دانشکده مهندسی نقشه‌برداری (ژئودزی و ژئوماتیک)
پایان‌نامه کارشناسی ارشد
در رشته مهندسی عمران – نقشه‌برداری

تکه هایی از متن به عنوان نمونه :

چکیده
طبقه‌بندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیط‌های فیزیکی و بهره گیری در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش به‌روز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از داده‌های سنجش از دور به گونه فزاینده‌ای در میان بسیاری از جوامع احساس می گردد. با پیشرفت‌های اخیر در داده، فن‌آوری، و نظریه‌های سنجش از دور، ضرورت این امر بیشتر نیز می گردد. پیشرفت سنجنده‌های جدید، پتانسیل بالایی برای طبقه‌بندی شهری را نشان می‌دهد. با این تفاصیل، عملکرد روش‌های طبقه‌بندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روش‌های جدیدتر برای رفع این محدودیت‌ها بیشتر احساس می گردد. از طرف دیگر، روش‌های جدید در بازشناسی الگو همانند جنگل تصادفی (RF )، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقه‌بندی تصویر و بازشناسی الگو به خود جلب کرده می باشد. چندین پژوهش نیز مزایای RF در طبقه‌بندی کاربری اراضی را نشان داده می باشد. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و بهره گیری از تصاویر ماهواره‌ای جدید و لیدار تمرکز داشته می باشد. در این پژوهش یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شی‌گرا و طبقه‌بندی RF برای بهبود طبقه‌بندی پیشنهاد شده و مورد مطالعه قرار گرفته می باشد. برای مقایسه، روش‌های طبقه‌بندی مرسوم نیز انجام شده می باشد. در طبقه‌بندی پیکسل-مبنا با الگوریتم‌های مختلف طبقه‌بندی، RF بالاترین دقت کلی را در حدود 82%، و در طبقه‌بندی شی-مبنا SVM بالاترین دقت کلی را در حدود 79% و RF دقت 77% را تولید نمود. در طبقه‌بندی ویژگی‌های شی-مبنا برای اشیا حاصل از قطعه‌بندی یک سطح با روش پیشنهادی دقت کلی الگوریتم RF از 75% به 76%، دقت کلی الگوریتم SVM از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده گردید. پس نتایج این پژوهش نشان می‌دهد که روش پیشنهادی می‌تواند عملکرد طبقه‌بندی را از نظر دقت و سرعت بهبود بخشد.
واژگان کلیدی: طبقه‌بندی پوشش اراضی شهری، قطعه‌بندی تصویر، ویژگی‌های شی‌گرا، الگوریتم جنگل تصادفی، انتخاب ویژگی، ماشین بردار پشتیبان، شبکه‌های عصبی، سنجش از دور
فهرست مطالب
فصل 1 مقدمه 2
1-1 پیشگفتار 2
1-2 ضرورت‌ها، انگیزه‌ها و ویژگی‌های پژوهش 4
1-3 اهداف و سؤالات پژوهش 5
1-4 روش پژوهش 6
1-5 معرفی اختصاری سایر فصول 7
فصل 2 مروری بر تحقیقات پیشین 10
2-1 مقدمه 10
2-2 مروری بر روش‌های طبقه‌بندی پوشش اراضی 10
2-2-1 فن‏های طبقه‏بندی شی‏گرا 11
2-2-2 فن‏های طبقه‏بندی نظارت‏نشده پیکسل-مبنا 12
2-2-3 فن‏های طبقه‏بندی نظارت‏شده پیکسل-مبنا 12
2-3 مروری بر روش‌های طبقه‌بندی جدید در سنجش از دور 13
2-3-1 طبقه‌بندی با شبکه‌های عصبی مصنوعی 14
