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.
