بهبود طبقه بندی SVM در مناطق شهری با استفاده از انتخاب بهینه ویژگی ها در تصویر GeoEye-1

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 483

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCEGIT02_092

تاریخ نمایه سازی: 19 تیر 1398

چکیده مقاله:

هدف این تحقیق بهبود دقت طبقه بندی تصاویر با قدرت تفکیک مکانی بالا در مناطق شهری می باشد. داده مورد استفاده تصویر سنجنده GeoEye-1 استان بوشهر با سه کلاس ساختمان، پوشش گیاهی و جاده می باشد. به منظور بهبود قدرت تفکیکی مکانی باندهای طیفی از الگوریتم گرام اشمیت برای تلفیق باندهای طیفی (آبی، سبز، قرمز و مادون قرمز نزدیک) با باند پانکروماتیک استفاده شده است. سپس ویژگی های طیفی، ویژگی های بافتی، تبدیل فضاهای رنگی و شاخص های گیاهی به عنوان ویژگی های موردنظر از تصاویر استخراج شده است همچنین برای انتخاب مجموعه ای مناسب از بین ویژگی های تولید شده، از الگوریتم های بهینه سازی کلونی مورچگان، ژنتیک و توده ذرات استفاده گردیده است. مجموعه انتخابی ویژگی های مناسب، به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان در نظر گرفته شدند. دقت کلی طبقه بندی ماشین بردار پشیتبان با الگوریتم کلونی مورچگان 95 درصد حاصل شد که در مقایسه با روش ماشین بردار پشتیبان با استفاده از ویژگی های انتخاب شده توسط الگوریتم ژنتیک و توده ذرات نشان دهنده برتری الگوریتم کلونی مورچگان می باشد.

کلیدواژه ها:

مناطق شهری ، استخراج ویژگی ، الگوریتم های بهینه سازی ، طبقه بندی ماشین بردار پشتیبان

نویسندگان

علیرضا ارفته

دانشجوی کارشناسی ارشد، دانشکده مهندسی نقشه برداری و اطلاعات مکانی و قطب مهندسی نقشه برداری و مقابله با سوانح طبیعی، پردیس دانشکده های فنی، دانشگاه تهران

محمدرضا سراجیان مارالان

دانشیار گروه مهندسی سنجش از دور، دانشکده مهندسی نقشه برداری و اطلاعات مکانی و قطب مهندسی نقشه برداری و مقابله با سوانح طبیعی، پردیس دانشکده های فنی، دانشگاه تهران