2-3-2 طبقه‌بندی با درختان تصمیم 15
2-3-3 طبقه‌بندی با روش‌های مبتنی بر ماشین بردار پشتیبان 15
2-3-4 فن‌های طبقه‌بندی دانش-پایه 17
2-3-5 طبقه‌بندی با الگوریتم‌های ترکیبی 18
2-4 روش‌های انتخاب و کاهش فضای ویژگی 21
2-5 اختصار فصل 22
فصل 3 مفاهیم و روش‌ها 25
3-1 مقدمه 25
3-2 مفاهیم پایه 25
3-3 الگوریتم‌های یادگیری متداول 27
3-3-1 واکاوی جداسازی خطی 27
3-3-2 درخت‌های تصمیم 28
3-3-3 شبکه‌های عصبی 31
3-3-4 طبقه‌بندی‌کننده بیز ساده 33
3-3-5 روش‌های مبتنی بر ماشین‌های بردار پشتیبان و کرنل 34
3-4 روشهای دسته جمعی 39
3-5 تقویت 41
3-6 روش Bagging 42
3-6-1 دو الگوی گروهی 42
3-6-2 الگوریتم Bagging 43
3-6-3 جنگل تصادفی 47
3-6-4 انتخاب ویژگی با کمک شاخص تعیین اهمیت ویژگی RF 51
3-7 قطعه‌بندی تصویر 53
3-7-1 قطعه‌بندی به روش چند رزولوشنه 54
3-7-2 روش برآورد مقیاس مناسب برای قطعه‌بندی تصویر 58
3-8 برآورد دقت طبقه‌بندی 59
3-8-1 ماتریس ابهام 60
3-9 اختصار 62
فصل 4 روش پژوهش و نتایج 64
4-1 مقدمه 64
4-2 داده‌ها و منطقه مورد مطالعه 64
4-3 روش پیشنهادی پژوهش 66
4-3-1 انتخاب باند با کمک شاخص اهمیت ویژگی RF 69
4-3-2 قطعه‌بندی تصویر ابرطیفی 70
4-3-3 گروه‌های ویژگی 71
4-3-4 طبقه‌بندی 72
4-4 ارزیابی 74
4-4-1 نتایج ارزیابی دقت کلی و ضریب کاپا 74
4-4-2 ارزیابی زمانی روش‌های طبقه‌بندی 79
4-4-3 نتایج طبقه‌بندی به تفکیک کلاس‌ها 80
4-4-4 ارزیابی بصری 84
4-5 جمع‌بندی مطالب فصل 88
فصل 5 نتیجه‌گیری و پیشنهادها 91
5-1 مقدمه 91
5-2 اختصار پژوهش 91
5-3 دستاوردهای پژوهش 92
5-4 پیشنهادها 95
منابع 97
فهرست اشکال
شکل ‏1 1) طریقه کلی پژوهش 7
شکل ‏3 1: مرز تصمیم LDA بر روی یک مجموعه داده three-Gaussians 27
شکل ‏3 2: مثالی از درخت تصمیم 28
شکل ‏3 3: مرز تصمیم یک درخت تصمیم بر روی مجموعه داده three-Gaussians 31
شکل ‏3 4: شکل (الف) یک نرون و (ب) یک شبکه عصبی 32
شکل ‏3 5: نمایی از SVM خطی دوتایی 35
شکل ‏3 7: تفکیک غیر-خطی با بهره گیری از فن کرنل SVMs (Bekkari et al., 2012) 38
شکل ‏3 8: معماری یک روش دسته جمعی معمولی 39
شکل ‏3 9: معمولاً مجموعه چند طبقه‌بندی‌کننده بهتر از بهترین تک طبقه‌بندی‌کننده اقدام می کند (Hansen and Salamon, 1990). 40
شکل ‏3 10: الگوریتم Bagging 44
شکل ‏3 11: مرزهای تصمیم (شکل بالا چپ) یک تک درخت، (شکل بالا راست) Bagging و (شکل پایین) درخت‌های تشکیل‌دهنده آن بر روی مجموعه داده three-Guassian 46
شکل ‏3 12: الگوریتم تولید درخت تصادفی در RF 48
شکل ‏3 13: طریقه کلی الگوریتم جنگل تصادفی (Guo et al., 2011) 49
شکل ‏3 14: مرزهای تصمیم بر روی مجموعه داده مصنوعی: (الف) 10 طبقه‌بندی‌کننده پایه Bagging؛ (ب) 10 طبقه‌بندی‌کننده پایه RF؛ (ج) Bagging؛ (د) RF 51
شکل ‏3 15: (راست) قطعه‌بندی Top-down؛ (چپ) قطعه‌بندی Bottom-up 54
