بخشی از مقاله
چکیده
بهمنظور مدیریت هرچه بهتر مناطق شهري و نیمهشهري وجود اطلاعات مکانی دقیق و به هنگام موردنیاز میباشد. در این راستا استخراج اطلاعات مکانی ساختمانها، بهعنوان یکی از عوارض غالب بر محیط شهري موردتوجه محققان سنجشازدور و فتوگرامتري است. لذا دستیابی به الگوریتمی مناسب جهت شناسایی و استخراج ساختمانها از تصاویر هوایی و ماهوارهاي بسیار مورد اهمیت است. در این راستا، الگوریتمی تلفیقی جهت بهبود شناسایی ساختمان از تصاویر SAR ارائهشده است.
درروش پیشنهادي ابتدا به مقایسه و ارزیابی چهار روش شبکه عصبی، ماشین بردار پشتیبان، بیشترین شباهت و نزدیکترین همسایگی پرداختهشده است. سپس در راستاي بهبود نتایج اقدام به تلفیق در سطح تصمیمگیري، توسط پنجرهاي متحرك در این تصویر شده است. نتا یج حاصل از روش پیشنهادي با دقت کلی، دقت شناسایی سا ختمان و دقت شناسایی زمینه به ترتیب 86,41%، 73,08% و 90,57% میباشد.
-1مقدمه
با ظهور نسل جدیدي از سنجندهها ي راداري مانند TerraSAR-X، CosmoSkyMed و ... باقدرت تفکیک مکانی بالا چالش جدیدي درزمینهي استخراج ساختمان در مناطق شهري ایجادشده است. برخی روشها در تصاویر SAR براي بازسازي ساختمان و برآورد ارتفاع از طریق اینترفرومتري [1] ، رادارگرامتري [2]، تک داده [3] و همچنین با دادههاي چندوجهی SAR پیشنهادشده است. همچنین برخی روشها هدفشان متکی بر در دست داشتن داده multi-modal است که نیازمند جمعآوري اطلاعاتی مانند زاویه دید و یا changed incidence است .[4]
توسعه ي روشهاي اتوماتیک بازسازي Footprintهاي ساختمان از تک تصویر SAR با حد تفکیکهاي مکانی بالا با دشواريهایی روبرو است. این تصاویر، به دلایل پیچیدگی و نیازمند بودن به توسعه ي الگوریتمهاي مؤثر که داراي این توانایی باشند که در تصاویر بزرگمقیاس باهدف کاربردهاي واقعی بهکاربرده شوند دشوار است .[4] بااینوجود برداشت متفاوت اطلاعات زمینی - خواص فیزیکی اشیاء - این سنجندهها و همچنین امکان تصویربرداري در تمام شبانهروز و شرایط آبوهوایی نقش بسزایی درزمینهي استخراج عارضه ساختمان ایفا مینمایند. الگوریتم هایی نیز با استفاده از این تصاویر به شناسایی و استخراج ساختمان پرداختهاند. برخی از این الگوریتم ها با استفاده از ویژگی بافت[5]، روشهاي ناحیه مبنا و لبه مبنا[6]، استفاده از اثر [7]double bounceو ... اقدام به استخراج ساختمان کردهاند.
هدف از این مقاله، ارائه روشی جدید، جهت بهبود شناسایی ساختمان از تصویر SAR، توسط تلفیق طبقه بنديکنندههاي نظارتشده میباشد.ساختار ادامه مقاله به شرح زیر است: در بخش دوم، مروري بر الگوریتمهاي طبقهبندي مورد استفاده در تحقیق شده است. بخش سوم، به بیان روش تحقیق، بخش چهارم مشخصات دادههاي مورداستفاده و سپس در بخش پنجم پیادهسازي و ارزیابی نتایج و نهایتا در بخش ششم نتیجه گیري ارائهشده است.
-2مروري بر الگوریتمهاي طبقهبندي مورد استفاده در تحقیق
• شبکه عصبی مصنوعی
شبکههاي عصبی مصنوعی الگویی براي پردازش اطلاعات می باشند که با تقلید از شبکههاي عصبی بیولوژیکی مثل مغز انسان ساختهشدهاند. یک شبکه عصبی شامل اجزاي سازنده لایهها، وزن ها و نرونها می باشد. رفتار شبکه نیز و ابسته به ارتباط بین اعضا است. مهمترین وظیفه هر نرون، دریافت اطلاعات از نرونهاي همسایه بهعنوان ورودي، انتساب پارامتر وزن به هر یک از وروديها، تأثیر بر وروديهاي موجود توسط تابع عملکرد داخلی نرون جهت محاسبه پاسخ نرون به دادههاي ورودي ونهایتاً ارسال پاسخ محاسبهشده به سایر نرونهاي شبکه بهعنوان ورودي جدید میباشد .[8]
نحوي محاسبهي پاسخ شبکهي از وروديها طبق روابط 1-1 زیر محاسبه میشوند. در رابطه بالا،a بیانگر وروديها، w معرف وزن و b بایاس میباشد. در استفاده از شبکه عصبی براي شناسایی ساختمان، لایه ورودي شامل نرونهایی است که به تعداد پارامترهاي ورودي طراحی شد بهنحويکه هر نرون مسئول دریافت یک پارامتر و ارسال آن به دیگر لایههاي شبکه میباشد. لایه خروجی، دربرگیرنده دو نرون است که وظیفه تصمیم گیري درباره ماهیت پیکسل ورودي را به عهده دارد.
• ماشین بردار پشتیبان - Support Vector Machines -
الگوریتمهاي ماشین بردار پشتیبان یکی از الگوریتمهاي یادگیري نظارتشده تشخیص الگو است که در سال 1995 توسط ریاضیدان روسی به نام وپنیک ارائه شد و اصول آن بر پایه نظریه یادگیري آماري است. مبنا ي اصلی این روش دستهبندي خطی داده ها و با در نظر گرفتن حاشیه اطمینان بوده اساساًو یک جداکننده دودویی محسوب میشوند. هدف اصلی SVM یافتن ابر صفحه بهینه ي است که دو کلاس را بهگونها ي از هم جدا کند که فاصله نزدیکترین نمونه هاي آموزشی از دو کلاس به این ابر صفحه، از یکدیگر بیشینه گردد.
