در این تحقیق کشف راه و تشخیصآناز عوارض مشابه راه در تصاویر بزرگ مقیاس ماهواره ای بر اساس روشی مبتنی بر سیستم های فازی با تکیه بر اطلاعات بافت زاویه ای ارائه شده است. ورودی های مورد استفاده در این روش مقادیر باندهای قرمز، سبز و آبی تصویر می باشند. روش پیاده سازی شده شامل پنج مرحله ی اصلی است: 1) ناحیه بندی راه با استفاده از الگوریتم خوشه بندی k-means 2) محاسبه ی توصیفگرهای شکلی پلیگون بافت زاویه ای 3) ایجاد یک سیستم تصمیم گیری فازی بر اساس توصیفگرهای شکلی بافت زاویه ای. 4) بهبود نتایج کشف شبکه ی راه 5) ارزیابی سیستم. در مرحله ی اول با استفاده از روش نظارت نشده ی k-means تصویر به دو کلاس راه و غیر راه تقسیم می شود. نقشه ی راه بدست آمده شامل مقداری نوفهمی باشد که نوفه ها با توجه به عرض راه و به گونه ای که اطلاعات اصلی از بین نرود با استفاده از روش کاهش نوفه ی میانه تقلیل داده می شوند. در مرحله ی دوم پارامترهای بافت زاویه ای برای هریک از پیکسل های راه محاسبه می شوند و توصیفگرهای میانگین، فشردگی و گریز از مرکز برآورد می گردند. به دنبال آن و در مرحله ی سوم توصیفگرهای شکلی بدست آمده از پارامترهای بافت زاویه ای وارد سیستم فازی می شوند و پیکسلهای راه از سایر پیکسل های دارای مشابهت طیفی نسبت به راه (سایه ها، پارکینگ ها، سقف ساختمان ها و ...) جدا می شوند. در سیستم فازی توسعه یافته هر پارامتر بافت زاویه ای (میانگین، فشردگی و گریز از مرکز) با توابع عضویت گوسین، به عنوان متغیرهای زبانی معرفی می شوند و پارامترهای توابع گوسین به صورت خودکار و با استفاده از خصوصیات آماری هر توصیفگر تنظیم می شوند. همچنین تعدادی قوانین اگر-آنگاه فازی بر پایه دانش بشری در سیستم فازی طراحی شده مورد استفاده قرار می گیرند. برای بدست آوردن خروجی قطعی (راه های آشکار شده) از غیرفازی ساز مرکز ثقل استفاده می شود. در این مرحله تعدادی از پیکسلهای راه (خصوصاً در تقاطع راه) نیز به اشتباه حذف می گردند. در مرحله ی چهارم یک روش نوین با تکیه بر ویژگی همسایگی پیکسل های راه توسعه داده شده است که پیکسلهایی را که به اشتباه حذف شده اند به سیستم برگرداند. پس از انجام این عملیات، مسیرهای کوچک به هم پیوسته و نوفه ها با تکیه بر یک حد آستانه حذف می شوند. مبنای این کار طول این مسیرهای کوچک است، به این صورت که هر مسیری که طولش کمتر از حد معینی باشد، حذف می شود. در مرحله ی آخر در ارزیابی سیستم، نتایج بدست آمده با شبکه ی راه استخراج شده به صورت دستی مقایسه می شود و تعدادی از پارامترهای ارزیابی شامل ضریب درستی آشکارسازی راه (rcc)، ضریب درستی آشکارسازی پس زمینه (bcc)و ضریب کاپا محاسبه می شوند. روش مرسوم طبقه بندی maximum likelihoodنیز بکار گرفته می شود و پارامترهای ارزیابی مشابهی جهت مقایسه تعیین می شود. نتایج حاصل کارایی روش مورد استفاده را در هر دو زمینه ی ارائه ی نتایج مطلوب و نیز دستیابی به درجه ی خوبی از اتوماسیون نشان می دهند. از طرفی این روش نتایج بهتری نسبت به روش maximum likelihoodنشان می دهد.

تخمین نویز یکی از مسائل کلاسیک در آنالیز داده ها و همچنین در مباحث سنجش از دور و به خصوص در داده های ابرطیفی می باشد. در این تحقیق، یک روش جدید تخمین نویز با استفاده از خطوط جذبی مواد مختلف در تصاویر ابرطیفی به نام netal معرفی می گردد. در این روش بر اساس ویژگیهای طیفی مواد و محاسبه پارامترهای خطوط جذبی، تصویر به نواحی همگنی تقسیم بندی شده سپس نویز در هر ناحیه جداگانه تخمین زده و نویز نهایی تصویر بر اساس نویز تخمین زده شده در هر ناحیه، محاسبه می شود. این الگوریتم با استفاده از داده های شبیه سازی شده و داده های واقعی مورد آزمایش قرار گرفته است. نتایج نشان داده که این روش با دقتی در حد روش رگرسیون چندگانه توانایی تخمین نویز را دارا می باشد. همچنین در این تحقیق، یک روش جدید که از ویژگیهای هندسی طیف و الگوریتم ژنتیک جهت استخراج اعضای خالص استفاده می نماید، پیشنهاد داده شده است. الگوریتم پیشنهادی به نام gop است، که شامل 3 مرحله، تخمین اولیه تعداد اعضای خالص با استفاده از پدیده های جذبی طیف، استخراج اولیه اعضای خالص با استفاده از تصویر نمودن داده ها بر روی زیرفضای قائم و استخراج اعضای خالص با استفاده از الگوریتم ژنتیک، می باشد. مزیت الگوریتم gop، این است که بصورت کاملاً خودکار بوده و نیاز به هیچ نوع پیش فرض در خصوص داده ها نمی باشد. نتایج این روش با استفاده از داده های شبیه سازی شده و واقعی مورد آزمایش قرار گرفته و با الگوریتمهای دیگر استخراج اعضای خالص مورد مقایسه قرار گرفت. نتایج این بررسیها نشان داد که این الگوریتم توانایی تخمین تعداد اعضای خالص و همچنین استخراج آنها را بصورت همزمان دارا می باشد. با توجه به اهمیت پدیده های جذبی موجود در طیف مواد، در شناسایی آنها، در الگوریتم پیشنهادی در این تحقیق، با نام afhd، از این پدیده های جذبی در طبقه بندی استفاده گردیده است. پارامترهای جذبی مهم، عمق باند جذبی و موقعیت باندهای جذبی می باشد. بدین منظور در این تحقیق ابتدا بر مبنای باندهای جذبی طیف پیکسل و مرجع کد گذاری گردیده و سپس محل پدیده های جذبی و همچنین عمق آنها محاسبه گردید و براساس موقعیت و عمق پدیده های جذبی و همچنین تعداد آنها یک معیار شباهت جدید معرفی گردید. الگوریتم پیشنهادی بر روی داده های شبیه سازی شده و داده های hymap مورد ارزیابی قرار گرفت. نتایج حاصل از الگوریتم و داده های برداشت شده توسط طیف سنج asd مورد ارزیابی قرار گرفت. نتایج نشان می دهد که با استفاده از این معیار و داشتن طیف مرجع می توان نسبت به شناسایی آن ماده در داخل تصویر اقدام نمود.

