عنوان پایان‌نامه
ارائه الگوریتم ترکیب ویژگیهای بافت و سگمنت های تصاویر ابرطیفی در افزایش دقت طبقه بندی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده جغرافیا شماره ثبت: 2147;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75258
- تاریخ دفاع
- ۱۶ شهریور ۱۳۹۴
- دانشجو
- علی شهسواری
- استاد راهنما
- علی درویشی بلورانی
- چکیده
- روش‌های متداول طبقه بندی مبتنی بر اطلاعات هر پیکسل بوده یا به اصطلاح پیکسل‌مبنا می‌باشند. این روش‌ها با عدم استفاده از روابط همسایگی میان پیکسل‌ها از قسمت زیادی از اطلاعات مفید چشم پوشی می کنند. در سال‌های اخیر، تاثیر افزودن اطلاعات مکانی، در روند طبقه‌بندی تصاویر ماهواره‌ای به عنوان رویکردی برای غلبه بر کمبود دقت روش‌های پیکسل‌مبنا به وضوح به اثبات رسیده است. ویژگیهای بافت و اشیای موجود در صحنه به‌عنوان دو ابزار مهم در استخراج اطلاعات مکانی در پردازش تصویر شناخته شده‌اند. در این پژوهش با هدف به‌کارگیری قابلیت‌های داده‌های سنجش از دور با قدرت تفکیک مکانی بالا، الگوریتمی جهت استخراج ویژگیهای بافت و سگمنت‌های تصویر ارائه گردیده است. دراین الگوریتم به‌منظور تشخیص عوارض تصویر با اندازه‌های مختلف از تقطیع در مقیاس‌های مختلف استفاده گردید. با استفاده از روش‌های تقطیع بر روی باند اول آنالیز اجزای اصلی (PCA)، تصویر را در 30 مقیاس قطعه‌بندی کرده و سپس ویژگیهای بافت توسط ماتریس هم‌وقوعی درجات خاکستری (GLCM) از سگمنت‌های حاصل مستخرج گردید. ترکیب این اطلاعات مکانی با اطلاعات طیفی براساس چند سناریو انجام و در روش طبقه‌بندی ماشین‌های بردار پشتیبان (SVM) وارد شد. این الگوریتم بر روی داده‌های استاندارد برداشت شده توسط سنجنده ROSIS از منطقه دانشگاه پاویا در ایتالیا، پیاده‌سازی و نتایج ترکیب اطلاعات طیفی و بافت و کارایی الگوریتم مشخص گردید.
- Abstract
- Common classification methods are based on information of pixels, or in a more technical terms, are pixel-based methods. The lack of using neighborhood relations leads to ignorance of lots of useful information. The efficacy of addition of spatial information in improvement of satellite imagery classification has been proved in recent years. The addition has obviously overcome the low accuracy, resulting from the common pixel-based methods. The texture characteristics and the existing objects in the scene has been recognized as two important tools in the extraction of spatial information in image processing. In this study, an algorithm for the extraction of texture characteristics and the image segments has been presented to implement the capabilities of imagery with high spatial resolution. The segmentation at different scales was used in the algorithm to recognize image features. To this end, the segmentation methods were performed on the first band of Principal Components Analysis (PCA) in order to segment the image at 30 different scales. The texture characteristics, in turn, was extracted from the resultant segments by using Gray Levels Co-Occurrence Matrix (GLCM). The fusion of spatial information and spectral information was conducted on the basis of several scenarios and the result was inducted into Support Vector Machines (SVM) method. The algorithm was performed on the standard data in the Pavia university region in Italy, which was taken by ROSIS detector. The results of fusion of texture and spectral data and also the efficacy of the algorithm were determined in this study.
