بررسی تاثیر افزایش تعداد سوپرپیکسل بر روی دقت استخراج اطلاعات از تصویر ماهواره ای اسپات abstract
از منظر بینایی کامپیوتر مزایای تجزیه و تحلیل گروهی از پیکسلها به جای پیکسلهای واحد برای کاربردهای متعدد نظیر تشخیص ابعاد تایید شده است. این مسئله به طور مشابه از دیدگاه سنجش از دور برای تجزیه و تحلیلتصویر مبتنی بر شیء نیز انجام شده است. با این حال نیاز و پذیرش سوپرپیکسلها در سنجش از دور احساس میشود. خود همبستگی فضایی محلی بین پیکسلها با وضوح بالا در تصاویر سنجش از دور زیاد میباشد بناب راین یک شیء اغلب از پیکسلهای زیادی با ویژگیهای مشابه تشکیل شده است. که این امر نیاز به
سوپرپیکسل ها را مبرهن میسازد و میتواند گامی مهم در پیش پردازش تصاویر ماهوارهای باشد. در این پژوهش از تصویر ماهواره ای اسپات با قدرت تفکیک مکانی متوسط به بالا جهت ارزیابی کارایی
الگوریتم SLIC استفاده گردید. در ابتدا
تصویر اسپات با الگوریتم معمول طبقه بندی یعنی بیشترین شباهت طبقه بندی و دقت کلی 47 / 87 درصدو ضریب کاپا 82 / 0محاسبه گردید. سپس روی این تصویر
الگوریتم SLIC با تعداد 250 ، 300 و 400
سوپرپیکسل اعمال گردید و تصاویر حاصله مجددآ با الگوریتم بیشترین شباهت طبقهبندی شد. دقت کلی و ضریب کاپا برای تصویر با تعداد 250 سوپرپیکسل، 17 / 88 درصد و 85 / 0 محاسبه گردید. برای تصویر با تعداد 300
سوپرپیکسل دقت کلی و ضریب کاپا، 52 / 92 درصد و 90 / 0 و برای تصویر با تعداد 400
سوپرپیکسل دقت کلی و ضریب کاپا 12 / 95 درصد و 94 / 0 محاسبه گردید. با مقایسه نتایج
الگوریتم SLIC و نتایج تصویر اصلی با طبقه بندی بیشترین شباهت معلوم گردید که
الگوریتم SLIC میتواند نتایج ارزیابی طبقه بندی با الگوریتم بیشترین شباهت را بهبود ببخشد. همچنین با افزایش تعداد
سوپرپیکسل دقت طبقه بندی بیشترین شباهت نیز افزایش یافت.