روشهای فتوگرامتری و سنجش از دور با توجه به وسعت منطقه تحت پوشش از یک طرف و نیز دقت قابل قبول این روشها از طرف دیگر، به عنوان روشهای مناسب جهت تولید و بهنگام رسانی اطلاعات مکانی و نقشه های پوششی شناخته شده اند. در حال حاضر یکی از زمینه های تحقیقاتی مهم در این رابطه کاهش نقش اپراتور انسانی در استخراج عوارض از تصاویر با قدرت تفکیک مکانی بالا با بکارگیری الگوریتمهای مختلف پردازش تصویر است. با توجه به تعداد زیاد ساختمانها در مناطق شهری دستیابی به یک مدل یا الگوریتم جهت استخراج اتوماتیک یا نیمه اتوماتیک این عارضه از تصاویر هوایی و ماهواره ای می تواند نقش انسان را در تولید نقشه های بزرگ مقیاس شهری به حداقل رسانده و هزینه و زمان تولید آنها را به شدت کاهش دهد. منحنیهای پویا بعنوان بعنوان یکی از روشهای مبتنی بر مدلهای ریاضی با بکارگیری اطلاعات گرادیان و یا اطلاعات طیفی تصویر، یک منحنی از پیش تعریف شده را در یک فرآیند تکراری به سمت محدوده عوارض موجود در تصویر هدایت می نماید. استفاده از این روش در استخراج اتوماتیک ساختمانها از تصاویر با قدرت تفکیک بالای هوایی و ماهواره ای نیازمند توسعه مدلهای ریاضی موجود و بکارگیری داده های چند طیفی و داده های ارتفاعی می باشد. در این تحقیق دو مدل جدید از منحنیهای پویا بنامهای اختصاری dfac و ldfac جهت استخراج عارضه ساختمان توسعه داده شده است. این دو مدل جدید که جزء نوآوریهای این تحقیق می باشد، مشکلات مدلهای موجود در استخراج اتوماتیک ساختمانها از تصاویر با قدرت تفکیک بالا را برطرف نموده است. مهمترین مزیت مدلهای جدید قابلیت استخراج یک عارضه هدف از تصویر، پایین بودن حساسیت به نویز حاصل از عوارض موجود برروی سقف ساختمانها و تفکیک ساختمانهای بهم چسبیده می باشد. در ادامه این مدلها برروی تصاویر هوایی پیاده سازی شده و خروجیهای حاصل از این مدلها بررسی و ارزیابی شده است. بکارگیری این مدلها در تصاویر مربوط به مناطق با ساختار پیچیده نیازمند استفاده از قیود هندسی مربوط به ساختمانها بوده و در این میان داده های ارتفاعی بعنوان قید انتخاب گردید. در انتها روش نوینی بعنوان بخش دیگری از نوآوریهای این تحقیق، ارائه گردیده که با استفاده از داده های ارتفاعی حاصل از داده های lidar تک تک ساختمانها بصورت جداگانه توسط مدلهای پیشنهادی استخراج می گردند و از اعمال مدل برروی کل تصویر خودداری شده است. این روش برروی یک تصویر هوایی با ساختار پیچیده تست و نتایج حاصله نشان دهنده دقت موقعیت کلی 96 درصد می باشد.

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 تصاویر ابرطیفی نیاز به روش هایی می باشد که به راحتی با ابعاد بالای داده های ورودی کار کرده و همچنین با نمونه های آموزشی کم، کاهش دقت چندانی حاصل نشود. بررسی های انجام شده نشان داده است که در حالت کلی روش های هسته و در حالت خاص ماشین های بردار پشتیبان روش-هایی هستند که قادرند تا حدود زیادی بر این مشکلات فائق آیند. در این تحقیق بعد از تعیین 12 عدد تعداد باند های بهینه از 185 باند طیفی تصویر به بررسی پارامتر های موثر در طبقه بندی کننده ماشین-های بردار پشتیبان مانند نوع هسته و مقدار نمونه های آموزشی پرداخته شده است. به منظور استفاده بهینه از محتوای اطلاعاتی تصاویر نه تنها اطلاعات طیفی بلکه اطلاعات مکانی نیز در روال های طبقه-بندی مورد استفاده گرفته است. در این تحقیق از اطلاعات بافت تصویر در کنار اطلاعات غنی طیفی تصاویر ابرطیفی به منظور بهبود دقت نتایج طبقه بندی استفاده شده است. نتایج نشان داد که ترکیب 12 باند طیفی با 30 باند بافت (همه ویژگی های بافت باهم) بالاترین دقت را حاصل می نماید. در بهترین حالت ترکیب اطلاعات طیفی- مکانی دقت 0.9203 حاصل شد که این امر در مقایسه با اطلاعات طیفی به افزایش دقتی در حدود 5 درصد منجر گردید . همچنین دقت طبقه بندی کننده در ترکیب با داده-های مکانی نسبت به اندازه پنجره مکانی (3×3 تا 21×21) و چهار جهت بردار فاصله ( ?0، ?45، ?90 و ?135) نیز ارزیابی گردید.

خصوصیات هر سطح گسترده ی موجود در تصاویر sar به وسیله ی ضریب بازپراکنش (?^0) و بافت آن سطح قابل شناسایی است. اما دقت برآورد این پارامترها در هر پیکسل از این تصاویر توسط پدیده نویزگون speckle کاهش می یابد. این پدیده که حاصل برهم نهی سازنده یا ویرانگر امواج بازپراکنش شده از سطح جسم می باشد، در تصویر به صورت لکه های روشن و تاریک دیده می شود. وجود speckle در تصاویر sar تا حدی اجتناب ناپذیر است که می توان گفت همه ی پیکسل های تصاویر sar تحت تأثیر این پدیده تولید می-شوند. با کاهش اثر speckle می توان قدرت تفکیک سطوح مختلف را در تصاویر sar افزایش داد. در مناطق همگن تصویر که جنس سطح در آن ثابت می باشد، با میانگین گیری از پیکسل های مجاور می توان به تخمین درجه خاکستری بدون نویز پیکسل های آن منطقه پرداخت. اما در مناطق مرزی بین سطوح (لبه ها) نمی توان از این تخمین استفاده کرد. دو راه حل مرسومی که برای کاهش تاثیر speckle در تصاویر sar ارائه شده است عبارتند از: آنالیز multi-looking و استفاده از فیلترهای adaptive. آنالیز multi-looking بدون توجه به ارتباط رادیومتریک بین پیکسل ها، اقدام به میانگین گیری بین درجات خاکستری پیکسل های مجاور می کند. اما در فیلترهای adaptive، سعی بر جلوگیری از رخ دادن این اشتباه می باشد. این فیلترها در طی فرایند نرم کردن تصویر (کاهش speckle) در مناطق همگن، از اعمال میانگین گیری در لبه ها خودداری می کنند. این فرایند مانع کاهش وضوح لبه ها نیز می شود. در بیشتر فیلترهای adaptive موجود، برای تشخیص لبه های تصویر از ضریب پراکندگی استفاده می شود. علی رغم قطعی بودن وجود یا عدم وجود لبه در یک کرنل، تشخیص آن به صورت قطعی ممکن نمی باشد. موضوع دیگری که در طراحی فیلترهای adaptive مورد بحث است، تخمین میزان تأثیر نامطلوبی است که speckle بر روی هر پیکسل گذاشته است که البته این موضوع هم به صورت قطعی قابل بیان نیست. عدم قطعیت در این مورد به معنای ناتوانی در تشخیص تأثیر یا عدم تأثیر speckle نیست، بلکه در تشخیص میزان تأثیر است. در این پژوهش برای برآورد این دو عدم قطعیت مشکل ساز در فیلترهای adaptive، تعاریفی فازی ارائه شده است. سپس با استفاده از این تعاریف فازی، دو فیلتر adaptive-fuzzy پیشنهاد شده است تا بتواند به صورت مطلوب نویزها را در تصاویر sar کاهش داده و در طی این فرایند از تخمین های ناصحیح و نرم شدگی لبه ها جلوگیری کنند. پس از پیشنهاد این دو فیلتر، برای تشخیص میزان توانایی این فیلترها برای دست یافتن به اهداف تعیین شده و مقایسه آن ها با سایر فیلترهای adaptive موجود، به الگوریتم های ارزیابی نیاز بود. اما با وجود تنوع الگوریتم های موجود، دسته بندی مدونی برای آن ها وجود نداشت. لذا ابتدا یک دسته بندی برای الگوریتم های ارزیابی فیلترها ارائه شده و سپس با استفاده از آن ها اقدام به مقایسه فیلترهای پیشنهادی با فیلترهای موجود گردید. نتایج این ارزیابی ها نشان داد که فیلترهای پیشنهاد شده دارای توانایی بالایی در کاهش نویزهای موجود در تصاویر هستند و بهتر از دیگر فیلترهای موجود، لبه های موجود در تصاویر را حفظ می کنند.