شکل ‏3 16: مراحل ادغام دو شی تصویری یا پیکسل و تشکیل یک شی تصویری جدید با در نظر گرفتن شرط بهترین برازش دوطرفه بین جفت شی ادغام شونده 57
شکل ‏3 17: نمایی از پلات ROC-LV 59
شکل ‏4 1: نمایی از تصویر ابرطیفی با نمونه‌های مرجع 65
شکل ‏4 2: نمایی از داده لیدار مورد مطالعه 65
شکل ‏4 3: طریقه کل روش پیشنهادی 67
شکل ‏4 4: الگوریتم افزایش تعداد نمونه‌های آموزشی با بهره گیری از احتمالات محاسبه شده با RF 69
شکل ‏4 5: اهمیت نرمال شده هر یک از باندهای تصویر ابرطیفی در طبقه‌بندی 70
شکل ‏4 6: منحنی RMS شبکه عصبی برای 500 تکرار مرحله آموزش، (راست) برای NN و (چپ) برای PCA-NN 75
شکل ‏4 7: نمودار ضریب کاپا روش‌های طبقه‌بندی پیکسل-مبنای مختلف 77
شکل ‏4 8: نمودار دقت کلی روش‌های طبقه‌بندی پیکسل-مبنای مختلف 77
شکل ‏4 9: نمودار ضریب کاپا روش‌های مختلف طبقه‌بندی ویژگی‌‌های شی-گرا 79
شکل ‏4 10: نمودار دقت روش‌های مختلف طبقه‌بندی ویژگی‌‌های شی-گرا 79
شکل ‏4 11: نمودار زمان محاسباتی روش‌های مختلف طبقه‌بندی ویژگی‌‌های شی-گرا 80
شکل ‏4 14: نمایی از نتایج طبقه‌بندی ویژگی‌های شی-گرا پس قطعه‌بندی در چند مقیاس (به ترتیب از بالا به پایین) با روش NN، SVM و RF 85
شکل ‏4 15: نمایی از نتایج طبقه‌بندی ویژگی‌های شی-گرا برای قطعه‌بندی یک سطح با نمونه‌های آموزشی اولیه (به ترتیب از بالا به پایین) با روش MLC، NN، SVM و RF 86
شکل ‏4 16: نمایی از نتایج طبقه‌بندی ویژگی‌های شی-گرا برای قطعه‌بندی یک سطح با نمونه‌های آموزشی حاصل از RF (به ترتیب از بالا به پایین) با روش MLC، NN، SVM و RF 87
فهرست جداول
جدول ‏3 1: ماتریس ابهام برای 3 کلاس 60
جدول ‏4 1: اطلاعات مربوط به مجموعه داده‌های بهره گیری شده 65
جدول ‏4 2: تعداد نمونه‌های آموزشی و مرجع 66
جدول ‏4 3 : قطعه‌بندی چند مقیاسه و پارامترهای آن 71
جدول ‏4 4: فهرست ویژگی‌های قابل استخراج از اشیا 72
جدول ‏4 5: پارامترهای مورد نیاز برای شروع الگوریتم‌های طبقه‌بندی 73
جدول ‏4 6: جدول دقت‌های طبقه‌بندی پیکسل-مبنا 76
جدول ‏4 7: جدول دقت‌های طبقه‌بندی شی-مبنا تصویر ابرطیفی و داده لیدار 78
جدول ‏4 8: برآورد دقت طبقهبندی پیکسل-مبنای ویژگی‌های لیدار و تصویر ابرطیفی 81
جدول ‏4 9: برآورد دقت طبقهبندی پیکسل-مبنای 20 باند انتخاب شده از تصویر ابرطیفی 82
جدول ‏4 10: برآورد دقت طبقهبندی شی-گرا در سطح 124 با نمونه‌های آموزشی اولیه 83
جدول ‏4 11: برآورد دقت طبقهبندی شی-گرا در سطح 124 با نمونه‌های آموزشی حاصل از RF 84
فصل اول
مقدمه
فصل 1 مقدمه
1-1 پیشگفتار
در زندگی امروزی داشتن اطلاعات به‌روز، یک برتری بزرگ به شمار می‌آید که به تصمیم‌گیری درست و زندگی بهتر در جوامع انسانی منجر می گردد. یکی از مهم‌تر ین اطلاعات، نقشه‌های به‌روز پوشش اراضی می باشد که برای تصمیم‌گیری صحیح و مدیریت و برنامه‌ریزی آگاهانه برای مدیران (شهری) مورد نیاز می باشد.
