فهرست نشریات علمی دسترسی آزاد ایران

سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهۀ گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجنده‌ها و همچنین در توسعه و اجرای روش‌های پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینۀ فنّاوری سنجش از دور ابرطیفی، بر طبقه‌بندی این تصاویر تأکید دارد. روش‌های طبقه‌بندی تصاویر ابرطیفی در دو دستۀ طبقه‌بندی طیفی یا مبتنی‌بر پیکسل و طبقه‌بندی طیفی– مکانی یا مبتنی‌بر شیء قرار می‌گیرند. در این تحقیق، به طبقه‌بندی طیفی‌– مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیط‌های شهری، از نظر عناصر به‌کاررفته در آنها، ویژگی‌های پیچیده‌ای دارند، داده‌های ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازندۀ آنها کمک مؤثری می‌کنند. شناسایی مواد گوناگون در محیط‌های شهری اهمیت بسیاری در زمینۀ کاربردهای گوناگون، همچون ارتباط تلفن‌های همراه، واقعیت مجازی، معماری و مدل‌سازی شهری و برنامه‌ریزی و مدیریت شهرها دارد.مواد و روش‌ها: در این تحقیق، برای ارزیابی روش‌ پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزۀ سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی به‌کمک الگوریتم PCA کاهش می‌یابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجۀ تباین، یکنواختی، همبستگی، نبودِ تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهش‌یافته استخراج می‌شود. در ادامه، الگوریتم ژنتیک وزن‌دار بر ویژگی‌های طیفی و مکانی به‌دست‌آمده اعمال می‌شود و در انتها، ویژگی‌های حاصل به‌کمک الگوریتم MLP طبقه‌بندی می‌شود.نتایج و بحث: در آزمون‌های انجام‌شده در زمینۀ الگوریتم ژنتیک، کروموزوم‌ها دارای ژن‌هایی برابر با تعداد ویژگی‌های طیفی و مکانی‌اند. در این آزمون‌ها، میزان تقاطع و جهش به‌ترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثر تعداد تکرار، برای توقف، 100 در نظر گرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحلۀ 100 نمی‌رسد و قبل ‌از آن، الگوریتم به وضعیت پایدار می‌رسد و متوقف می‌شود. الگوریتم طبقه‌بندی MLP با سه لایۀ پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش‌ طبقه‌بندی پیشنهادی بیان‌شده با الگوریتم‌های SVM، MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشۀ‌ حاصل از روش پیشنهادی در مقایسه با سایر الگوریتم‌ها مناطق یکنواخت‌تری را دربرمی‌گیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13، 7 و 6درصدی و در تصویر برلین، باعث افزایش 9، 6 و 5درصدی پارامتر ضریب کاپا، در قیاس با به‌ترتیب الگوریتم‌های SVM، MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی می‌تواند استفاده از اطلاعات نزدیک‌ترین همسایگی و دو مرحلۀ کاهش ابعاد باشد.نتیجه‌گیری: در این تحقیق، روشی جدید به‌منظور طبقه‌بندی طیفی‌– مکانی تصاویر ابرطیفی معرفی شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی کاهش ‌یافت و ده ویژگی،‌ به‌منزلۀ اطلاعات نزدیک‌ترین همسایگی‌ها، از باندهای کاهش‌یافته استخراج شد. در ادامه، الگوریتم ژنتیک وزن‌دار روی ویژگی‌های به‌دست‌آمده، به‌منظور کاهش وابستگی بین آنها، اعمال شد. الگوریتم ژنتیک یکی از کارآمدترین و مؤثرترین روش‌ها در کاهش ابعاد تصاویر ابرطیفی است. در الگوریتم باینری ژنتیک، هر کروموزوم دارای مقادیر یک و صفر است؛ درحالی‌که در الگوریتم ژنتیک وزن‌دار، مقادیر وزنی بین صفر و یک است. روش پیشنهادی روی دو تصویر ابرطیفی پاویا و برلین اجرا شد که آزمایش‌ها برتری کمّی و کیفی به‌کارگیری این روش را نشان می‌دهد. کم‌بودن دقت نتایج در تصویر برلین می‌تواند به‌دلیل پیچیدگی این تصویر، در مقایسه با تصویر پاویا باشد.