مریم تیموری؛ مهدی مختارزاده؛ محمدجواد ولدان زوج
چکیده
در این مقاله، بهمنظور رفع برخی محدودیتهای شناسایی ساختمان در تصاویر چندطیفی، از دادة SAR بهمنزلة دادة مکمل استفاده میشود. در روش پیشنهادی، برای استفادة همزمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنیبر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح میشود. همچنین، ازآنجاکه انتخاب ویژگی نقش بسزایی در شناسایی ...
بیشتر
در این مقاله، بهمنظور رفع برخی محدودیتهای شناسایی ساختمان در تصاویر چندطیفی، از دادة SAR بهمنزلة دادة مکمل استفاده میشود. در روش پیشنهادی، برای استفادة همزمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنیبر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح میشود. همچنین، ازآنجاکه انتخاب ویژگی نقش بسزایی در شناسایی و طبقهبندی عوارض دارد، اغلب روشهای مرسوم و رایج در این زمینه، مانند الگوریتم ژنتیک، نیازمند دادههای آموزشیاند؛ اما دردسترسنبودن همیشگی این نوع دادههای آموزشی یکی از دغدغههای مهم محققان بهشمار میآید. پس در این تحقیق، دو روش انتخاب ویژگی فیلترمبنا بررسی میشود تا مشخص شود آیا روشهای یادشده میتوانند، در مواقع لازم (نبودِ دادة آموزشی)، جایگزین الگوریتم ژنتیک شوند؟ بنابراین، در پژوهش حاضر، ابتدا بردار ویژگی بهینه از تصویر چندطیفی و SAR، با سه روش MNF وPCA و ژنتیک، تعیین و هریک جداگانه وارد هر دو طبقهبندیکنندة شبکة عصبی و SVM میشود. سپس بهمنظور رفع مشکلاتی، همچون تشابه طیفی پشتبامها با پوشش آسفالت خیابانها، در تصاویر چندطیفی و بهبود نتایج، دو تصویر چندطیفی و SAR در سطح ویژگی تلفیق میشود. در نهایت و در مرحلة بعدی، بهترین تصاویر طبقهبندیشده با شبکة عصبی و SVM، در تمامی بررسیهای صورتگرفته تا به این مرحله، وارد تلفیق در سطح تصمیمگیری میشوند. نحوة تلفیق در سطح تصمیمگیری بدینصورت است که اطلاعات همسایگی هر پیکسل در قالب پنجرة مکانی متحرک در ابعاد متفاوت، با هدف تصمیمگیری درمورد ماهیت هر پیکسل، استفاده میشود. بنابراین، نتایج حاصلشده در این تحقیق، با صحت کلی و دقت شناسایی ساختمان، بهترتیب 92.82% و 80.14% بیانگر عملکرد مناسب این روش است.
علی رضا صفدری نژاد؛ محمودرضا صاحبی؛ میلاد نیرومند جدیدی
دوره 4، شماره 1 ، خرداد 1391
چکیده
استفاده از داده های پلاریمتری راداری نقش تعیین کننده ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگی های هندسی و همچنین ماهیت اهداف، با بهره گیری از این نوع داده ها استخراج شدنی است. از جمله مشکلات موجود در زمینه طبقه بندی این نوع داده ها، انتخاب ویژ"ی های بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو بر اساس ...
