|
طبقه بندی تصویر مدل رقومی سطح لایدار بر اساس نیمرخ های ریخت شناسی چندشکلی و شبکه نواحی تصادفی عمیق مبتنی بر تبدیل تحلیل تفکیک پذیری خطی
|
بهنام اصغری بیرامی*   ، محمد رضا سیف |
| دانشگاه امام حسین (ع) |
|
|
چکیده: (460 مشاهده) |
اطلاعات ارتفاعی مشابه در ردههای زمینی مختلف، طبقهبندی عوارض و ردههای زمینی را در تصاویر مدل رقومی سطح (DSM) حاصل شده از حسگرهای لایدار (LiDAR) به امری چالشبرانگیز تبدیل میکند. علاوه بر اطلاعات ارتفاعی، تصاویر DSM حاوی اطلاعات مکانی ارزشمندی نیز میباشند که این اطلاعات میتواند کمک شایانی به بهبود دقت طبقهبندی کند. در سالهای اخیر روشهای یادگیری عمیق به عنوان ابزاری قدرتمند برای استخراج اطلاعات و طبقهبندی تصاویر تبدیل شدهاند. علیرغم نتایج مطلوب عمدهی این روشها، بسیاری از رویکردهای یادگیری عمیق پیشنهادی دارای ساختاری پیچیده هستند و به سختافزار پیشرفته و حجم نمونه آموزشی زیاد نیاز دارند. به عنوان یک راه حل، این مقاله یک راهبرد جدید برای طبقهبندی DSM به منظور دستیابی به نقشههای دقیق پوشش زمین پیشنهاد میکند. روش پیشنهادی، به نام MMP-MLDANet، از نیمرخهای ریختشناسی چندشکلی (MMP) و شبکههای نواحی تصادفی عمیق مبتنی بر تبدیل تحلیل تفکیکپذیری خطی با مقیاس چندگانه (MLDANet) به منظور استخراج ویژگی استفاده میکند. در نهایت یک سیستم طبقهبندیکننده چندگانه بر مبنای ماشینهای بردار پشتیبان (SVM) به منظور طبقهبندی ویژگیهای عمیق تولیدی توسعه داده شده است. بر اساس آزمایشهای انجامشده بر روی تصاویر تک باند DSM، روش ارائه شده در وضعیت وجود تعداد محدودی از نمونه های آموزشی در مناطق هیوستون و ترنتو به دقت کلی به ترتیب 90/85 % و 98/49 % دست یافت که از برخی روشهای موجود در این حوزه بهتر است.
|
|
| واژههای کلیدی: مدل رقومی سطح، لایدار، یادگیری عمیق، طبقه بندی، نیمرخ ریخت شناسی |
|
|
متن کامل [PDF 1463 kb]
(35 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
سنجش از دور
دریافت: 1403/10/18 | پذیرش: 1405/3/23 | انتشار الکترونیک پیش از انتشار نهایی: 1405/3/27 | انتشار: 1405/4/9
|
|
|
|
|
|
|
| ارسال پیام به نویسنده مسئول |
|
|
