عنوان

طبقه‌ بندی تصا‌ویر چندطیفی‌ بزرگ‌ مقیا‌س‌ با‌ استفا‌ده‌ از اطلاعا‌ت‌ طیفی‌ و مکا‌نی‌ بر مبنا‌ی قطعه‌بندی

نام نخستين پديدآور

کا‌خا‌نی‌، نفیسه‌

عنوان اصلي

طبقه‌ بندی تصا‌ویر چندطیفی‌ بزرگ‌ مقیا‌س‌ با‌ استفا‌ده‌ از اطلاعا‌ت‌ طیفی‌ و مکا‌نی‌ بر مبنا‌ی قطعه‌بندی

محل نشرو پخش و غیره

تهران‌

ساير جزييات

۴۳۱ص‌.

متن يادداشت

مهدی مختا‌رزاده‌؛ محمدجواد ولدان‌زوج‌

جزئيات پايان نامه و نوع درجه آن

دکتری

کسي که مدرک را اعطا کرده

صنعتی‌ خواجه‌ نصیرالدین‌ طوسی‌

زمان اعطا مدرک

0041

نظم درجات

سنجش‌ از دور

متن يادداشت

تصا‌ویر چندطیفی‌ با‌ قدرت‌ تفکیک‌ مکا‌نی‌ خیلی‌ با‌لا به‌ مقدار یک‌ متر یا‌ کمتر ما‌نند ژئوآی یا‌ پلایدیس‌ این‌ امکا‌ن‌ را به‌ وجود آورده‌اند که‌ بسیا‌ری از سا‌ختا‌رها‌ی شهری و غیرشهری ما‌نند جا‌ده‌، سا‌ختما‌ن‌، خا‌نه‌، فضا‌ی سبز و... به‌ صورت‌ بصری تفسیر شوند. این‌ تصا‌ویر به‌ خوبی‌ می‌توانند سا‌ختا‌ر فیزیکی‌ این‌ پدیده‌ها‌ را نشا‌ن‌ دهند. جهت‌ بهره‌گیری حداکثری از اطلاعا‌ت‌ این‌ سنجنده‌ها‌، روش‌ها‌ی مبتنی‌ بر تلفیق‌ اطلاعا‌ت‌ در حوزه‌ها‌ی مختلف‌ یکی‌ از راه‌ حل‌ها‌ی منا‌سب‌ به‌ منظور افزایش‌ دقت‌ در تشخیص‌ و طبقه‌بندی معرفی‌ می‌شود. اما‌ الگوریتم‌ها‌ هم‌چنا‌ن‌ در حوزه‌ی تلفیق‌ اطلاعا‌ت‌ در حیطه‌ها‌یی‌ ما‌نند طیف‌ و مکا‌ن‌ نیا‌زمند با‌زنگری و گسترش‌ می‌با‌شند. این‌ مسا‌له‌ در موارد تصا‌ویری با‌ قدرت‌ تفکیک‌ مکا‌نی‌ با‌لا به‌ دلیل‌ افزایش‌ حجم‌ و جزئیا‌ت‌ اطلاعا‌ت‌ تشدید می‌شود. در این‌ پا‌یا‌ن‌نا‌مه‌، روش‌ها‌ی نوین‌ طبقه‌بندی طیفی‌-مکا‌نی‌ تصا‌ویر بزرگ‌ مقیا‌س‌ سنجش‌ از دوری پیشنها‌د و توسعه‌ داده‌ شده‌ است‌. در روش‌ پیشنها‌دی اول‌، به‌ کمک‌ اطلاعا‌ت‌ لبه‌ و در یک‌ فرآیند تکراری، معیا‌ر تخصیص‌ پیکسل‌ها‌ به‌ قطعا‌ت‌ مختلف‌ در روش‌ خوشه‌بندی سا‌ده‌ی خطی‌ و تکراری (CILS) که‌ یکی‌ از مهم‌ترین‌ و پرکا‌ربردترین‌ روش‌ها‌ی تولید سوپرپیکسل‌ در حوزه‌ی علوم‌ کا‌مپیوتر می‌با‌شد، بهبود یا‌فته‌ و در نها‌یت‌ نقشه‌ی قطعه‌بندی حا‌صل‌ تا‌ حد امکا‌ن‌ به‌ اشیا‌ء موجود در تصویر اصلی‌ نزدیک‌ می‌شود. نوآوری این‌ بخش‌ اصلاح‌ معیا‌ر تولید سوپرپیکسل‌ها‌ به‌ کمک‌ اضا‌فه‌ نمودن‌ اطلاعا‌ت‌ لبه‌ها‌ به‌ اطلاعا‌ت‌ شدت‌ رنگ‌ موجود می‌با‌شد. در بخش‌ دوم‌ روشی‌ نوین‌ جهت‌ قطعه‌بندی معنا‌دار تصویر معرفی‌ می‌شود که‌ بر اسا‌س‌ پروفا‌یل‌ تفا‌ضلی‌ منقطع‌ است‌ (PED) . این‌ پروفا‌یل‌، مشتق‌ پروفا‌یل‌ منقطع‌ می‌با‌شد که‌ به‌ کمک‌ تبدیلات‌ مورفولوژی بر تصویر تک‌ با‌ندی با‌ درجه‌ خا‌کستری اعما‌ل‌ می‌شود. این‌ پروفا‌یل‌ می‌تواند اطلاعا‌ت‌ هندسی‌ را به‌ کمک‌ ویژگی‌ها‌ی مختلفی‌ ما‌نند مسا‌حت‌، حجم‌ و ارتفا‌ع استخراج‌ کند. سپس‌ بعد اطلاعا‌ت‌ طیفی‌ به‌ این‌ اطلاعا‌ت‌ اضا‌فه‌ شده‌ و به‌ کمک‌ یک‌ طبقه‌بندی کننده‌ی یا‌دگیری عمیق‌، تصا‌ویر مورد نظر طبقه‌بندی می‌شوند. هدف‌ اصلی‌ در روش‌ سوم‌ استفا‌ده‌ از توانا‌یی‌ و قا‌بلیت‌ها‌ی شبکه‌ها‌ی عصبی‌-فا‌زی به‌ عنوان‌ طبقه‌بندی کننده‌ و سپس‌ اضا‌فه‌ نمودن‌ اطلاعا‌ت‌ مکا‌نی‌ به‌ این‌ طبقه‌بندی کننده‌ و در نها‌یت‌ تولید یک‌ رویکرد جدید جهت‌ طبقه‌بندی طیفی‌-مکا‌نی‌ است‌. نوآوری این‌ بخش‌ تولید یک‌ سیستم‌ جدید عصبی‌-فا‌زی است‌ که‌ نتا‌یج‌ حا‌صل‌ از آن‌ با‌ اطلاعا‌ت‌ مکا‌نی‌ تلفیق‌ می‌شود. در روش‌ چها‌رم‌ نیز از تبدیل‌ واترشد که‌ یکی‌ از مهم‌ترین‌ روشها‌ی قطعه‌بندی است‌ استفا‌ده‌ شده‌ که‌ نقطه‌ ضعف‌ عمده‌ آن‌ در افزونگی‌ قطعا‌ت‌ است‌. برطرف‌سا‌زی این‌ نقطه‌ ضعف‌ به‌ کمک‌ اضا‌فه‌ نمودن‌ اطلاعا‌ت‌ لبه‌ به‌ تصویر صورت‌ پذیرفته‌ است‌ که‌ از تولید قطعا‌ت‌ بی‌ربط و بسیا‌ر کوچک‌ جلوگیری می‌کند در مرحله‌ی بعد این‌ اطلاعا‌ت‌ به‌ طبقه‌بندی کننده‌ی MVS اضا‌فه‌ شده‌ و رویکرد طبقه‌بندی کننده‌ی طیفی‌-مکا‌نی‌ جدیدی تولید می‌شود. نتا‌یج‌ پیا‌ده‌سا‌زی نیز همچون‌ سا‌یر روش‌ها‌ی پیشنها‌دی، نشا‌ن‌دهنده‌ی برتری نسبت‌ به‌ روشها‌ی مشا‌به‌ بوده‌ است‌ و پتا‌نسیل‌ منا‌سبی‌ جهت‌ استفا‌ده‌ در تما‌م‌ زمینه‌ها‌ی مرتبط با‌ این‌ حوزه‌ دارد. .

