طبقه بندی خردپیکسلی تصاویر فراطیفی با استفاده از تحلیل مولفه های مستقل

Authors

حسین ارمشی

h. armeshi گروه مهندسی نقشه برداری - پردیس دانشکده های فنی - دانشگاه تهران سعید همایونی

s. homayouni گروه مهندسی نقشه برداری - پردیس دانشکده های فنی - دانشگاه تهران محمد سعادت سرشت

m. saadatseresht گروه مهندسی نقشه برداری - پردیس دانشکده های فنی - دانشگاه تهران

abstract

شناسایی و تشخیص عوارض شهری، یکی از کاربردهای پیچیده در طبقه بندی تصاویر سنجش از دوری است. با این وجود، به نظر می رسد تصاویر فراطیفی به دلیل توانمندی ویژه در ارائه اطلاعات پیرامون مواد و اشیاء سطح زمین، توان بهتری داشته باشند. روش های پردازش تصاویر کلاسیک معمولا برای داده های فراطیفی، به نتایج قابل قبولی منجر نمی شوند. از این رو، روش-های نوینی برای استخراج اطلاعات از این نوع داده ها، مطرح شده اند. در این مقاله، بر پایه ی تحلیل مولفه های مستقل (independent component analysis (ica)) که یک روش پردازش سیگنال برای کاربردهای گوناگون جداسازی منابع است، یک الگوریتم طبقه بندی نرم ارائه شده است. ایده اصلی روش ica، بر مبنای فرض خطی بودن ترکیب منابع و استقلال آماری دو جانبه آنهاست. این روش، جداسازی منابع مرتبط با سهم و توزیع مواد گوناگون در صحنه را، بدون هیچ دانشی از پیش، فراهم می کند. به عبارت دیگر می توان این تحلیل را به عنوان راه حل غیر نظارت شده برای طبقه بندی نرم و جزء پیکسلی درنظر گرفت. در کاربرد طبقه بندی نرم، سیستم تصویربرداری فراطیفی، یک سیستم مشاهده گر با یک ترکیب طیفی خطی در نظر گرفته می شود. همچنین فرض می شود اطلاعات فراوانی کلاس های طیفی، مستقل هستند و به عنوان انواع گوناگونی از مواد با طیف خالص نسبی تفسیر شوند. به علت ابهامات ذاتی ica، منابع تخمین زده شده منطبق با فراوانی کلاس-های طیفی حاضر در صحنه نیست و نمی توانند به طور مستقیم به عنوان میزان حضور یا تعلق کلاس ها در صحنه مورد استفاده قرار گیرند. بنابراین، جهت تهیه نقشه های مواد حاضر در صحنه ی نقشه های پوششی، مرحله دیگری که همان تصمیم گیری، بر مبنای منطق فازی است، مورد نیاز است. الگوریتم پیشنهادی بر روی داده های سنجنده ی هوابرد casi، پیاده سازی شد. نتایج از طریق مقایسه با داده حقیقی زمینی ارزیابی شد. نتایج این پژوهش نشان می دهد که این الگوریتم برای کشف کلاس های اصلی موجود در صحنه توانمند است. با این وجود فرض خطی بودن مدل ممکن است همیشه برای برخی پدیده ها مانند اثر توپوگرافی روی سقف ساختمان ها، اثرات اتمسفری و پدیده اختلاط طیفی سازگار نباشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

طبقه‌بندی خردپیکسلی تصاویر فراطیفی با استفاده از تحلیل مولفه‌های مستقل

شناسایی و تشخیص عوارض شهری، یکی از کاربردهای پیچیده در طبقه‌بندی تصاویر سنجش از دوری است. با این وجود، به نظر می‌رسد تصاویر فراطیفی به دلیل توانمندی ویژه در ارائه اطلاعات پیرامون مواد و اشیاء سطح زمین، توان بهتری داشته باشند. روش‌های پردازش تصاویر کلاسیک معمولا برای داده‌های فراطیفی، به نتایج قابل قبولی منجر نمی‌شوند. از این‌ رو، روش-های نوینی برای استخراج اطلاعات از این نوع داده‌ها، مطرح شده‌ا...

