تصاویر حد تفکیک بالا

طبقه بندی پوشش اراضی در تصاویر سنجش ازدور یکی از پرکاربردترین روش های استخراج اطلاعات مکانی می باشد که می تواند با تولید کلاس های تصویری عوارض سطح زمین به منظور اتوماسیون و تسریع در جهت رفع نیازهای اساسی به منظور در اختیار داشتن اطلاعات مکانی بهنگام از منابع با هدف مدیریت، ساماندهی و بهره برداری از محیط مفید واقع گردد. به دلیل مشابهت رفتار پیکسل ها، طبقه بندی تصاویر هوایی در مناطق پیچیده و متراکم شهری صرفاً با استفاده از اطلاعات طیفی و بافتی منجر به ناکارآمدی طبقه بندی می شود. به عبارتی در طبقه بندی رایج بیشتر با استفاده از خصوصیات طیف و ویژگی های پیکسل های تصویر به شناسایی عوارض و کلاس ها پرداخته می شود. درصورتی که بتوان تطابق مکانی و مفهومی پیکسل ها را نیز در نظر گرفت، به این ترتیب می توان تمایز بیشتری بین کلاس های تصویری قائل شد و فرآیند ماشینی را به تفسیر ذهنی و انسانی نزدیک نمود و بر کارایی سیستم افزود. تمرکز اصلی تحقیق حاضر استفاده از مفاهیم سیستم های خبره در طبقه بندی به منظور آنالیز شئ گرای تصاویر در سطوح مقیاس کلاسی است. بدین منظور با وارد نمودن قوانین دانش پایه به منظور کنترل هدفمند و قانونمندسازی روند توأمان قطعه بندی و تفسیر تصویر، با در نظر گرفتن ویژگی های هندسی کلاس های هدف بهبود دقت را منجر گردد. جهت بررسی کارایی تکنیک پیشنهادی، ارزیابی و مقایسه روش پیشنهادی با چند روش دیگر بر روی تصاویر ماهواره ا ی IRS در منطقه ی شهری جزیره کیش صورت پذیرفته است. نتایج حاصل از این تحقیق نشان می دهد ویژگی های هندسی و مفهومی می توانند به عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج طبقه بندی در منطقه شهری با عوارض ناهمگون طیفی گردند. طوری که در بررسی مورد اشاره صحت کلی و ضریب کاپا به ترتیب 8 درصد و 5/11 درصد افزایش پیدا کرده اند.

فیلترینگ مدل های رقومی سطح (DSM) برای برنامه های کاربردی مانند برنامه ریزی محیطی، به روزرسانی نقشه یا تشخیص ساختمان موردتوجه است . فیلتراسیون زمین، حذف نقاط متعلق به اشیاء بالاتر از سطح زمین به منظور بازیابی نقاط زمینی است که برای تولید مدل رقومی ارتفاع (DSM) استفاده می شود. ابرهای نقطه ای لایدار موفقیت های بسیاری در ارائه ی عوارض داشته اند اما از آنجا که اخذ داده های لایدار هنوز یک فرآیند پرهزینه است، استفاده از ابرهای نقطه تولیدشده از فرآیند فتوگرامتری برای تولید DEM یک راه حل مناسب است. بااین حال، بیشتر الگوریتم های فیلترینگ برای داده های لایدار طراحی شده و به تنظیم تعدادی از پارامترهای پیچیده برای دستیابی به دقت بالا نیاز خواهند داشت. درعین حال زمان پردازش، میزان تأثیرگذاری درصحنه های مختلف و میزان اتوماسیون این روش ها نیز حائز اهمیت است. پیچیدگی های صحنه و توپوگرافی، برای نمونه در مناطق شهری فرآیند فیلتراسیون زمین را با چالش بیشتری مواجه می کند. برای کسب نتایج بهینه کاربران باید پارامترهای مختلف را تا زمانی که نتیجه مطلوب فیلترینگ را پیدا کنند امتحان نمایند، که فرآیندی وقت گیر و پرهزینه است. به علت عدم وجود بررسی جامع از میزان کارایی، اتوماسیون و پیچیدگی های محاسباتی روش های فیلترینگ مختلف بر روی ابر نقاط حاصل از فتوگرامتری، در این پژوهش الگوریتم های مختلف مطرح و پرتکرار در این زمینه ی مطالعاتی با یکدیگر مقایسه شدند. درعین حال، روش های موردمطالعه از منظر کیفیت فیلترینگ کلاس ها، زمان پردازش ها (مدت زمان اجرایی)، پیچیدگی های صحنه و تعداد پارامترهای الگوریتم (بیانگر میزان دخالت کاربر در پردازش داده ها برای میزان اتوماسیون) مورد تحلیل قرار گرفت. نتایج این تحلیل می تواند در راستای شناخت بهتر عملکرد اجرایی روش های فیلترینگ بر روی ابر نقاط حاصله از تصاویر باقدرت تفکیک بالا (DSM های حاصله از تصاویر هوایی و پهپاد) مثمرثمر باشد و به عنوان یک راهنما در جهت کمک به محققان برای تصمیم گیری در انتخاب الگوریتم مورداستفاده با توجه به پارامترهای زمان، سخت افزار، منطقه و میزان دقت خروجی مفید باشد.

با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق تری از صحنه تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به دلیل جزئیات بسیار، دارای واریانس درون کلاسی زیاد و واریانس بین کلاسی اندک اند؛ ازاین رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم های اتوماتیک است؛ به صورتی که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنه تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه مبنای تصویر که به مورفولوژی صحنه تصویر حساس است، به ویژه در مطالعه ای شهری که تراکم ساختارهای شکل گرفته به دست انسان بالاست، ممکن است کارآمد باشد. در طبقه بندی عارضه مبنا، پیکسل های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می شوند؛ در نتیجه، فضای مسئله به نسبت طبقه بندی پیکسل مبنا کاهش می یابد و مزیت این امر افزایش سرعت محاسبات است. درعین حال به دلیل اندازه متنوع اشیای تصویری، طبقه بندی نظارت شده عارضه مبنا در ایجاد مجموعه آموزشی بهینه با چالش هایی مواجه است. در تحقیق حاضر، به منظور طبقه بندی عارضه مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعه آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی ها (افزونگی) و همبستگی بین ویژگی ها و کلاس ها (مطابقت)، زیرمجموعه ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه داده استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه بندی پیکسل مبنا مقایسه شده است. به منظور بررسی معنی داری اختلاف های حاصل شده در نتایج ارزیابی ها نیز، آزمون آماری مک نمار به کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه مبنای پیشنهادی، در قیاس با رویکرد پیکسل مبنا، به طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه مبنای پیشنهادی، در مقایسه با رویکرد پیکسل مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینه رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.