مهدی مختارزاده

سابقه و هدف: در سال های اخیر استفاده از تصاویر ابرطیفی به دلیل غنای بالای طیفی در زمینه های مختلف مطالعات زمین به خصوص در سنجش از دور بسیار افزایش یافته است. طبقه بندی این تصاویر به منظور استخراج اطلاعات از آنها همواره با چالش هایی مختلفی همچون چگونگی مدیرت ابعاد این داده ها و صحت کم طبقه بندی در هنگام وجود تعداد محدودی از نمونه های آموزشی همراه است. افرایش صحت طبقه بندی این تصاویر با هدف مطالعات دقیق پدیده ها و تغییرات سطح زمین همواره از موضوعات مورد مطالعه جامعه علمی سنجش از دور بوده است. در سال های اخیر استفاده از ویژگی های مکانی به منظور افزایش صحت طبقه بندی تصاویر ابرطیفی بسیار رایج شده است. تاکنون روش های مختلفی برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است و پژوهش های مربوطه در راستای معرفی روش هایی با ساختار ساده تر و صحت بالاتر نیز در جریان است. به دلیل وجود رابطه های پیچیده میان باندهای مختلف تصویر ابرطیفی با الهام از پژوهش های موجود در شاخه بینایی ماشین در این پژوهش روشی توسعه داده شده است که می تواند روابط پیچیده میان ویژگی های طیفی و مکانی در یک تصویر ابرطیفی را مدل سازی کند. هدف اصلی این مقاله ارائه روشی جدید و کارا مبتنی بر ترکیب ویژگی های مستخرج از ماتریس محلی کرنل وزن دار ویژگی های طیفی و فرکتالی به منظور تولید ویژگی برای طبقه بندی تصاویر ابرطیفی است. مواد و روش ها: به منظور طبقه بندی تصاویر ابرطیفی در پژوهش حاضر ابتدا یک مرحله کاهش بعد بر روی تصویر ابرطیفی انجام می شود. در مرحله بعد ویژگی های مکانی مبتنی بر بعد فرکتال جهت دار تولید می شوند و مجدداً این ویژگی ها کاهش بعد پیدا می کنند. در مرحله بعد ویژگی های مستخرج از ماتریس محلی کرنل وزن دار از هر دو دسته ویژگی های طیفی و فرکتالی تولید می شوند. این ویژگی های ثانویه وابستگی های محلی غیرخطی میان ویژگی های طیفی و فرکتالی را که در روش های پیشین طبقه بندی مورد توجه نبوده است، در فرایند تولید ویژگی لحاظ می کنند که در نهایت سبب افزایش صحت طبقه بندی می شوند. سپس این دو دسته بردار ویژگی جدید برای هر پیکسل با هم الصاق می شود و یک بردار غنی از اطلاعات طیفی– مکانی را تشکیل می دهد. در نهایت به منظور تعیین برچسب هر پیکسل، بردار ویژگی حاصل از الگوریتم ماشین بردار پشتیبان طبقه بندی می شود. آزمایش های این پژوهش بر دو تصویر مرجع ابرطیفی واقعی ایندین پاین و دانشگاه پاویا انجام شده است. نتایج و بحث: تحلیل نتایج نشان می دهد که روش پیشنهادی با در نظر گرفتن ویژگی های مستخرج از ماتریس محلی کرنل وزن دار ویژگی های طیفی– فرکتالی موجب افزایش 20 و 18 درصدی صحت طبقه بندی در مقایسه با طبقه بندی با ویژگی های طیفی تنها به ترتیب در تصاویر ایندین پاین و دانشگاه پاویا شده است. این نتیجه تأیید می کند که در نظر گرفتن اطلاعات مکانی به طور مؤثر سبب افزایش چشمگیر صحت طبقه بندی حتی زمانی که نمونه های آموزشی اندکی در دسترس باشد، می شود. همچنین رویکرد پیشنهادی این پژوهش در مقایسه با چندین پژوهش دیگر در این حوزه به صحت های بالاتری رسیده است. نتیجه گیری: عملکرد بهتر روش پیشنهادی در مقایسه با دیگر روش های رقیب به دلیل در نظر گرفتن وابستگی های محلی غیرخطی میان ویژگی های طیفی و فرکتالی است که تاکنون در پژوهش های پیشین مورد توجه نبوده است. در پژوهش های آتی در نظر داریم که رویکرد پیشنهادی را درگام اول از نظر زمانی و در گام بعدی با در نظر گرفتن تعداد بیشتری از ویزگی های مبتنی بر هندسه فرکتال از نظر صحت بهبود دهیم.

