عنوان

استفاده از الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب(NSGA-III) در آستانه‌گذاری چندسطحی برای قطعه‌بندی تصاویر ماهواره‌ای سنجش از دور

Number

پ۲۶۳۴۳

.Language of Text, Soundtrack etc

per

Title Proper

استفاده از الگوریتم ژنتیک چند هدفه با مرتب سازی نامغلوب(NSGA-III) در آستانه‌گذاری چندسطحی برای قطعه‌بندی تصاویر ماهواره‌ای سنجش از دور

First Statement of Responsibility

رضا ابراهیمی قراعینی

Name of Publisher, Distributor, etc.

مهندسي برق و کامپيوتر

Date of Publication, Distribution, etc.

۱۴۰۰

Specific Material Designation and Extent of Item

۹۲ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی کامپیوتر -هوش مصنوعی و رباتیکز

Date of degree

۱۴۰۰/۱۱/۲۰

Text of Note

قطعه‌بندی تصاویر سنجش از دور یکی از چالش‌های مهم در زمینه پردازش تصویر است، که با چالش زیادی روبرو می‌باشد. ‌یکی از این چالش‌های که در این نمونه از تصاویر وجود دارد، رزولوشن بالای تصاویر سنجش از دور، روشنایی کم و ویژگی‌های متراکم است، که می‌توان به آن اشاره کرد. در سال‌های اخیر الگوریتم‌های زیادی برای قطعه‌بندی تصاویر سنجش از دور استفاده شده است، که می توان به الگوریتم‌ شبکه‌های عصبی، الگوریتم‌های مبتنی بر آستانه‎گذاری، الگوریتم‌های مبتنی بر لبه، الگوریتم‌های تکاملی و ... اشاره کرد. در این پایان‌نامه، ما با استفاده از تصاویر دریافت شده از سنجنده سنتینیل-2 که از منطقه دریاچه ارومیه دریافت شده است، برای قطعه‌بندی استفاده کرده‌ایم. روشی که در این پایان‌نامه استفاده شده است، استفاده از الگوریتم چندین هدفه با مرتب‌سازی نامغلوب (NSGA-III) می‌باشد. این الگوریتم بر پایه الگوریتم ژنتیک است و همچنین از یک سری نقاط مرجع از پیش تعیین شده استفاده می‌کند. در این پایان‌نامه از باندهای 8،4،3،2 برای قطعه‌بندی با استفاده از الگوریتم NSGA-III استفاده شده است و نتایج حاصل را با الگوریتم NSGA-II مقایسه شده است و شرایط مقایسه الگوریتم NSGA-II و الگوریتم NSGA-III بصورت یکسان اجراء شده است.(پارامترهای هر دو الگوریتم بصورت یکسان تنظیم شده است).که با توجه به معیار ارزیابی PSNR، SSIM، FSIM الگوریتم NSGA-III نسبت به الگوریتم NSGA-II بهتر عمل می‌کند و نتایج آن به این صورت است که در باند 2 که باند آبی است براساس معیارهای ارزیابی، 19.99=PSNR ،0.77=SSIM و 0.84=FSIM و در باند 3 که باند سبز است به ترتیب 20.35=PSNR ،0.76=SSIM و 0.82=FSIM و در باند 4 که باند قرمز است نتایج این باند نیز به این ترتیب که 18.92=PSNR ،0.78=SSIM و 0.83=FSIM می‌باشد و در باند 8 که باند مادون قرمز نزدیک است 19.92=PSNR ،0.80=SSIM و 088=FSIM می‌باشد و باتوجه به نتایج به دست آمده الگوریتم پیشنهادی نسبت به الگوریتم NSGA-II عملکردی بهتری را از خود نشان داده است و همچنین ما از دو دیتاست متفاوت علاوه بر دیتاست اصلی برای مقایسه الگوریتم خود استفاده کرده‌ایم. همچنین ما در این پایان نامه نتایج خود را با الگوریتمModified Artificial Bee Colony(MABC) و الگوریتم Modified Particle Swarm Optimization (MPSO) مقایسه کرده‌ایم.

Text of Note

Remote Sensing Image Sections One of the major challenges in image processing that it faces. one of these challenges in this sample of images is the high resolution of remote sensing images, low brightness, and dense properties that can be noted. in recent years, many algorithms have been used for the segmentation of remote sensing images, which can be referred to as neural network algorithms, Thresholding based algorithms, edge-based algorithms, evolutionary algorithms, and… cited. in this thesis, we have used images received from the sentinel-2 sensor which is received from the Urmia lake region for segmentation. the method used in this thesis is the use of many-objective algorithm Non-Dominated Sorting Genetic Algorithm (NSGA-III). The algorithm is based on a genetic algorithm and uses a predetermined number of reference points. in this thesis, bands 8, 4, 3, 2 are used for segmentation using NSGA - III algorithm. The results are compared with the NSGA - II algorithm, and the comparison conditions of the NSGA - II algorithm and the NSGA - III algorithm are implemented in the same manner. (The parameters of both algorithms are set identical). According to the PSNR, SSIM, FSIM evaluation, the NSGA-III algorithm performs better than the NSGA-II algorithm. The results are as follows: in band 2, which is the blue band, according to the evaluation criteria, PSNR = 19.99, SSIM = 0.77 and FSIM = 0.84 And in band 3, which is the green band respectively, PSNR=20.35, SSIM=0.76 and FSIM=0.82. And in band 4, which is the red band, the results of this band are as follows: PSNR = 18.92, SSIM = 0.78 and FSIM = 0.83, and in band 8, where the infrared band is close, it is PSNR = 19.92, SSIM = 0.80 and FSIM = 0.88 . And according to the obtained results, the proposed algorithm has a better performance than the NSGA-II algorithm. We have also used two different datasets in addition to the original dataset to compare our Algorithm. In this thesis, we compared our results with Modified Artificial Bee Colony(MABC) Algorithm and Modified Particle Swarm Optimization Algorithm (MPSO).

Variant Title

Using Non-Dominated Sorting Genetic Algorithm (NSGA-III) in Multi-Level Thresholding For Segmentation Remote Sensing Statellite Image

Entry Element

‏‏ ابراهیمی قراعینی.

Part of Name Other than Entry Element

‏ رضا

Relator Code

تهيه کننده

Entry Element

‏‏ صالحپور.

Entry Element

‏ رضائی مقدم.

Part of Name Other than Entry Element

‏ پدرام

Part of Name Other than Entry Element

‏ محمدحسین

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

‏ تبریز