محسن اسمعیل نژاد سلطانلو؛ محمود رضا صاحبی
دوره 10، شماره 4 ، اردیبهشت 1397، ، صفحه 121-144
چکیده
داده‌های پلاریمتری-اینترفرومتری راداری، با فراهم‌کردن اطلاعاتی از نوع شدت، دارا‌بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقهبندی پوشش‌های زمین دارند که این ویژگی‌های سهگانه در آنتروپی شانون حاصل از این داده‌ها، به تفکیک قابل مشاهده هستند. استفاده همزمان این پارامترها، نقش ...
بیشتر
داده‌های پلاریمتری-اینترفرومتری راداری، با فراهم‌کردن اطلاعاتی از نوع شدت، دارا‌بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقهبندی پوشش‌های زمین دارند که این ویژگی‌های سهگانه در آنتروپی شانون حاصل از این داده‌ها، به تفکیک قابل مشاهده هستند. استفاده همزمان این پارامترها، نقش تکمیل‌کننده‌ای در طبقهبندی ارائه می‌کنند، به‌طوریکه حضور اطلاعات اینترفرومتری، باعث افزایش دقت طبقهبندی می‌شود. همچنین داده‌های اخذ‌شده از دنیای واقعی، دارای پیوستگی مکانی هستند. بنابراین در این تحقیق، از الگوریتم میدان تصادفی مارکوف به منظور در نظرگرفتن همسایگی‌های پیکسلی و مجموعه پارامترهای آنتروپی شانون داده‌های پلاریمتری-اینترفرومتری راداری برای طبقهبندی استفاده می‌شود. الگوریتم میدان تصادفی مارکوف برای شروع، نیاز به یک نقشه طبقهبندی شده اولیه دارد. نقشه طبقهبندی شده اولیه با استفاده از بی نظمی و ناهمسانگردی پلاریمتری و پلاریمتری-اینترفرومتری و ادغام کلاس‌های حاصل، براساس شباهت ماتریس همدوسی پلاریمتری-اینترفرومتری مراکز کلاس‌ها، تهیه می‌شود. بررسی کارآیی الگوریتم‌پیشنهادی با استفاده از داده پلاریمتری-اینترفرومتری اخذ‌شده توسط سازمان فضایی آلمان(DLR) انجام می‌شود. در تحقیق حاضر، از شاخص درجه خلوص خوشه‌ها برای ارزیابی عملکرد الگوریتم پیشنهادی و چند الگوریتم دیگر استفاده می‌شود. درجه خلوص کل حاصل از الگوریتم‌پیشنهادی در مقایسه با درجه خلوص حاصل از الگوریتم‌های -ویشارت( )، االگوریتم پیشنهادی –ویشارت( )، -FCM ویشارت( ) و طبقهبندی با کمک سه پارامتر آنتروپی شانون و الگوریتم خوشه‌بندی FCM به ترتیب به مقدار 28.48%، 11.38%، 16.60% و19.60% افزایش پیدا کرده است.
فرزانه عقیقی؛ امید مهدی عبادتی؛ حسین عقیقی
دوره 9، شماره 2 ، اسفند 1396، ، صفحه 41-60
چکیده
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی‌های رایانه‌ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه‌بعدی‌سازی استفادة گسترده‌ای می‌شود. خوشه‌بندی و طبقهبندی نقاط ابری لیدار یکی از گام‌های اصلی برای رسیدن به مدلی سه‌بعدی به‌شمار می‌رود؛ بنابراین، یکی از اهداف این تحقیق را می‌توان ارزیابی کارآیی روش‌های ...
بیشتر
امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی‌های رایانه‌ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه‌بعدی‌سازی استفادة گسترده‌ای می‌شود. خوشه‌بندی و طبقهبندی نقاط ابری لیدار یکی از گام‌های اصلی برای رسیدن به مدلی سه‌بعدی به‌شمار می‌رود؛ بنابراین، یکی از اهداف این تحقیق را می‌توان ارزیابی کارآیی روش‌های طبقهبندی Kاٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقهبندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین‌منظور، داده‌هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به‌کار رفته است. سپس همة ویژگی‌های هندسی، مقادیر شدت ثبت‌شده از سوی لیدار، تصاویر هوایی و نیز ویژگی‌های استخراج‌شدة مبتنی‌بر مقادیر ویژه را استخراج و به‌منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم‌ارتفاع، درخت و اتومبیل به‌کار برده است. برای محاسبة مقادیر ویژه به‌کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک‌های طبقهبندی به‌کاررفته در این تحقیق با استفاده از نقشه‌های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می‌دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه‌بندی‌هاست. همچنین، ساختار مکعبی پیشنهادی را می‌توان، به‌خوبی ساختارهای کروی و استوانه‌ای، در استخراج ویژگی‌های مبتنی‌بر مقادیر ویژه به‌کار برد.