در این مقاله، به منظور رفع برخی محدودیت های شناسایی ساختمان در تصاویر چندطیفی، از داده SAR به منزله داده مکمل استفاده می شود. در روش پیشنهادی، برای استفاده هم زمان از اطلاعات مفید در تصاویر رادار و چندطیفی، استراتژی مبتنی بر تلفیق تصاویر، با هدف شناسایی ساختمان، مطرح می شود. همچنین، ازآن جاکه انتخاب ویژگی نقش بسزایی در شناسایی و طبقه بندی عوارض دارد، اغلب روش های مرسوم و رایج در این زمینه، مانند الگوریتم ژنتیک، نیازمند داده های آموزشی اند؛ اما دردسترس نبودن همیشگی این نوع داده های آموزشی یکی از دغدغه های مهم محققان به شمار می آید. پس در این تحقیق، دو روش انتخاب ویژگی فیلترمبنا بررسی می شود تا مشخص شود آیا روش های یادشده می توانند، در مواقع لازم (نبودِ داده آموزشی)، جایگزین الگوریتم ژنتیک شوند؟ بنابراین، در پژوهش حاضر، ابتدا بردار ویژگی بهینه از تصویر چندطیفی و SAR، با سه روش MNF وPCA  و ژنتیک، تعیین و هریک جداگانه وارد هر دو طبقه بندی کننده شبکه عصبی و SVM می شود. سپس به منظور رفع مشکلاتی، همچون تشابه طیفی پشت بام ها با پوشش آسفالت خیابان ها، در تصاویر چندطیفی و بهبود نتایج، دو تصویر چندطیفی و SAR در سطح ویژگی تلفیق می شود. در نهایت و در مرحله بعدی، بهترین تصاویر طبقه بندی شده با شبکه عصبی و SVM، در تمامی بررسی های صورت گرفته تا به این مرحله، وارد تلفیق در سطح تصمیم گیری می شوند. نحوه تلفیق در سطح تصمیم گیری بدین صورت است که اطلاعات همسایگی هر پیکسل در قالب پنجره مکانی متحرک در ابعاد متفاوت، با هدف تصمیم گیری درمورد ماهیت هر پیکسل، استفاده می شود. بنابراین، نتایج حاصل شده در این تحقیق، با صحت کلی و دقت شناسایی ساختمان، به ترتیب 92.82% و 80.14% بیانگر عملکرد مناسب این روش است.

با توجه به وسعت جهانی منابع آب، اندازه گیری های زمینی از پارامترهای کیفی امکان پذیر نیست، همچنین نمونه برداری سنتی از آب و آنالیزهای آزمایشگاهی بسیار پرهزینه و زمان بر است. در مطالعات صورت گرفته، برآورد کدورت و غلظت کلروفیل آ به عنوان مهم ترین پارامترهای کیفی آب با استفاده از شبکه های عصبی مصنوعی با دقت مناسب توسط پژوهشگران انجام شده است. با توجه به مشکلاتی که در تهیه تعداد بالایی از داده های آموزشی در محیط های آبی وجود دارد استفاده از شبکه های ترکیبی مقاوم تری نظیر شبکه عصبی موجکی پیشنهادشده است. در این تحقیق انواع مختلفی از توابع موجک به عنوان تابع محرک شبکه مورداستفاده قرار گرفت و بهترین شبکه به منظور برآورد غلظت کلروفیل آ و کدورت به ترتیب شبکه های عصبی موجکی با تابع محرک مورلت و کلاه مکزیکی به دست آمد، داده های مورداستفاده محصول بازتاب اقیانوسی سنجنده مادیس است، به دلیل به کارگیری تصاویر چند زمانه نرمال سازی رادیومتریک داده ها انجام شد و نتایج نسبت به زمانی که از تصاویر نرمال نشده استفاده شده است، به صورت قابل توجهی بهبود یافت. در حالت چندزمانه علاوه بر افزایش تعداد داده های آموزشی، قابلیت تعمیم پذیری شبکه به سایر روزهایی که در آن تعداد داده میدانی کافی موجود نیست، فراهم شده است و دقت شبکه در این حالت در مقایسه باحالت تک زمانه افزایش یافت، درنهایت RMSE برای بهترین مدل به منظور برآورد کدورت و غلظت کلروفیل به ترتیب 047/0 و 071/0 به دست آمد که در مقایسه با دقت اندازه گیری میدانی 1/0، قابل قبول بوده و می تواند جایگزین مناسبی برای اندازه گیری های میدانی باشد.