بیشتر
استفاده از داده های پلاریمتری راداری نقش تعیین کننده ای در شناسایی اهداف زمینی دارد و اطلاعات جامعی در مورد ویژگی های هندسی و همچنین ماهیت اهداف، با بهره گیری از این نوع داده ها استخراج شدنی است. از جمله مشکلات موجود در زمینه طبقه بندی این نوع داده ها، انتخاب ویژ"ی های بهینه است. با توجه به اهمیت این موضوع، در تحقیق حاضر روشی نو بر اساس نگاشت ویژگی های استخراج شده به فضای پدیده ارائه شده است. به عنوان یکی از نتایج تحقیق، شاخص بهینگی در فضای پدیده برای انتخاب ویژگی های بهینه تصاویر پلاریمتری راداری ارائه گردید. از طرف دیگر، یکی از محدودیت های موجود در زمینه استخراج اطلاعات دقیق مکانی، اختلاط مکانیسم های بازپراکنش در سطح پیکسل است. بنابراین، استفاده از طبقه بندی کننده های نرم به منظور تجزیه این نوع اختلاط ها ضروری است. اینکه تضمینی برای منفی نشدن سهم کلاس ها و همچنین واحد شدن مجموع سهم کلاس ها در هر پیکسل وجود ندارد، خود از چالش های طبقه بندی کننده های نرم است، که در این تحقیق با تلفیق طبقه بندی کننده نرم و الگوریتم نظارت نشده استخراج عناصر خالص مرتفع گردید. طبقه بندی کننده های نرم به رغم افزایش اطلاعات ماهیتی در نتایج طبقه بندی، توان جانمایی کلاس ها را در سطح زیرپیکسل ندارند و فقط سهم تعلق کلاس ها را در هر پیکسل تعیین می کنند. بدین منظور الگوریتم های (SRM) Super Resolution Mapping برای افزایش قدرت تفکیک مکانی در سطح نتایج طبقه بندی نرم شکل گرفته و پرورده شده اند. در این تحقیق نیز از روش جابه جایی پیکسلی به منظور تهیه نقشه در سطح زیرپیکسل استفاده شده و فرایندی غیرتصادفی برای جانمایی اولیه زیرپیکسل ها ارائه گردیده است. بر اساس نتایج تحقیق، روش پیشنهادی برای انتخاب ویژگی های بهینه در مقایسه با روش مبتنی بر الگوریتم ژنتیک نتایج بهتری را به دست داد. در ادامه با استفاده از ویژگی های به دست آمده، سه الگوریتم تجزیه اختلاط طیفی خطی (LSU)، شبکه عصبی چندلایه (MLP) و ماشین بردار پشتیبان (SVM) برای طبقه بندی نرم منطقه مطالعاتی در سه کلاس مسکونی، پوشش گیاهی و زمین بایر اعمال گردید. با ارزیابی آنها، SVM به عنوان طبقه بندی کننده بهینه شناسایی شد و نتایج آن در فرایند جانمایی کلاس ها در سطح زیر پیکسل به کار رفت. در نهایت با پیاده سازی الگوریتم جابه جایی پیکسلی، تصاویر پلاریمتری راداری در سطح زیرپیکسل طبقه بندی شدند و قدرت تفکیک مکانی نتایج طبقه بندی نرم بهبود یافت.
نالا بهرامی؛ محمودرضا صاحبی؛ مهدی مختارزاده
دوره 1، شماره 4 ، اسفند 1388
چکیده
با پیدایش نسل جدید ماهواره های سنجس از دور پلاریمتری رادار با وزنه مجازی (SAR) نظیر( TerraSAR-X ، RADARSAT-2 ، ALOS و جز این ها) کاربردهای سنجش ار دور راداری، در زمینه های، پایش و ارزیابی بحران های زیست محیطی، از جمله فرونشست زمین، بررسی فرسایش خاک، وقع زلزله، اشتفشان و سیل دوچندان شده است، هدف اصلی این مقاله، استخراج اطلاعات بنیادی از تصاویر پلاریمتری ...
بیشتر
با پیدایش نسل جدید ماهواره های سنجس از دور پلاریمتری رادار با وزنه مجازی (SAR) نظیر( TerraSAR-X ، RADARSAT-2 ، ALOS و جز این ها) کاربردهای سنجش ار دور راداری، در زمینه های، پایش و ارزیابی بحران های زیست محیطی، از جمله فرونشست زمین، بررسی فرسایش خاک، وقع زلزله، اشتفشان و سیل دوچندان شده است، هدف اصلی این مقاله، استخراج اطلاعات بنیادی از تصاویر پلاریمتری و تعیین میزان اهمین هر کدام از ویژگی های موجود رد فضای ویژگی است. المان های فضای ویژگی از حاصل ضرب باند های HH، VV و HV که در بردارنده اطلاعات دامنه و فاز هستند – تشکیل شده است. با به اجرا در آوردن معیار تفکیک پذیری بین کلاسی فیشر ، اهمیت هر کدام از ویژگی ها مورد بررسی قرار می گیرد و سپس ویژگی ها بر اساس قدرت تفکیک پذیری و همبستگی بین باندی رتبه بندی می شود. در مرحله بعدی با اجرا کردن الگوریتم طبقه بندی نظارت شده، بیشترین شباهت دقت طبقه بندی ترکیب های مختلف ویژگی ها بررسی می شود و در نهایت بهترین ترکیب ویژگی های موجود حاصل می گردد. استخراج بهترین ترکیب متشکل از حداقل ویژگی های موجود در فضای ویژگی، علاوه بر حفظ مهم ترین اطلاعات موجود در تصاویر پلاریمتری، منجر به کاهش حجم پردازش تصاویر پلاریمتری نیز می شود که می توان الگوریتم پیشنهاد شده در این مقاله را روی تماس داده ها پلاریمتری مورد ارزیابی قرار داد.