داود اکبری؛ علی اشرفی؛ مصطفی یعقوب زاده
چکیده
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوششهای زمین و بررسی تغییرات آنها است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، استفاده همزمان از اطلاعات طیفی و مکانی در طبقهبندی تصاویر ابرطیفی ضروری است. در این تحقیق روشی جدید جهت طبقهبندی تصاویر ابرطیفی به کمک تکنیکهای کاهش ابعاد و ...
بیشتر
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوششهای زمین و بررسی تغییرات آنها است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، استفاده همزمان از اطلاعات طیفی و مکانی در طبقهبندی تصاویر ابرطیفی ضروری است. در این تحقیق روشی جدید جهت طبقهبندی تصاویر ابرطیفی به کمک تکنیکهای کاهش ابعاد و استخراج ویژگیهای مکانی و الگوریتم شبکه عصبی معرفی میشود. در روش پیشنهادی ابتدا ابعاد تصویر ابرطیفی به کمک الگوریتم آنالیز مولفههای اصلی کاهش مییابد. سپس ده ویژگی مکانی، میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، عدم تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور، استخراج و در ادامه بر روی ویژگیهای طیفی و مکانی بدستآمده، الگوریتم ژنتیک وزندار اعمال میشود. در الگوریتم ژنتیک وزندار به ویژگیها بر حسب اطلاعات موجود در آنها، وزنی بین صفر تا یک اختصاص یافت. در نهایت بر روی ویژگیهای موجود الگوریتم طبقهبندی شبکه عصبی پرسپترون چندلایه اعمال شد. روش پیشنهادی بر روی دو تصویر ابرطیفی پاویا و برلین پیادهسازی گردید، نتایج آزمایشات بدستآمده برتری روش پیشنهادی را نسبت به روشهای طبقهبندی ماشین بردار پشتیبان، شبکه عصبی پرسپترون چند لایه و جنگل پوشای مینیمم نشان میدهد، که این افزایش برای تصویر پاویا حدود 13، 6 و 5 درصد و برای تصویر برلین حدود 8، 6 و 5 درصد در پارامتر دقت کلی و در مقایسه با روشهای مذکور بهترتیب میباشد.
فرامرز سرمدی؛ حمید عبادی؛ علی محمدزاده
دوره 7، شماره 2 ، بهمن 1394، ، صفحه 55-68
چکیده
آشکارسازی تغییرات پوشش اراضی برای پایش رشد شهرها و برنامهریزی مسئولانه در مورد آنها امری ضروری است. سنجش از دور فناوری قدرتمندی است که میتوان از آن در آشکارسازی تغییرات اراضی استفاده کرد. یکی از چالشهای موجود در این زمینه توسعة روشهای کارآمد بهمنظور آشکارسازی تغییرات با سطح خودکارسازی بالاست که بتواند اطلاعاتی صحیحی ...
بیشتر
آشکارسازی تغییرات پوشش اراضی برای پایش رشد شهرها و برنامهریزی مسئولانه در مورد آنها امری ضروری است. سنجش از دور فناوری قدرتمندی است که میتوان از آن در آشکارسازی تغییرات اراضی استفاده کرد. یکی از چالشهای موجود در این زمینه توسعة روشهای کارآمد بهمنظور آشکارسازی تغییرات با سطح خودکارسازی بالاست که بتواند اطلاعاتی صحیحی در مورد موقعیت جغرافیایی و ماهیت این تغییرات ارائه کند. در پژوهش حاضر با استفاده از دو تصویر GeoEye منطقة 17 شهر تهران مربوط به سالهای 2004 و 2010 از ویژگیهای مکانی متن تصویر، شبکههای عصبی و الگوریتم ژنتیک برای آشکارسازی تغییرات استفاده شد. شش حالت مختلف، هریک با دو رویکرد طبقهبندی مستقیم چندزمانی و مقایسة پس از طبقهبندی، از دیدگاه صحت آشکارسازی و زمان اجرای الگوریتم مورد مقایسه قرار گرفتند. بررسیهای انجامشده نشان دادند که رویکرد طبقهبندی مستقیم چندزمانی در هر شش حالت نتایج بهتری ارائه کرده است. همچنین در بین شش حالت بررسیشده، عملکرد حالت ششم (روش پیشنهادی این تحقیق) از نظر صحت طبقهبندی بهتر است. در حالت ششم پس از انتخاب بهینة ویژگیها، طبقهبندی مبتنی بر شبکههای عصبی با تعیین معماری شبکه و با چندین بار اجرا صورت میگیرد. هرچند زمان اجرای این روش درمقایسه با دیگر حالتهای بررسیشده بیشتر است، اما درصورتیکه صحت طبقهبندی به زمان ارجحیت داشته باشد این روش کاملاً توصیه میشود