پایان‌نامه

طبقه بندی تصاویر پلاریمتری sar با استفاده از میدان های تصادفی مارکوف

اکبر درگاهی

چکیده

جمع آوری داده توسط سنجش از دور یک مرحله اساسی در مدیریت پایدار زمین می باشد. یکی از پردازش های مهم و پرکاربرد بر روی تصاویر سنجش از دور، طبقه بندی است. از دیدگاه تصمیم گیری، نقشه های حاصل از طبقه بندی می توانند مفید واقع شوند، زیرا، این الگوریتم ها اطلاعات پیچیده طیفی- مکانی را در تعداد محدودی کلاس مورد نیاز، خلاصه می کنند. داده های پلاریمتریک sar به دلیل دارا بودن اطلاعات غنی از محیط، در چند دهه اخیر به یکی از پراستفاده ترین داده های سنجش از دوری تبدیل شده اند. به طور کلی، برای طبقه بندی تصاویر پلاریمتریک از دو منبع اطلاعاتی شامل، نوع مکانیسم پراکنش عوارض و توزیع آماری داده ها استفاده می کنند. معروف ترین توزیع آماری تصاویر پلاریمتریک، توزیع ویشارت بوده، و طبقه بندی کننده ویشارت نیز یکی از روش های پایه برای طبقه بندی این تصاویر محسوب می شود. همان طور که می دانیم یکی از مشکلات روش های طبقه بندی پیکسل پایه مخصوصاً به دلیل وجود اسپکل در تصاویر sar، وجود کلاس های ناهمگن و پیکسل های پراکنده در خروجی نقشه طبقه بندی شده می باشد. در این تحقیق، برای غلبه بر این مشکل و بهبود نتایج طبقه بندی، در روند طبقه بندی تصاویر پلاریمتریک sar علاوه بر استفاده از توزیع ویشارت، از اطلاعات موجود در همسایگی پیکسل ها نیز استفاده شد. برای مدل سازی اطلاعات همسایگی پیکسل ها، میدان های تصادفی مارکوف را به کار گرفته و تلفیق آن با توزیع آماری تصاویر یعنی توزیع ویشارت، طبقه بندی را انجام دادیم. برای مدل سازی اطلاعات همسایگی توسط میدان‎ های تصادفی مارکوف، از یک مدل ایزوتروپیک با یک سیستم همسایگی مرتبه دوم و برای پیدا کردن ماکزیمم احتمال موخر (مینیمم تابع انرژی) از روش icm استفاده نمودیم. هدف اصلی این تحقیق، پیاده سازی و اجرای الگوریتم طبقه بندی به صورت نظارت شده می باشد. ولی در کنار این تحقیق، با استفاده از نتایج طبقه بندی بر مبنای فضای h/? (طبقه بندی نظارت نشده)، طبقه بندی را به صورت نظارت نشده نیز انجام دادیم. استفاده از ویژگی های آنتروپی و زاویه آلفا در طبقه بندی نظارت نشده، بیشتر برای آنالیزهای پلاریمتریکی کلاس ها مفید بودند. از آنجا که تخمین پارامترها در حالت نظارت شده بر مبنای داده های آموزشی جمع آوری شده است، نتایج بدست آمده در طبقه بندی نظارت شده مستحکم و اعتمادپذیر می باشند. برای ارزیابی نتایج طبقه بندی نظارت شده از ماتریس خطا و برای طبقه بندی نظارت نشده از معیار purity استفاده نمودیم. با توجه به پیچیدگی و مشابهت کلاس های منطقه، به منظور بهبود نتایج طبقه بندی و افزایش قدرت تفکیک پذیری کلاس ها، به طور همزمان از دو تصویر پلاریمتریک sar مربوط به دو فصل زمستان و تابستان از یک منطقه مشابه، در طبقه بندی استفاده کردیم. البته، طبقه بندی در حالت تک تصویر نیز اجرا شد. با توجه به نتایج بدست آمده، بیشترین مقدار بهبود در دقت کلی طبقه بندی با روش wmrf (تلفیق mrf و ویشارت) نسبت به روش ویشارت، در حالت تلفیق دو تصویر و فیلتر اسپکل با پنجره 3×3 حاصل شد. در این حالت دقت کلی با روش ویشارت و روش wmrf به ترتیب برابر با، 65.4% و 76.4% بدست آمد. به عبارتی، میزان بهبود در دقت کلی برابر 11% بوده، در حالی که بدون در نظر گرفتن کلاس آب (در هر دو روش دارای دقت 100% و بدون اطلاعات بافت) برای 4 کلاس باقی مانده، میزان بهبود به 15% افزایش می یابد. بیشترین دقت کلی حاصله برای طبقه بندی، در حالت تلفیق دو تصویر و فیلتر اسپکل با پنجره 7×7 بدست آمد. در این حالت، دقت روش ویشارت و روش wmrfبه ترتیب برابر با، 79.6% و 84.7% بودند.

