وحید عیسوی

در طبقه بندی تصاویر، از اطلاعات بافت و واریانس استفاده شده؛ ولی اطلاعات قابل استخراج از واریوگرام کمتر به کار رفته و به تغییرات زمانی واریوگرام کمتر توجه شده است. در این تحقیق، برای تهیة نقشة کاربری و پوشش اراضی منطقة دهگلان واقع در استان کردستان، از تصاویر چند زمانة SPOT و ASTER استفاده شده است. مجموعه ای از شاخص های استخراج شده از واریوگرام معرفی، و پاره ای شاخص جدید استخراج شده و روش SVM برای طبقه بندی به کار رفته است. به طور کلی، این تحقیق در دو مرحله انجام شده است: 1- طبقه بندی باندهای طیفی؛ 2- طبقه بندی باندهای طیفی به همراه پارامترهای استخراج شده از واریوگرام. پس از ارزیابی دقت و مقایسة آن ها، شاخص های مناسب معرفی شده است. بعضی از شاخص ها باعث افزایش دقت اکثر کلاس ها می شوند و برخی از آن ها هم در بعضی کلاس ها بی تأثیرند که این ها را می توان شاخص های عمومی قلمداد کرد. برخی از شاخص ها نیز باعث افزایش دقت برخی کلاس ها و کاهش دقت برخی دیگر از آن ها می شوند که به آن ها شاخص های تخصصی می گویند. بررسی ها نشان می دهد هنگام استفاده از شاخص های استخراج شده از واریوگرام، دقت کلی حدود4 درصد و دقت در برخی از کلاس ها بیش از 9 درصد افزایش می یابد و دقت کلی از 88/98 درصد به 744/92 می رسد.

بیشتر الگوریتم های طبقه بندی داده های سنجش از دور براساس ویژگی ها و اطلاعات طیفی پیکسل ها عمل می کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر می شود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربری ها را به فرایندی دشوار و پیچیده تبدیل کرده است. در این پژوهش تأثیر استفاده از بافت تصویر تک باند سنجنده ALI (Advanced Land Imager) بر دقت طبقه بندی تصاویر ابرطیفی سنجنده هایپریون«Hyperion» در محیط های شهری بررسی شد. طبقه بندی با استفاده از روش جنگل های تصادفی[1] و در پنج سناریوی مختلف انجام شد: سناریوی شماره 1: طبقه بندی اطلاعات طیفی تصویر ادغام شده به روش [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه بندی تصویر CNT با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هم وقوعی در اندازه های پنجره 3، 5، 7 و 9 هستند. براساس یافته های این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش CNT دقت طبقه بندی را بهبود چشمگیری داد، به گونه ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوشش های کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینه دقت تولیدکننده و مصرف کننده 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 رتبه های بالا قرار گیرند. همچنین، افزایش اندازه پنجره منجر به بهبود بیشتر دقت طبقه بندی شد، به گونه ای که اندازه پنجره 9 بهترین عملکرد را در پی داشت.