بررسی بهبود دقت طبقهبندی با استفاده از ادغام تصویر تکباند ALI با تصاویر ابرطیفی Hyperion
نویسندگان
1 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه سنجش از دور و GIS، دانشگاه تربیت مدرس
2 استاد، دانشکده برق و کامپیوتر، دانشگاه تربیت مدرس
3 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، گروه سنجش از دور و GIS، دانشگاه تربیت مدرس
4 دانشجوی کارشناسی ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکدۀ جغرافیا، دانشگاه تهران
5 کارشناس ارشد سنجش از دور و سیستم اطلاعات جغرافیایی، سازمان نقشهبرداری ایران
doi
چکیده
بیشتر الگوریتمهای طبقهبندی دادههای سنجش از دور براساس ویژگیها و اطلاعات طیفی پیکسلها عمل میکنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر میشود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربریها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تکباند سنجندۀ ALI (Advanced Land Imager) بر دقت طبقهبندی تصاویر ابرطیفی سنجندۀ هایپریون«Hyperion» در محیطهای شهری بررسی شد. طبقهبندی با استفاده از روش جنگلهای تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شمارۀ 1: طبقهبندی اطلاعات طیفی تصویر ادغامشده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقهبندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هموقوعی در اندازههای پنجرۀ 3، 5، 7 و 9 هستند. براساس یافتههای این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقهبندی را بهبود چشمگیری داد، به گونهای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوششهای کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینۀ دقت تولیدکننده و مصرفکننده رشد چشمگیری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبههای بالا قرار گیرند. همچنین، افزایش اندازۀ پنجره منجر به بهبود بیشتر دقت طبقهبندی شد، به گونهای که اندازۀ پنجرۀ 9 بهترین عملکرد را در پی داشت.