در این تحقیق، طرح روشی مناسب جهت شناسایی تغییرات در زمین های کشاورزی، با استفادة هم زمان از روش شیء گرا و روش ترکیب رنگی به صورت نظارت شده، بررسی شده است. بدین منظور، از تصاویر چندزمانة سنجنده های 7Landsat استفاده شده است. درواقع در این روش، برخلاف روش های رایج که تصاویر با هم مقایسه می شوند و سپس تغییرات شناسایی می شود، برای شناسایی تغییرات از ترکیب تصاویر و درنتیجه، آشکارشدن تغییرات با رنگ هایی متفاوت با رنگ اولیه استفاده شده و مقایسه ای جداگانه صورت نگرفته است. ایدة اصلی عرضة روشی شیءگراست که در آن، با استفاده از دو تصویر، یک تصویر هم مرجع شدة چندزمانه، شامل کل لایه های دو تصویر، تهیه شده است. سپس با انتخاب پارامترهای مناسب قطعه بندی، تک تصویر ایجادشده قطعه بندی و پس از آن، با استفادة هم زمان از روش ترکیب رنگی و روش های طبقه بندی شیء گرا، به نواحی تغییریافته و تغییرنیافته طبقه بندی شده است. درواقع، روش ترکیب رنگی با ایجاد نواحی رنگی متفاوت با تصاویر اولیه، قطعه های تغییریافته را به صورت بصری مشخص می کند و با انتخاب چند نمونه از آن قطعه ها از سوی کاربر خبره، با اعمال طبقه بندی شی ءگرا، این قطعه ها در کل تصویر شناسایی می شوند. درنهایت، با انتخاب نمونه های آموزشی فقط از یک تصویر، نواحی برچسب خورده و نواحی تغییریافتة نهایی به دست آمده است. نتایج بیانگر آن است که این روش به علت استفاده از اطلاعات مکانی افزون بر اطلاعات طیفی، از جهت کاهش نمونه های آموزشی، افزایش دقت (تقریباً 3٪) و افزایش درصد اطمینانِ طبقه بندی بر روش های معمولی شناسایی تغییرات، که از مقایسة دو تصویر چندزمانه استفاده می کنند، برتری دارد.

رطوبت خاک در فرایندهای تعاملی بین جو و زمین و تغییرات جهانی اقلیم نقش مهمی ایفا می کند. در سه دهة گذشته، محققان بسیاری به تعیین رطوبت خاک، با استفاده از داده های سنجش از دوری، توجه داشته اند. روش های مثلثی و ذوزنقه ای از روش های سنجش از دوری اند که با ترکیب داده های حرارتی و مرئی، شاخصی برای میزان رطوبت را تعیین می کنند. یکی از مهم ترین موارد تأثیرگذار در دقت این روش ها، دقت تعیین لبه های خشک و مرطوب در نمودار پراکندگی دما/ پوشش گیاهی است. درنتیجه، ناتوانی در تعیین لبه های مذکور، در برخی روزها و شرایط، امکان استفاده از این روش ها را محدود می کند. هدف این مطالعه مطرح کردن روشی برای تعیین دقیق لبه های خشک و اشباع، در تمامی روزها و شرایط، با استفاده از تلفیق داده های سری زمانی دما و پوشش گیاهی است. به منظور تحقق این هدف، خطوط هم رطوبت به منزلة خطوطی معرفی می شوند که رطوبت در امتداد آن ها مقدار ثابتی است و برای تعیین لبه های خشک و مرطوب در هر روز به کار رفته اند. شاخص میزان رطوبت خاک پیشنهادی برای 28 روز در سال 2014، در منطقه ای از شهر مونیتوبا در کشور کانادا، با استفاده از ویژگی های دو خط انتخاب شده از میان خطوط هم رطوبت به دست آمده ازطریق داده های دمای سطح، دمای هوا و شاخص پوشش گیاهی سنجندة MODIS، محاسبه و با استفاده از داده های زمینی ایستگاه های رطوبت سنجی شبکة RISMA واقع در این منطقه، ارزیابی شده است. در تمامی 28 روز، تصویر شاخص پیشنهادی که معرف میزان رطوبت خاک است، به منزلة خروجی روش پیشنهادی به دست آمد. ضریب همبستگی شاخص به دست آمده با میزان رطوبت خاک در روزهای بدون پوشش گیاهی به 92/0 رسیده و این مقدار ضریب همبستگی، در روزهای با پوشش گیاهی انبوه، کمتر بوده است.

زمین مرجع سازی تصاویر ماهواره ای با توان تفکیک بالا، با استفاده از معادلات ریاضی مناسب یکی از مهم ترین مراحل استخراج اطلاعات مکانی سه بعدی دقیق است. به منظور زمین مرجع سازی تصاویر ماهواره ای، ابتدا باید مجموعه ای عوارض کنترلی مانند نقاط، خطوط و یا سطوح در دو فضا استخراج شوند. سپس عوارض متناظر از بین کل عوارض استخراج شده تعیین و به طور مستقیم برای حل تابع انتقال بین دو فضا مشخص شوند. ازآنجاکه دقت تصحیح هندسی تصاویر دقت زمین مرجع سازی را تحت تأثیر مستقیم قرار می دهد، در این مقاله این مسئله براساس استفاده از عوارض کنترلی خطی و نیز تلفیق آن با نقاط کنترلی در حل معادلة رشنال بررسی شده است. همچنین اثر آنها در حذف خطاهای سیستماتیک بررسی شده است. نتایج به دست آمده نشان می دهد که دقت حل معادلة رشنال با استفاده از خطوط کنترلی پایین و درحدود 3 پیکسل است. همچنین دیاگرام بردار باقی مانده ها نیز وجود میزان چشمگیر خطاهای سیستماتیک در نتایج نهایی را نشان می دهد. دلیل این امر، افزون بر دقت و توزیع خطوط کنترلی، ماهیت خطوط به منزلة اطلاعات کنترلی نیز محسوب می شود. از سوی دیگر تلفیق خطوط و نقاط کنترلی به منظور حل معادله سبب ارتقای دقت تا 1 پیکسل و حذف بسیاری از خطاهای سیستماتیک می شود. ازاین رو، نتایجْ قابلیت بالای تلفیق خطوط و نقاط کنترلی در ارتقای دقت و نیز کاهش خطاهای سیستماتیک را نشان می دهد .

