظیر هم مرجع کردن، انطباق هیستوگرام‌ها و تلفیق تصاویر، روش قطعه‌بندی شیءگرا با استفاده از سه پارامتر مقیاس، شکل و فشردگی انجام شد و با استفاده از الگوریتم نزدیکترین همسایه، عوارض شهری، به صورت مدیریت شده طبقه‌بندی شدند. سپس با مقایسه نقشه پارسل‌های ساختمانی (بانک داده‌های مرجع)، ارزیابی صحت نقشه استخراج ساختمانها صورت گرفت. نتایج ماتریس خطا صحت کلی را برابر 91% گزارش داده است. برآورد میزان تخریب ساختمانهای منطقه و تولید نقشه خسارت در سه درجه "سالم تا آسیب‌‌دیدگی جزئی"، "خرابی زیاد" و "ویرانی کامل" بر اساس میزان تغییرات نسبی در شاخصهای بافتی مرتبه اول و شاخص بافتی مرتبه دوم هارالیک بر روی ساختمانها، در تصاویر قبل و بعد از زلزله انجام شد. طبقه‌بندی فوق با استفاده از بکارگیری شبکه عصبی مصنوعی به ‌دست ‌آمده چهار ویژگی بافتی کنتراست، گشتاور دوم، میانگین و آنتروپی به عنوان ویژگیهای بافتی بهینة مرتبه دوم انتخاب شدند. صحت کلی نقشه تهیه شده تخریب برای ویژگیهای بهینه مرتبه دوم برابر 73% به ‌دست ‌آمده است. Object-Oriented Building Extraction from VHR Satellite Data and Earthquake Damage detection based on textural Analysis Using Artificial Neural NetworkRapid and relatively accurate knowledge about the severity and the extent of building damage is essential in managing crucial activities shortly after disastrous earthquakes. In recent years, Very High Resolution (VHR) optical satellite imagery systems have provided important sources for such information. In this research, a method of automated building extraction and damage detection using image processing techniques are presented. The case study was chosen as the 2003 Bam earthquake where VHR QuickBird images of the before and after event were acquired. After coregistration and data fusion steps, an object-oriented clustering methodology was performed using scale, shape and compactness parameters and different urban features were categorized according to a supervised classification scheme. Building extraction results where compared with an existing urban database showing an overall accuracy of 91%. Damage mapping was completed based on first-order and Haralick second-order textural features for three damage grades as slight, extensive and destruction using pre and post event images. The damage was classified according to an Artificial Neural Network (ANN) using contrast, second moment, mean and antropy as an optimal feature set. The overall accuracy for damage mapping using second order features is reported as 73%.Keywords: Object-Oriented Image Processing, Damage Detection, Textural Analysis, Artificial Neural Network