سنجش از دور یک منبع غنی برای تولید بسیاری از اطلاعات مکانی و محیطی می باشد و یکی از بنیادی‌ترین اطلاعاتی که تولید می کند نقشه‌های پوشش اراضی می باشد . اطلاعات پوشش اراضی برای تولید نقشه‌های کاربری اراضی، مطالعه تغییرات محیطی و برقراری ارتباط بین عوامل انسانی مختلف و متغیرهای فیزیکی محیط مورد بهره گیری قرار می‌گیرد. برای تولید نقشه‌های پوشش اراضی آغاز بایستی این اطلاعات از تصاویر ماهواره‌ای و داده‌های دیگر استخراج گردد. تفسیر بصری و الگوریتم‌های یادگیری ماشینی دو روش متداول برای استخراج اطلاعات از تصاویر ماهواره‌های و داده‌های سنجش از دور می باشد، که هر یک دارای مزایا و معایبی می‌باشند. در بعضی موردها استخراج اطلاعات از تصاویر ماهواره‌ای و هوایی توسط عامل انسانی نتایج مطلوب‌تری نسبت به روش‌های خودکار یا نیمه ‌خودکار تولید می کند. اما در جوامع امروزی تولید اطلاعات توسط عامل انسانی و به روش‌های سنتی دیگر پاسخگوی نیازهای موجود نیست و لازم می باشد روش‌های خودکار و عاری از دخالت بشر توسعه داده گردد. در این راستا پیوسته الگوریتم‌های یادگیری جدیدتری توسعه داده می گردد تا این نیاز را برطرف سازد. در زمینه استخراج اطلاعات از تصاویر سنجش از دور به روش سنتی، مسائلی که بایستی مورد توجه واقع گردد عبارت‌اند از: 1- حجم زیاد و رشد سریع داده‌ها و تصاویر در سنجش از دور، 2- زمان‌بر بودن استخراج اطلاعات توسط بشر و از طرف دیگر 3- پیچیدگی عوارض برای تفسیر بصری و استخراج به وسیله چشم ممکن می باشد باعث خطا ‌گردد و در بعضی موردها نیز استخراج اطلاعات به این روش غیرممکن می گردد. راه‌حل این مسئله بهره گیری از الگوریتم‌های یادگیری ماشینی می باشد که هدف نهایی آن‌ها استخراج اطلاعات بدون دخالت بشر می باشد . مهم‌تر ین کاری که الگوریتم‌های یادگیری ماشینی در سنجش از دور انجام می‌دهند طبقه‌بندی داده‌ها به کلاس‌های اطلاعاتی می باشد. الگوریتم‌های یادگیری ماشینی متداول در سنجش از دور مثل روش‌های طبقه‌بندی بیشینه شباهت (MLC )، ماشین بردار پشتیبان (SVM ) و شبکه‌های عصبی مصنوعی (ANN ) دارای مشکلاتی مثل 1- نیازمندی به داده‌های آموزشی زیاد و بدون خطا، 2- نیازمندی به تعیین بهینه و صحیح پارامترهای آغازکننده، 3- محاسبات زیاد و 4- دقت پایین در استخراج اطلاعات هستند. جنگل تصادفی (RF ) یک الگوریتم یادگیری ماشینی جدید می باشد که با ترکیب طبقه‌بندی‌کننده‌های درختی نتایج رضایت‌بخشی را در طبقه‌بندی تولید می کند هم‌چنین بهره گیری از این روش می‌تواند بعضی از معضلات مطرح در الگوریتم‌های قبلی را رفع کند.
