AU - Nikfar, Maryam AU - Valadan Zoej, Mohammad Javad AU - Mokhtarzade, Mehdi AU - Aliyari Shoorehdeli, Mahdi TI - Designing an object based rule set for road detection from high resolution satellite imagery PT - JOURNAL ARTICLE TA - kntu-jgit JN - kntu-jgit VO - 3 VI - 1 IP - 1 4099 - http://jgit.kntu.ac.ir/article-1-193-fa.html 4100 - http://jgit.kntu.ac.ir/article-1-193-fa.pdf SO - kntu-jgit 1 AB  - افزایش دسترسی به تصاویر ماهواره‌ای با حد تفکیک مکانی بالا بیش از پیش امکان شناسایی و استخراج اتوماتیک عوارض راه را برای ما فراهم نموده است. در حال حاضر اغلب روش‌های ارائه شده جهت شناسایی و استخراج اتوماتیک عوارض راه پیکسل مبنا بوده که بر اساس درجه خاکستری هر پیکسل عمل می‌نمایند. به‌دلیل ضعف اطلاعات موجود در یک پیکسل، توانایی تفسیر مفهومی تصویر از طریق روش‌های پیکسل مبنا بسیار ضعیف می‌باشد. در صورتی‌که در روش‌های عارضه مبنا، علاوه بر ویژگی‌های طیفی، ویژگی‌هایی همچون بافت، ساختار، مقیاس و اطلاعات متنی مانند اطلاعات در رابطه با ماهیت عوارض مجاور و نحوه ارتباط با آن‌ها برای هر عارضه تصویری قابلیت تعریف دارند و به همین دلیل پردازش‌های تصویری حاصل از آ‌ن‌ها نتایج قابل اطمینان‌تری را نیز در اختیار می‌گذارند. از ان رو در این مقاله سعی شده است با‌توجه به مزایای روش‌های عارضه مبنا روشی کارا در قالب یک سیستم دانش مبنا جهت کشف اتوماتیک عارضه راه از تصاویر ماهواره‌ای طراحی و پیاده سازی گردد. در مرحله اول به دلیل تعداد بالای ویژگی‌های قابل تعریف برای هر قطعه تصویری در روش‌های عارضه مبنا و اهمیت استفاده از ویژگی‌های شاخص در تفکیک عوارض از یکدیگر، استفاده از الگوریتم ژنتیک در تلفیق با الگوریتم طبقه‌بندی نزدیکترین همسایگان جهت یافتن مؤثرترین ویژگی‌ها در شناسایی عارضه راه پیشنهاد گردیده است. در مرحله دوم یک سیستم دانش مبنا با توجه به دانش موجود، بررسی داده‌ها و همچنین با بهره‌گیری از هوش انسانی در شناسایی عارضه راه طراحی خواهد گردید. تصاویر مختلفی از ماهواره‌ IKONOS به‌منظور تولید قوانین دانش مبنا و همچنین جهت ارزیابی و اعتبار‌سنجی سیستم پیشنهادی مورد استفاده قرار گرفته است. نتایج اعتبارسنجی حاکی از کارایی و قابلیت اعتماد آنالیز‌های عارضه مبنا و هم چنین پایگاه قوانین ارائه شده می‌باشد. CP - IRAN IN - LG - eng PB - kntu-jgit PG - 77 PT - Research YR - 2015