داده های اخذ شده توسط سیستم های لیزر اسکنر هوایی به دلیل برخورداری از مزایایی نظیر دقت هندسی نسبتاً بالا و تراکم مکانی بالای نقاط، اطلاعات هندسی متنوع و منحصر به فردی از سطوح فیزیکی عوارض فراهم می آورند. طبقه بندی و تفکیک داده های ابر نقطه به عوارض سازنده ی محیط، نقش مهمی در روند مدلسازی سه بعدی عوارض ایفا می کند. در مقاله پیش رو، مسأله ی تفکیک ابرنقاط بعنوان یک فرایند طبقه بندی نظارت شده مدنظر قرار گرفته شده است؛ روند اجرایی در روش پیشنهادی مبتنی بر سه گام بوده که در گام نخست، برای هر نقطه از ابرنقاط مجموعه ای از ویژگی ها مبتنی بر تحلیل های مجاورتی تولید می گردد. در گام دوم، ویژگی های بهینه به کمک داد ه های آموزشی و فضای پدیده استخراج شده و در نهایت، طی یک الگوریتم خوشه بندی، با استفاده از ویژگی های استخراج شده، داده های ابر نقطه به کلاس های مد نظر طبقه بندی می گردند. از این روش بمنظور طبقه بندی ابر نقاط چندبازگشتی لایدار مربوط به یک منطقه ی شهری استفاده شد که نتایج طبقه بندی، دقت کلی معادل 15/93درصد و ضریب کاپای 89/0 را نشان دادند.

یکی از چالش های بسیار مهم در تهیه نقشه پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل های مخلوط است. با توسعه روش های تجزیه اختلاط طیفی و طبقه بندی کننده های نرم، امکان برآورد سهم کلاس ها در سطح زیرپیکسل فراهم می آید و برچسب های چندگانه به پیکسل ها اختصاص داده می شود. با وجود این، تولید نقشه پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل ها است. در سال های اخیر، روش های تهیه نقشه در سطح زیرپیکسل توسعه یافته اند و با استفاده از نتایج طبقه بندی کننده های نرم و بهره گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل ها را بهینه سازی می کنند. در این تحقیق، دقت کلی الگوریتم شبیه سازی تبرید برای تهیه نقشه پوششی در سطح زیرپیکسل مورد ارزیابی قرار گرفته و همچنین، مکانیزم جدیدی در این روش، برای تولید پاسخ های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. از دیگرسو، پارامترهای مؤثر بر عملکرد الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک سازی و تکرارهای ایستا و پویا در عملکرد الگوریتم بررسی شده اند. در فرایند ارزیابی دقت کلی الگوریتم، دو روش مستقل از خطای طبقه بندی نرم و وابسته به این خطا لحاظ شده است. براساس نتایج، افزایش ضریب بزرگنمایی موجب کاهش دقت الگوریتم شبیه سازی تبرید شده و همچنین، تابع خنک سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به منزله تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز، در مقایسه با حالت ایستا دقت بیشتری داشته است. روش پیشنهادی برای تولید پاسخ های جدید در الگوریتم شبیه سازی تبرید دستاورد مهم تحقیق به شمار می آید که دقت کلی را به نسبت روش موجود، افزایش داده و همچنین، زمان اجرای الگوریتم را تا 50% کاهش داده است. بیشترین دقت کلی الگوریتم براساس روش پیشنهادی و مستقل از خطای طبقه بندی نرم 97/94% برآورد شد.