هدف اصلی این پایان نامه طراحی و پیاده سازی یک سیستم نیمه اتوماتیک جهت مانیتورینگ سازه های بزرگ با استفاده از روش فتوگرامتری بردکوتاه می باشد. ایده اولیه این تحقیق با توجه به مشکلات و محدودیتهای روشهای متداول دستی مانیتورینگ استفاده از تکنیکهای اتوماتیک جهت تعیین جابجایی و تغییر شکل سازه ها می باشد. شایان ذکر است در کشورمان علی رغم معضلات موجود در روش های مرسوم تا به حال روشی اتوماتیک یا نیمه اتوماتیک که بتواند در عمل تمهیداتی را برای کاهش یا حل این محدودیتها فراهم آورد، هنوز به کار گرفته نشده است. نتایج حاصله از مانیتورینگ به عنوان اطلاعات مبنایی در تعیین پارامترهای رفتارسنجی و آنالیز سطوح بیرونی سازه های بنیادی نظیر سدها، نیروگاه ها، پل ها، سازه های بلندمرتبه کاربرد دارند. روش پیشنهادی این تحقیق به منظور دستیابی به یک چارچوب نیمه خودکار در روش فتوگرامتری برد کوتاه جهت پایش سازه های مختلف با استفاده از تصاویر اخذ شده در شرایط متفاوت می باشد. از بارزترین معیارهای ایجاد روش می توان به حفظ کیفیت و صحت، دقت و سرعت بالای روش در اجرا، هزینه بسیار پایین تر نسبت به روشهای متداول اشاره نمود. تست و ارزیابی روش های اتوماتیک پیشنهادی با مطالعه موردی برروی یک سازه بزرگ انجام پذیرفت. در انجام ارزیابی معیار مقایسه نتایج مستقل حاصل از روش کلاسیک را مد نظر قرارگرفت. در اجرای روش اتوماتیک فتوگرامتری بردکوتاه مختصات حاصله از تعیین موقعیت ماهواره به عنوان نقاط کنترل زمینی قرارگرفت. در شناسایی و تناظریابی اتوماتیک تارگتها با طراحی و تولید نسبت به نصب تارگتهای کددار بر روی سطح سازه اقدام شد. سپس با این رویکرد که هر میزان بتوان فضای جستجو را کاهش داد، نه تنها مرحله تطابق سریعتراجرا میشود، بلکه به شرط حفظ اطلاعات مفید، احتمال وجود خطا در تطابق نیز کاهش خواهد یافت. از میان الگوریتمهای مختلف تناظریابی، تلفیقی از روشهای عارضه مبنا و ناحیه مبنا دراین تحقیق انتخاب شده است. سپس با انجام کدنویسی نرم افزاری عملیات شناسایی و استخراج مختصات عکسی مراکز تارگتها به روش اتوماتیک و بدون دخالت و نظارت عامل انسانی انجام شد. ارزیابی نتایج تعیین جابجایی دستی و اتوماتیک نشان می دهد دقت در هر مرحله 0.42 میلیمتر و صحت در مرحله اول 4.86 میلیمتر و مرحله دوم 4.32 میلیمتر برای 34 تارگت کددار مورد اندازه گیری بهبود یافته است. مجموعه تحقیق پیش رو با انجام ارزیابی بین نتایج حاصل از روش اتوماتیک فتوگرامتری برد کوتاه و روش مستقل کلاسیک قابلیت روش پیشنهادی را به عنوان یک تکنیک سریع، قابل انعطاف، دقیق برای استفاده در پایش سازه های بزرگ با اثبات می رساند.

غنای داده های طیفی موجود در تصاویر ابرطیفی امکان مناسبی را برای تفکیک کلاس های مختلف عوارض موجود در صحنه تصویربرداری فراهم می کند. اما با اتکا به اطلاعات طیفی موجود در بردار ویژگی طیفی پیکسل ها نمی توان به حداکثر دقت ممکن طبقه بندی دست یافت. روش های مختلفی به منظور بهبود دقت طبقه بندی با ایجاد ویژگی های جدید یا تغییر بردار ویژگی موجود به منظور افزایش تفکیک پذیری کلاس ها در فضای ویژگی ارائه شده است. از جمله روش هایی که به این منظور مورد استفاده قرار می گیرد استفاده از محتوای مکانی موجود در تصاویر است. با افزایش حدتفکیک مکانی سنجنده ها استفاده از این داده ها نیز تسهیل شده است. روش های قدیمی که به این منظور استفاده می شوند عمدتاً از محاسبات ریاضی غیرقابل درک توسط انسان به این منظور استفاده می کنند و توانایی استفاده از تمامی ساختارهای مکانی موجود در تصویر برای آن ها فراهم نیست. روش طبقه بندی شئ گرا به عنوان یک روش نوین به این منظور توسعه یافته و از ساز و کار درک بصری انسان از تصاویر برای افزودن اطلاعات مکانی به طبقه بندی استفاده می کند. به منظور ارزیابی قابلیت روش طبقه بندی شئ گرا در استخراج اطلاعات از داده های ابرطیفی در این پایان نامه مقایسه جامعی بین روش های طبقه بندی پیکسل مبنا و شئ گرا انجام شده است. شش روش طبقه بندی نظارت شده (ml, fll, svm, be, sam, sid) انتخاب شده اند و ویژگی های استخراج شده با استفاده از روش های نظارت شده (dafe, dbfe, nwfe) و نظارت نشده ی (mnf, pca, ica, band mean) استخراج ویژگی برای انجام طبقه بندی استفاده شده است. در مرحله اول، طبقه بندی پیکسل-مبنا انجام شده و تعداد ویژگی که بهترین دقت طبقه بندی را حاصل کرده به عنوان تعداد ویژگی بهینه انتخاب شده است. برای انجام طبقه بندی شئ گرا ابتدا اشیای تصویری با استفاده از روش قطعه بندی fnea تولید شده اند. برای تعیین پارامترهای بهینه برای انجام قطعه بندی حالت های مختلف مورد آزمایش قرارگرفته است و سپس طبقه بندی اشیای تولیدشده به این روش با انتساب ویژگی های بهینه به اشیا و شش روش طبقه بندی انجام شده است. آزمایشات بر روی 103 باند از مجموعه داده سنجنده rosis که از یک منطقه شهری در کشور ایتالیا اخذ شده انجام شده اند. مقایسه نتایج به دست آمده حکم به برتری روش طبقه بندی شئ گرا در همه حالت های ترکیب ویژگی ها و طبقه بندی کننده های مورد استفاده می دهد. بهبود دقت به طور متوسط به صورت افزایش 8.25 درصدی دقت کلی روش شئ گرا در مقابل روش پیکسل مبنا قابل مشاهده است.

