در این پایان نامه روشی برای قطعه بندی تصاویر هوایی به منظور انتخاب محل مناسبی برای فرود اضطراری هواپیمای بدون سرنشین(uav) ارائه شده است. توسعه و طراحی uav تا به امروز بیشتر برای اهداف نظامی بوده است. پیشرفت فناوری و مزایا و پتانسیل بالای کاربردهای غیرنظامی uav در زمینه های مختلف خدماتی، امنیتی و علمی زمینه ساز ورود آن به آسمان مناطق مسکونی در آینده نزدیک خواهد شد. برای جلب اقبال عمومی و گسترش استفاده از uav در شاخه های غیرنظامی باید نگرانی هایی که در رابطه با مسائل ایمنی وجود دارد برطرف شود و uav بتواند در شرایط اضطراری مشابه خلبان عمل کند؛ از جمله این که باید بتواند به طور خودکار محل مناسبی برای فرود پیدا کند. هدف این تحقیق به طور مشخص انتخاب محلی برای فرود اضطراری uav با استفاده از بینایی ماشین است. برای این منظور باید تصویر هوایی قطعه بندی و نواحی مختلف آن طبقه بندی شود. با توجه به کاهش ارتفاع دائمی uav در شرایط اضطراری، الگوریتم قطعه بندی باید سریع و در عین حال دقیق باشد. یکی از روش های قطعه بندی، طبقه بندی پیکسل های تصویر است. مزیت مهم این روش این است که هم زمان با قطعه بندی می توان نواحی مختلف تصویر را طبقه بندی کرد و نیازی به یک مرحله بازشناسی اضافی نیست. طبقه بندی به دو صورت بدون نظارت و تحت نظارت انجام می گیرد. با توجه به تنوع ترکیب تصاویر هوایی و تغییر تعداد کلاس ها در تصاویر مختلف، استفاده از تکنیک های طبقه بندی بدون نظارت ممکن است باعث قطعه بندی کم یا اضافی تصویر هوایی گردد. به همین دلیل در این پایان نامه از رویکرد تحت نظارت برای طبقه بندی پیکسل های تصویر استفاده شده است. در این روش با مقایسه مشخصه های مختلف پیکسل های تصویر با یک پایگاه داده از تعداد مشخصی کلاس، محتمل ترین برچسب برای هر پیکسل انتخاب می شود. با توجه به ماهیت تصاویر هوایی، مشخصه های مورد استفاده باید نسبت به چرخش زاویه دید و مقیاس تغییرناپذیر باشند. در این پایان نامه از از دو کلاسیفایر knn مجزا برای طبقه بندی مشخصه های بافت و هیستوگرام های رنگ تصویر استفاده شده است. مشخصه بافت محلی تصویر خاکستری و هیستوگرام های رنگ محلی در پنجره های جداگانه محاسبه و طبقه بندی می شوند. در نهایت با ارزیابی میزان درستی رأی هرکلاسیفایر برچسب نهایی تعیین می گردد. به این ترتیب از یک سو می توان پارامترهای هر کلاسیفایر را به طور مستقل برای حصول بهترین نتیجه تنظیم کرد و از سوی دیگر احتمال این که هر دو کلاسیفایر هم زمان خطا کنندکم است و این امکان وجود دارد که دو کلاسیفایر خطای یکدیگر را اصلاح کنند. در تصاویر هوایی مثل اغلب تصاویر طبیعی پیکسل های همسایه معمولاً مشخصه های یکسانی دارند. از این ویژگی می توان برای کاهش محاسبات و به دست آوردن نواحی همگن تر و در نتیجه قطعه بندی مناسب تر سود جست. بر این اساس به جای برچسب گذاری تک تک پیکسل ها، با هر بار طبقه بندی بردار مشخصه، یک دسته از پیکسل های مجاور برچسب گذاری می شوند. روش پیشنهادی- که برای قطعه بندی انواع تصاویر بافت رنگی قابل استفاده است- ساده و سریع است، میزان خطای کمی دارد و نتایج قطعه بندی برای تصاویر هوایی به صورت چشمی قابل قبول است.