[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 6، شماره 2 - ( 6-1397 ) ::
جلد 6 شماره 2 صفحات 1-21 برگشت به فهرست نسخه ها
ارائه روشی جهت تولید شاخص‌ مکانی به‌منظور به‌کارگیری اطلاعات مکانی در طبقه‌بندی تصاویر پانکروماتیک
حامد عاشوری ، محمدجواد ولدان زوج، محمودرضا صاحبی
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (219 مشاهده)
طبقه‌بندی یکی از پرکاربردترین روشهای استخراج اطلاعات از تصاویر ماهواره‌ای است، در الگوریتم‌های مختلف طبقه‌بندی تنها از اطلاعات طیفی تصویر به‌عنوان ورودی استفاده می‌شود. در حالی که خصوصا در تصاویر با رزولوشن مکانی بالا، روابط مکانی بین پیکسلهای همسایه نقش به‌سزایی در ایجاد تمایز بین کلاسهای مختلف، در تفسیر انسانی دارد. در تحقیقات مختلف روشهایی جهت کمی‌سازی بافت تصویر و استفاده از آن در ایجاد تفکیک بین کلاسها ارائه شده است. با توجه به تنوع روشهای کمی‌سازی بافت تصویر و تنوع پارامترهای قابل تنظیم آنها، امکان تولید تعداد بسیار بالایی ویژگی مکانی جدید از تصویر وجود دارد. هر یک از این ویژگیها توانایی خاصی در ایجاد تمایز بین کلاسهای تصویر دارند، این حقیقت و تعداد بالای ویژگیها، نیاز به انتخاب ترکیب بهینه و یا تولید ویژگی‌هایی که چکیده توانمندی مجموعه تولید شده را داشته باشند، را ضروری می‌نماید. در این تحقیق با الهام از اندکس‌های تفاضلی نرمال طیفی، مفهوم شاخص مکانی جهت تولید شاخص‌هایی مبتنی بر ویژگیهای مکانی تولید شده از تک باند طیفی تصویر پانکروماتیک، جهت تفکیک کلاسهای مختلف تصویر معرفی شده است. شاخص‌های مکانی تولیدی برای هر کلاس به‌عنوان چکیده مجموعه ویژگیهای مکانی و به‌صورت ویژگیهای جدید در کنار باند تصویر در طبقه‌بندی نظارت شده استفاده شد. ویژگیهای دارای بیشینه و کمینه مقدار در هر کلاس پس از تولید بردار میانگین در فضای ویژگی‌ها و حذف ویژگیهای داری رنج تغییرات کوچک انتخاب شدند. پس از مقایسه با نتایج سایر کلاسها، زوج باندهای غیر تکراری انتخاب شده و ویژگیهای تفاضلی نرمال بر اساس آنها تولید شد، استفاده از ویژگیهای تولید شده در طبقه‌بندی منجر به افزایش قابل توجه دقت در تفکیک کلاسها و کاهش زمان کلی محاسبات گردید. از دیگر مزایای این روش، صریح و مستقیم بودن و عدم نیاز به روندهای تکرار است.
واژه‌های کلیدی: شاخص مکانی، طبقه‌بندی نظارت شده، تصویر پانکروماتیک، کمی‌سازی بافت تصویر
متن کامل [PDF 1562 kb]   (130 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: ۱۳۹۵/۵/۴ | پذیرش: ۱۳۹۵/۱۰/۱۲ | انتشار: ۱۳۹۷/۶/۳۱
فهرست منابع
1. [1] Hamed Ashoori, "Generating Image-based Features for Improving Classification Accuracy ",
2. [2] Kenneth R, Castleman, "Digital Image Processing", Prentice-Hall, 1996
3. [3] Sergios Theodoridis, "Pattern Recognition", Academic Press,1999
4. [4] R.M. Haralick, K. Shanmugam and I. Dinstein, "Textural features for image classification", IEEE Transactions on Systems, Man and Cybernetics, vol. 3, no. 6, pp 610-621, 1973. [DOI:10.1109/TSMC.1973.4309314]
5. [5] M. Chica-Olmo and F. Abarca-Herna ndez, "Computing geostatistical image texture for remotely sensed data classification", Computers & Geosciences 26 (2000) 373-383 [DOI:10.1016/S0098-3004(99)00118-1]
6. [6] Carl F Jordan, "Derivation of leaf area index from quality of light on te forest floor", Ecology, Vol 50, No 4, 1969
7. [7] Tucker, Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of Enviroment, Vol 8, 1979
8. [8] Huete, A. R. 1988. A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment 25 [DOI:10.1016/0034-4257(88)90106-X]
9. [9] Jiang, J., S. Chen, S. Cao, H. Wu, L. Zhang, and H. Zhang. 2005. Leaf area index retrieval based on canopy reflectance and vegetation index in eastern China. Journal of Geographical Sciences 15:247–254 [DOI:10.1007/BF02872690]
10. [10] Michel M, Verstrate and Bernard Pinty, "desining optimal spectral indexes for remote sensing application", IEE Transaction on geoscience and remote sensing, vol 34, No 5, 1996
11. [11] Pietro Ceccato, Nadine Gobron, Stephane Flasse, Bernard Pinty, Stefano Tarantola, "Designing a spectral index to estimate vegetation water content from remote sensing data: Part 1 Theoretical approach", Remote Sensing of Enviroment 82, 2002
12. [12] Andrés Vi-a,Anatoly A. Gitelson, Anthony L. Nguy-Robertson, Yi Peng, "Comparison of different vegetation indices for the remote assessment of green leaf area index of crops", Remote Sensing of Enviroment 115, 2011
13. [13] Sharon L. Cundill *, Harald M. A. van der Werff and Mark van der Meijde, "Adjusting Spectral Indices for Spectral Response Function Differences of Very High Spatial Resolution Sensors Simulated from Field Spectra", Sensors, 2015, 15