ارزش اطلاعاتی یک تصویر بیشتر از هزار کلمه می باشد. سنجش از دور تصاویری با اطلاعات گوناگون از محیط را در اختیار ما قرار می‌دهد. همان ‌گونه که گفته گردید می‌توان با طبقه‌بندی تصاویر به این اطلاعات دست پیدا نمود. در بیشتر موردها در طبقه‌بندی تصاویر از روش‌های پیکسل-مبنا بهره گیری می گردد. این روش‌ها پیکسل‌های تصویر را بر اساس اطلاعات عددی آن‌ها طبقه‌بندی می‌کنند. اما معمولاً عوارضی که در اکثر موردها در یک تصویر بالتبع هستیم، تک ‌پیکسلی نیستند بلکه به صورت مجموعه‌ای از پیکسل‌ها یا یک شی هستند. پس در این پژوهش نیز با در نظر داشتن این که هدف طبقه‌بندی پوشش اراضی می باشد و عوارض نهایی مورد نظر، تک ‌پیکسلی نیستند، آغاز یک قطعه‌بندی روی تصویر انجام می گردد تا اشیا تصویری تولید شوند و سپس این اشیا با در نظر داشتن ویژگی‌هایی که دارند طبقه‌بندی می شوند تا کلاس‌های اطلاعاتی پوشش اراضی را ارائه دهند.
در این پژوهش طبقه‌بندی هم به صورت پیکسل-مبنا و هم به صورت شی-مبنا با چند روش‌ انجام می گردد و نتایج هر یک مورد بحث و مطالعه قرار می‌گیرد، تا در نهایت روشی مناسب از میان روش‌های مطالعه‌شده برای طبقه‌بندی پوشش اراضی شهری با بهره گیری از تصاویر ابرطیفی ارائه گردد. از آنجا پوشش اراضی شهری پیچیده‌تر و مهم‌تر از پوشش اراضی طبیعی می باشد در این پژوهش یک تصویر از یک صحنه شهری با عوارض مختلف مورد مطالعه قرار گرفته می باشد تا بتوانیم ارزیابی صحیح‌تری را به گونه عملی از روش‌های طبقه‌بندی مختلف انجام دهیم.
1-2 ضرورت‌ها، انگیزه‌ها و ویژگی‌های پژوهش
در تحقیقات صورت گرفته قبلی در زمینه طبقه‌بندی پوشش اراضی از روش‌ها و داده‌های بسیاری بهره گیری‌شده می باشد (Lu and Weng, 2007). در اغلب این تحقیقات روش‌های پیشرفته و درعین‌حال پیچیده‌ای مثل شبکه‌های عصبی، ماشین‌های بردار پشتیبان، RFM و یا تلفیق این روش‌ها باهم و با فن‌های بهینه‌سازی و فازی‌سازی بهره گیری‌شده می باشد. درک عمیق بسیاری از این روش‌ها و رفع معضلات حاصل از بهره گیری این روش‌ها و یا تعیین پارامترهای این روش‌ها برای عموم کاربران سنجش از دور نیاز به مطالعه و صرف زمان زیادی دارد. به همین دلیل ممکن می باشد در بعضی کاربردهای سنجش از دور به درستی نتوان از این روش‌ها بهره گیری نمود.
