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

thesis
abstract

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.

First 15 pages

Signup for downloading 15 first pages

Already have an account?login

similar resources

ارائه یک روش جدید برای طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی براساس تلفیق ماشین بردار پشتیبان و میدان های تصادفی مارکوف

در این مقاله یک روش نوین طبقه­بندی متنی به منظور طبقه­بندی تصاویر پلاریمتری رادار با روزنه مجازی ارائه شده است. روش پیشنهادی با تلفیق ماشین بردار پشتیبان (SVM) و طبقه­بندی­کننده ویشارت عمل می­کند. بدین ترتیب این روش از مزایای هر دو نوع روش­های پارامتریک و غیر پارامتریک بهره می­برد. در این روش، ابتدا تابع انرژی اولیه میدان­های تصادفی مارکوف (MRF) در یک همسایگی از هر پیکسل محاسبه می­گردد. سپس با ...

full text

طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی بر اساس تلفیق طبقه بندی کننده ماشین بردار پشتیبان و میدان های تصادفی مارکوف

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 باشد ولی این طبقه بندی کننده ذاتا بر مبنای فقط اطلاعات تک پیکسل عمل می کند، که این یک محدودیت برای استفاده از آن می ...

full text

طبقه بندی پلاریمتری-مکانی تصاویر sar با استفاده از تلفیق طبقه بندی کننده های ماشین بردار پشتیبان

طبقه بندی پوشش زمین یکی از کاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این تحقیق یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی svm و قطعات...

ارائه یک روش جدید برای طبقه بندی تصاویر پلاریمتری رادار با روزنه مجازی براساس تلفیق ماشین بردار پشتیبان و میدان های تصادفی مارکوف

در این مقاله یک روش نوین طبقه­بندی متنی به منظور طبقه­بندی تصاویر پلاریمتری رادار با روزنه مجازی ارائه شده است. روش پیشنهادی با تلفیق ماشین بردار پشتیبان (svm) و طبقه­بندی­کننده ویشارت عمل می­کند. بدین ترتیب این روش از مزایای هر دو نوع روش­های پارامتریک و غیر پارامتریک بهره می­برد. در این روش، ابتدا تابع انرژی اولیه میدان­های تصادفی مارکوف (mrf) در یک همسایگی از هر پیکسل محاسبه می­گردد. سپس با ...

full text

طبقه بندی دانش مبنای تصاویر پلاریمتری sar با استفاده از اطلاعات فیزیکی

طبقه¬بندی پوشش¬های زمین یکی از مهم¬ترین و ابتدایی¬ترین تحلیل¬های داده¬های سنجش-ازدور است. داده پلاریمتری رادار با روزنه¬ی مجازی فرم جدیدی از داده¬های راداری است که در بسیاری از زمینه¬های سنجش¬ازدور به¬عنوان یک ابزار پیشرفته استفاده می¬شود. روش¬های مختلفطبقه¬بندی داده پلاریمتری به طورکلی در سه گروه قرار می¬گیرند. (1) روش¬های آماری، (2) روش¬های برمبنای مکانیسم پراکنش و (3) روش¬های دانش¬مبنا. این ...

طبقه بندی عارضه مبنای تصاویر پلاریمتری سار با استفاده از طبقه بندی کننده های چندگانه ماشین بردار پشتیبان

طبقه بندی پوشش زمین یکی از کاربرد های مهم استفاده از داده های سنجش از دوری است. از میان تصاویر و داده­های مورد استفاده در این مورد، داده های پلاریمتری راداری به خاطر امکان استخراج ویژگی های زیاد و متنوع میتوانند برای طبقه بندی گزینه مناسبی باشند. در این مقاله یک روش عارضه مبنا برای طبقه بندی مناطق شهری با استفاده از داده های پلاریمتری راداری به صورت تلفیق نتایج پیکسل مبنای طبقه بندی svm و قطعات...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


document type: thesis

وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده نقشه برداری

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023