دانلود فایل: پایان نامه ارشد رشته برق مخابرات: طبقه بندی شی گرا اطلاعات طیفی و مکانی در تصاویر سنجش از دور چندطیفی

دانلود پایان نامه

با عنوان : طبقه بندی شی گرا اطلاعات طیفی و مکانی در تصاویر سنجش از دور چندطیفی

در ادامه مطلب می توانید تکه هایی از ابتدای این پایان نامه را بخوانید

و در صورت نیاز به متن کامل آن می توانید از لینک پرداخت و دانلود آنی برای خرید این پایان نامه اقدام نمائید.

دانشگاه آزاد اسلامي

واحد تهران جنوب

دانشكده تحصيلات تكميلي

“M.Sc” پايان نامه براي دريافت درجه كارشناسي ارشد

مهندسي برق – مخابرات

عنوان:

طبقه بندي شي گرا اطلاعات طيفي و مكاني در تصاوير سنجش از دور چند طيفي

برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی گردد

تکه هایی از متن به عنوان نمونه :

(ممکن می باشد هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود اما در فایل دانلودی همه چیز مرتب و کامل می باشد)

چكيده:

يك شيء، پيكسلهاي يك ناحيه می باشد كه ويژگيهاي طيفي و مكاني آنها همگون می باشد. طبقه بندي شيءگرا عبارت می باشد از استخراج ويژگيهاي تصوير بوسيله مدلسازي همبستگيهاي مكاني جهت بدست آوردن اشياء (ناحيه بندي) و تخصيص كل پيكسلهاي درون شيء به يك كلاس ب ا بهره گیری توام از اطلاعات محتوايي بدست آمده (مانند: شكل، اندازه) و مدلسازي همبستگيهاي طيفي (اطلاعات پيكسلها) جهت طبقه بندي. طبقه بندي شيءگر ا داراي مزايايي زیرا افزايش دقت طبقه بندي توسط طبقه بندي كننده هاي ساده به علت داشتن اطلاعات مفيدتر نسبت به طبقه بندي كننده هاي پيكسل گرا وكاهش حجم اطلاعات ارسالي، افزايش سرعت در طبقه بندي، كاهش ميزان حافظه مورد نياز با دسترسي تصادفي به علت فشرده سازي تصوير ميباشد.

مسئله اصلي مورد تحقيق در اين پايان نامه، ارائه الگوريتم هايي می باشد كه علاوه بر افزايش دقت طبقه بندي به ميزان قابل توجه، شيء بامعني نيز ايجاد كنند. در اين راستا، دو طبقهبندي شيءگرا يكي بر اساس ادغام بر مبناي ويژگي هاي آماري همراه پيش پردازش مكاني و ديگري بر مبناي گراف پيشنهاد گرديده می باشد. در الگوريتم هاي پيشنهادي، تعداد باندهاي مورد بهره گیری جهت ناحيه بندي از سه باند به n باند گسترش يافته (بهره گیری از تمامي اطلاعات موجود در باندها) و شرط ادغام جهت بهبود ناحيه بندي اصلاح شده می باشد. بدين مقصود، پس از همواركردن تصوير، آن را به كمك يكي از اين دو الگوريتم ناحيه بندي كرده و سپس تصوير ناحيه بندي شده را طبقه بندي ميكنيم. متوسط بردار ويژگي ناحيه مورد نظر را به عنوان نماينده آن ناحيه جهت طبقه بندي انتخاب و كل ناحيه را به يك كلاس اختصاص ميدهيم. طبقه بندي مورد بهره گیری در اين تحقيق، طبقه بندي كننده حداكثر احتمال ميباشد.