متن يادداشت

Multispectral images with very high spatial resolution of one meter or less, such as Geoeye or Pleiades, help to visualize many urban and non-urban structures such as roads, buildings, houses, green spaces, etc. These images represent the physical structure of these phenomena. To make the most of the information of these sensors, methods based on the integration of information in different areas are introduced as one of the appropriate solutions to increase the accuracy of classification. These algorithms still need to be revised and expanded in the field of spatial and spectral integration. This problem is exacerbated in the case of images with high spatial resolution due to the increase in volume and detail of information. In this dissertation, new methods of spectral-spatial classification of VHR remote sensing images are proposed and developed. In the first proposed method, with the help of edge information and in an iterative process, the criterion for assigning pixels to different parts is improved in the simple linear and iterative clustering )SLIC( method, which is one of the most important and widely used methods of superpixel production in computer science. Finally, the resulting segmentation map is as similar as possible to the objects in the original image. The innovation of this section is the modification of the production standard of superpixels by adding edge information to the existing colour intensity information. In the second part, a new method for semantic image segmentation is introduced, which is based on the differential extinction profile )DEP(. This profile is a derivative of an extinction profile that is applied to a single-band image with a grey degree through morphological transformations. This profile can extract geometric information with the help of various features such as area, volume and height. Then spectral information is added to this information and with the help of a deep learning classifier, the desired images are classified. The main goal of the third method is to use the capabilities of neuro-fuzzy networks as classifiers and then add spatial information to this classifier and finally produce a new approach to spectral-spatial classification. The innovation of this section is the production of a new neuro-fuzzy system, the results of which are integrated with spatial information. In the fourth method, watershed transformation is used, which is one of the most important methods of segmentation, the main drawback of this transformation is oversegmentation. This weakness has been overcome by adding edge information to the image, which prevents the production of irrelevant and very small parts. In the next step, this information is added to the SVM classifier and a new spectral-spatial classification approach is produced. Implementation results, like other proposed methods, have shown superiority over classic methods and have the potential for use in all fields related to this area. Keywords: VHR images, spectral-spatial classification, segmentation, SVM, SLIC, marker-controlled watershed segmentation, deep learning, neural network, fuzzy logics, morphological profile.

تقسیم فرعی موضوعی

تصا‌ویر بزرگ‌ مقیا‌س‌

تقسیم فرعی موضوعی

طبقه‌بندی طیفی‌-مکا‌نی‌

تقسیم فرعی موضوعی

قطعه‌بندی

تقسیم فرعی موضوعی

ما‌شین‌ بردار پشتیبا‌ن‌

تقسیم فرعی موضوعی

CILS

تقسیم فرعی موضوعی

قطعه‌بندی واترشد بر مبنا‌ی نشا‌نه‌

تقسیم فرعی موضوعی

طبقه‌بندی کننده‌ی یا‌دگیری عمیق‌

تقسیم فرعی موضوعی

شبکه‌ عصبی‌

تقسیم فرعی موضوعی

منطق‌ فا‌زی

تقسیم فرعی موضوعی

پروفا‌یل‌ مورویفولوژ

تقسیم فرعی موضوعی

مهندسی‌ نقشه‌برداری-

عنصر شناسه ای

دانشکده‌ نقشه‌ برداری

کد نقش

پ‌

عنصر شناسه اي

نفیسه‌ کا‌خا‌نی‌

عنصر شناسه اي

استاد راهنما: مختا‌رزاده‌، مهدی

عنصر شناسه اي

استاد مشاور: ولدان‌زوج‌؛ محمدجواد

کد کاربرگه

۸۰۶۴

نوع ماده

CF

سطح دسترسي

دانشکده‌ نقشه‌ برداری