طبقه بندی، تکنیکی در تحلیل تصاویر سنجش از دور است که به طور وسیع در کاربرد های مختلف استفاده می شود. در روش های طبقه بندی نظارت شدة سنتی، اطلاعات آموزشی و نتایج طبقه بندی مبتنی بر اصل «هر پیکسل-یک کلاس» نمایش داده می شوند. در مواردی که عدم اطمینان و پیکسل های مختلط در سنجش از دور وجود دارد، استفاده از روش های فازی توصیه می شود. مطالعات اخیر نشان می دهند که استفاده از اطلاعات مجاورت به همراه اطلاعات طیفی می تواند به صحت بالاتری در طبقه بندی بینجامد. استفاده از اطلاعات مجاورت در پس پردازش نتایج طبقه بندی به دلیل وابستگی نداشتن به طبقه بندی کنندة اولیه از دلایل استفاده از آن در پژوهش حاضر است. قوانین اتصال در فضای توپولوژی فازی یکی از روش های استفاده از اطلاعات مجاورت در بخش پس پردازش است. درصورتی که از بیش از دو طبقه بندی کننده استفاده شود، می توان امکان تلفیق نتایج را بررسی کرد. در این پژوهش برای تلفیق مکانی نتایج با استفاده از قوانین اتصال در فضای توپولوژی فازی، دو راهکار پیشنهاد شده است. در راهکار نخست، یکی از دو طبقه بندی کننده مبنای تلفیق قرار می گیرد و در راهکار دوم فقط پیکسل هایی که در هر دو روش طبقه بندی، به صورت یکسان طبقه بندی شده اند و هم زمان پیکسل محدوده نیستند، در تصویر نهایی برچسب خود را حفظ می کنند. نتایج نشان می دهند که راهکار نخست درمقایسه با راهکار دوم دقت بهتری را به دست می دهد. بیشترین مقادیر صحت کلی و کاپای کلی به دست آمده مربوط به زمانی است که روش طبقه بندیِ بیشترین شباهت در راهکار نخست تلفیق مکانی مبنا قرار می گیرد و به ترتیب 01/89 و 98/88 هستند. به طور کلی، تلفیق مکانی نتایج درمقایسه با وضعیتی که فقط از یک طبقه بندی کننده استفاده شود، دقت را بهبود می دهد. کلید واژه ها : طبقه بندی فازی، فضای توپولوژی فازی، تلفیق، قوانین اتصال

امروزه روشی متداول در ایجاد پایگاه داده راه ها، استخراج آن ها از تصاویر رقومی هوایی و ماهواره ای است. با توجه به حجم بسیار دادههای شبکه راه و نیاز به بهنگام کردن آن ها با کمترین زمان و هزینه محاسباتی، اتوماسیون فرایند استخراج اطلاعات راه در حال تبدیل به یکی از ملزومات عصر جدید است. در تحقیق حاضر که بیشتر بر مرحله برداری سازی راه تأکید دارد، سیستمی هوشمند برای برداری سازی اتوماتیک نتایج کشف راه، با کمترین میزان دخالت عامل انسانی، طراحی شده است. سیستم طراحی شده دارای دو مرحله اساسی تعیین نقاط کلیدی راه و برقراری اتصال بین آن ها است. نخست، با استفاده از تکنیک خوشه بندی بر مبنای الگوریتم انبوه ذرات نقاط اصلی نمایانگر محور مرکزی راه تعیین می شوند. سپس، با در نظر گرفتن مدل گراف وزن دار برای شبکه راه های تصویر، تعیین معیارهای هندسی مناسب و تلفیق این معیارها از سوی عملگرهای میانگین گیر وزن دار ترتیبی، هزینه هر اتصال محاسبه می شود. اتصالات دارای کمترین هزینه، به صورت قطعات نهایی راه در تشکیل شبکه برداری راه شرکت می کنند. نتایج حاصل از پیاده سازی روش پیشنهادی روی چندین تصویر بزرگ مقیاس ماهواره ای و مقایسه آن ها با نتایج الگوریتم درخت پوشای کمینه تأییدکننده موفقیت روش پیشنهادی در استخراج شبکه راه با دقت و صحت بالا است. براساس نتایج ارزیابی، روش پیشنهادی قادر است شبکه راه های تصویر را با میانگین RMSE حدود 9/0 متر، میانگین completeness حدود 94% و میانگین correctness بیش از 95% برداری کند. در مجموع، الگوریتم پیشنهادی در برداری سازی راه های با اشکال مختلف شامل راه های مستقیم، راه های دارای انحنا، راه های با ضخامت های متفاوت، راه های موازی با فواصل متغیر، تقاطع و میدان موفقیت آمیز عمل کرده است.

در غیاب داده های افمریز ماهواره و مدل سنجنده، تبدیلات غیرپارامتریک نظیر مدل توابع کسری از مهم ترین و پرکاربردترین انواع مدل های ریاضی در جوامع فتوگرامتری و سنجش از دور به شمار می آیند. وابستگی این مدل ها به تعداد زیادی نقاط کنترل زمینی، مشکلات عددی موجود در حل آنها و مشکل انتخاب ترم های سازندة ساختار تابع کسری را می توان از ضعف های عمدة این روش برشمرد. ازآنجاکه ضرایب در توابع غیرپارامتریک دارای تفسیر و معنای فیزیکی مشخصی نیستند، در روش های معمول کلیة ترم ها وارد فرایند محاسباتی می شوند و خطای وابستگی میان ترم ها ایجاد می کنند. در پژوهش حاضر، الگوریتم کلونی مورچه ها برای بهینه سازی توابع کسری مناسب سازی شد و از الگوریتم ویژه سازی شده به منظور یافتن ترکیب بهینة ترم ها در ساختار توابع کسری استفاده گردید. الگوریتم مذکور، روی سه تصویر در سطوح تصحیح هندسی مختلف با ترکیب های گوناگونی از نقاط کنترل و نقاط چک مستقل در سه سیستم مختصات زمینی UTM، CT و ژئودتیک و بدون نرمال کردن مختصات های زمینی و تصویری آزمون شد. نتایج آزمون های تجربی نشان دادند که الگوریتم ویژه سازی شدة کلونی مورچه ها در پژوهش حاضر از نظر تعداد ترم ها و دقت موقعیت مکانی قابلیت بالایی دارد. نتایج نشان دادند که استفاده از سیستم مختصات CT برای فضای زمین، نتایج بهتری را از نظر دقت و نحوة همگرایی الگوریتم به توابع کسری بهینه به دست می دهد. نتایج برای تصاویر مختلف و حتی تصاویر خام با استفاده از چهار نقطة کنترل، دقت زیرپیکسل را نشان داد.

