عنوان پایان‌نامه

خوشه بندی داده های فرا طیفی با استفاده از تکنیک بهینه سازی خرد جمعی



    دانشجو در تاریخ ۲۱ دی ۱۳۸۹ ، به راهنمایی ، پایان نامه با عنوان "خوشه بندی داده های فرا طیفی با استفاده از تکنیک بهینه سازی خرد جمعی" را دفاع نموده است.


    رشته تحصیلی
    مهندسی عمران - نقشه برداری - فتوگرامتری
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه پردیس 2 فنی شماره ثبت: 1893;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 47597
    تاریخ دفاع
    ۲۱ دی ۱۳۸۹
    دانشجو
    امین علیزاده نایینی
    استاد راهنما
    فرهاد صمدزادگان
    چکیده
    لینک فایل چکیده
    در سال‌های اخیر با پیشرفت فناوری سنجش از دور، امکان جمع‏آوری داده‌های تصویری فراطیفی با توان تفکیک طیفی بالا فراهم شده است. یکی از موفقیت آمیزترین کاربردهای تصاویر فراطیفی، طبقه‌بندی و تولید نقشه پوشش زمین است. به طوریکه دو روش عمده برای طبقه‌بندی تصاویر سنجش از دور ارائه شده است: روش طبقه‌بندی نظارت شده و نظارت نشده. در میان روش‌های مختلف طبقه‌بندی نظارت نشده روش‌های خوشه‏بندی جزء‌بندی یک سری مراکز خوشه در نظر می‌گیرند و در طی یک فرآیند تکراری موقعیت بهینه‌ی این مراکز خوشه‌ها را به گونه‌ای پیدا می‌کنند که دو ملاک جدایی مجموعه‌ی خوشه‌ها و فشردگی اعضای داخل هر خوشه برآورد شود، بنابراین می‌توان به مسئله‌ی خوشه‏بندی به صورت یک مسئله‌ی بهینه‏سازی نگاه کرد. یکی از روش‌های بهینه‏سازی، الگوریتم توده ذرات است که ملهم از رفتار جمعی پرندگان و ماهی‌ها می‌باشد. در این تحقیق از الگوریتم توده ذرات به منظور خوشه‏بندی داده‌های فراطیفی استفاده شده است. همچنین در این تحقیق به منظور بهبود عملکرد روش‌های پرکاربرد خوشه‏بندی جزءبندی از جمله Kmeans و FCM، این الگوریتم ها توسط الگوریتم توده ذرات بهینه شدند و همچنین برای بهبود سرعت همگرایی الگوریتم خوشه‏بندی مبتنی بر بهینه‏سازی توده ذرات، این روش با روش‌های FCM و Kmeans ترکیب شده است. از آنجایی که معیار شباهت و تابع برآورد عملکرد روش خوشه‏بندی از پارامترهای مهم در خوشه‏بندی می‌باشند، در این تحقیق معیارهای شباهت متفاوتی با نام‌های فاصله‌ی اقلیدسی (ED)، زاویه‌ی طیفی (SAM)، SSV و فاصله‌ی JMD به منظور خوشه‏بندی داده‌های فراطیفی مورد بررسی قرار گرفتند، همچنین از میان معیار‌های متفاوت برآورد عملکرد خوشه‏بندی، معیارهای شاخص DB، نسبت حداکثر فاصله‌ی بین مراکز خوشه‌ها به حداقل فاصله درونی خوشه‌ها، خطای کمی سازی در خوشه‏بندی و معیار ضریب کاپا بررسی شده اند. در ادامه نحوه‏ی عملکرد الگوریتم بهینه‏سازی توده ذرات در فضای تبدیل MNF و معکوس این فضا مورد ارزیابی قرار گرفته است. ایده‌ی نوینی که در این پژوهش پیشنهاد شده است، حل همزمان خوشه‏بندی و انتخاب باندهای بهینه تصویر فراطیفی توسط الگوریتم بهینه‏سازی توده ذرات می‌باشد. به این ترتیب نه تنها از حجم بالای داده‌های فراطیفی مورد نظر کاسته می‏شود بلکه دقت روش خوشه‏بندی مبتنی بر الگوریتم توده ذرات بهبود خواهد یافت.
    Abstract
    In the last decades, the progress in remote sensing technology provided the high spatial and hyperspectral imagery data. One of the most successful applications of hyperspectral images is the classification and land cover mapping. In general, there are two main strategies for classifying of the remotely sensed images: supervised and unsupervised. Among different methods of unsupervised classification, partial clustering methods consider a set of cluster centers and find optimum position of centroid as two criteria i.e. separation of clusters and compression each cluster are satisfied. One of the optimization methods is particle swarm optimization which is inspired bird’s behavior. In this study we use particle swarm optimization in order to clustering of hyperspectral data. On the one hand for improving of performance of traditional clustering methods such as kmeans and FCM, these algorithms are optimized by PSO and on the other hand for improving convergence speed of clustering based on particle swarm optimization, PSO clustering is hybridized with kmeans and FCM which have local search ability. Since similarity measurements and assessment criteria are vital and important parameters in clustering, in this study on the one hand different similarity measurements with names Euclidian Distance, spectral angle (SAM), SSV and Jeffries-matusita distance (JMD) and on the other hand different evaluation criteria with names DB index, ratio of intra-cluster into inter-cluster, quantization error and kappa coefficient is surveyed. In continuing, the performance of particle swarm optimization in MNF space and inverse of this space have been evaluated. Also in this study a new idea for solving both clustering and optimum band selection of images simultaneously is proposed. By new method, not only high dimension of hyperspectral data is decreased but also clustering method based on particle swarm optimization is improved. Surveys show among similarity measurements, ED and S