امروزه با پیشرفت سنجنده‌های سنجش از دور، می‌توان به گونه هم‌زمان اطلاعات طیفی و مکانی با قدرت تفکیک بالا را باهم بهره گیری نمود. به علاوه سنجنده‌های لیدار قادرند اطلاعات ارتفاعی دقیقی از محیط را در اختیار ما قرار دهند (Hodgson et al., 2003). تلفیق این دو نوع داده می‌تواند کمک بزرگی به بهبود دقت طبقه‌بندی و تهیه نقشه پوشش اراضی شهری بکند. تحقیقات بسیاری برای طبقه‌بندی و تلفیق این داده‌ها به مقصود تولید نقشه‌های پوشش اراضی شده می باشد. اغلب این تحقیقات با تکیه بر روش‌های پیشرفته و پیچیده توانسته‌اند دقت طبقه‌بندی تصاویر ابرطیفی و لیدار را افزایش دهند. اما سؤالی که اینجا مطرح می گردد این می باشد که آیا همیشه برای افزایش دقت طبقه‌بندی تصاویر ابرطیفی لازم می باشد چنین روش‌های پیچیده (که اغلب دارای محاسبات بالایی نیز هستند) به کار رود، یا این که می‌توان با روش‌های ساده‌تری نیز به این دقت دست پیدا نمود.
یکی از روش‌های جدید طبقه‌بندی، RF می باشد که با الگوریتم بسیاری ساده‌ای به کمک تلفیق چند طبقه‌بندی‌کننده پایه ساده کار می کند و تعیین پارامترهای آن بسیار ساده می باشد (Joelsson et al., 2010). مطالعات قبلی انجام شده درمورد RF قابلیت‌های کاربردی از این روش را معرفی کرده‌اند. مزایای مطرح شده این روش و سادگی آن، انگیزه اصلی بهره گیری از این روش جهت طبقه‌بندی تصاویر ابرطیفی در این پژوهش می باشد .
بعضی محققین در کارهای قبلی نشان داده‌اند که قطعه‌بندی تصویر و طبقه‌بندی شی-گرا می‌تواند دقت طبقه‌بندی را بالا ببرد (Kettig and Landgrebe, 1976, Geneletti and Gorte, 2003, Benz et al., 2004, Walter, 2004, Blaschke, 2010). در بعضی تحقیقات نیز برای طبقه‌بندی تصاویر چند طیفی، طبقه‌بندی شی-گرا پیشنهاد شده می باشد (Kettig and Landgrebe, 1976, Geneletti and Gorte, 2003). در مورد تصاویر ابرطیفی، با در نظر داشتن محاسبات بالای قطعه‌بندی و تولید ویژگی‌های شی‌گرا و تعداد بالای باندهای تصاویر ابرطیفی، سؤال دیگری که در اینجا مطرح می گردد این می باشد که قطعه‌بندی و تولید ویژگی‌های شی‌گرا برای بهبود طبقه‌بندی تصاویر ابرطیفی تا چه حد دقت کار را بالا می‌برد و آیا طبقه‌بندی شیء‌گرای تصاویر ابرطیفی از نظر محاسباتی و زمان طبقه‌بندی به صرفه می باشد. برای پاسخ به این‌چنین سؤالاتی انجام یک پژوهش و مطالعه ضروری می باشد. پژوهش برای پاسخ به مسائل مذکور ارائه می گردد که مقایسه با تحقیقات قبلی دارای ویژگی‌های جدیدی می باشد . این ویژگی‌ها عبارت‌اند از:
• بهره گیری از طبقه‌بندی RF به مقصود طبقه‌بندی تصاویر ابرطیفی با تلفیق داده لیدار،
د قطعه‌بندی و تولید ویژگی‌های شی‌گرا از تصاویر ابرطیفی و داده لیدار و طبقه‌بندی آن‌ها با الگوریتم‌های RF، SVM و NN،
• افزایش نمونه‌های آموزشی با کمک RF به مقصود افزایش دقت طبقه‌بندی تصاویر ابرطیفی، و
• حذف باندهای کم اهمیت تصویر ابرطیفی و طبقه‌بندی با بهره گیری از باندهای مناسب با کمک RF.