مرتبط سازی تصویر روند تعیین بهترین تطبیق مکانی بین دو یا چند تصویر بدست آمده در زمان‏های مختلف، از منظرهای متفاوت و یا با سنسورهای مختلف می‏‏باشد که دو تصویر مبنا و ورودی را به صورت هندسی بر هم منطبق می‏‏نماید. این فرآیند شامل چهار مرحله استخراج عوارض، تناظریابی عوارض، محاسبه‏ی تابع تبدیل و نمونه برداری و ترانسفورماسیون می‏‏باشد. هر یک از این موارد نقش مهمی ‏‏‏را در فرآیند مرتبط سازی ایفا می‏‏نمایند، اما استخراج عوارض و تناظریابی میان آن ها مهم ترین مراحل از این فرآیند می‏‏باشند. تناظریابی نقاط مرتبط یکی از چالش برانگیزترین مسائل در سنجش از دور است که روش‏های زیادی برای حل این مسئله ارائه شده اند. هدف اصلی این پایان نامه پیاده سازی روش تناظریابی با استفاده از شبکه عصبی هاپفیلد برای انواع مختلف تصاویر هوایی و ماهواره ای می باشد. در این تحقیق به منظور انجام تناظریابی به ترتیب از شبکه عصبی هاپفیلد مرتبه 4 و مرتبه 2 استفاده می شود. شبکه عصبی هاپفیلد مرتبه 4 در تناظریابی با مشکلاتی مواجه می باشد. در این شبکه، با افزایش تعداد نقاط استخراج شده از تصاویر مبنا و ورودی زمان همگرایی شبکه و احتمال همگرایی به مینیمم های محلی مشکل ساز می شود. علی رغم استخراج همه و یا اکثر تناظرهای درست توسط این شبکه مشکلات مطرح شده کارایی شبکه عصبی هاپفیلد مرتبه 4 را برای تناظریابی کاهش می دهد. در راستای حل این مشکل راه حل پیشنهادی در این تحقیق، استفاده از شبکه عصبی هاپفیلد مرتبه 2 می باشد. در مقایسه با شبکه مرتبه 4 به دلیل کاهش مرتبه در شبکه عصبی هاپفیلد مرتبه 2، زمان همگرایی و احتمال همگرایی به مینیمم های محلی کاهش می یابد. برای تناظریابی با شبکه عصبی هاپفیلد مرتبه 2 نیاز به حداقل 2 جفت نقطه متناظر اولیه می باشد. این نقاط متناظر اولیه با استفاده از شبکه عصبی هاپفیلد مرتبه 4 بدست می آیند. در این راستا با استفاده از اپراتور harris نقاطی با تعداد محدود از تصاویر مبنا و ورودی استخراج می شوند. سپس با استفاده از شبکه عصبی هاپفیلد مرتبه 4 نقاط متناظر بدست می آیند. پس از انجام آنالیز حداقل دو جفت نقطه متناظر مناسب انتخاب می گردند و برای تناظریابی تعداد بیشتری از نقاط وارد شبکه عصبی 2 بعدی هاپفیلد می شوند. نتایج ارزیابی بر روی انواع مختلف تصاویر ماهواره ای بیانگر موفقیت این روش در جستجوی تناظر های درست بوده است.

در غیاب اطلاعات افمریز مدار ماهواره ها و هندسه داخلی سنجنده، تبدیلات غیرپارامتریک نظیر مدل توابع کسری به عنوان یکی از مهم ترین و پرکاربردترین انواع مدل های ریاضی در جوامع فتوگرامتری و سنجش از دور شناخته می شوند. اما وابستگی این مدل ها به تعداد زیادی نقاط کنترل زمینی، مشکلات عددی موجود در حل آنها و مشکل انتخاب ترم های سازنده ساختار تابع کسری را می توان از عمده ترین ضعف های این روش برشمرد. از آنجاییکه برای ترم ها و ضرائب در مدل ریاضی توابع کسری، هیچ معنی و تفسیر فیزیکی خاصی وجود ندارد، در روش های متداول معمولاً تمامی ترم ها در پروسه محاسباتی وارد می شوند که این امر منجر به بروز خطای over-parameterization خواهد شد. به منظور رفع این مشکل، در این پایان نامه الگوریتم کلونی مورچه ها در دو بخش بر روی مجموعه داده های مختلفی مورد آزمون و ارزیابی قرار گرفت. در بخش اول پیاده سازی الگوریتم کلونی مورچه ها را جهت تصحیح هندسی تک تصویر، بر روی سه تصویر در سطوح تصحیح هندسی مختلف با ترکیب های مختلفی از نقاط کنترل (gcps) و نقاط چک مستقل (icps) در سه سیستم مختصات زمینی utm، ct و ژئودتیک و بدون نرمال سازی مختصات های زمینی و تصویری مورد آزمون قرار دادیم. در بخش دوم پیاده سازی ها نیز الگوریتم کلونی مورچه ها جهت بازسازی سه بعدی زمین با استفاده از زوج تصویر استرئو، بر روی یک زوج تصویر و در سیستم مختصات زمینی utm و بدون نرمال سازی مختصات ها مورد آزمون قرار گرفت. نتایج نشان داد که الگوریتم کلونی مورچه ها بخوبی قادر است ترم های بهینه در ساختار تابع کسری را جهت جلوگیری از بروز مشکل over-parameterization و همچنین مشکلات عددی، چه در پروسه بازسازی سه بعدی زمین با استفاده از زوج تصویر و چه در تصحیح هندسی تک تصویر و در تصاویر در سطوح مختلف، حتی تصاویر خام، با سرعت بالایی بیابد. همچنین نتایج نشان داد، سیستم مختصات ct نسبت به دو سیستم مختصات دیگر، قابلیت های بهتری، چه به لحاظ دقت و چه به لحاظ سرعت همگرایی دارد .به عنوان یک نتیجه کلی می توان گفت با بکارگیری الگوریتم بهینه سازی کلونی مورچه ها و استفاده از تنها 4 نقطه کنترل زمینی، می توانیم به دقت های در حد 0.6 پیکسل در تصاویر با سطوح مختلف دست یابیم. نتایج حاصل از بهینه سازی توابع کسری در پروسه بازسازی سه بعدی زمین نیز دقت های زیر پیکسل در فضای زمین را نشان دادند.

توابع کسری به منظور ایجاد ارتباط بین فضای تصویر و فضای زمین مورد استفاده قرار می گیرند. داشتن تعداد زیاد ضرایب و احتیاج به نقاط کنترل زیاد برای رسیدن به دقت مناسب از جمله مشکلاتی است که هنگام استفاده از این عوارض با آن روبرو خواهیم شد. ایده استفاده از عوارض خطی به علت داشتن اطلاعات هندسی بیشتر نسبت به نقاط برای حل این مشکلات می تواند مورد بررسی قرار گیرد. مسئله مهم در این راستا تعیین مدل مناسب برای استفاده از ویژگی های خطوط است. در این تحقیق مدل مناسبی از خط براساس توابع کسری ارائه شده است. روش ارائه شده دارای معادله ساده ‏ای بوده و همین امر مسئله سرشکنی آن را تسهیل کرده است. ایده اصلی تشکیل معادلات بر این فرض استوار است که نقاط واقع بر روی خط در فضای زمین، هنگام تصویر شدن بر روی تصویر باید بر روی خط متناظر با آن قرار گیرند. در این تحقیق روش پیشنهادی بر روی توابع مختلف کسری در دو دسته کلی دوبعدی و سه بعدی پیاده سازی شد. در مدل های سه بعدی معادلات dlt و چند تابع کسری و از توابع دوبعدی تابع 2d projective مورد ارزیابی قرار گرفت. در تمامی حالات با استفاده از روش پیشنهادی مقدار rmse کاهش یافت. به عنوان مثال با 8 نقطه کنترل در معادلات dlt مقدار rmse در حالت استفاده از خطوط نسبت به روش های معمول 4.60 پیکسل بهبود ایجاد کرده است. این rmse بدست آمده تقریبا با مقدار rmse بدست آمده با استفاده از 11 نقطه کنترل و روش های معمول برابر بود. این نتایج بیانگر تاثیر روش پیشنهادی بر روی بهبود دقت و کاهش نقاط کنترل می باشد. کلید واژه: عوارض خطی، توابع کسری، تصحیح هندسی، تصاویر هوائی و ماهواره ای

