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.
داود اکبری
چکیده
پیچیدگی و حجم وسیع دادههای سنجندههای فراطیفی باعث شده است که روشهای خبره و پیشرفتهتر آنالیز دادهها به منظور استخراج اطلاعات مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام میشود، آشکارسازی هدف است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی ...
بیشتر
پیچیدگی و حجم وسیع دادههای سنجندههای فراطیفی باعث شده است که روشهای خبره و پیشرفتهتر آنالیز دادهها به منظور استخراج اطلاعات مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام میشود، آشکارسازی هدف است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در آشکارسازی تصاویر فراطیفی ایجاب میکند. در این تحقیق روشی جدید جهت آشکارسازی ساختمان در تصاویر فراطیفی بر اساس الگوریتم قطعهبندی هرمی مبتنی بر نشانه معرفی میشود. در روش پیشنهادی ابتدا دو الگوریتم طبقهبندی شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) پیادهسازی و نتایج آنها با یکدیگر ترکیب گردید. سپس از نقشه حاصل جهت انتخاب نشانهها و ترکیب با الگوریتم قطعهبندی هرمی مبتنی بر نشانه به کمک قانون تصمیم رأی اکثریت استفاده شد. تکنیکهای فوق بر روی یک سری از دادههای تصویری سنجنده CASI که از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است، اعمال شدند. نتایج ارزیابی-های کمی و کیفی نشان میدهد که روش پیشنهادی مقدار ضریب کاپا را به میزان 33، 28، 19 و 17 درصد در مقایسه با الگوریتمهای تشابه همبستگی طیفی (SCS)، دیورژانس اطلاعات طیفی (SID)، SVM و MLP به ترتیب بهبود داده است.