1-3 اهداف و سؤالات پژوهش
هدف اصلی این پژوهش مطالعه فن‌های یادگیری ماشینی برای طبقه‌بندی کاربری اراضی شهری با بهره گیری از تصاویر ماهواره‌ای و داده کمکی مثل DSM می باشد . اهداف اصلی این پژوهش عبارت‌اند از:
• مطالعه عملکرد طبقه بندی کننده RF در طبقه‌بندی تصاویر ابرطیفی و داده لیدار در یک صحنه شهری،
• ارزیابی قابلیت RF به عنوان یک ابزار انتخاب ویژگی برای طبقه‌بندی پوشش اراضی شهری،
و مقایسه نتایج طبقه‌بندی به دست آمده از طبقه بندی کننده مبتنی بر RF با نتایج حاصل از طبقه‌بندی‌کننده‌های معروف.
با در نظر داشتن تحقیقات قبلی و تصویر ابرطیفی به‌کار‌رفته در این پژوهش سؤالات زیر مطرح می گردد:
ث آیا RF می‌تواند در طبقه‌بندی تصاویر ابرطیفی جایگزین روش‌های پیچیده مثل SVM و NN گردد؟
• RF ، در کاهش محاسبات طبقه‌بندی یا انتخاب باندهای مناسب تصاویر ابرطیفی چه نقشی می‌تواند داشته باشد؟
• چگونه با کمک الگوریتم RF می‌توان صحت طبقه‌بندی را افزایش داد؟
• آیا با کمک RF می‌توانیم نمونه‌‌های آموزشی بیشتری تولید نمود و با کمک آن دقت طبقه‌بندی را افزایش داد؟
• آیا قطعه‌بندی چندمقیاسی و تولید ویژگی‌های جدید و انجام طبقه‌بندی با کمک این ویژگی‌ها می‌تواند دقت طبقه‌بندی تصاویر ابرطیفی را افزایش دهد؟
1-4 روش پژوهش
روش بهره گیری‌شده در پژوهش حاضر به گونه اختصار شامل مراحل زیر می باشد :
• قطعه‌بندی تصویر و تولید اشیا تصویر
• تولید ویژگی‌های شی-مبنا
• طبقه‌بندی پیکسل-مبنا و شی-مبنا
• محاسبه احتمال تعلق کلاس‌ها به کمک الگوریتم RF و تولید نمونه‌های آموزشی جدید
• تکرار طبقه‌بندی با نمونه‌های آموزشی جدید
• ارزیابی و مقایسه حالت‌های مختلف طبقه‌بندی
در این پژوهش حالت‌های مختلفی از ویژگی‌های پیکسل-مبنا از تلفیق ویژگی‌های بافت لیدار و باندهای تصویر ابرطیفی، باندهای انتخابی تصویر ابرطیفی، و ویژگی‌های شی-مبنا حاصل از قطعه‌بندی در یک و چند مقیاس به گونه جداگانه باهم تلفیق‌شده و طبقه‌بندی شدند و در نهایت، حالت‌های مختلف طبقه‌بندی مورد ارزیابی قرار گرفت. طریقه کلی مراحل مذکور به گونه اختصار در شکل ‏1 1 نشان داده شده می باشد و جزئیات آن در فصل چهار پژوهش ارائه شده می باشد.