هدف از این تحقیق بهبود عملکرد تکنیک بازپراکنش کننده دائمی stamps با استفاده از داده های با نمونه برداری مکانی و زمانی بالای terrasar-x است. با ظهور چنین داده هایی تحولی عظیم در زمینه ی تداخل سنجی راداری صورت گرفته است. استفاده از تکنیک های مبتنی بر بازپراکنش کننده های دائمی در سال های اخیر در زمینه تداخل سنجی راداری بدلیل دارا بودن مزیت های فراوان نسبت به روش های متداول افزایش یافته است. در این میان تکنیک stamps دارای خصوصیاتی است که بنوعی آن را از سایر روش های موجود متمایز می نماید. عدم استفاده از پیش فرض های اولیه در مورد روند تغییر شکل و امکان استفاده از آن حتی در مناطق شهری از مزیت های قابل توجه این روش می باشد. اما در مناطقی که گرادیان تغیر شکل بالا است تکنیک stamps در مرحله بازیابی فاز دچار خطا گشته و تخمین درستی از نرخ جا به جایی و الگوی آن در اختیار نمی گذارد. این خطا ناشی از نقض شرط نایکوئیست در این مرحله، بدلیل فاصله زیاد نمونه برداری در بعد زمان و مکان داده های مورد استفاده، است. تاکنون روش های زیادی بمنظور بهبود الگوریتم ارائه گردیده است. اما بنوعی هرکدام محدودیت هایی را وارد روند پردازش می نمایند. از این رو برآنیم تا بتوانیم بجای تغییر در الگوریتم با تغییر داده مورد استفاده محدودیت ها و مشکلات موجود را از میان برداریم. استفاده از داده های terrasar-x بدلیل برخی ویژگیهای خاص این نوع داده ها می تواند تاثیر بسزایی در حل نمودن این مشکل داشته باشد. نرخ نمونه برداری بالا چه در بعد مکان و چه در بعد زمان کمک بسیاری در رفع مشکل بازیابی فاز در روش stamps می نماید. در این پروژه ابتدا تکنیک stamps برروی داده های terrasar-x اعمال گردید. سپس نتایج بدست آمده از آن با نتایج حاصل از داده های envisat موجود در منطقه مقایسه شد. سپس دادههای terrasar-x با استفاده از روش متداول تداخل سنجی راداری مورد پردازش قرار گرفتند. نتایج حاصل از دو روش stamps و تداخل سنجی راداری متداول با یکدیگر مقایسه گردید. در انتها بمنظور ارزیابی صحت نتایج از دادههای ترازیابی موجود در منطقه استفاده شد. پس از بررسی های انجام گرفته نتایج نشان می دهند که دادههایterrasar-x بمیزان قابل توجهی نتایج بدست آمده از میزان نرخ جابه جایی را نسبت به دادههای envisat موجود، در تکنیک stamps بهبود بخشیده اند و تا حد زیادی با نتایج بدست آمده از روش تداخل سنجی متداول همخوانی دارند. همچنین مقایسه نتایج بدست آمده از دو روش با داده های ترازیابی موجود صحت نتایج را تائید می نماید.افزایش چگالی نقاط بازپراکنش کننده دائمی شناسایی شده در تکنیک stamps از 210 به 2900 بازپراکنش کننده دائمی در هر کیلومتر مربع موجب در اختیار گذاشتن الگوی مناسبی از جا به جایی می گردد. همچنین افزایش نرخ بیشینه فرونشست برآورد شده در منطقه از 3 سانتیمتر در سال به 12 سانتیمتر در سال بهبود چشمگیری را در تکنیک stamps با استفاده از داده های terrasar-x در مقایسه با داده های envisat نشان می دهد.

طبقه بندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیط های فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش به روز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از داده های سنجش از دور به طور فزاینده ای در میان بسیاری از جوامع احساس می شود. با پیشرفت های اخیر در داده، فن آوری، و نظریه های سنجش از دور، ضرورت این امر بیشتر نیز می شود. پیشرفت سنجنده های جدید، پتانسیل بالایی برای طبقه بندی شهری را نشان می دهد. با این وجود، عملکرد روش های طبقه بندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روش های جدیدتر برای رفع این محدودیت ها بیشتر احساس می شود. از طرف دیگر، روش های جدید در بازشناسی الگو همانند جنگل تصادفی (rf )، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقه بندی تصویر و بازشناسی الگو به خود جلب کرده است. چندین تحقیق نیز مزایای rf در طبقه بندی کاربری اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و استفاده از تصاویر ماهواره ای جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شی گرا و طبقه بندی rf برای بهبود طبقه بندی پیشنهاد شده و مورد بررسی قرار گرفته است. برای مقایسه، روش های طبقه بندی مرسوم نیز انجام شده است. در طبقه بندی پیکسل-مبنا با الگوریتم های مختلف طبقه بندی، rf بالاترین دقت کلی را در حدود 82%، و در طبقه بندی شی-مبنا svm بالاترین دقت کلی را در حدود 79% و rf دقت 77% را تولید کرد. در طبقه بندی ویژگی های شی-مبنا برای اشیا حاصل از قطعه بندی یک سطح با روش پیشنهادی دقت کلی الگوریتم rf از 75% به 76%، دقت کلی الگوریتم svm از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده شد. بنابراین نتایج این تحقیق نشان می دهد که روش پیشنهادی می تواند عملکرد طبقه بندی را از نظر دقت و سرعت بهبود بخشد.

با توجه به توسعه کاربرد های سنجش از دور، استفاده از تصاویری با قدرت تفکیک مکانی و طیفی بالا بطور همزمان در مطالعات پوشش زمین، بررسی مناطق شهری و پوشش گیاهی از اهمیت بسیاری برخوردار است. اطلاعات یک تصویر بر مبنای قدرت تفکیک طیفی و مکانی آن قابل استخراج است، ولی با توجه به محدودیت های تکنولوژیکی و فیزیکی سیستم های تصویر برداری نمی توانند تصاویر مورد نیاز را برای تمیز دادن اشیا هم بصورت طیفی و هم بصورت مکانی در یک زمان تهیه کنند. بنابراین تلفیق تصاویر بعنوان راه حلی برای دست یابی به چنین تصاویری با قدرت تفکیک طیفی و مکانی بالا مطرح شد. الگوریتم های تلفیق زیادی در جهت بهبود قدرت تفکیک مکانی و همچنین حفظ خصوصیات طیفی تصویر چندطیفی در سطح پیکسل توسعه یافته اند. با توجه به افزایش استفاده از داده فراطیفی ضروری است تا تکنیک های موثر در تلفیق این داده ها را بشناسیم. تعداد زیاد باند، عدم تطابق پوشش طیفی تصویر با قدرت تفکیک مکانی بالا با محدوده طول موج مورد استفاده تصویر فراطیفی و نسبت قدرت تفکیک مکانی بین تصویر فراطیفی و تصویر با قدرت تفکیک مکانی بالا از عواملی هستند که تلفیق این تصاویر را پیچیده تر می سازند. در این پژوهش تلفیق تصویر فراطیفی هایپریون با تصاویر با قدرت تفکیک مکانی بالا از قبیل تصویر چندطیفی avnir، تصویر پانکروماتیک ali، تصویر چندطیفی irs-p6، تصویر چندطیفی و پانکروماتیک ikonos و تصویر پانکروماتیک irs-p5 مورد ارزیابی قرار گرفته است. از الگوریتم-های رایج تلفیق از قبیل ihs، pca، fast-ihs، wavelet-ihs و fft-ihs با دو تبدیل ihs خطی و غیر خطی استفاده گردید. برای ارزیابی کیفیت طیفی و مکانی تصاویر تلفیق شده از معیار-هایی چون ضریب همبستگی، نسبت سیگنال به نویز، خطای کمترین مربعات، بایاس، اختلاف باند، شاخص انحراف، ergas و ضریب همبستگی فیلتر شده استفاده گردید. نتایج نشان داد که تلفیق تصویر فراطیفی و تصویر با قدرت تفکیک مکانی بالا امکان پذیر است و می توان از این الگوریتم ها در تلفیق این تصاویر استفاده نمود. بالاترین کیفیت طیفی با استفاده از الگوریتم های fft-ihs و wavelet-ihs و بالاترین کیفیت مکانی با استفاده از الگوریتم fast-ihs حاصل می گردد. تأثیر نسبت قدرت تفکیک مکانی تصاویر ورودی، دقت تصحیح هندسی تصاویر بر روی کیفیت طیفی و مکانی تصاویر تلفیق شده و همچنین اثرات تلفیق بر روی نتایج طبقه بندی نیز مورد بررسی قرار گرفت. نتایج نشان داد که با افزایش نسبت قدرت تفکیک مکانی از کیفیت طیفی و مکانی تصاویر تلفیق شده کاسته می گردد و نسبت قدرت تفکیک مکانی 12 یا بالاتر منجر به کاهش شدید کیفیت طیفی تصویر تلفیق شده می گردد. رابطه مستقیمی نیز بین دقت تصحیح هندسی و کیفیت تصاویر تلفیق شده وجود دارد؛ هر چه دقت تصحیح هندسی بالاتر کیفیت طیفی و مکانی تصاویر تلفیق شده بالاتر خواهد بود. همچنین استفاده از تلفیق موجب بهبود دقت طبقه بندی می گردد.

