میدان تصادفی مارکوف

امروزه در زمینة مدیریت شهری، رباتیک، تولید بازی های رایانه ای و مانند آن، از ابرنقاط لیدار در استخراج عوارض شهری و سه بعدی سازی استفادة گسترده ای می شود. خوشه بندی و طبقه بندی نقاط ابری لیدار یکی از گام های اصلی برای رسیدن به مدلی سه بعدی به شمار می رود؛ بنابراین، یکی از اهداف این تحقیق را می توان ارزیابی کارآیی روش های طبقه بندی K اٌمین همسایگی نزدیک (KNN)، درخت تصمیم (DT)، بیز ساده (Naïve Bayes)، شبکة عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و میدان تصادفی مارکوف (MRF) در طبقه بندی مجموعه دادة لیدار و تصاویر هوایی در محیط پیچیده شهری برشمرد. بدین منظور، داده هایی که ISPRS از شهر فایهینگن کشور آلمان فراهم آورده، به کار رفته است. سپس همة ویژگی های هندسی، مقادیر شدت ثبت شده از سوی لیدار، تصاویر هوایی و نیز ویژگی های استخراج شدة مبتنی بر مقادیر ویژه را استخراج و به منظور تشخیص پنج کلاس اشیای شهری شامل سطوح نفوذناپذیر، ساختمان، گیاهان کم ارتفاع، درخت و اتومبیل به کار برده است. برای محاسبة مقادیر ویژه به کمک توزیع محلی نقاط، در این مقاله، یک ساختار مکعبی جدید معرفی شده است که در تحقیقات گذشته دیده نشده بود. نتایج نهایی تکنیک های طبقه بندی به کاررفته در این تحقیق با استفاده از نقشه های رفرنس ISPRS ارزیابی شدند. نتایج ارزیابی این تحقیق نشان می دهد که مدل MRF با دقت کلی 88.08% و ضریب کاپای 0.83 کارآتر از دیگر طبقه بندی هاست. همچنین، ساختار مکعبی پیشنهادی را می توان، به خوبی ساختارهای کروی و استوانه ای، در استخراج ویژگی های مبتنی بر مقادیر ویژه به کار برد.

داده های پلاریمتری-اینترفرومتری راداری با فراهم نمودن اطلاعاتی از نوع شدت، دارا بودن اطلاعات پلاریمتری دو تصویر و اطلاعات ارتفاعی حاصل از اینترفرومتری، توانایی زیادی در طبقه بندی پوشش های زمین نشان می دهند که این ویژگی های سه گانه در آنتروپی شانون حاصل از این داده ها به تفکیک قابل مشاهده می باشند. استفاده همزمان این پارامترها نقش تکمیل کننده ای در طبقه بندی ارائه می کنند به طوری که حضور اطلاعات اینترفرومتری باعث افزایش دقت طبقه بندی می شود. همچنین داده های اخذ شده از دنیای واقعی دارای پیوستگی مکانی می باشند. بنابراین دراین تحقیق از الگوریتم میدان تصادفی مارکوف به منظور در نظر گرفتن همسایگی های پیکسلی و مجموعه پارامترهای آنتروپی شانون داده های پلاریمتری-اینترفرومتری راداری برای طبقه بندی استفاده می شود. الگوریتم میدان تصادفی مارکوف برای شروع نیاز به یک نقشه طبقه بندی شده اولیه دارد. نقشه طبقه بندی شده اولیه با استفاده از بی نظمی و ناهمسانگردی پلاریمتری و پلاریمتری-اینترفرومتری و ادغام کلاس های حاصل براساس شباهت ماتریس همدوسی پلاریمتری-اینترفرومتری مراکز کلاس ها، تهیه می شود. بررسی کارآیی الگوریتم پیشنهادی با استفاده از داده پلاریمتری-اینترفرومتری اخذ شده توسط سازمان فضایی آلمان(DLR) انجام می شود. در تحقیق حاضر از شاخص درجه خلوص خوشه ها برای ارزیابی عملکرد الگوریتم پیشنهادی و چند الگورتیم دیگر استفاده می شود. درجه خلوص کل حاصل از الگوریتم پیشنهادی در مقایسه با درجه خلوص حاصل از الگوریتم های -ویشارت( )، االگوریتم پیشنهادی – ویشارت( )، -FCM ویشارت( ) و طبقه بندی با کمک سه پارامترآنتروپی شانون و الگورتیم خوشه بندی FCM به ترتیب به مقدار 28.48%، 11.38%، 16.60% و19.60% افزایش پیدا کرده است.