fa قطعه‌بندی تصاویر سنجش از دور با قدرت تفکیک بالا، بر مبنای سوپرپیکسل‌های استخراج شده به کمک الگوریتم SLIC بهبود یافته (E-SLIC) سنجش از دور RS پژوهشي Research <div dir="RTL"></div><br clear="all" > <span style="font-family:B Nazanin;">قطعه‌بندی تصاویر بزرگ مقیاس سنجش از دور یکی از مهم‌ترین پردازش‌هایی است که در استخراج حداکثری و دقیق اطلاعات نقش بسزایی دارد. روش‌های قطعه‌بندی انواع مختلفی داشته که یکی از مهم‌ترین آنها استفاده از سوپرپیکسل‌ها می‌باشد. روش‌های متعددی برای استخراج سوپرپیکسل‌ها ارائه شده که از جمله‌ موفق‌ترین آن‌ها می‌توان به روش خوشه‌بندی ساده‌ خطی و تکراری (</span><em><span dir="LTR"><span style="font-size:8.0pt;">SLIC</span></span></em><span style="font-family:B Nazanin;">)</span><span style="font-family:B Nazanin;"> اشاره نمود. اما این روش نیز به نوبه‌ خود دارای معایبی است که از بارزترین آنها می‌توان به تولید قطعات اضافی و عدم انطباق آنها بر اشیاء واقعی اشاره نمود. در این پژوهش تلاش شده تا حد امکان این معایب برطرف گردیده و به کمک افزودن اطلاعات لبه به الگوریتم </span><em><span dir="LTR"><span style="font-size:8.0pt;">SLIC</span></span></em><span style="font-family:B Nazanin;">، روش جدیدی برای قطعه‌بندی تصاویر بزرگ مقیاس ارائه شود. سه نوع داده‌ شهری مختلف از نوع هوایی و ماهواره‌ای با قدرت تفکیک مکانی بالا و با تنوع عوارض مختلف به منظور ارزیابی روش پیشنهادی استفاده شده است. نتایج روش پیشنهادی، علاوه بر الگوریتم اصلی </span><em><span dir="LTR"><span style="font-size:8.0pt;">SLIC</span></span></em><span style="font-family:B Nazanin;"> با سایر روش‌های متداول قطعه‌بندی سوپرپکسل‌ها مانند </span><span style="font-family:B Nazanin;">الگوریتم خوشه‌بندی مکانی چگالی مبنا برای کاربردهای نویزدار (</span><em><span dir="LTR"><span style="font-size:8.0pt;">DBSCAN</span></span></em><span style="font-family:B Nazanin;">)</span><span style="font-family:B Nazanin;"> و قطعه‌بندی سوپرپیکسل با نرخ آنتروپی مقایسه شده است. مقایسه کمی نتایج به کمک پارامتر انحراف معیار درون کلاسی (</span><em><span dir="LTR"><span style="font-size:8.0pt;">WCSD</span></span></em><span style="font-family:B Nazanin;">) نشان می‌دهد که در مورد تصاویر ماهواره‌ای با میانگین حدود 780 و 1040 واحد و در مورد تصاویر هوایی با میانگین حدود 220 واحد، انحراف معیار قطعات تولید شده در روش پیشنهادی از سایر روش‌های رقیب کمتر است. هم‌چنین ارزیابی بصری حاکی از آن است که قطعات تولید شده به کمک روش پیشنهادی دارای کمترین میزان انحراف معیار بوده و همگن می‌باشند. </span> <em>The segmentation of high resolution remote sensing images is one of the most important analyses that play a significant role in the maximal and exact extraction of information.&nbsp; There are different types of segmentation methods among which using&nbsp; superpixels is one of the most important ones. Several methods have been proposed for extracting superpixels. Among the most successful ones, we can refer to SLIC method. This method has some disadvantages among&nbsp; which can&nbsp; refer to over segmentation and noncompliance with the real objects. Here, in this study, we have tried to overcome these drawbacks and propose a novel method for segmentation of large-scale images&nbsp; by adding edge information to the SLIC algorithm. Three different urban data including airborn and spaceborn images with high space resolution and different objects diversity have been chosen with evaluate the proposed method. The results of the proposed method have been compared to the original SLIC algorithm and other common superpixel segmentation techniques, such as DBSCAN, and superpixel segmentation with entropy rates.&nbsp; The quantitative comparison of the results with the help of the standard deviation parameter within the class (WCSD) shows that in case of satellite images with an average of about 780 and 1040 units and in the case of aerial images with an average of about 220 units, the standard deviation of the produced segments in the proposed method is less than the other competing methods. The visual comparison also indicates that the components produced by the proposed method have the lowest standard deviation and are homogeneous.</em><em><span dir="RTL"></span></em>&nbsp; پردازش تصاویر بزرگ مقیاس, قطعه‌بندی, سوپرپیکسل‌ها, الگوریتم SLIC. high resolution remote sensing image processing, segmentation, superpixels, SLIC algorithm. 65 84 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-560-1&slc_lang=fa&sid=1 Nafiseh Kakhani نفیسه کاخانی nkakhani@mail.kntu.ac.ir 10031947532846008230 10031947532846008230 Yes K.N. Toosi University of Technology. Tehran. Iran دانشگاه صنعتی خواجه نصیرالدین طوسی Mehdi Mokhtarzade مهدی مختارزاده m_mokhtarzade@kntu.ac.ir 10031947532846008231 10031947532846008231 No K.N. Toosi University of Technology. Tehran. Iran دانشگاه صنعتی خواجه نصیرالدین طوسی Mohammad Javad Valadan Zouj محمدجواد ولدان زوج valadanzouj@kntu.ac.ir 10031947532846008232 10031947532846008232 No K.N. Toosi University of Technology. Tehran. Iran دانشگاه صنعتی خواجه نصیرالدین طوسی