پویا احمدی؛ طیبه مناقبی؛ حمید عبادی؛ بهنام اصغری بیرامی
چکیده
با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه‌های کپسول برای طبقهبندی تصاویر ...
بیشتر
با توسعه علم سنجش از دور، استفاده از تصاویر هایپراسپکترال روز به روز گسترده تر می شود. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. در دو دهه گذشته، تعداد زیادی روش ها برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است که در پژوهش حاضر از ساختاری مبتنی بر یادگیری شبکه‌های کپسول برای طبقهبندی تصاویر ابر طیفی استفاده شده است، به گونه‌ای که ساختار شبکه بتواند با استفاده از یک لایه کانوولوشنی و یک لایه کپسول بهترین حالت تولید ویژگی‌ها را داشته باشد و در عین حال از بیش‌برازش شبکه بر روی نمونه‌های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگیهای تولیدی در ساختار پیشنهادی دارد. در راستای بهبود دقت طبقه-بندی، رویکرد استخراج ویژگی از طریق شبکه‌ی طراحی‌شده و طبقهبندی توسط الگوریتم درخت تقویتی XGBoost، با روش طبقهبندی توسط شبکه‌ی عمیق سراسری مقایسه شد تا علاوه بر بررسی و کیفیت‌سنجی ویژگیهای عمیق برداری تولیدی توسط روش پیشنهادی در طبقه بندی کننده‌های مختلف، میزان توانایی شبکه‌های عمیق سراسری نیز در کاربرد طبقهبندی مورد بررسی قرار گیرد. رویکرد کپسول پیشنهادی شامل 3 لایه اساسی: 1) Prime caps که کپسول‌هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2 ،2) Digitcaps دارای10 کپسول 16 بعدی و3)لایه تماما متصل می باشد. که نتایج حاصل از بررسی دو رویکرد برای شبکه‌ی عمیق و نیز ترکیب شبکه‌های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکرد های نظیر SVM, RF-200, LSTM, GRU و GRU-Pretanh برای مقایسه ی رویکرد پیشنهادی براساس پیکربندی هایی که در تحقیقات ان ها اشاره شده بود در نظر گرفته شدند. برای ارزیابی مدل پیشنهادی همچنین مجموعه داده ی Indian Pines که شامل 16 کلاس مختلف می باشد مورد استفاده قرار گرفت. با استفاده از روش پیشنهادی ترکیبی، طبقهبندی تصاویر با دقت 99 درصد بر روی‌داده‌های آموزش و دقت 5/97 درصد بر روی‌داده‌های تست انجام می‌شود.
مینا حمیدی؛ حمید عبادی؛ عباس کیانی
چکیده
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر ...
بیشتر
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی‌شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم‌های اتوماتیک است؛ به‌صورتی‌که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنة تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه‌مبنای تصویر که به مورفولوژی صحنة تصویر حساس است، به‌ویژه در مطالعه‌ای شهری که تراکم ساختارهای شکل‌گرفته به‌دست انسان بالاست، ممکن است کارآمد باشد. در طبقهبندی عارضه‌مبنا، پیکسل‌های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می‌شوند؛ در نتیجه، فضای مسئله به‌نسبت طبقهبندی پیکسل‌مبنا کاهش می‌یابد و مزیت این امر افزایش سرعت محاسبات است. درعین‌حال به‌دلیل اندازة متنوع اشیای تصویری، طبقهبندی نظارت‌شدة عارضه‌مبنا در ایجاد مجموعة آموزشی بهینه با چالش‌هایی مواجه است. در تحقیق حاضر، به‌منظور طبقهبندی عارضه‌مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه‌های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگیهای طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعة آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به‌منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی‌ها (افزونگی) و همبستگی بین ویژگی‌ها و کلاسها (مطابقت)، زیرمجموعة ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه دادة استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقهبندی پیکسل‌مبنا مقایسه شده است. به‌منظور بررسی معنی‌داری اختلاف‌های حاصل‌شده در نتایج ارزیابی‌ها نیز، آزمون آماری مک‌نمار به‌کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه‌مبنای پیشنهادی، در قیاس با رویکرد پیکسل‌مبنا، به‌طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه‌مبنای پیشنهادی، در مقایسه با رویکرد پیکسل‌مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینة رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.
امیر آقابالائی؛ حمید عبادی؛ یاسر مقصودی
چکیده
پایش زمین، در هر مقیاسی جهت نیل به توسعه پایدار لازم و ضروری است. از این‌رو، جنگل‌ها به‌عنوان یک منبع طبیعی ارزشمند، نقش مهمی در کنترل تغییرات آب‌وهوایی و چرخه کربن دارند. به‌همین دلیل، زیست‌توده و به تبع آن ارتفاع جنگل جزو اطلاعات کلیدی برای پایش جنگل و زمین زیر آن به شمار می‌آیند. در مطالعات بسیاری نشان داده شده است که سامانه ...
بیشتر
پایش زمین، در هر مقیاسی جهت نیل به توسعه پایدار لازم و ضروری است. از این‌رو، جنگل‌ها به‌عنوان یک منبع طبیعی ارزشمند، نقش مهمی در کنترل تغییرات آب‌وهوایی و چرخه کربن دارند. به‌همین دلیل، زیست‌توده و به تبع آن ارتفاع جنگل جزو اطلاعات کلیدی برای پایش جنگل و زمین زیر آن به شمار می‌آیند. در مطالعات بسیاری نشان داده شده است که سامانه تصویربرداری رادار با روزنه مجازی (SAR) می‌توانند کمک شایانی به این هدف کنند. در این راستا، تکنیک جدیدی که تداخل‌سنجی پلاریمتریک SAR (PolInSAR) نامیده می‌شود، ابزاری مناسب و در دسترس جهت برآورد ارتفاع جنگل است، چراکه به موقعیت و توزیع قائم اجزای ساختاری جنگل حساس است. بر این اساس، از یک نقطه نظر، روش‌های به‌کار برده شده در این حوزه را میتوان به دو دسته تقسیم کرد: الف) بر اساس مدل معکوس‌گیری حجم تصادفی بر زمین (RVoG)، و ب) بر اساس تکنیک‌های تجزیه مدل‌مبنای داده‌های PolInSAR. در این تحقیق، برای بهبود برآورد ارتفاع جنگل روشی نوین بر اساس ترکیب دو دسته روش اشاره شده پیشنهاد شده است. عملکرد و کارآمدی روش پیشنهادی، توسط چهار مجموعه داده شبیه‌سازی شده از نرم‌افزار PolSARProSim در دو نوع جنگل به ترتیب با گونه‌های درختی کاج و برگ‌ریز و در باندهای L و P اثبات شد. بهطوریکه در منطقه جنگلی با گونه‌های درختی کاج، در باند L و به‌ویژه با استفاده از روش ترکیبی (فاز و کوهرنسی) 38/3 متر بهبود در برآورد ارتفاع حاصل شد. در باند P نیز بالاخص با استفاده از روش دامنه کوهرنسی، 74/2 متر بهبود حاصل شد. همچنین در منطقه جنگلی با درختان برگ‌ریز، در باند L و P به ترتیب 77/4 متر و 38/2 متر بهبود در برآورد ارتفاع به‌ترتیب با استفاده از روش‌های تفاضلی مدل رقومی ارتفاعی (DEM) و دامنه کوهرنسی به‌دست آمد.
نیما فرهادی؛ عباس کیانی؛ حمید عبادی
چکیده
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر به‌ویژه در تصاویر سنجشازدوری، به شمار می‌آید. یکی از روش‌های کارآمد و به‌روز در این زمینه، به‌کارگیری شیوه‌های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه‌ای از الگوهای منحصربه‌فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در ...
