مرجان طاهری؛ محمودرضا صاحبی؛ مهرنوش امتی
چکیده
سنجندههای رادار با روزنة مجازی، با داشتن ویژگیهای گسترده، پتانسیل بسیاری در انواع کاربردهای سنجش از دوری دارند؛ ازجمله در قطعهبندی بههنگام پوشش و کاربری اراضی. با وجود دو رویکرد مستقل قطعهبندی ناحیهمبنا و مرزمبنا، بهدستآوردن نتایج رضایتبخش در صورت استفاده از هریک از رویکردها در تصاویر SAR دشوار بوده است؛ درحالیکه ...
بیشتر
سنجندههای رادار با روزنة مجازی، با داشتن ویژگیهای گسترده، پتانسیل بسیاری در انواع کاربردهای سنجش از دوری دارند؛ ازجمله در قطعهبندی بههنگام پوشش و کاربری اراضی. با وجود دو رویکرد مستقل قطعهبندی ناحیهمبنا و مرزمبنا، بهدستآوردن نتایج رضایتبخش در صورت استفاده از هریک از رویکردها در تصاویر SAR دشوار بوده است؛ درحالیکه میتوان با استفاده از اطلاعات مکمل هر دو روش، محدودیتهای موجود را برطرف کرد و نتایج حاصل را بهبود بخشید. در این پژوهش، روش نوینی در قطعهبندی با استفاده از تصاویر پلاریمتری SAR و با هدف بهبود نتایج قطعهبندی مطرح شده که از ادغام هر دو رویکرد بهره گرفته است. روش پیشنهادی Felzenszwalb بهمنزلة الگوریتم پیشنهادی ناحیهمبنا، از مجموعه روشهای سوپرپیکسل، با دو روش Quickshift و SLIC مقایسه شد. نتیجه مشخص کرد که روش پیشنهادی توانسته است از قطعهبندی بیشازحد تصویر جلوگیری کند و کارآیی آنالیز قطعهبندی را افزایش درخور توجهی بخشد. روش پیشنهادی قطعهبندی مرزمبنای آنتروپی شانون نیز، در مقایسه با دو روش گرادیانمبنای کنی و لاپلاسین، مرزهای قطعات تصویری را تا اندازة چشمگیری حفظ کرده است. مقایسة نتایج حاصل از اجرای این روش با دادههای مرجع، مقادیر 39/10% و 25/11% را درمورد خطای کل، بهترتیب برای تصویر زمان اول و دوم، نشان میدهد. خطای کل، در مقایسه با عملکرد دو روش دیگر، 81/5 و 73/9% در تصویر اول و 16/11 و 86/13% در تصویر دوم بهبود داده شده است. در نهایت، ادغام دو رویکرد پیشنهادی قطعهبندی سبب شده است بهبود دقت در قطعهبندی تصویر پلاریمتری دستاورد مهم این پژوهش محسوب شود.
علیرضا طاهری دهکردی؛ محمدجواد ولدان زوج؛ علیرضا صفدری نژاد
چکیده
تهیة نقشة اراضی کشاورزی یکی از لایههای اطلاعاتی مورد نیاز در مدیریت این زمینها محسوب میشود. چنین نقشههایی امکان پایش مستمر زمینهای کشاورزی را در طول دورة کشت، فراهم میکنند. در این مطالعه، راهکاری بهمنظور تولید نقشة اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سریزمانی شاخصهای مستخرج از ...
بیشتر
تهیة نقشة اراضی کشاورزی یکی از لایههای اطلاعاتی مورد نیاز در مدیریت این زمینها محسوب میشود. چنین نقشههایی امکان پایش مستمر زمینهای کشاورزی را در طول دورة کشت، فراهم میکنند. در این مطالعه، راهکاری بهمنظور تولید نقشة اراضی کشاورزی شهرستان شهرکرد، در دو کلاس زراعی و غیرزراعی، با استفاده از سریزمانی شاخصهای مستخرج از تصاویر سنتینلـ 2 داده شده است. ازآنجاکه استفاده از منابع دادة حجیم یکی از موانع بهبود روشهای مبتنیبر سری زمانی تصاویر ماهوارهای بهشمار میرود، در این پژوهش از بستر پردازشی گوگل ارث انجین استفاده شده است. روش مطرحشده برمبنای تلفیق نتایج طبقهبندی نظارتشدة پیکسلمبنا با نتایج قطعهبندی عمل میکند؛ بهنحویکه ابتدا دادههای آموزشی طبقهبندی نظارتشده، طی یک فرایند پالایشی سختگیرانه، بدون نیاز به عملیات میدانی فراهم میشوند. سپس با محاسبة تفکیکپذیری دو کلاس هدف در سری زمانی هر شاخص، شاخصهای بهینه انتخاب میشود. در نهایت، با تلفیق نتایج روشهای قطعهبندی و طبقهبندی براساس آرای بهدستآمده از نتایج طبقهبندی، به هر قطعة تصویری کلاس زراعی یا غیرزراعی نسبت داده میشود. این اقدام، علاوهبر دخالتدادن اطلاعات مکانی اعم از لبهها و مجاورتهای مکانی، توانسته است نویز و نتایج متخلخل طبقهبندی پیکسلمبنا را بهبود بخشد و دقت کلی نقشة نهایی را از 7/90 به 05/96 افزایش دهد. همچنین دقت کاربر دو کلاس زراعی و غیرزراعی بهترتیب 27/3 و 97/7% بهبود را نشان میدهند.