اساتید راهنما و مشاور

یاسر مقصودی، علی اکبر آبکار

پایان‌نامه‌های مشابه

  • طبقه بندی تصاویر پلاریمتری sar بر اساس مدل سازی اطلاعات همسایگی و ویژگی های بافت

    پایان‌نامه۲۰۱۴وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداریعلی مسجدی

    تحقیقات اخیر نشان داده است که طبقه بندی تصاویر سنجش ازدور با کمک روش هایی که از اطلاعات مکانی در کنار اطلاعات طیفی استفاده می کند، نسبت به روش های مبتنی بر فقط اطلاعات طیفی، دقیق تر می باشد. اگرچه طبقه بندی به روش ماشین بردار پشتیبان دارای نتایج دقیق در بیشتر تصاویر سنجش ازدور می

  • طبقه بندی تصاویر پلاریمتری راداری

    پایان‌نامه۲۰۱۳وزارت علوم، تحقیقات و فناوری - دانشگاه تحصیلات تکمیلی صنعتی کرمان - دانشکده عمراناکبر اعلایی

    از آنجا که پلاریمتری راداری زمینه¬ای به نسبت نوظهور در سنجش از دور می¬باشد، تحقیقات محدودی در مورد طبقه¬بندی این تصاویر صورت گرفته است. ویژگی¬های خاص تصاویر پلاریمتری مانند مستقل بودن از شرایط آب و هوایی، قابلیت اخذ تصویر در هر زمان از شبانه¬روز، حساسیت به ساختار هندسی و فیزیکی ا

  • طبقه بندی تصاویر فراطیفی با استفاده از اطلاعات طیفی و هندسی

    پایان‌نامه۲۰۱۱وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداریسمیه یعقوبی

    سنجنده های ابرطیفی قابلیت جمع آوری داده در تعداد باندهای طیفی بسیار زیاد را دارند، به نحوی که می توان به کمک این سنجنده ها به یک منحنی طیفی تقریباً پیوسته برای اشیاء زمینی رسید. به همین دلیل برای طبقه بندی دقیق بسیار مناسب هستند. طبقه بندی وظیفه مهمی در بسیاری از زمینه های کاربرد

  • طبقه بندی تصاویر ابرطیفی با استفاده از ماشین بردار پشتیبان

    پایان‌نامه۲۰۱۱وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداریزیبا زرین

    در این تحقیق به پیاده سازی و ارزیابی الگوریتم ماشین های بردار پشتیبان در تصاویر ابرطیفی پرداخته شده است. در طبقه بندی تصاویر ابرطیفی به علت ابعاد زیاد، کم بودن نمونه های آموزشی، تغییرات مکانی امضای طیفی، وجود نویز دارای چالش هایی هستیم. با توجه به مشکلات مطرح شده در طبقه بندی تصا

  • روش های ترکیبی در طبقه بندی تصاویر بافت با استفاده از مجموعه? ویژگی ها و طبقه بندی کننده های بهینه

    پایان‌نامه۲۰۱۳وزارت علوم، تحقیقات و فناوری - دانشگاه بیرجند - دانشکده برق و کامپیوترداود پناهنده

    الگو یک شی انتزاعی است که با استفاده از یک سری ویژگی ها تعریف شود، بازشناسی الگو سیستمی می باشد که قادر خواهد بود الگوی ناشناخته ای را تشخیص و در دسته مربوطه قرار دهد. یکی از مهمترین بخشهای سیستم بازشناسی الگو، مرحله ی استخراج ویژگی میباشد. استخراج بردار ویژگی مناسب از الگوی ورود

  • طبقه بندی تصاویر ابرطیفی با استفاده از مشتق گیری در فضای طیفی

    پایان‌نامه۲۰۱۱وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداریمصطفی اوجاقلو

    داده های ابرطیفی اطلاعات بسیار زیادی را از اهداف زمینی جمع آوری می نمایند به گونه ای که با این اطلاعات می توان اهداف زمینی را به خوبی شناسایی کرد. روش های متعددی برای استخراج اطلاعات از داده های ابرطیفی وجود دارد، که از آن جمله می توان به روش مشتق گیری از طیف بازتابندگی و استفاده

اسناد مشابه