اطلاعات پوشش اراضی یکی از مهم ترین ابزارهای مدیریت شهری است و سنجش از دور به عنوان فناوری بهینه از نظر هزینه و زمان، در تولید این گونه اطلاعات اهمیت بسیار دارد. با توجه به وجود نواحی شهری پیچیده و متراکم در کشورهای جهان سوم، روش های شئ مبنا به عنوان راهکار مناسبی در پردازش تصاویر این گونه مناطق پیشنهاد شده اند. هدف پژوهش حاضر معرفی روش شئ مبنای جدیدی برای طبقه بندی مناطق شهری پیچیده با استفاده از تصاویر بزرگ مقیاس ماهواره ای و نزدیک شدن به فرایند تولید نقشة استاندارد و مؤثر با این روش است. در این مدل به منظور انتخاب پارامترهای قطعه بندی، از روشی جدید و همچنین از مدل طبقه بندی سلسله مراتبی به همراه استراتژی قانون مبنایی برای غلبه بر اغتشاشات بین کلاسی بهره گیری شد. در این حیطه ضمن بهینه سازی فضای ویژگی در آنالیزی چندمقیاسه، از دو روش طبقه بندی قانو ن مبنا و نزدیک ترین همسایة فازی استفاده شد. روش پیشنهادی در پژوهش حاضر روی تصویر سنجندة IKONOSاز شهر شیراز پیاده سازی شد، که دقت 84 درصد با استفاده از طبقه بندی روش قانون مبنا و نیز دقت 87 درصد از روش طبقه بندی نزدیک ترین همسایة فازی به دست آمد. افزون بر این، پیاده سازی روش پیشنهادی روی تصویر IKONOSشهر یزد، قابلیت تعمیم پذیری این روش را به سایر مناطق نشان داد. کلید واژه ها : طبقه بندی پوشش اراضی، قانون مبنا، شئ مبنا، نزدیک ترین همسایة فازی، نواحی پیچیده.

اهمیت وجایگاه اطلاعات مکان مرجع درکلیه امورعمرانی و تحقیقاتی برکسی پوشیده نیست. ازمیان روش های تهیه وتولید اطلاعات مکانی،روش فتوگرامتری بواسطه سرعت،صرفه اقتصادی وازهمه مهم تر،عدم نیاز به حضورمستقیم عوامل انسان ی در محل،از جایگاه منحصربه فردی برخوردار می باشد. درروش فتوگرامتری،دوربین های مستقربرسکوهای هوایی،بعنوانا بزاراصلی تأمین داده های ورودی واولین حلقه عملیاتی نقشی کلیدی در میزان موفقیت و دستاوردهای سایرمراحل ایفا می کنند. امروزه پیشرفت تکنولوژیک منجر به ارائه دوربین های رقومی با کیفیت بسیار بالایی شده است که این دوربین ها نویدبخش تهیه اطلاعات مکانی مورد نیازبه روش فتوگرامتری بادقت،سرعت وبهره وری بالا می باشند. با توجه به ظهور دوربین های رقومی جدید وتنوع در ساخت وتکنولوژی بکار رفته در این نوع ازدوربین ها ضرورت کالیبراسیون آنها به عنوان یک نیازاولیه شناخته می شود. باتوجه به هزینه های بالاو مشکلات اجرایی درانجام کالیبراسیون آزمایشگاهی،استفاده ازمعادلات خودکالیبراسیون به عنوان یکی از راه حل های مفید دراین زمینه شناخته می شود. برای این منظور درمقاله حاضر،استفاده ازمعادلات فوریه باترم های بهینه حاصل ازالگوریتم ژنتیک پیشنهاد شده وبررویداده های شبیه سازی شده موردارزیابی ومقایسهب امدل های پیشین قرارگرفته است. براساس نتایج حاصل،این مدل قادراست تا اعوجاجات چندگانه رابا حداقل وابستگی مدلسازی نماید. دقت ارائه شده برای مدلسازی اعوجاجات چندگانه در تصاویر شبیه سازی شده دوربین رقومیUltra Camدرمقایسه با سایر پارامترهایا ضافه بهبود دردقت مدلسازی درحدود 30 درصد وباکمترین وابستگی را نشان می دهد.

