حسن فتحی زاد؛ عطا صفری؛ مسعود بازگیر؛ غلامرضا خسروی
دوره 23، شماره 4 ، اسفند 1395، ، صفحه 729-743
چکیده
طبقهبندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقهبندی تصویر بهطور گستردهای در برنامههای کاربردی دیگر مانند برنامهریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده میشود. از آنجا که هدف اصلی از پردازش تصاویر ماهوارهای، تهیه نقشههای موضوعی و کارآمد میباشد، انتخاب ...
بیشتر
طبقهبندی تصویر همیشه یکی از موضوعات مهم در سنجش از دور است که اطلاعات بدست آمده در زمینه طبقهبندی تصویر بهطور گستردهای در برنامههای کاربردی دیگر مانند برنامهریزی شهری، مدیریت منابع طبیعی، کشاورزی و غیره استفاده میشود. از آنجا که هدف اصلی از پردازش تصاویر ماهوارهای، تهیه نقشههای موضوعی و کارآمد میباشد، انتخاب الگوریتم مناسب طبقهبندی نقش زیادی در این امر ایفاء میکند. این مطالعه کارایی الگوریتمهای ماشین بردار پشتیبان (SVMs) را در طبقهبندی تصاویر ماهوارهای مورد بررسی و آن را با الگوریتم شبکه عصبی مصنوعی مورد مقایسه قرار میدهد. ماشینهای بردار پشتیبان یک گروه از الگوریتمهای طبقهبندی نظارت شده یادگیری ماشینی هستند که در زمینه سنجش از دور مورد استفاده قرار گرفتهاند. در این مطالعه، الگوریتمهای SVM برای طبقهبندی کاربری اراضی منطقه میمه با استفاده از دادههای ETM+ لندست مورد استفاده قرار گرفته است. طبقهبندی با استفاده از روش ماشینهای بردار پشتیبان، بصورت خودکار و با استفاده از سه نوع کرنل خطی، چند جملهای و شعاعی اجراء شده است. در ضمن، کارکرد این روش با روش طبقهبندی شبکه عصبی مصنوعی مقایسه شده است. نتایج نشان میدهد که میانگین دقت کل و ضریب کاپا الگوریتمهای SVM شامل کرنل خطی، چند جملهای و شعاعی نسبت به روش طبقهبندی شبکه عصبی مصنوعی از نظر دقت کل (حدود 9%) و ضریب کاپا (حدود 12%) برتری دارد. بنابراین این مطالعه کارایی و قابلیت الگوریتمهای SVM را در طبقهبندی تصاویر سنجش از دور اثبات مینماید.