full text

طبقه بندی تصاویر فراطیفی با استفاده از مدل آمیخته ی گاوسی و الگوریتم نمونه گیر گیبز

با پیشرفت­های فناوری سنجش از دور و تولید داده­های فراطیفی با اطلاعات طیفی فراوان، استفاده از این داده­ها جهت مطالعه دقیق پدیده­ها به سرعت در حال گسترش است. تصاویر فراطیفی به دلیل نمایش گسترده خصوصیات طیفی عوارض و پدیده­های سطح زمین در بسیاری از علوم زمین مورد توجه قرار گرفته‏‏اند. یکی از مهمترین کاربردهای تصاویر فراطیفی، طبقه­بندی آنها و تولید نقشه­های پوشش زمینی بدون نیاز به داده­های واقعیت زم...

full text

بهبود طبقه بندی بدون نظارت تصاویر فراطیفی با استفاده از مدل خوشه بندی فازی gustafson-kessel

مدل های خوشه بندی c-means یکی از پرکاربردترین شیوه های طبقه بندی نظارت نشده در آنالیز داده ها به شمار می­رود. مدل فازی این روش، یعنی fuzzy c-means، یکی از مشهورترین مدل هایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشه ها اختصاص داده می­شود. این مدل خوشه بندی جهت طبقه بندی داده های سنجش از دوری بسیار استفاده شده است. مدل fuzzy c-means از فاصلۀ اقلیدسی جهت خوشه بندی اس...

full text

ارایه روشی جهت طبقه بندی تصاویر فراطیفی از طریق ترکیب روش مولفه های مستقل مقید و ماشین های بردار پشتیبان

ر این پژوهش از یک روش ترکیبی جهت طبقه بندی نظارت شده تصاویر سنجش از دور فراطیفی استفاده شده است. در طبقه بندی نظارت شده، به اطلاعات اولیه از صحنه تصویر برداری همچون تعداد و نوع کلاس های حاضر به عنوان داده های آموزشی برای آموزش طبقه بندی کننده نیاز است. در روش پیشنهادی، با ترکیب فرآیند جداسازی طیفی و طبقه بندی نظارت شده، نیاز به داشتن اطلاعات اولیه مرتفع می گردد. در این پژوهش از روش تحلیل مولفه ...

بهبود طبقه بندی طیفی- مکانی جنگل پوشای مینیمم با کاهش ابعاد تصاویر فراطیفی

فن‌آوری سنجش از دور فراطیفی دارای کاربردهای فراوان در طبقه‌بندی پوشش‌های زمین و بررسی تغییرات آنها است. با پیشرفت‌های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه‌بندی تصاویر فراطیفی ایجاب می‌کند. در این تحقیق روشی جدید جهت طبقه‌بندی طیفی-مکانی تصاویر فراطیفی به کمک الگوریتم جنگل پوشای مینیمم ( MSF) مبتنی بر نشانه‌ها که یکی از دقیق‌ترین الگ...

full text

کاهش بعد تصاویر فراطیفی از طریق خوشه بندی فازی باندها

این مقاله یک روش نوین جهت انتخاب باند از تصاویر فراطیفی از طریق خوشه بندی باندها ارائه می دهد. نوآوری اصلی این تحقیق در دو موضوع قرار می‌گیرد: الف- ارائه یک فضای محاسباتی جدید با نام فضای پدیده که در آن باندها بر اساس انعکاس طیفی پدیده ها دارای بردار مشخصه می‌شودد. ب- ارائه معیار هایی نظیر عدم قطعیت و زاویه در فضای پدیده برای شناسایی باندهای با وابستگی بالا و باندهای حاوی اطلاعات. پس از آنکه فض...

full text

My Resources

Save resource for easier access later


Journal title:
مهندسی نقشه برداری و اطلاعات مکانی

جلد ۴، شماره ۳، صفحات ۵۷-۷۰

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023