fa کشف اتوماتیک شبکه‌ی راه از تصاویر ماهواره‌ای با قدرت‌تفکیک بالا به کمک سیستم‌های‌فازی با تکیه بر اطلاعات بافت زاویه‌ای پژوهشي Research در این مقاله یک روش کارا برای کشف راه از تصاویر با قدرت تفکیک بالای آیکونوس ارائه شده است. روش پیاده‌شده شامل چهار مرحله‌ی اصلی است: در مرحله‌ی اول تصویر ورودی با استفاده از روش خوشه‌بندی K-means به دو کلاس راه و پس‌زمینه تقسیم‌بندی می‌شود و سپس در این تصویر باینری، تعدادی از پیکسل‌هایی که به اشتباه طبقه‌بندی شده‌اند با استفاده از فیلتر میانه حذف می‌شوند. در مرحله‌ی دوم توصیفگرهای بافت زاویه‌ای (میانگین، فشردگی و گریز از مرکز) برای هر پیکسل راه در تصویر باینری محاسبه می‌شوند. در مرحله‌ی سوم، این توصیفگرها وارد سیستم استنتاج فازی می‌شوند. در سیستم فازی هر توصیفگر به عنوان یک متغیر زبانی با توابع عضویت گوسی معرفی می‌شود درحالیکه پارامترهای آن‌ها به صورت اتوماتیک و با استفاده از خصوصیات آماری هر توصیفگر تنظیم می‌شوند. همچنین تعدادی قوانین اگر-آنگاه فازی بر پایه‌ی دانش بشری در سیستم فازی طراحی‌شده مورد استفاده قرار می‌گیرند. با استفاده از غیرفازی‌ساز مرکزثقل، شبکه‌ی راه از دیگر عوارض دارای مشابهت طیفی (سایه‌ها، پارکینگ‌ها، ساختمان‌ها و غیره) جدا می‌گردد. سپس شبکه‌ی راه با اتصال پیکسل‌های راه به یکدیگر و حدف مسیرهای کوچک تکمیل می‌گردد. در مرحله‌ی نهایی جهت ارزیابی سیستم، نتایج بدست آمده با راه استخراج‌شده به صورت دستی مقایسه می‌گردند و تعدادی پارامترهای ارزیابی صحت محاسبه می‌شوند. همچنین روش سنتی طبقه‌بندی بیشترین درستنمایی نیز بکار گرفته می‌شود و پارامترهای ارزیابی مشابهی جهت مقایسه تعیین می‌گردند. نتایج حاصل کارایی روش پیاده‌سازی‌شده را در هر دو زمینه‌ی ارائه‌ی نتایج مطلوب در کشف راه و دستیابی به درجه‌ی خوبی از اتوماسیون نشان می‌دهد. همچنین مقیاسه نتایج حاصل با روش‌های سنتی کشف راه، گویای برتری الگوریتم پیشنهادی می‌باشد. In this paper an efficient method for automatic road detection from high-resolution multi-spectral IKONOS images is presented. The system includes four main steps: In the first step the input image is segmented into road and background classes using K-means clustering and then some misclassification pixels in road binary map are removed using a median filter. In the second step, angular texture shape descriptors (mean, compactness and eccentricity) are driven for every road pixel in road binary map. In the third step, these descriptors are introduced into a fuzzy inference system. In the fuzzy system each descriptor is introduced as a linguistic variable with Gaussian membership functions while their parameters are set automatically according to statistical properties of each descriptor. Also, some fuzzy if-then rules are established. By using the centroid defuzzification, road network is distinguished from other spectrally similar classes (shadows, buildings, parking lots and etc). Then, road network is completed by connecting road pixels together and removed of small paths. In the last step of system evaluation, obtained results are compared with manually extracted road network and some accuracy assessment parameters are computed. The conventional maximum likelihood classification (MLC) is also implemented and the same accuracy assessment parameters are determined for comparison. Preliminary results show the effectiveness of the methodology of this paper in both resembling the desired results of road networks and achieving a good automation level. Furthermore, it outperforms MLC to high extent. k-means, , بافت زاویه‌ای, سیستم‌های فازی, کشف اتوماتیک راه K-means, Angular Texture, Fuzzy, Automatic road detection. 17 36 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-29&slc_lang=fa&sid=1 Mohammad Ali Salehi Amin محمد علی صالحی امین msalehia@gmail.com 10031947532846004693 10031947532846004693 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mehdi Mokhtarzade مهدی مختارزاده 10031947532846004694 10031947532846004694 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Javad Valadan Zoej محمد جواد ولدان زوج 10031947532846004695 10031947532846004695 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی