fa بهینه‌سازی اتوماتیک خوشه‌بندی شبکه راهها با استفاده از الگوریتم انبوه ذرات بمنظور استخراج محور مرکزی آنها پژوهشي Research <p dir="RTL">این تحقیق در بر گیرنده روشی نوین در استخراج راه در قالب دو مرحله کشف راه و برداری&nbsp;سازی آن می باشد. در مرحله کشف راه تصویر مشتمل بر کلاس عوارض راه با استفاده از&nbsp; خوشه‌بندی به روش سی مینز&nbsp; فازی و بهبود تصویر با بهره گیری از پاره ای از عملیات پس&nbsp;پردازشی حاصل می گردد. در مرحله برداری‌سازی، نقاط کلیدی نماینده محور مرکزی راه توسط روشی نوین در خوشه‌بندی پویای تصویر کلاس راه بر مبنای الگوریتم بهینه‌سازی انبوه ذرات تعیین می گردند.&nbsp; الگوریتم پیشنهاد شده قادر است تعداد و موقعیت نقاط کلیدی را بر&nbsp;روی راه کشف شده به‌صورت اتوماتیک و بدون نیاز به معلومات اولیه ای مانند تعداد و موقعیت اولیه مراکز خوشه‌ها، بهینه نماید. در&nbsp;این&nbsp;راستا تابع هزینه جدیدی طراحی و به الگوریتم مذکور معرفی گردیده است. در نهایت نقاط کلیدی بهینه با استفاده از تکنیک گراف وزن دار به یکدیگر متصل می‌گردند. روش پیشنهادی بر روی چندین تصویر بزرگ مقیاس ماهواره ایکنوس تهیه شده از نواحی شهری، غیرشهری و کوهستانی پیاده‌سازی شده و معیارهای ارزیابی دقت شامل جذر میانگین مربع خطا، تمامیت، صحت و کیفیت محاسبه گردیدند. نتایج حاکی از موفقیت الگوریتم پیشنهادی در استخراج اشکال مختلف راه با جذر میانگین مربعی خطا کمتر از 3/1 و کیفیت برداری‌سازی بیش از 86/0 در نواحی مختلف می‌باشد.</p> <p>This paper introduces a novel road extraction algorithm in two stages of road detection and road vectorization. In the road detection stage, road class image is obtained using fuzzy C-means clustering and some post processing operations. In the vectorization stage road key points on the road centerline is obtained by an innovative approach of dynamic road pixels clustering using particle swarm optimization. The proposed algorithm is able to automatically optimize number and position of road key points without considering the prior information about the initial number and position of cluster centers by designing a new cost function. The optimized road key points were connected using weighted graph theory. Different high resolution images of Ikonos in urban, non-urban, and mountainous areas were tested and several quality measures including RMSE, correctness, completeness, and quality were calculated. Extracting different road shapes with RMSE less than 1.3 and quality greater than 0.86 in different areas proves the efficiency of the algorithm in yielding complete road networks.</p> استخراج عارضه, بهینه‌سازی به روش انبوه ذرات, تصاویر رقومی, برداری سازی راه, خوشه‌بندی Feature Extraction, Particle swarm optimization, Digital Image, Road Vectorization, Clustering 17 31 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-41&slc_lang=fa&sid=1 Fateme Ameri فاطمه عامری fameri@mail.kntu.ac.ir 10031947532846004646 10031947532846004646 Yes K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Javad Valadan Zoej محمدجواد ولدان زوج 10031947532846004647 10031947532846004647 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی Mehdi Mokhtarzadeh مهدی مختارزاده 10031947532846004648 10031947532846004648 No K.N.Toosi University of Technology دانشگاه صنعتی خواجه نصیرالدین طوسی