ارائه رویکرد مبتنی بر یادگیری عمیق برای حذف عوامل نویز و شبح زدگی ناشی از عوارض متحرک در تصاویر رقومی با قدرت تفکیک مکانی بالا

تصاویر هوایی با قدرت تفکیک مکانی بالا، ابزار ارزشمندی در فتوگرامتری و سنجش ازدور محسوب می شوند؛ با این حال، حضور عوارض متحرک نظیر خودروها و ماشین آلات صنعتی موجب بروز نویز و پدیده شبح زدگی در اورتوفتوموزائیک و مدل های سه بعدی می شود که دقت نتایج را به ویژه در کاربردهای حجمی کاهش می دهد. هدف این پژوهش ارائه یک رویکرد پیش پردازشی مبتنی بر یادگیری عمیق برای شناسایی و حذف این عوارض پیش از اجرای زنجیره فتوگرامتری است. بدین منظور، شبکه YOLOv۸-OBB با استفاده از مجموعه داده ای شامل تصاویر هوایی با قدرت تفکیک مکانی بالا و متنوع، در سه طبقه خودرو، کامیون و ماشین آلات صنعتی آموزش داده شد و پس از افزایش داده و ارزیابی مدل های مختلف، نسخه YOLOv۸m-OBB با دقت ۸۵/۹۵ درصد به عنوان مدل بهینه انتخاب گردید. پس از شناسایی عوارض متحرک، ماسک گذاری انجام شد و به منظور ارزیابی رویکرد ارائه شده، محصولات فتوگرامتری روی یک مجموعه داده مستقل در دو حالت اعمال و عدم اعمال پیش پردازش تولید شدند. مقایسه نتایج نشان داد که پیش پردازش پیشنهادی موجب حذف نویزهای ناشی از عوارض متحرک در مدل سه بعدی و خطای شبح زدگی در اورتوفتوموزائیک نهایی با حفظ دقت هندسی شده و کیفیت محصولات فتوگرامتری را بهبود بخشیده است. در مجموع، این پژوهش نشان می دهد که به کارگیری یادگیری عمیق در مرحله پیش پردازش می تواند روشی موثر برای افزایش دقت و قابلیت اعتماد محصولات فتوگرامتری در محیط های پویا باشد.

کلیدواژه ها:

فتوگرامتری ، تصاویر با قدرت تفکیک مکانی بالا ، یادگیری عمیق ، YOLOv۸-OBB ، حذف نویز ، شبح زدگی