فهرست نشریات علمی دسترسی آزاد ایران

فنّاوری‌‌ سنجش‌ازدور فراطیفی، در دو دهة گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیل‌هایی که در خصوص تصاویر فراطیفی انجام می‌‌گیرد، آشکارسازی هدف است. در این پژوهش به آشکار‌‌سازی بام‌های دارای پوشش خاص به‌عنوان هدف، در یک محیط شهری پرداخته شده است. هم‌زمان با رشد شهرنشینی و توسعة مناطق شهری نیاز مدیران و برنامه‌‌ریزان به نقشه‌‌های بسیار دقیق از مناطق شهری به‌طور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگی‌‌های پیچیده‌ای از نظر فیزیکی، هندسی و عناصر به‌کارگرفته‌شده در ساختمان‌هاست، داده‌‌های فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازندة یک محیط شهری می‌‌کنند. در خصوص آشکارسازی طیفی هدف، از دو دهة پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورت‌گرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتم‌‌های استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاین‌رو در این پژوهش سعی می‌شود با ارائة روشی جدید و دقیق ساختمان‌‌های با پوشش خاص در تصاویر فراطیفی آشکارسازی شود.مواد و روش‌‌ها: برای انجام این پژوهش از داده‌‌های تصویری سنجندة CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقة شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقه‌‌بندی شبکة عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیاده‌سازی شده، سپس از نقشة حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعه‌بندی هرمی مبتنی بر نشانه استفاده می‌‌شود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشة قطعه‌‌بندی هرمی مبتنی بر نشانه با نقشة حاصل از ادغام طبقه‌بندی‌های MLP و SVM ترکیب می‌شود.نتایج و بحث: در این پژوهش به‌منظور پیاده‌سازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقه‌بندی MLP با 3 لایة پنهان که شامل 5، 6 و 8 نورون هست پیاده‌سازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانه‌ها، آنالیز برچسب‌‌گذاری مؤلفه‌های متصل براساس 8 پیکسل همسایگی بر روی نقشة حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج به‌دست‌آمده نقشة‌‌ حاصل از روش پیشنهادی شامل مناطق یکنواخت‌تر و دارای ساختارهای به‌هم‌پیوستة بیشتری برای آشکارسازی ساختمان‌‌هاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان می‌‌دهد.فنّاوری‌‌ سنجش‌ازدور فراطیفی، در دو دهة گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیل‌هایی که در خصوص تصاویر فراطیفی انجام می‌‌گیرد، آشکارسازی هدف است. در این پژوهش به آشکار‌‌سازی بام‌های دارای پوشش خاص به‌عنوان هدف، در یک محیط شهری پرداخته شده است. هم‌زمان با رشد شهرنشینی و توسعة مناطق شهری نیاز مدیران و برنامه‌‌ریزان به نقشه‌‌های بسیار دقیق از مناطق شهری به‌طور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگی‌‌های پیچیده‌ای از نظر فیزیکی، هندسی و عناصر به‌کارگرفته‌شده در ساختمان‌هاست، داده‌‌های فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازندة یک محیط شهری می‌‌کنند. در خصوص آشکارسازی طیفی هدف، از دو دهة پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورت‌گرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتم‌‌های استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاین‌رو در این پژوهش سعی می‌شود با ارائة روشی جدید و دقیق ساختمان‌‌های با پوشش خاص در تصاویر فراطیفی آشکارسازی شود.مواد و روش‌‌ها: برای انجام این پژوهش از داده‌‌های تصویری سنجندة CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقة شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقه‌‌بندی شبکة عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیاده‌سازی شده، سپس از نقشة حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعه‌بندی هرمی مبتنی بر نشانه استفاده می‌‌شود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشة قطعه‌‌بندی هرمی مبتنی بر نشانه با نقشة حاصل از ادغام طبقه‌بندی‌های MLP و SVM ترکیب می‌شود.نتایج و بحث: در این پژوهش به‌منظور پیاده‌سازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقه‌بندی MLP با 3 لایة پنهان که شامل 5، 6 و 8 نورون هست پیاده‌سازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانه‌ها، آنالیز برچسب‌‌گذاری مؤلفه‌های متصل براساس 8 پیکسل همسایگی بر روی نقشة حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج به‌دست‌آمده نقشة‌‌ حاصل از روش پیشنهادی شامل مناطق یکنواخت‌تر و دارای ساختارهای به‌هم‌پیوستة بیشتری برای آشکارسازی ساختمان‌‌هاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان می‌‌دهد.نتیجه‌‌گیری: در این پژوهش راهبرد استفاده از اطلاعات مکانی در کنار اطلاعات طیفی برای بهبود آشکارسازی هدف در آنالیز تصاویر فراطیفی بررسی شد. برای این منظور از الگوریتم طیفی– مکانی هرمی مبتنی بر نشانه که در فرایند طبقه‌‌بندی تصاویر استفاده می‌‌شود، برای آشکارسازی بام ساختمان‌ها استفاده شد. در روش پیشنهادی از دو نقشة طبقه‌بندی در انتخاب نشانه‌ها و قانون تصمیم رأی اکثریت در مورد الگوریتم قطعه‌بندی هرمی اولیه به کار گرفته شد. در ترکیب  نقشه‌های طبقه‌بندی MLP و SVM به‌منظور استفاده در انتخاب نشانه‌ها و قانون تصمیم رأی اکثریت از احتمال شرطی و انتخاب بالاترین احتمال تعلق هر پیکسل به یک کلاس استفاده می‌شود.