شناسایی تغییرات نظارت نشده از تصاویر با قدرت تفکیک مکانی بالا با استفاده از آنالیز انتخاب ویژگی آماری و بر اساس ادغام روش حد آستانه گذاری دو مقیاسه و روش خوشه بندی سلسله مراتبی بهبودیافته

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 117

This Paper With 16 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_SEPEHR-31-121_004

تاریخ نمایه سازی: 4 تیر 1401

Abstract:

شناسایی تغییرات از تصاویر سنجش از دوری به منظور پایش تغییرات مناطق شهری و غیرشهری - مسائل زیست محیطی بحث مدیریت بحران و دیگر کاربردها یکی از مسائل مطرح میان متخصصان این حوزه می باشد. ارائه روشی مناسب به منظور شناسایی تغییرات از تصاویر با قدرت تفکیک مکانی بسیار بالا می تواند با چالش های زیادی مواجه شود. بسیاری از روش های شناسایی تغییرات با قدرت تفکیک مکانی بالا نیازمند آموزش الگوریتم هستند. در این مقاله روش شناسایی تغییرات از تصاویر سنجش از دوری با قدرت تفکیک مکانی بالا بدون نیاز به آموزش الگوریتم ارائه شده است. در روش ارائه شده ویژگی های طیفی و مکانی از تصاویر قبل و بعد از منطقه مورد مطالعه استخراج شده و سپس تصاویر اختلاف متناظر با ویژگی های حاوی محتوای اطلاعاتی بالا تولید شده اند. در مرحله بعد اطلاعات تغییرات متناظر با نقشه ی تغییرات ویژگی به فضای کروی نگاشت می یابد. با استفاده از روش حدآستانه گذاری در فضای کروی نقشه ی اولیه ای ایجاد شده و همچنین با روش خوشه بندی سلسله مراتبی منظم شده به وسیله ی روش میدان تصادفی مارکوف نقشه ی ثانویه ای ایجاد می شود. با تصمیم گیری میان نقشه ی اولیه و ثانویه و تصمیم گیری نهایی نقشه ی تغییرات منطقه ی مورد مطالعه ایجاد شده است. نقشه ایجاد شده دقت کلی ۹۲.۵۶ درصدی را در منطقه نشان داده است.

Keywords:

شناسایی تغییرات نظارت نشده , تصاویر با قدرت تفکیک بسیار بالا , حد آستانه گذاری , خوشه بندی سلسله مراتبی

Authors

سارا خانبانی

دانشجوی دکتری دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران

رضا شاه حسینی

استادیار دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده های فنی دانشگاه تهران

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Asokan, A. and J. Anitha (۲۰۱۹). “Change detection techniques for ...
  • Hao, M., W. Shi, Y. Ye, H. Zhang and K. ...
  • Hussain, M., D. Chen, A. Cheng, H. Wei and D. ...
  • Khanbani, S., A. Mohammadzadeh and M. Janalipour (۲۰۲۰). “A novel ...
  • Khanbani, S., A. Mohammadzadeh and M. Janalipour (۲۰۲۰). “Unsupervised change ...
  • Lu, D., P. Mausel, E. Brondizio and E. Moran (۲۰۰۴). ...
  • Lv, Z., T. Liu, C. Shi, J. A. Benediktsson and ...
  • Mitra, P., C. Murthy and S. K. Pal (۲۰۰۲). “Unsupervised ...
  • Rensink, R. A. (۲۰۰۲). “Change detection.” Annual review of psychology ...
  • Rosin, P. L. (۲۰۰۲). “Thresholding for change detection.” Computer vision ...
  • Singh, A. (۱۹۸۹). “Review article digital change detection techniques using ...
  • Solano-Correa, Y. T., F. Bovolo and L. Bruzzone (۲۰۱۹). “An ...
  • Solorio-Fernández, S., J. A. Carrasco-Ochoa and J. F. Martínez-Trinidad (۲۰۲۰). ...
  • Tan, K., Y. Zhang, X. Wang and Y. Chen (۲۰۱۹). ...
  • Wang, X., P. Du, S. Liu, Y. Meng and C. ...
  • Wei, C., P. Zhao, X. Li, Y. Wang and F. ...
  • Wu, C., H. Chen, B. Do and L. Zhang (۲۰۱۹). ...
  • Zhan, T. and M. Gong (۲۰۱۹). A Hybrid Change Detection ...
  • Zhou, S., Z. Xu and F. Liu (۲۰۱۶). “Method for ...
  • نمایش کامل مراجع