هدف از این پژوهش ارائه روشی جهت کشف ساختما ن ها و بازسازی مدل سه بعدی آن ها از طریق تصویر هوایی و داده های لیدار می باشد. این پژوهش شامل سه مرحله کلی آشکارسازی ساختمان ها، بازسازی مرز دو بعدی ساختمان و بازسازی مدل سه بعدی ساختمان ها می باشد. جهت کشف ساختمان ها در ابتدا عوارض مرتفع (درختان و ساختمان ها) از روی داده های لیدار استخراج می شود و سپس طبقه بندی ماشین های بردار پشتیبان (svms) و دسته بندی k-means بر مبنای ژنتیک جهت جداسازی ساختمان ها و درختان بکار گرفته می شود. ویژگی های مورد استفاده در طبقه بندی از تصویر هوایی و داده های لیدار استخراج شده است و داده های آموزشی جهت انجام طبقه بندی ماشین های بردار پشتیبان بصورت نیمه اتوماتیک انتخاب شده است. جهت پس پردازش نتایج طبقه بندی نیز از عملگرهای مورفولوژی ریاضی استفاده شده است. بعد از جداسازی درختان، جداسازی ساختمان های غیر هم ارتفاع بر اساس دسته بندی k-means انجام گرفته است نتایج نشان می دهد که روش پیشنهادشده برای کشف ساختمان ها در کشف ساختمان هایی با ابعاد متفاوت می تواند موفق باشد. شاخص های پیکسل مبنا جامع بودن، صحیح بودن و کیفیت برای نتایج کشف ساختمان ها در روش طبقه بندی ماشین های بردار پشتیبان به ترتیب 86/60%، 99/10%، 85/92% و در روش دسته بندی k-means بر مبنای ژنتیک به ترتیب 86/22%، 99/11%، 85/55% می باشند. در مرحله بازسازی مرز دو بعدی ساختمان، مرزهای دو بعدی ساختمان ها بعد از برداری کردن با خلاصه سازی و عمود سازی استخراج گردیده اند. در این تحقیق، بازسازی سه بعدی ساختمان در سطح lod2 انجام گرفته است. در مرحله بازسازی مدل سه بعدی ساختمان ها جهت کشف ساختار سقف ساختمان ها، ابتدا پارامترهای صفحه برازش یافته به نقاط لیدار داخل هر کرنل بدست می آیند و با در نظر گرفتن این پارامترها بعنوان ویژگی های هر ساختمان، دسته بندی iso-data انجام گرفته است که در نهایت نتایج این دسته بندی بیانگر تعداد سطوح صفحه ای هر ساختمان می باشد. با ادغام صفحات نزدیک و موازی و برازش صفحه به هر سطح صفحه ای، تعداد و پارامترهای سطوح صفحه ای هر ساختمان مشخص گردیده است. با تقاطع این سطوح و بدست آوردن نقاط میانی هر ساختمان، مدل سه بعدی ساختمان ها بازسازی شده اند. مقدار rms ارتفاعی صفحات تعیین شده برای ساختار سقف ساختمان ها 0/4 متر و مقدار خطای rms کلی رئوس پلیگون های این صفحات 0/9 متر می باشد.

درفعالیت های مربوط به صنعت نفت به خصوص اکتشاف چشمه های نفتی، داده های سنجش از دوری می توانند کمک بسزایی را داشته باشند. از جمله مزیت های استفاده از این داده ها می توان به کاهش هزینه و ریسک موجود در فعالیت های اکتشافی اشاره کرد. چشمه های نفتی تاثیراتی را بر محیط پیرامون خود می گذارند که با در نظر گرفتن آن ها می توان دقت کار اکتشافی را بالا برد و هم چنین از ایجاد هزینه های گزاف جلوگیری کرد. در این تحقیق به ارزیابی پتانسیل تصاویر فراطیفی در آشکارسازی چشمه های نفتی پرداخته شده است. این کار با استفاده از تصویر فراطیفی سنجنده هایپریون، مربوط به منطقه کمارون در نزدیکی شهرستان ایذه، و به کارگیری الگوریتم های ace، cem، mf و mtmf در شناسایی و آشکارسازی هدف در سطح زیر پیکسل صورت گرفته است. در ابتدا پردازش های لازم برای آماده سازی تصویر انجام شد. طیف ورودی به الگوریتم ها نیز از طریق عملیات طیف سنجی میدانی بدست آمد. پس از پیاده سازی الگوریتم ها و اعمال حدآستانه ها، در نهایت چهار نقطه به عنوان تراوشات نفتی بدست آمد. نقطه 1 به مختصات 5/3548917 شمالی و 5/365182 شرقی (متر) توسط هر 4 الگوریتم، نقطه 2 به مختصات 5/3545782 شمالی و 5/366007 شرقی (متر) توسط الگوریتم های cem، mf و mtmf، نقطه 3 به مختصات 3541447.5 شمالی و 5/369067 شرقی (متر) توسط الگوریتم های ace، cem، mf و نقطه 4 به مختصات 5/3547117 شمالی و 5/364057 شرقی (متر) تنها توسط الگوریتم ace به دست آمدند. با مقایسه نتایج با نقشه موجود از تراوشات منطقه، صحت نقاط 1 و 2 مورد تایید واقع شد و به منظور بررسی دو مورد دیگر، نیاز به عملیات میدانی می باشد. کلمات کلیدی: تصویر فراطیفی، الگوریتم های شناسایی هدف، طیف سنجی میدانی، تراوشات هیدروکربنی

