تعداد نشریات | 44 |
تعداد شمارهها | 1,298 |
تعداد مقالات | 15,883 |
تعداد مشاهده مقاله | 52,116,581 |
تعداد دریافت فایل اصل مقاله | 14,887,930 |
امکانسنجی استفاده از تکنیکهای تلفیق و بهینهسازی در ارتقاء پارامتر مقیاس سگمنتسازی جهت پردازش شیءگرای تصاویر ماهوارهای | ||
جغرافیا و برنامهریزی | ||
مقاله 12، دوره 22، شماره 65، آبان 1397، صفحه 223-241 اصل مقاله (1.59 M) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
نویسندگان | ||
بختیار فیضی زاده* 1؛ سیدمحمد حسنی تبار2؛ جعفر جعفرزاده2 | ||
1استادیار گروه سنجش از دور و سیستم اطلاعات جغرافیایی دانشگاه تبریز | ||
2دانشگاه تبریز | ||
چکیده | ||
سگمنتسازی یکی از روشهای اصلی استخراج اطلاعات در پردازش شیءگرای تصاویر ماهوارهای است. فرآیند سگمنتسازی، پدیدههای اولیه و اصلی در یک تصویر را تفکیک مینماید که مبنایی برای طبقهبندی شیءگرا میباشد. با توجه به اینکه دقت طبقهبندی شیءگرا تا حد زیادی وابسته به دقت سگمنتسازی است، بنابراین تولید سگمنتهای مناسب نقش مهمی در دستیابی به دقت بالا در فرآیند طبقهبندی شیءگرا دارد. در این پژوهش با هدف ارزیابی فرآیند سگمنتسازی به روش تفکیک مکانی چندگانه، از تصاویر ماهوارهایIRS وSPOT5 وQuick Bird برپایه تکنیکهای تلفیق تصاویر ماهوارهای استفاده شده است. در این راستا با توجه به قدرت تفکیک مکانی متفاوت تصاویر ماهوارهای، از مقیاسها و تلفیقهای مختلف(نظیر ضرایب شکل و فشردگی شکل) جهت سگمنتسازی استفاده شده است. نتایج تحقیق بیانگر تاثیر استفاده از اطلاعات مکانی و طیفی در بهینهسازی مقیاس سگمنتسازی است. به طوریکه اطلاعات مکانی تصویر Quick Bird و باند پانکروماتیک تصاویر IRS و SPOT5، در کنار قدرت تفکیک طیفی تصویر SPOT5(بویژه باند قرمز) و Quick Bird، تاثیر بسزایی در افزایش کنتراست تصاویر و درنهایت ارتقاء کیفیت سگمنتسازی دارند. همچنین نتایج تحقیق بیانگر تلفیق تصاویر ماهوارهای با تفکیک مکانی بالاتر، به عنوان روشی موثر برای ارتقاء کیفیت سگمنتسازی است. نتایج این پژوهش در شناسایی روشها و تکنیکهای مختلف سگمنتسازی برای افزایش دقت طبقهبندی شیءگرا دارای اهمیت فراوانی است. نتایج اخذ شده همچنین برای سازمانهای اجرایی نظیر منابع طبیعی، جهاد کشاورزی،... در معرفی روش مناسب برای استخراج سریع و دقیق اطلاعات از تصاویر ماهوارهای برای اهداف مدیریتی حائز اهمیت بوده و میتواند راهگشای استخراج اطلاعات دقیقتر از تصاویر ماهوارهای باشد. | ||
کلیدواژهها | ||
تصاویر ماهوارهای با تفکیک مکانی متفاوت؛ پردازش شیءگرا؛ سگمنتسازی؛ بهینه سازی؛ مقیاس؛ روستای ینگی اسپیران | ||
مراجع | ||
- فیضیزاده، بختیار، هلالی، حسین. (1389). مقایسه روشهای پیکسل پایه، شیءگرا و پارامترهای تاثیرگذار در طبقهبندی پوشش کاربری اراضی استان آذربایجانغربی. مجله پژوهشهای جغرافیای طبیعی، شماره71 . صص73 -84. - فیضیزاده، بختیار، حاجیمیررحیمی، سیدمحمود. (1386) . آشکارسازی تغییرات فضای سبز شهر تبریز با استفاده از روشهای شیءگرا. اولین همایش سیستماطلاعاتجغرافیای شهری. دانشگاه شمال. آمل.10صفحه http://www.civilica.com/Paper-CUG01-CUG01_013.html - فیضیزاده، بختیار، جعفری، فیروز، نظمفر، حسین. (1387) . کاربرد دادههای سنجشاز دور در آشکارسازی تغییرات کاربریهای اراضی شهری . نشریه هنرهای زیبا. شماره 34. صص17-24. قربانی، رسول، پورمحمدی، محمدرضا، محمودزاده، حسن. (1395). ارزیابی و تحلیل گسترش فضایی کلانشهر تبریز با استفاده از تصاویر چند زمانه، نشریه جغرافیا و برنامه ریزی دانشگاه تبریز، (20)56، 238-219. -Baatz.M &Schpe. A. (2000). Multiresolution segmentationan optimization approach for high quality multi-scale image segmentation. (Eds.),Angewandte Geographische Information verarbeitung XII. Beitra ¨ge zum AGIT- SymposiumSalzburg, vol. 200. Karlsruhe7 Herbert Wichmann Verlag. pp. 12 –23.