شکل ‏1 1) طریقه کلی پژوهش
1-5 معرفی اختصاری سایر فصول
در فصل بعد تعدادی از تحقیقات مرتبط در زمینه روش‌های مختلف طبقه‌بندی پوشش اراضی با بهره گیری از تصاویر ماهواره‌ای و داد‌های سنجش از دوری و لیدار پرداخته شده می باشد. در بخش ‏2-2 مروری بر کارهای انجام شده شی-گرا و پیکسل-مبنا شده می باشد. در بخش ‏2-3 مروری بر تحقیقات سنجش از دوری انجام شده با الگوریتم‌های پیشرفته مثل SVM، NN، روش‌های دانش-پایه و الگوریتم‌های ترکیبی مثل RF شده می باشد. روش‌های انتخاب و کاهش فضای ویژگی در بخش ‏2-4 تبیین داده شده می باشد. در انتهای فصل در بخش ‏2-5 اختصار‌ای از مطالب فصل گفته شده می باشد.
در فصل سوم، مفاهیم و روش‌های مورد نیاز در پژوهش تبیین داده شده می باشد. آغاز در بخش ‏3-2 مفاهیم پایه مورد بهره گیری در بازشناسی الگو تبیین داده شده می باشد. در بخش ‏3-3 الگوریتم متداول طبقه‌بندی، در بخش ‏3-4 روش‌های ترکیبی طبقه‌بندی گفته شده می باشد. در ادامه در دو بخش ‏3-5 و ‏3-6 دو الگوریتم مهم ترکیبی Boosting و Bagging تبیین داده شده می باشد. در بخش ‏3-6-3 الگوریتم جنگل تصادفی و بعضی قابلیت‌های آن تبیین داده شده می باشد. در بخش ‏3-7 روش قطعه‌بندی تصویر و در بخش ‏3-8 معیار‌های ارزیابی طبقه‌بندی گفته شده می باشد. در بخش ‏3-9 اختصار‌ای از مطالب فصل گفته شده می باشد.
در فصل چهارم پژوهش آغاز داده‌های مورد بهره گیری در بخش ‏4-2 و در ادامه در بخش ‏4-3 روش پیشنهادی پژوهش و ارزیابی روش‌ها در بخش ‏4-4 تبیین داده شده می باشد. در بخش ‎0 نیز اختصار‌ای از مطالب فصل گفته شده می باشد.
در نهایت در فصل پنجم، آغاز مقدمه و اختصار‌ای از پژوهش در بخش‌های ‏5-1 و ‏5-2 آورده شده می باشد. در ادامه نیز با در نظر داشتن نتایج پژوهش در بخش ‏5-3 و ‏5-4 به ترتیب دستاوردها و پیشنهادها ارائه شده می باشد.
فصل دوم
مروری بر تحقیقات پیشین
فصل 2 مروری بر تحقیقات پیشین
2-1 مقدمه
در این فصل رویکردهای طبقه‌بندی پوشش اراضی، به خصوص نواحی شهری با بهره گیری از تصاویر ماهواره‌ای مرور شده می باشد. در بخش ‏2-2 روش‌های متفاوت طبقه‌بندی پوشش اراضی در زمینه سنجش از دور ارائه شده می باشد. بخش ‏2-3 نیز فن‌های انتخاب ویژگی را با مقایسه روش‌های متفاوت مرور می کند. در بخش ‏2-4 به مرور چند روش مهم انتخاب و کاهش باند پرداخته شده می باشد. در نهایت در بخش ‏2-5 اختصار‌ای از مطالب فصل آورده شده می باشد.

این مطلب رو هم توصیه می کنم بخونین:   دانلود پایان نامه ارشد : بررسی عوامل تخریب دیواره های انتهایی حوضچه آرامش سدهای بتنی

گرایش سنجش از دور
مطالعه روش جنگل تصادفی جهت بهبود طبقه‌بندی پوشش اراضی شهری با بهره گیری از تصاویر ماهواره‌ای

تابستان 13

***ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود می باشد***

متن کامل را می توانید دانلود نمائید

زیرا فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به گونه نمونه)

اما در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود می باشد

تعداد صفحه :121

قیمت : 14700 تومان

***

—-

دسته‌ها: عمران