۳.
کلیدواژه‌ها:
تصویر فراطیفی آشکارسازی هدف الگوریتم هرمی مبتنی بر نشانه
فنّاوری سنجش ازدور فراطیفی، در دو دهه گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیل هایی که در خصوص تصاویر فراطیفی انجام می گیرد، آشکارسازی هدف است. در این پژوهش به آشکار سازی بام های دارای پوشش خاص به عنوان هدف، در یک محیط شهری پرداخته شده است. هم زمان با رشد شهرنشینی و توسعه مناطق شهری نیاز مدیران و برنامه ریزان به نقشه های بسیار دقیق از مناطق شهری به طور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگی های پیچیده ای از نظر فیزیکی، هندسی و عناصر به کارگرفته شده در ساختمان هاست، داده های فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری می کنند. در خصوص آشکارسازی طیفی هدف، از دو دهه پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورت گرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتم های استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاین رو در این پژوهش سعی می شود با ارائه روشی جدید و دقیق ساختمان های با پوشش خاص در تصاویر فراطیفی آشکارسازی شود.مواد و روش ها: برای انجام این پژوهش از داده های تصویری سنجنده CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقه بندی شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیاده سازی شده، سپس از نقشه حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعه بندی هرمی مبتنی بر نشانه استفاده می شود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشه قطعه بندی هرمی مبتنی بر نشانه با نقشه حاصل از ادغام طبقه بندی های MLP و SVM ترکیب می شود.نتایج و بحث: در این پژوهش به منظور پیاده سازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقه بندی MLP با 3 لایه پنهان که شامل 5، 6 و 8 نورون هست پیاده سازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانه ها، آنالیز برچسب گذاری مؤلفه های متصل براساس 8 پیکسل همسایگی بر روی نقشه حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج به دست آمده نقشه حاصل از روش پیشنهادی شامل مناطق یکنواخت تر و دارای ساختارهای به هم پیوسته بیشتری برای آشکارسازی ساختمان هاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان می دهد.
فنّاوری سنجش ازدور فراطیفی، در دو دهه گذشته شاهد پیشرفت چشمگیری بوده است. یکی از تحلیل هایی که در خصوص تصاویر فراطیفی انجام می گیرد، آشکارسازی هدف است. در این پژوهش به آشکار سازی بام های دارای پوشش خاص به عنوان هدف، در یک محیط شهری پرداخته شده است. هم زمان با رشد شهرنشینی و توسعه مناطق شهری نیاز مدیران و برنامه ریزان به نقشه های بسیار دقیق از مناطق شهری به طور چشمگیری افزایش یافته است. ازآنجاکه یک محیط شهری دارای ویژگی های پیچیده ای از نظر فیزیکی، هندسی و عناصر به کارگرفته شده در ساختمان هاست، داده های فراطیفی کمک مؤثری به شناسایی، استخراج و تولید نقشه از عناصر سازنده یک محیط شهری می کنند. در خصوص آشکارسازی طیفی هدف، از دو دهه پیش تاکنون تحقیقات مستمر و متعددی صورت پذیرفته است. با توجه به مطالعات صورت گرفته، تاکنون، الگوریتم هرمی در مقایسه با سایر الگوریتم های استخراج اطلاعات مکانی در تصاویر فراطیفی به بهترین نتایج دست یافته است، ازاین رو در این پژوهش سعی می شود با ارائه روشی جدید و دقیق ساختمان های با پوشش خاص در تصاویر فراطیفی آشکارسازی شود.
مواد و روش ها: برای انجام این پژوهش از داده های تصویری سنجنده CASI استفاده شده است. تصاویر مورد پردازش در این پژوهش شامل تصاویری با 32 باند طیفی و قدرت تفکیک 2 متر هستند که در تاریخ مه سال 2001 از منطقه شهری تولوز واقع در جنوب فرانسه برداشت شده است. در روش پیشنهادی ابتدا دو الگوریتم طبقه بندی شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) بر روی تصویر فراطیفی پیاده سازی شده، سپس از نقشه حاصل از ترکیب دو الگوریتم مذکور برای انتخاب نشانه برای الگوریتم قطعه بندی هرمی مبتنی بر نشانه استفاده می شود. در نهایت به کمک قانون تصمیم رأی اکثریت نقشه قطعه بندی هرمی مبتنی بر نشانه با نقشه حاصل از ادغام طبقه بندی های MLP و SVM ترکیب می شود.
نتایج و بحث: در این پژوهش به منظور پیاده سازی الگوریتم SVM از کرنل پایه شعاعی گوسین استفاده شد. مقادیر دو پارامتر جریمه (C) و عرض تابع گوسی () در الگوریتم SVM به کمک روش ارزیابی متقاطع تعیین شد. الگوریتم طبقه بندی MLP با 3 لایه پنهان که شامل 5، 6 و 8 نورون هست پیاده سازی شد و ارزیابی آن با 500 تکرار انجام گرفت و برای انتخاب نشانه ها، آنالیز برچسب گذاری مؤلفه های متصل براساس 8 پیکسل همسایگی بر روی نقشه حاصل از ترکیب MLP و SVM صورت پذیرفت. براساس نتایج به دست آمده نقشه حاصل از روش پیشنهادی شامل مناطق یکنواخت تر و دارای ساختارهای به هم پیوسته بیشتری برای آشکارسازی ساختمان هاست که این اهمیت استفاده از اطلاعات مکانی در کنار اطلاعات طیفی را نشان می دهد.
نتیجه گیری: در این پژوهش راهبرد استفاده از اطلاعات مکانی در کنار اطلاعات طیفی برای بهبود آشکارسازی هدف در آنالیز تصاویر فراطیفی بررسی شد. برای این منظور از الگوریتم طیفی– مکانی هرمی مبتنی بر نشانه که در فرایند طبقه بندی تصاویر استفاده می شود، برای آشکارسازی بام ساختمان ها استفاده شد. در روش پیشنهادی از دو نقشه طبقه بندی در انتخاب نشانه ها و قانون تصمیم رأی اکثریت در مورد الگوریتم قطعه بندی هرمی اولیه به کار گرفته شد. در ترکیب نقشه های طبقه بندی MLP و SVM به منظور استفاده در انتخاب نشانه ها و قانون تصمیم رأی اکثریت از احتمال شرطی و انتخاب بالاترین احتمال تعلق هر پیکسل به یک کلاس استفاده می شود.