14. [14] Boyd, D.S., Foody, G.M., Ripple, W.J., 2002. "Evaluation of approaches for forest cover estimation in the Pacific Northwest, USA, using remote sensing". Appl. Geography 22, pp 375–392 [DOI:10.1016/S0143-6228(02)00048-6]
15. [15] Skidmore, A.K., Turner, B.J., Brinkhof, W., Knowle, E., 1997. "Performance of a neural network: mapping forests using remotely sensed data". Photogrammetric Eng. Remote Sensing 63, pp. 501–514.
16. [16] Atkinson, P.M., Tatnall, A.R.L., 1997. "Introduction neural networks in remote sensing". Int. J. Remote Sensing 18, pp. 699–709 [DOI:10.1080/014311697218700]
17. [17] Levesque, J., King, D.J., 2003. "Spatial analysis of radiometric fractions from high-resolution multispectral imagery for modelling individual tree crown and forest canopy structure and health". Remote Sensing Environ. 84, pp. 589–602. [DOI:10.1016/S0034-4257(02)00182-7]
18. [18] Iverson, L.R., Cook, E.A., Graham, R.L., 1989. "A technique for extrapolating and validating forest cover across large regions: calibrating AVHRR data with TM data". Int. J. Remote Sensing 10, pp. 1805–1812 [DOI:10.1080/01431168908904011]
19. [19] Rikimaru, A., 1996. "Landsat TM data processing guide for forest canopy density mapping and monitoring model". International Tropical Timber Organization (ITTO) workshop on utilization of remote sensing in site assessment and planning for rehabilitation of logged-over forest, Bangkok, Thailand, pp. 1–8.
20. [20] Krishnendu Banerjee,Surajit Panda, Jatisankar Bandyopadhyay, 2014, "Manish Kumar Jain Forest Canopy Density Mapping Using Advance Geospatial Technique", IJISET-International Journal of Innovative Science, Engineering & Technology, Vol. 1 Issue 7
21. [21] Chudamani Joshi, Jan De Leeuw, Andrew K. Skidmore, Iris C. van Duren, Henk van Oosten, 2005, "Remotely sensed estimation of forest canopy density: A comparison of the performance of four methods", International Journal of Applied Earth Observation and Geoinformation
22. [22] Dorren, L.K., Maier, A.B., Seijmonsbergen, A.C., 2003. "Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification". Forest Ecol. Manage. 183, 31–46. [DOI:10.1016/S0378-1127(03)00113-0]
23. [23] Souza Jr., C., Firestone, C.L., Silva, L.M., Roberts, D., 2003. "Mapping forest degradation in the Eastern Amazon from SPOT-4 through spectral mixture models". Remote Sensing Environ. 87, 494–506. [DOI:10.1016/j.rse.2002.08.002]
24. [24] Cross, A.M., Settle, J.J., Drake, N.A., Paivinen, R.T.M., 1991. "Subpixel measurements of tropical forest cover using AVHRR data". Int. J. Remote Sensing pp. 12, 1119–1129.
25. [25] Inka Pippuria, Aki Suvantob, Matti Maltamoa, Kari T. Korhonenc, Juho Pitkänenc, Petteri Packalena, 2016, "Classification of forest land attributes using multi-source remotely sensed data", International Journal of Applied Earth Observation and Geoinformation, Volume 44, February 2016, Pages 11–22 [DOI:10.1016/j.jag.2015.07.002]
26. [26] Onisimo Mutanga, Elhadi Adam, Moses Azong Cho, 2012, "High density biomass estimation for wetland vegetation using WorldView-2 imagery and random forest regression algorithm", International Journal of Applied Earth Observation and Geoinformation 18 p 399–406 [DOI:10.1016/j.jag.2012.03.012]
27. [27] Jonathan P. Dandois, Erle C. Ellis, 2013, "High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision", Remote Sensing of Environment 136 p 259–276 [DOI:10.1016/j.rse.2013.04.005]
28. [28] Ravi P. Gupta, Reet K. Tiwari, Varinder Saini, Neeraj Srivastava,"A Simplified Approach for Interpreting Principal Component Images", Advances in Remote Sensing, 2013, 2
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Ashoori H, Valadan Zoej M J, Sahebi M. Introducing a method for producing a Spatial indces to use spatial data in panchromatic image classification. jgit. 2018; 6 (2) :1-21
URL: http://jgit.kntu.ac.ir/article-1-586-fa.html

عاشوری حامد، ولدان زوج محمدجواد، صاحبی محمودرضا. ارائه روشی جهت تولید شاخص‌ مکانی به‌منظور به‌کارگیری اطلاعات مکانی در طبقه‌بندی تصاویر پانکروماتیک. مهندسی فناوری اطلاعات مکانی. 1397; 6 (2) :1-21

URL: http://jgit.kntu.ac.ir/article-1-586-fa.html



دوره 6، شماره 2 - ( 6-1397 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 30 queries by YEKTAWEB 3792