آنالیز موفولوژی، با تمرکز بر آنالیز روابط مکانی بین پیکسل های همسایه، پردازش تصویر کامل تری را در مقایسه با آنالیزهایی که بر پایة اثر طیفی یک پیکسل تنها هستند، به دست می دهد. روش پیشنهادی در این مقاله با استفادة هم زمان از اطلاعات طیفی و اطلاعات مکانی حاصل از آنالیز مورفولوژی نتایج نهایی طبقه بندی را در تصاویر ابر طیفی بهبود می بخشد. در این پژوهش ابتدا با استفاده از نمونه های آموزشی محدود، ویژگی های منتخب اولیه استخراج شدند و پس از اعمال آنالیزهای مورفولوژی روی هر یک از آنها، پروفایل های مورفولوژی تشکیل شدند و از ترکیب این پروفایل ها، پروفایل مورفولوژی گسترده تولید شد. سپس پروفایل مورفولوژی گسترده شده با ویژگی های منتخب اولیه ترکیب شد و مجدداً استخراج ویژگی نهایی صورت گرفت. ویژگی های منتخب نهایی با استفاده از طبقه بندی کنندة ماشین بردار پشتیبان طبقه بندی شدند. سپس پس پردازش تصویر نهایی با استفاده از فیلتر رأی گیری اکثریت انجام شد. این روش، روی دادة شهری و نیمه شهری از سنجندة ROSIS تست شد. دقت طبقه بندی نهایی از 86/98 و 70/82 درصد در روش های معمولی به 36/99 و 75/95 درصد در روش پیشنهادی به ترتیب در تصویر منطقة شهری و نیمه شهری افزایش یافته است. کلید واژه ها : آنالیز مورفولوژی، ماشین بردار پشتیبان، استخراج ویژگی، طبقه بندی، رأی گیری اکثریت.

امروزه استخراج اطلاعات از چگونگی بهره برداری از سطح زمین در نواحی شهری، از المان های مهم در سطوح خرد و کلان برنامه ریزی و تصمیم گیری به شمار می رود. تاکنون تحقیقات چندانی در حوزة استخراج خودکار اطلاعات کاربری اراضی انجام نشده است. سنجش از دور به عنوان یکی از ارزان ترین و سریع ترین راه ها، به ویژه پس از ظهور آنالیزهای شیء مبنا، توانایی مناسبی در این حوزه یافته است. هدف پژوهش حاضر، استخراج اطلاعات کاربری اراضی روی یک ناحیة شهری متراکم و پیچیده است و برای این منظور از سیستم سلسله مراتبی شامل سطوح پوشش اراضی و کاربری اراضی استفاده شد. پس از پیاده سازی روش طبقه بندی پوشش اراضی مرحله به مرحله، استخراج واحدهای کاربری اراضی با استفاده از اطلاعات پوشش اراضی انجام شد و فضای ویژگی ای شامل بیش از 50 ویژگی مفهومی، براساس اطلاعات سطوح پوشش اراضی طراحی و استخراج گردید. پس از این مرحله، ویژگی های بهینه با بالاترین میزان جداپذیری بین کلاسی با استفاده از الگوریتم SFFS از میان این ویژگی ها استخراج شدند. در نهایت با پیاده سازی روش طبقه بندی نزدیک ترین همسایة فازی، طبقه بندی کاربری اراضی براساس ویژگی های بهینه اجرا شد. طبقه بندی کاربری اراضی روی دو سیستم کلاسی ترکیبی و غیرترکیبی پیاده سازی شد و سیستم ترکیبی به عنوان مناسب ترین سیستم کلاسی شناسایی گردید. روش پیش رو بدون درنظرگرفتن معیار مساحت اشیای کاربری اراضی، دارای دقت 88 درصد و با درنظرگرفتن این معیار، دارای دقت 93 درصد است.

نسل جدید سنجنده های راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را به منظور استخراج خودکار عوارض، به ویژه عارضه راه فراهم آورده اند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هم مرجع سازی انجام گرفت. سپس ویژگی های بافت استخراج شدند و طبقه بندی با استفاده از شبکة عصبی بازپس خور خطا انجام پذیرفت. با مقایسة نتایج حاصل از اجرای الگوریتم با داده های مرجعی که عامل انسانی آنها را تهیه کرده است، برای داده های TerraSAR-X و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر RCC، 58/46 و 27/93 درصد برای پارامتر BCC و مقادیر 61/0 و 31/0 برای پارامتر RMSE به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان می دهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتم های اپتیک به مناطقی از تصویر که ویژگی های طیفی و بافتی مشابه با راه دارند ازجمله محل پارکینگ ها و سقف بام های بزرگ حساس هستند، درصورتی که این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری به ویژه توأم با راه های کم عرض و کوچه ها مناسب اند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمی کنند، درحالی که تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راه ها هستند. در نتیجه با توجه قابلیت های مکمل این تصاویر در استخراج راه، تلفیق ویژگی های این دو منبع به منظور رفع نواقص و افزایش دقت الگوریتم های حاضر، روشی کارآمد در توسعه الگوریتم ها به نظر می رسد.

