توسعه روش قطعه بندی در پردازش شئ گرای تصاویر بزرگ مقیاس به منظور کشف تغییرات شبکه راه ها

بر اثر فعالیت های انسانی و پدیده های طبیعی، همواره چهره زمین دستخوش تغییرات می شود. شناسایی این تغییرات به خصوص در شبکه راه ها که به عنوان یکی از مهمترین عوارض ساخته دست بشر تلقی می شوند، از جمله نیازهای برنامه ریزی و مدیریت شهری به شمار می آید. انعطاف پذیری و قابلیت های بالای روش های طبقه بندی باعث شده است تا به عنوان یکی از مهمترین روش های آشکارسازی تغییرات عوارض، از جمله راه ها، در تصاویر ماهواره ای مورد استفاده قرار گیرند. روش های طبقه بندی شئ گرا به دلیل درنظر گرفتن ویژگی هایی نظیر بافت، خصوصیات هندسی و شاخص های شکل نسبت به روش های پیکسل مبنا از جایگاه ویژه ای برخوردارند. در این راستا اولین گام برای دست یافتن به نتایج قابل قبول طبقه بندی شئ گرا، قطعه بندی مناسب می باشد. یکی از روش های قطعه بندی که در سال های اخیر مورد توجه قرار گرفته است، قطعه بندی چند مقیاسه می باشد. این روش جزء معدود روش هایی است که علاوه بر به کارگیری اطلاعات ثبت شده در تصاویر )مقادیر طیفی( پارامترهای هندسی را نیز درنظر می گیرد. اما این الگوریتم نیاز به یک سری پارامترهایی دارد که معمولا به روش سعی و خطا به دست می آید. درنتیجه هزینه و زمان زیادی را به خود اختصاص می دهد. بنابراین، یافتن پارامترهای بهینه به صورت خودکار امری اجتناب ناپذیر است. در میان الگوریتم های موجود برای تعیین پارامترهای بهینه، الگوریتم ژنتیک یکی از پرکاربردترین روش ها محسوب می شود. یکی از اجزای اصلی الگوریتم ژنتیک تابع شایستگی می باشد که به طور چشمگیری نتایج را تحت تاثیر قرار داده و کل فرآیند را کنترل می کند. بنابراین این تابع باید متناسب با مسئله موردنظر به بهترین نحو طراحی شود. در این پایان نامه از طبقه بندی پیکسل مبنا و شئ گرا به منظور آشکارسازی تغییرات با تاکید بر عارضه راه استفاده شده است. طبقه بندی شئ گرا برمبنای نزدیکترین همسایگی فازی و طبقه بندی نظارت شده پیکسل مبنا به روش بیشترین احتمال، متوازی السطوح و کمترین فاصله روی تصویر پیاده سازی شده است. علاوه براین با به کارگیری الگوریتم ژنتیک، پارامترهای قطعه بندی چند مقیاسه بهینه سازی شده است. با توجه به نقش تابع شایستگی در یافتن جواب بهینه الگوریتم ژنتیک، یک تابع شایستگی مناسب برای قطعه بندی راه پیشنهاد شده و علاوه بر بررسی آن، به بررسی اجزای تشکیل دهنده آن پرداخته می شود. به منظور برآورد دقت و عملکرد روش پیشنهادی، از تصاویر پن شارپ شده آیکونوس محدوده ای از شهر شیراز استفاده شده است. ارزیابی کلی نتایج بر اساس ارزیابی کمی و تفسیر بصری در فازهای مختلف انجام می شود. دقت کلی بالاتر از 93% در مرحله بهینه سازی قطعه بندی حاکی از آن است که به کارگیری الگوریتم ژنتیک و تابع شایستگی طراحی شده نقش بسزایی در دقت قطعه بندی داشته است. دقت کلی بالاتر از 92% در مرحله طبقه بندی شئ گرا، استحکام روش شئ گرا را در طبقه بندی نشان می دهد. به طور کلی برآورد پارامترهای مختلف ارزیابی دقت، کارائی روش پیشنهادی در این تحقیق را به اثبات می رساند.