سید مهدی پورباقر
دوره 10، شماره 1 ، شهریور 1397، ، صفحه 73-90
چکیده
شناسایی لندفرمهای غالب مناظر طبیعی در انواع برنامهریزیهای شهری، آمایش، گردشگری و ... کاربرد و اهمیت فراوان دارد. در این پژوهش، لندفرمهای حوضة یزدـ اردکان، به دو روش بصری و خودکار، شناسایی و سپس مقایسه شدند. در روش شناسایی خودکار لندفرمها، از قطعهبندی تصویر با دو الگوریتم قدرت تفکیک چندگانه و تباین پیکسلی، در قالب مفاهیم ...
بیشتر
شناسایی لندفرمهای غالب مناظر طبیعی در انواع برنامهریزیهای شهری، آمایش، گردشگری و ... کاربرد و اهمیت فراوان دارد. در این پژوهش، لندفرمهای حوضة یزدـ اردکان، به دو روش بصری و خودکار، شناسایی و سپس مقایسه شدند. در روش شناسایی خودکار لندفرمها، از قطعهبندی تصویر با دو الگوریتم قدرت تفکیک چندگانه و تباین پیکسلی، در قالب مفاهیم شیءپایه، استفاده شد. نتایج نشان داد قطعهبندی بهروش قدرت تفکیک چندگانه، بهدلیل لحاظکردن معیار شکل در تشخیص ساختار و مرز طبیعی لندفرمها مانند مخروطافکنه، مناسب بهنظر میرسد ولی قطعهبندی بهروش تباین پیکسلی، در شناسایی میکرولندفرم مانند کانالهای گیسویی در سطح مخروطافکنه، مناسب است. نتایج حاصل از مقایسۀ شناسایی بصری و خودکار لندفرمها نشان داد، در روش بصری، فقط امکان شناسایی لندفرمهای بزرگ همچون تودههای کوهستانی، انواع دشتسرها، کفة اردکان و بهسختی تلماسهها وجود داشت. ولی در روش خودکار مبتنیبر شیء، نه تنها لندفرمهای مذکور بلکه لندفرمهای کوچکتر مثل تپههای عرضی، مخروطافکنهها، هزاردرهها، کوههای منفرد نیز شناسایی شدند. برای ارزیابی دقت مدلهای شناسایی خودکار لندفرمها، از دو روش کیفی و کمّی استفاده شد؛ در ارزیابی کیفی، از تکنیک همپوشانی بهمنظور بررسیِ چشمی میزان تطابق و رویِ هم قرارگیری نقشۀ حاصل از مدل با تصاویر گوگل ارث و در ارزیابی کمّی، از ماتریس درهمی استفاده شد. نتایج ارزیابیها نشان دادند که الگوریتم قدرت تفکیک چندگانه در شناسایی و قطعهبندی لندفرمها دارای صحت کلی و ضریب کاپای است. همچنین، خطاهای کُمیسیون و اُمیسیون نشان دادند که کمترین خطاهای شناسایی مربوط به لندفرمهایی با بافت نرم، مانند دشت، است ولی بیشترین خطاهای شناسایی به لندفرمهایی با بافت خشن، مثل کوهستان، بازمیگردد.
یاسر انصاری؛ علی محمدزاده؛ محمودرضا صاحبی صاحبی؛ کوروش خوشالهام
دوره 8، شماره 3 ، تیر 1395، ، صفحه 11-24
چکیده
روشهای اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهوارهای و دادههای لیدار دارای کاربردهای بسیار وسیع و مهم مانند بهروزرسانی نقشهها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمهشهری بهدست میآید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق دادههای ...
بیشتر
روشهای اتوماتیک شناسایی و استخراج عارضۀ ساختمان از منابع گوناگون اطلاعاتی همچون تصاویر هوایی و ماهوارهای و دادههای لیدار دارای کاربردهای بسیار وسیع و مهم مانند بهروزرسانی نقشهها، مدلسازی و آنالیز رشد و پیشرفت در مناطق شهری و نیمهشهری بهدست میآید. هدف اصلی مقاله طرح روش جدید اتوماتیک استخراج ساختمان با تلفیق دادههای لیدار و تصویر هوایی است. برای این منظور در مرحلۀ اول، انواع روشهای شناسایی ساختمان (SVM1، MD2 و ANN3) در دو سطح پیکسل پایه و شیء مبنا بررسی و ارزیابی شد. نتایج حاصل از شناسایی حاکی از توانایی بالای روش SVM، در مقایسه با دیگر روشها، در دو سطح پیکسل پایه و شیء مبناست که دقت کلی 95.9٪ و خطای نوع اول 6.2٪ و خطای نوع دوم 3.2٪ را نشان میدهد که در حالت پیکسل مبنا بهمنزلۀ روش منتخب شناسایی است. در مرحلۀ دوم، براساس روش منتخب شناسایی مرز دقیق ساختمان بازسازی میشود. بنابراین با استفاده از قطعهبندی برمبنای طیفی و هندسی، لبۀ هر ساختمان بهصورت قطعات مجزا تفکیک شد. سپس لبههای هر ساختمان براساس معادلات کمترین مربعات بازسازی میشود. نتایج روش پیشنهادی استخراج ساختمان با دقت کلی 96.85٪، خطای نوع اول 5.9٪ و خطای نوع دوم 2.5٪ برای الگوریتم پیشنهادی استخراج است.