استخراج عوارض از تصاویر ماهواره ای worldview-۳با استفاده از الگوریتم آدابوست به کمک ویژگی های هار-لایک

پیشرفت و توسعه ی هر جامعه در گرو در دست داشتن اطلاعات صحیح و به هنگام از محیط پیرامون خود می باشد. بسیار از اطلاعات محیط پیرامون مربوط به موقعیت عوارض مختلف می باشد. این موقعیت ها می توانند از راه های مختلفی به دست بیایند. از جمله ی این راه ها می توان به استخراج دستی موقعیت این عوارض از تصاویر ماهواره ای اشاره کرد که به علت زمان و هزینه بر بودن این روش استفاده از آن چندان مفید و معقول به نظر می رسد. از این رو استخراج خودکار عوارض از تصاویر ماهواره ای با شرط دارا بودن دقت کافی می تواند به عنوان روشی مناسب برای جایگزین شدن روش های دستی مطرح گردد. در این مقاله به بررسی و تحلیل حساسیت الگوریتم آموزشی آدابوست[1] با استفاده از عوارض هار-لایک[2] پرداخته ایم. این الگوریتم در ابتدا به یک سری تصاویر به منظور الگوی آموزشی مثبت و منفی و برای آموزش الگوریتم نیاز دارد، لذا این تصاویر برای سه عارضه ی اتومبیل، هواپیما و مخازن نفتی استخراج شده و برای آموزش الگوریتم مورد استفاده قرار می­گیرد. پس از آموزش الگوریتم از تعداد الگوهای کافی برای هر کدام از عوارض استفاده شده، الگوریتم آموزش دیده و آماده برای استخراج عوارض از تصاویر ماهواره ای و در مقایس­های متفاوت می­باشد. در این پژوهش از تصاویر ماهواره ای worldview-3 یا توان تفکیک مکانی نیم­متر استفاده شده است. پس از استخراج عوارض توسط الگوریتم به منظور بررسی دقت و کارایی الگوریتم به مقایسه ی نتایج این الگوریتم با نتایج حاصل از استخراج عوارض به صورت دستی پرداخته ایم که این مقایسه نشان از کارایی بالای الگوریتم در استخراج عوارض داشته است (دقت بالای 90%). از خصوصیات اصلی این روش، سرعت بالا در استخراج عوارض از تصاویر بسیار بزرگ می­باشد. در پایان نیز وابستگی دقت و تمامیت آن نسب به پارامترهای مختلف آموزشی مورد بررسی قرار گرفته و به تحلیل حساسیست پرداخته­ایم، که در زمینه ی آموزش الگوریتم به منظور استخراج عوارض دیگر بسیار کمک کننده می­باشد.   1 adaboost 2 haar-like