با بكارگيري تصاوير واقعي چندطيفي جهت آزمايش كارآيي الگوريتم هاي پيشنهادي، در مقايسه با الگوريتم هاي NSECHO و SECHO و FNEA و AMICA و SRM+MHR، مشخص گرديد بهترين نقشه مكان – مرجع ويژگي هاي شيء، متعلق به الگوريتم اصلاح شده ي ادغام بر مبناي ويژگيهاي آماري همراه پيش پردازش مكاني می باشد. اين نقشه، بر مبناي ارزيابي شهودي نسبت به كل الگوريتمهاي مطرح شده می باشد و بامعني بودن اشياء حاصل شده به عنوان معيار كيفي از اين نقشه برداشت ميشود. بالاترين ميزان افزايش دقت طبقه بندي نسبت به حالت پيكسل گرا، به عنوان معيار كيفي متعلق به الگوريتم AMICA به ميزان 3/9% می باشد و الگوريتم پيشنهادي ادغام بر مبناي ويژگي هاي آماري همراه پيش پردازش مكاني در مرتبه بعدي قرار دارد. الگوريتم اصلاح شده ي ادغام بر مبناي ويژگيهاي آماري همراه پيش پردازش مكاني توانسته می باشد دقت طبقه بندي را به ميزان 2/33% افزايش دهد. همچنين از نقطه نظر تعداد اشياء ، به عنوان يكي ديگر از معيارهاي كمي، تعداد اشياء در AMICA 1193 شيء يا فشرده سازي به ميزان 25/81% می باشد. اين در حالي می باشد كه الگوريتم پيشنهادي ادغام بر مبناي ويژگيهاي آماري همراه پيش پردازش مكاني، داراي 982 شيء يا فشرده سازي به ميزان 31/36% می باشد. به عنوان نتيجه گيري از كل معيارهاي كمي و كيفي، ادعا مي گردد الگوريتم ادغام بر مبناي ويژگيهاي آماري همراه پيش پردازش مكاني بهتر از ساير الگوريتم هاي مطرح شده، عملكرده می باشد.

مقدمه:

جهت افزايش دقت طبقه بندي در تصاوير سنجش از دور، دو نوع از الگوريتمها توسعه يافته اند. نوع اول از الگوريتمها، سعي در بالا بردن دقت طبقه بندي، با افزايش پيچيدگي طبقه بندي كننده ميكنند، در حاليكه در نوع دوم، سعي مي كنند دقت طبقه بندي را با ناحيه بندي تصوير و سپس بهره گیری از طبقه بندي كننده هاي ساده افزايش دهند.

يكي از ملزومات توسعه هر فناوري مانند فناوري چندطيفي، اقتصادي بودن آن ميباشد. به بيان ديگر اطلاعات مطلوب بايد با حداقل هزينه در اختيار مصرف كنندگان قرار گيرد، اما اين امر با تعيين دقيق وضعيت در تضاد می باشد. به عنوان مثال، براي تعيين مناطق سالم و دچار آفت نوع خاصي از غله در يك مزرعه كشاورزي به مساحت چندين هزار هكتار، دقت مكاني بالا لازم می باشد. تحقق چنين امري نيازمند هزينه زيادي می باشد كه مصرف كننده بايد آن را بپردازد . بنابراين، روشهاي اقتصادي تر ديگري كه نياز به دقت مكاني بالا نداشته باشد، موردنياز بوده و در اين راستا از اطلاعات مكاني (از قبيل شكل، ارتباط با مناطق همسايه يا مجاور و بافت) موجود در شيء كه منبع مهمي براي طبقه بندي تصوير به شمار مي آيد، براي مقايسه و طبقه بندي بهره گیری ميشود. حتي اگر مصرف كننده از تصاوير با دقت مكاني بالا بهره گیری كند، معمولاً با افت دقت طبقه بندي مواجه ميشود. چرا كه دقت طبقه بندي وابسته به قدرت شناخت شكل و رنگ و بافت در كنار ويژگيهاي طيفي ديگر توسط ماشين می باشد. در واقع، نبود ويژگيهاي مكاني منجر به خطاهاي متعددي مي گردد. عدم بهره گیری از ويژگيهاي مكاني در كنار ويژگيهاي طيفي در روشهاي شناخت الگو، منجر به عدم شناخت موثر، در انواع گوناگون پوشش زمين با خواص طيفي مشابه يا طبقه بندي پوشش هاي مشابه با پاسخهاي طيفي متفاوت و در نتيجه با افت دقت طبقه بندي ميشود. اين مسئله در بخش 4-1 به تفضيل مورد بررسي قرار گرفته می باشد.

