سعید اجاقی - کارشناس ارشد فتوگرامتری، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی
صفا خزایی - استادیار دانشکده عمران، دانشگاه امام حسین (ع)

آشکارسازی تغییرات با رویکرد شیء گرا در تصاویر با قدرت تفکیک مکانی بالا به این دلیل که علاوه بر ویژگی های طیفی از ویژگی های مکانی، هندسی و بافتی استفاده می کند در مقایسه با رویکرد پیکسل مبنا نتایج بسیار خوبی به همراه داشته است. با این وجود، انتخاب الگوریتم و ویژگی های بهینه همچنان به عنوان چالشی اساسی باقی مانده است. در این تحقیق، جهت بهبود آشکارسازی تغییرات با رویکرد شیء گرا از الگوریتم جنگل تصادفی (RF) در فضای ویژگی های بهینه استفاده شده است. در این راستا، نخستین ویژگی های بافت بر روی تصاویر مربوط به دو زمانه متفاوت استخراج می شود و از PCA جهت انتخاب ویژگی های بافتی مناسب استفاده می گردد. سپس، قطعه بندی چند مقایسه در فضای ترکیب یافته از باندهای طیفی و ویژگی های بافتی مناسب در چهار سطح مختلف با استفاده از نرم افزار Ecognition انجام شده و بهترین سطح قطعه بندی تعیین می شود. در ادامه، ویژگی های بافتی، مکانی و هندسی از روی تصویر قطعه بندی شده در بهترین سطح استخراج می گردد و بر اساس محاسبه ی فاصله اقلیدسی مربوط به نمونه های آموزشی در کلاس های مختلف، ویژگی های بهینه شناسایی می شوند. کارایی الگوریتم RF شیء گرا در مقایسه با روشهای متداول SVM و KNN بر اساس معیار کاپا و صحت کلی و مدت زمان محاسبات مورد بررسی قرار گرفته است. در این تحقیق، از تصاویر ماهواره ای GeoEye-1 و Quic Bird-1 مربوط به سال های 2002 و 2015 جهت آشکارسازی تغییرات در جزیره قشم استفاده شده است. بر اساس نتایج تجربی، برای الگوریتم های RF شیء گرا، SVM و KNN صحت کلی به ترتیب 86/57، 83/76 و 75 درصد و ضریب کاپا به ترتیب 0/79، 0/75و 0/63 به دست آمد. همچنین، RF به دلیل استفاده از آستانه گذاری بر روی باند های مختلف و تولید طبقه بندی کننده های درختی با تنوع بالا و وزن دهی مناسب، نسبت به هر یک از نتایج طبقه بندی کننده ها توانست بالاترین دقت را تولید کند.

آشکارسازی تغییرات شیء گرا، جنگل تصادفی، ماشین های بردار پشتیبان، آنالیز مولفه های اصلی