تناظریابی از موضوعات چالش برانگیز در سنجش از دور و فتوگرامتری به شمار می آید. این فرایند به منظور طبقه بندی چندطیفی، مانیتورینگ محیط، بازرسی تغییرات، موزاییک کردن تصاویر و نظایر اینها کاربرد وسیعی در سنجش از دور دارد. روش های زیادی برای تناظریابی ارائه شده اند، که یکی از آنها تناظریابی سراسری با استفاده از شبکه عصبی هاپفیلد است. مهم ترین تحقیقات انجام شده در این روش در حوزة شناسایی هدف و مربوط به تصاویر برد کوتاه است، و تاکنون روی تصاویر هوایی و ماهواره ای پیاده سازی نشده اند. هدف اصلی پژوهش حاضر پیاده سازی روش تناظریابی با استفاده از شبکه عصبی هاپفیلد روی انواع تصاویر هوایی و ماهواره ای است. برای انجام تناظریابی مستقل از افاین، از شبکه عصبی هاپفیلد مرتبه 4 استفاده می شود و نتایج عملی روی دو جفت تصویر ماهواره ای بیانگر کارایی بالای این روش است.

تصاویر سنجش از دور معمولاً به صورت ترکیبی از پیکسل های خالص و مخلوط اند. در روش های طبقه بندی سخت، پیکسل های مخلوط به کلاس دارای بیشترین اطمینان تعلق نسبت داده می شوند. بدین ترتیب به علت تک برچسبی بودن نتایج طبقه بندی سخت، اطلاعات در سطح زیرپیکسل نادیده گرفته می شود. روش های طبقه بندی نرم که برای حل این مشکل شکل گرفته اند، برآورد سهم کلاس های مختلف را برای هر یک از پیکسل ها فراهم می آورند. البته این نوع طبقه بندی کننده ها هیچ گونه اطلاعاتی را در مورد آرایش مکانی کلاس های مختلف در داخل پیکسل ها ارائه نمی کنند. الگوریتم معاوضه پیکسلی با استفاده از نتایج طبقه بندی نرم و براساس بیشینه کردن وابستگی مکانی زیرپیکسل ها، امکان تهیه نقشه پوششی را در سطح زیرپیکسل فراهم می سازد. الگوریتم پایه این روش برای حالت باینری است. در تحقیق حاضر به منظور تولید نقشه پوششی، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری ایجاد گردیده و دقت این الگوریتم در دو حالت مستقل از خطای طبقه بندی نرم و وابسته به آن مورد ارزیابی قرار گرفته است. به علاوه، تأثیر پارامترهای مختلف مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن نیز در عملکرد این الگوریتم بررسی شده است. براساس نتایج تحقیق، دقت کلی الگوریتم معاوضه پیکسلی، بسیار وابسته به دقت ورودی الگوریتم (نتایج طبقه بندی نرم است. دستاورد دیگر تحقیق، این بود که مشخص گردید با افزایش ضریب بزرگنمایی، دقت الگوریتم کاهش می یابد. دیگر اینکه سطح همسایگی دوم و توابع معکوس فاصله و مجذور معکوس فاصله، بیشترین دقت را به همراه دارند. با در نظر گرفتن ضریب بزرگنمایی کمتر از 5، دقت کلی الگوریتم در فرایند بهینه سازی آرایش مکانی زیر پیکسل ها بیشتر از 90 درصد برآورد گردید.

در این مقاله با ارائة روش جدیدی در مدل سازی هندسی تصاویر ماهواره ای، از چندجمله ای های دوبعدی به منظور تعیین موقعیت سه بعدی در تصاویر ماهواره ای استریو استفاده شده است. در این مدل سازی، چند جمله ای های دوبعدی نقش برقراری ارتباط بین فضای زمین و تصویر را ندارند و در روند مدل سازی به عنوان پارامترهای اضافی در معادلة شرط هم خطی در نظر گرفته شده اند. معادلة شرط هم خطی به کاررفته در این مدل سازی نیز با مدل پارامترهای مداری است، و پارامترهای موجود در این مدل با استفاده از اطلاعات افمریز ماهواره تعیین می شوند و به صورت مقادیری ثابت در روند مدل سازی قرار می گیرند. در این مدل سازی ضرایب چندجمله ای تنها مجهول های مدل سازی اند و ضرایب مذکور به کمک نقاط کنترل زمینی در دستگاه معادلات خطی تعیین می شوند. مزایای عمده این مدل سازی عبارت اند از: کاهش پیچیدگی های اجرایی مربوط به استفاده از مدل های فیزیکی، سهولت پیاده سازی، امکان استفاده در تصاویر خام و تصاویری با سطوح پایین تصحیحات هندسی، امکان استفادة حداکثری از داده های کمکی ماهواره و همچنین خطی بودن دستگاه معادلات در پروسة تقاطع فضایی. آزمون مدل پیشنهادی در مجموعه داده های مختلف، حاکی از توان بالای این مدل سازی در تأمین دقت های مطلوب در تعیین موقعیت سه بعدی از تصاویر ماهواره ای استریو است.