بیشتر
شناسایی عوارض موجود در تصاویر، یکی از مسائل اساسی در حوضه تفسیر تصاویر به‌ویژه در تصاویر سنجشازدوری، به شمار می‌آید. یکی از روش‌های کارآمد و به‌روز در این زمینه، به‌کارگیری شیوه‌های یادگیری عمیق، جهت استخراج و تفسیر است. یک عارضه، مجموعه‌ای از الگوهای منحصربه‌فرد است که با عوارض مجاور خود متفاوت است، این تفاوت معمولاً در یک یا چند ویژگی به‌طور هم‌زمان اتفاق می‌افتد که میتوان به‌تفاوت در شکل، رنگ و درجه خاکستری اشاره نمود. در این راستا، روش یادگیری عمیق با توانایی تحلیل مفاهیم انتزاعی سطح بالا، می‌تواند انتخاب مناسبی در این زمینه باشد. در روش پیشنهادی، ابتدا یک پایگاه‌داده مطابق با شرایط محیطی و جغرافیایی کشور از برخی از فرودگاه‌های ایران تشکیل‌‌شد. سپس با استفاده از شبکه‌های عصبی کانولوشنی به تولید مدل یادگیرنده بهینه اقدام شد. برای این کار، در قسمت پردازش داده‌های خام در کنار استفاده از روش انتقال آموزشی، بردارهایی جهت دسته‌بندی عوارض موردنظر استخراج و به یک مدل ماشین‌بردار پشتیبان طبقه‌بندی‌کننده، تحویل داده می‌شوند. در ادامه، مقادیر خروجی با مقادیر به‌دست‌آمده از تصویر آزمایشی برای هر عارضه، مقایسه و در یک روند تکرارشونده تحلیل و جهت تطابق ساختاری بررسی می‌شوند. نتایج استخراج‌شده از اعمال مدل پیشنهادی بر روی چند سری داده آزمایشی، ارزیابی و با روش‌های مشابه مقایسه شد که درنهایت با مقادیر 21/98 درصد برای معیار Precision و 1/99 درصد برای معیار F1-Measure، قادر به شناسایی عوارض هدف است
عباس کیانی؛ حمید عبادی؛ حکمت الله خانلو
دوره 10، شماره 4 ، اردیبهشت 1397، ، صفحه 27-54
چکیده
طبقهبندی پوشش اراضی در تصاویر سنجش‌ازدور، یکی از پرکاربردترین روش‌های استخراج اطلاعات مکانی است که می‌تواند با تولید کلاسهای تصویری عوارض سطح زمین به‌منظور اتوماسیون و تسریع در جهت رفع نیازهای اساسی برای در اختیار داشتن اطلاعات مکانی بهنگام از منابع، با هدف مدیریت، ساماندهی و بهره‌برداری از محیط مفید واقع شود. به دلیل مشابهت ...
بیشتر
طبقهبندی پوشش اراضی در تصاویر سنجش‌ازدور، یکی از پرکاربردترین روش‌های استخراج اطلاعات مکانی است که می‌تواند با تولید کلاسهای تصویری عوارض سطح زمین به‌منظور اتوماسیون و تسریع در جهت رفع نیازهای اساسی برای در اختیار داشتن اطلاعات مکانی بهنگام از منابع، با هدف مدیریت، ساماندهی و بهره‌برداری از محیط مفید واقع شود. به دلیل مشابهت رفتار پیکسلها، طبقهبندی تصاویر هوایی در مناطق پیچیده و متراکم شهری، صرفاً با استفاده از اطلاعات طیفی و بافتی منجر به ناکارآمدی طبقهبندی می‌شود. به عبارتی در طبقهبندی رایج، عمدتا با استفاده از خصوصیات طیف و ویژگیهای پیکسل‌های تصویر، به شناسایی عوارض و کلاسها پرداخته می‌شود. درصورتی‌که بتوان تطابق مکانی و مفهومی پیکسلها را نیز در نظر گرفت، به این ترتیب میتوان تمایز بیشتری بین کلاسهای تصویری قائل شد و فرآیند ماشینی را به تفسیر ذهنی و انسانی نزدیک کرده و بر کارایی سیستم افزود. تمرکز اصلی تحقیق حاضر، استفاده از مفاهیم سیستمهای خبره در طبقهبندی، به‌منظور آنالیز شئگرای تصاویر در سطوح مقیاس کلاسی است. به همین دلیل، با وارد نمودن قوانین دانش‌پایه به‌منظور کنترل هدفمند و قانونمندسازی روند توأمان قطعهبندی و تفسیر تصویر، با در نظر گرفتن ویژگیهای هندسی کلاسهای هدف، بهبود دقت را منجر شود. برای بررسی کارایی تکنیک پیشنهادی، ارزیابی و مقایسه روش پیشنهادی با چند روش دیگر بر روی تصاویر ماهوارها‌ی IRS در منطقه شهری جزیره کیش صورت پذیرفته است. نتایج حاصل از این تحقیق، نشان می‌دهد ویژگیهای هندسی و مفهومی می‌توانند به‌عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج طبقهبندی در منطقه شهری با عوارض ناهمگون طیفی شوند. بهطوریکه در بررسی مورد اشاره، صحت کلی و ضریب کاپا به ترتیب 8 درصد و 11/5 درصد افزایش پیدا کردهاند.