- Benz, U. C., Hofmann, P., Willhauck, G., Lingenfelder, I., & Heynen, M. (2004). Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing, 58(3), 239-258.
- Blaschke, T., Feizizadeh, B., & Holbling, D. (2014). Object-based image analysis and digital terrain analysis for locating landslides in the Urmia Lake Basin, Iran. Selected Topics in Applied Earth Observations and Remote Sensing, IEEE Journal, 7(12), 4806-4817
-Blaschke.T. (2010). Object based image analysis for remote sensing, ISPRS Journal of Photogrammetry and Remote Sensing, journal homepage .pp.10-21
- Blaschke, T, Burnett, C. (2003). A multi-scale segmentation/object relationship modeling methodology for landscape analysis. Ecological Modeling 168: 233-249.
- Blaschke.T, Lang.S. (2006). Bridging remote sensing and GIS-what are the main supportive pillsrs? International Conference on Object-based Image Analysis (OBIA 2006), University of Salzburg, Austria, pp.20
- Chaudhuri, B., & Sarkar, N. (1995). Texture segmentation using fractal dimension. IEEE Transactions on Pattern Analysis and Machine Intelligence,pp. 17, 72– 77.
- Clemens Eisank, Lucian Drăguţ, (2012), automated classification of topography from SRTM data using object-based image analysis, Geomorphology; 141-142:21-33.
- Claudia M. A, Iris M. S, Claudia D.A, Carolina M. D, Madalena N. P, Raul Q. F. (2007). Multilevel Object- Oriented Classification of Quickbird Images for Urban Population Estimates, Advances in Geographic Information Systems ACM GIS.pp. 5
-Dragut,L. Csillik,O. Eisank,C. Tiede,D.(2014). Automated parameterisation for multi-scale image segmentation on multiple layers. ISPRS Journal of Photogrammetry and Remote Sensing 88 (2014) 119–127
- Dehvari. A, Heck R. J.(2009). Comparison of object-based and pixel based infrared airborne image classification methods using DEM thematic layer, Journal of Geography and Regional Planning Vol. 2(4), , April, 2009,Available online at www.academicjournals.org /JGRP ISSN 2070-1845, pp. 086-096.
- Hofmann, T., Puzicha, J., & Buhmann, J, (1999). Unsupervised texture segmentation in a deterministic annealing framework. IEEE Transactions on Pattern Analysis and Machine Intelligence, NO20, pp.803-818
- Geman, D.; Geman, S.; Graffigne, C & Dong, P. (1990). Boundary detection by constrained optimization. In: IEEE Transactions on Pattern Analysis and Machine Intel ligence, Vol. 12, Nr. 7, S.609-628.
- Jain, A. & F. Farrokhnia (1991). Unsupervised texture segmentation using Gabor filters. In: Pattern Recognition. Vol. 24, Nr. 12, S. 1167- 1186
- Meinel, G., Neubert, M. & Reder, J. (2001) The potential use of very high resolution satellite data for urban areas – First experiences with IKONOS data, their classification and application in urban planning and environmental monitoring. In: Jürgens, C. (ed.): Remote sensing of urban areas. Regensburger Geographische Schriften 35, pp. 196-205.
- Platt, R. V. and Schoennagel, T.) 2009(. an object-oriented approach to assessing changes in tree cover in the Colorado Front Range 1938–1999, Forest Ecology and Management 258 (2009), Journal homepage: www.elsevier.com/locate/foreco, pp.1342–1349
-Wegner,S.,Oswald,H.,Wust,P.,&Fleck,E.(1997).Segmentierung mit der Wasserscheiden transformation. Spektrum der Wissenschaft, 6, 113-115
- Yan, GAO, (2003), Pixel Based and Object Oriented Image for Coal Fire Research, http://www.ITC.com (accessed in July 2008). pp. 3-99
- Zhaocong, W, Lina, Y. and Maoyun, Q.(2009). Granular Approach to Object-Oriented Remote Sensing Image Classification, RSKT 2009, LNCS 5589, PP. 563– 570. | ||
آمار تعداد مشاهده مقاله: 429 تعداد دریافت فایل اصل مقاله: 415 |