زلزله یکی از مخرب ترین حوادث طبیعی است. وقوع زلزله در مناطق شهری باعث تخریب ساختمان ها و آسیب افراد ساکن در آن می شود. یکی از اولین اقدامات پس از وقوع زلزله، امدادرسانی است. تعیین موقعیت ساختمان های آسیب دیده می تواند سرعت را در امدادرسانی ارتقاء دهد. یکی از منابع اصلی در تهیه نقشه ی تخریب ساختمان ها، علم سنجش از دور است. تحقیقات بسیاری در بحث ارزیابی خسارت با استفاده از تصاویر سنجش از دور انجام شده است. هدف این تحقیق ارائه یک روش ارزیابی خسارت به ساختمان با استفاده از منطق فازی و آنالیز شیء مبنا است. در این تحقیق دو روش بر پایه پیکسل و بر پایه اشیاء ارائه شدند. در روش بر پایه پیکسل، اطلاعات آوار، ساختمان و سایه هر ساختمان با استفاده از روش بر پایه پیکسل استخراج شدند، سپس این اطلاعات وارد یک مدل فازی و ژنتیک و یک مدل عصبی فازی شدند، این 2 مدل با استفاده از داده های تعلیمی آموزش داده شدند. نتایج حاصل از روش بر پایه پیکسل با استفاده از نقاط ارزیابی بررسی شدند، صحت کلی روش با استفاده از مدل فازی و ژنتیک و مدل عصبی-فازی به ترتیب 100% و 78% محاسبه شد. در روش بر پایه اشیاء ابتدا تصویر منطقه قطعه بندی شد، سپس با استفاده از تصویر طبقه بندی در سطح پیکسل به هر قطعه کلاس اختصاص داده شد، در گام بعد ویژگی های هندسی قطعات ساختمان ها استخراج شدند و وارد یک مدل فازی و ژنتیک و یک مدل عصبی-فازی شدند، این 2 مدل با استفاده از داده-های تعلیمی آموزش داده شدند. نتایج حاصل از روش بر پایه اشیاء با استفاده از نقاط ارزیابی بررسی شدند، صحت کلی روش با استفاده از مدل فازی و ژنتیک و مدل عصبی-فازی به ترتیب 78% و 79% محاسبه شد.

حجم عمده ای از تصمیمات کلان و راهبردی اخذ شده توسط مدیران و برنامه ریزان به موقعیت و مکان عوارض منتسب و مربوط می باشد، لذا وجود اطلاعات مکانی دقیق و بهنگام از منابع کشور در یک پایگاه داده جامع مکان مرجع به همراه تجزیه و تحلیل های مرتبط، از مهم ترین ابزارهای تصمیم گیری و مدیریت بهینه می باشد. از بین اطلاعات مکانی، ساختمان به عنوان یکی از مهم ترین عوارض ساخت دست بشر، بیشترین تعدد را در مناطق شهری و نیمه شهری داشته و درنتیجه بیشترین زمان و هزینه تهیه اطلاعات مکانی را به خود اختصاص می دهد. لذا دستیابی به الگوریتمی جهت استخراج اتوماتیک ساختمان از منابع داده بسیار مهم می باشد. در این راستا تصاویر ماهواره ای و هوایی که قادر به پوشش مناطق وسیع و غیرقابل دسترس در زمان اندکی هستند دارای پتانسیل بالایی بوده و حجم زیادی از تحقیقات را در این حوزه به خود اختصاص داده اند. بسیاری از روش های توسعه یافته از داده های چند منبعی جهت غلبه بر پیچیدگی های تصویر استفاده نموده اند، اما تهیه آن ها بسیار پرهزینه و دشوار می باشد. بنابراین در تحقیق حاضر از اطلاعات طیف و بافت موجود در تک تصویر به منظور استخراج ساختمان استفاده شده است. زیرا ساختمان ها اغلب دارای بافت یکسان هستند. برای این منظور از مدل منحنی فعال که دارای سطح اتوماسیون بالایی هستند، استفاده گردیده است. مدل مذکور با کمینه سازی یک تابع انرژی که در بردارنده ترم هایی بر اساس اطلاعات گرادیان، طیف و یا بافت تصویر است، منحنی های اولیه تعریف شده را در یک فرایند تکراری به سمت محدوده عوارض هدایت می کند. در مرحله نخست از تحقیق، برخلاف تحقیقات رایج که از منحنی فعال جهت استخراج مرز عوارض استفاده نموده اند، از آن برای شناسایی عوارض و تولید ماسک ساختمان با استفاده از باندهای طیفی استفاده شده است. در واقع نتیجه حاصل برای ماسک کردن ویژگی های بافت به کار گرفته می شود. زیرا ویژگی هایی بافت توانایی تمایز بین برخی عوارض نظیر ساختمان، راه و یا پارکینگ های بزرگ را نداشته و دچار مشکل می گردند، درحالیکه این عوارض دارای ویژگی طیفی متفاوت می باشند. نهایتاً ویژگی بافت ماسک شده به عنوان ورودی به مدل منحنی فعال معرفی شده و مرزهای ساختمان شناسایی و استخراج می گردند. بنابراین در تصویر نهایی، تنها عوارضی که دارای طیف و بافت یکسان با ساختمان هستند به عنوان ساختمان شناسایی می شوند. این موضوع با پیاده سازی الگوریتم پیشنهادی بر روی تصاویری با ساختمان های مختلف مورد بررسی قرار گرفت که با توجه به کسب دقت موقعیت کلی 83.08 و 95.00 درصد به ترتیب برای تصویر اول و دوم توانایی آن به اثبات رسید.

در دهه های اخیر، با توجه به ظهور سنجنده های پلاریمتریک رادار، تحقیقات فراوانی در زمینه استفاده از داده های این سنجنده ها بعنوان ابزاری مناسب در مطالعه پوشش سطح زمین مطرح شده است. طبقه بندی کلاس های پوشش دهنده ی سطح زمین، یکی از مهم ترین کاربرد های تصاویر پلاریمتریک رادار می باشد. با استفاده از تصاویر پلاریمتریک می توان توصیفگرهای بسیاری را استخراج نمود که بیشتر این توصیفگرها از توزیع آماری خاصی پیروی نمی کنند، در این تحقیق از طبقه بندی کننده ماشین های بردار پشتیبان که یک طبقه بندی کننده غیرپارامتریک می باشد، استفاده شده است. بطور کلی این تحقیق دو هدف عمده و اصلی را دنبال می کند که این دو عبارت اند از: امکان سنجی تاثیر زاویه فرودهای مختلف در بهبود طبقه بندی و طبقه بندی با استفاده از توصیفگرهای بهینه استخراج شده از تصاویر با زاویه فرودهای مختلف. به منظور امکان سنجی تاثیر زاویه فرود های مختلف در بهبود طبقه بندی از روش های طبقه بندی wishart و طبقه بندی ماشین های بردار پشتیبان (svm)، استفاده شده است. همچنین به منظور دستیابی به هدف دوم، با توجه به بالا بودن تعداد توصیفگرهای استخراج شده از هر تصویر، ابتدا با استفاده از الگوریتم ژنتیک توصیفگرهای بهینه هر تصویر انتخاب شده و در نهایت طبقه بندی ماشین های بردار پشتیبان svm بر روی توصیفگرهای انتخاب شده هر حالت اعمال شده است. در نهایت پس از انجام مراحل فوق الذکر این نتیجه بدست آمد که استفاده از تصاویر با زاویه فرودهای مختلف می تواند به بهبود نتایج حاصل از طبقه بندی کمک کند. همچنین در حالت استفاده از توصیفگرهای بهینه استخراج شده از دو تصویر به صورت همزمان دقت کلی 11/88 درصد و ضریب کاپا 89/85 درصد بدست آمد.

الگوریتم تشخیص تغییرات ارائه شده در این پایان نامه تغییرات را در فضای آماری زیرباندهای موجک شناسایی می کند. در واقع پس از آنکه تصاویر به فضای موجک انتقال یافتند پارامترهای آماری آنها استخراج شده و با استفاده از دیورژانس kullback-leibler مقایسه شده و در نهایت با استفاده از یک روش حد آستانه گذاری مانند otsu نقشه تغییرات نهایی حاصل می شود. از آن جایی که الگوریتم تشخیص تغییرات ارائه شده در فضای آماری تغییرات را شناسایی می کند و در آن مقایسه پیکسلی انجام نمی شود، این روش قادر است تغییرات را بین گروه های مختلف تصویری شناسایی کند. با استفاده از الگوریتم ارائه شده در این پایان نامه، تغییرات بین گروه های مختلف تصاویر sar، اپتیک، اپتیک- sar و تلفیقی- sar شناسایی شده است و نتایج آنها با یکدیگر مقایسه شدند. نتایج حاصل نشان داده است که الگوریتم ارائه شده توانسته بین تصویر اپتیک قبل و تصویر sar بعد تغییرات را با دقت خوبی شناسایی کند. این الگوریتم در تمامی کاربردها دقت خوبی بدست می دهد و قادر به شناسایی تغییرات مختلف بین تصاویر و اپتیک با درصد طبقه بندی صحیح %48/89 است و به دلیل آنکه دسترسی به داده های مورد نیاز آن در زمان کمی میسر است علاوه بر پایش تغییرات شهری می توان در بلایای طبیعی نیز به منظور مدیریت امدادرسانی از آن بهره برد.