ناحيه بندي تصوير را مي توان به عنوان فرايند تقسيم تصوير به نواحي همگون بدون اشتراك به گونه اي كه هيچ دو ناحيه مجاوري شرط ادغام با يكديگر را ارضاء نكنند و تمامي پيكسلهاي مشابه، توسط نواحي، با شرط مورد نظر پوشش داده شوند، تعريف نمود. اكثر روشهاي ناحيه بندي مانند آشكارسازهاي لبه، شكل شناسي رياضي، تحليل بافت، خالص سازي طيف، شبكه هاي عصبي، شبكه هاي بيز، منطق فازي و روشهاي چند مقياسي زیرا پيراميد، موجك و فركتال، توپولوژي واضحي از شيء توليد نميكنند. از طرف ديگر، در تصاوير سنجش از دور، موقعيت هايي با دقت پايين و بالا تواماً رخ ميدهند (هرگاه يك شيء از تعداد زيادي از پيكسلهاي منحصر بفرد در عوض اشياء تشكيل گردد، آن شيء را با دقت بالا مينامند و اگر يك تك پيكسل از تعداد زيادي از اشياء كوچك تر تشكيل گردد، آن شيء را با دقت پايين مي نامند) به عنوان مثال، تصوير پوشش گياهي جنگل با دقت  1متر را در نظر ميگيريم. اگر تاج هر درخت 10 متر قطر داشته باشد، هر تاج به عنوان يك شيء از تعداد زيادي از پيكسلها ساخته شده می باشد. در اينجا، هر 1 متر پيكسل جزئي از تاج يك درخت می باشد يا با دقت بالا می باشد. با اين وجود، هر يك متر پيكسل تركيبي از انعكاسهاي تعداد زيادي برگ و شاخه می باشد يا نسبت به اين اجزاء منحصر بفرد خود، با دقت پايين می باشد. در نتيجه، تصاوير سنجش از دور چند مقياسي هستند. پيكسلهاي آميخته خود مشكل ديگري می باشد كه سبب اغتشاشات در لبه هاي تصوير مي گردد. بنابراين، هر روش ناحيه بندي اي براي تحليل تصاوير پيچيده چندطيفي مناسب نيست. روش پيشنهادي به همراه بلوك دياگرام مربوطه، در بخش 1-3 اظهار شده می باشد.

در اين پايان نامه، پس از مروري بر تصاوير چندطيفي و طبقه بندي آنها در فصل دوم، به بيان تصوير به وسيله شيء بجاي پيكسل در فصل سوم ميپردازيم. فصل چهارم به طبقه بندي شيءگرا اختصاص يافته می باشد. سه روش پيشنهادي معرفي شده در فصل پنجم به قرار ذيل هستند:

الف) ادغام بر مبناي ويژگيهاي آماري همراه پيش پردازش مكاني.

ب) ادغام بر مبناي ويژگيهاي آماري به صورت چند مقياسي.

شما می توانید مطالب مشابه این مطلب را با جستجو در همین سایت بخوانید                     

ج) ادغام بر مبناي گراف.

فصل ششم، به نتيجه گيري از كل كار و پيشنهادات تخصيص داده شده می باشد.

تعداد صفحه : 120

شما می توانید تکه های دیگری از این مطلب را در شماره بندی انتهای صفحه بخوانید              

قیمت : 14700 تومان

 

***

—-

پشتیبانی سایت :       

———-          [email protected]

این نوشته در مهندسی برق ارسال شده است. افزودن پیوند یکتا به علاقه‌مندی‌ها.

پاسخی بگذارید