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 روش¬ها به-صورت نظارت¬شده یا نظارت¬نشده به¬کار می¬روند. روش های طبقه بندی داده پلاریمتری که تاکنون ارائه شده است تنها از اطلاعات یک پایه پلاریزاسیون مشخص استفاده می کنند. در این تحقیق روشی جدید برای طبقه بندی داده پلاریمتری برمبنای امضای پلاریمتری ارائه می شود که می تواند اطلاعات پلاریمتری را در پایه پلاریزاسیون های بیشتری به کار گیرد. در روش پیشنهادی علاوه بر امضای پلاریمتری توان، امضای پلاریمتری برای ویژگی های مختلف داده پلاریمتری معرفی می شود. همانند سایر روش های دانش مبنا روش پیشنهادی شامل دو مرحله است. استخراج دانش مرجع و استفاده از دانش مرجع برای طبقه بندی. مرحله اول به کمک استخراج امضای پلاریمتری برای کلاس¬های مورد نظر و مرحله دوم به کمک روش های مطابقت انجام می شود. برای پایداری بیشتر محاسبه امضای پلاریمتری روش پیشنهادی به صورت شیءمبنا پیاده¬سازی شده¬است. داده پلاریمتری سنجنده رادارست-2 از منطقه ی جنگلی پتاواوا کانادا برای این تحقیق انتخاب شد. مطابق نتایج دقت کلی روش پیشنهادی 12/82 و روش ویشارت 34/76 است. استفاده از مجموعه ی کامل تری از ویژگی های پلاریمتری و همچنین افزایش سطح اطلاعات ویژگی های مختلف با استفاده از امضای پلاریمتری، باعث دقت مناسب کلاس های گونه های جنگلی در روش پیشنهادی شد. هدف روش پیشنهادی دیگر این تحقیق ارائه ی روشی دانش مبنا و شیءمبنا برای طبقه بندی داده ی پلاریمتری است که در آن بتوان دانش را در سه بخش دانش اولیه، دانش حاصل از داده پلاریمتری و دانش خبره به کار گرفت. روش طبقه بندی svm-dt (suport vector machine-decision tree) برای تلفیق دانش های مختلف ارائه شده است. دانش حاصل از داده (آماری، فیزیکی و مکانی) در مراحل تعیین طرح درختی، ویژگی برای طبقه بندی کننده svm و همچنین در انتخاب ویژگی های بهینه به کار گرفته می شود. دانش اولیه برای توازن تعداد داده های آموزشی در طبقه بندی کننده svm استفاده می شود. درنهایت دانش خبره نیز در دو مرحله ایجاد طرح درختی و همچنین انتخاب ویژگی های بهینه درروش پیشنهادی استفاده می شود. برای بررسی تاثیر دانش¬های مختلف در روش پیشنهادی 6 طبقه بندی کننده در آزمایش ها مقایسه گردید: طبقه بندی کننده ویشارت، svm با تمام ویژگی ها، svm-dt با تمام ویژگی ها، svm-dt شیءمبنا با تمام ویژگی ها، svm-dt شیءمبنا همراه با انتخاب ویژگی و svm-dt شیءمبنا با انتخاب ویژگی و دانش اولیه. نتایج نشان داد اضافه شدن دانش های مختلف به طبقه بندی تأثیر مثبت و خوبی بر روی کلاس های جنگل دارد اگرچه برخی از این دانش ها در کلاس های دیگر بی تأثیر و یا حتی تأثیر منفی دارند. درنهایت دقت کلی روش پیشنهادی حدود 87 درصد حاصل شد که در مقایسه با روش ویشارت 15 درصد و در مقایسه با طبقه بندی کننده svm، 9 درصد بهبود داشته است. کلمات کلیدی: داده پلاریمتری رادار با روزنه مجازی، طبقه بندی دانش مبنا، امضای پلاریمتری، روش¬های مطابقت شناسایی الگو، جنگل

درمیان بلایای طبیعی، زلزله یکی از شایع ترین حوادثی است که تاکنون تلفات و خسارات زیادی را به ویژه در مناطق مسکونی به بار آورده است. در زمان وقوع این گونه حوادث لزوم امدادرسانی دقیق و سریع ایجاب می کند؛ تا به دنبال ابزاری مناسب برای تولید اطلاعات مورد نیاز باشیم. سنجش از دور به عنوان دانشی برای بکارگیری تصاویر در مسیر تولید نقشه، ابزاری مناسب برای تولید نقشه تغییرات ، در شرایط خاص منطقه حادثه دیده، قلمداد می شود. در میان شاخه های مختلف سنجش از دور (زمینی ، هوایی و فضایی )، حجم وسیع داده های جمع آوری شده توسط سنجنده های ماهواره ای، حذف خطای ناشی از اختلاف ارتفاع در این تصاویر و بهبود چشمگیر در قدرت تفکیک مکانی آنها، نظر محققین را به فتوگرامتری فضایی در هر دو شاخه نوری و راداری معطوف کرده است. در این تحقیق با تکیه بر داده های موجود، به منظور دستیابی به نقشه تخریب منطقه، در یک الگوریتم تک زمانه، تلفیق تصاویر راداری و نوری پس از زلزله در دستور کار قرار گرفته است. در الگوریتم ارائه شده به منظور بهبود نتایج، از اطلاعات مکانی تصویر راداری در کنار اطلاعات رادیومتریکی تصویر نوری در فضای موجک بهره گرفته شده است. در بخش آنالیز ویژگی ها، طبقه بندی کننده های غیرآماری امکان استفاده از ویژگی های مختلف را فراهم کردند تا در نهایت نقشه تخریب ساختمان با دقت 80% تولید شود. واژگان کلیدی: نقشه¬ تخریب، تلفیق، موجک. طبقه بندی کننده غیرآماری

بسیاری از مطالعات انجام شده در زمینه شناسایی عارضه راه از تصاویر ماهواره ای پیکسل مبنا می باشند. جهت کاستن از مشکلات روش های پیکسل مبنا، در این پایان نامه از روش عارضه مبنا استفاده شده است. همچنین در پردازش تصاویر معمولاً با عدم قطعیت هایی مانند عدم قطعیت های ناشی از تصویر نمودن عارضه سه بعدی در تصویر دو بعدی، مرزهای مبهم، شرایط روشنایی ضعیف و غیر یکنواخت و همچنین غیر خطی بودن سیستم های تصویربرداری مواجه می باشیم. از آنجایی که توابع عضویت در مجموعه های فازی نوع 1 قطعی می باشند، در این پایان نامه استفاده از مجموعه های فازی نوع 2 که به دلیل رفتار بسیار منعطف تر توابع عضویت فازی، امکان مدل نمودن نمونه هایی با عدم قطعیت های بالا را بیش از پیش فراهم می سازند پیشنهاد شده است. با توجه به اینکه یکی از مهم ترین چالش های حال حاضر سیستم های فازی نوع 2 تعداد محاسبات بالای آن می باشد، طرح ترکیبی جدیدی از الگوریتم ژنتیک شامل روش های pittsburg و cooperative-competitive جهت طراحی سیستم ارائه گردیده است.