طبقه بندی تصاویر رادار روزنه مصنوعی در مناطق شهری با روش PCM و SVM

مهندس احمدرضا آقاجانی فشارکی،

 کارشناسی ارشد ناپیوسته مهندسی برق – الکترونیک، مهران عمادی، ۱۳۹۵ 

موسسه آموزش عالی جهاد دانشگاهی استان اصفهان

احمدرضا آقاجانی فشارکی، کارشناسی ارشد ناپیوسته مهندسی برق – الکترونیک، مهران عمادی، ۱۳۹۵ .

شماره دانشجویی : ۹۲۲۳۳۰۰۲
نام و نام خانوادگی : احمدرضا آقاجانی فشارکی
عنوان پایان نامه : طبقه بندی تصاویر رادار روزنه مصنوعی در مناطق شهری با روش PCM و SVM
رشته تحصیلی : مهندسی برق – الکترونیک
مقطع تحصیلی : کارشناسی ارشد ناپیوسته
استاد راهنما : دکتر مهران عمادی
چکیده : برای تدبیر سیاستهای مدیریت کارآمد و جلوگیری از عواقب منفی در توسعه ی شهری و برای برنامه ریزی شهری معقول، دانش مکانی مورد نیاز است. از آنجایی که سنجش از دور می تواند داده های مشاهده ای دقیق و با جزئیات را در مقیاس های مختلف مکانی و زمانی فراهم    بکاربرد.  در بسیاری از سیستم های LULC آورد،  می توان آن را به عنوان  یک ابزار کار آمد برای کشف اطلاعات زمین و پوشش زمین  سنجش از راه دور، مدت طولانی است که  رادار روزنه مصنوعی به عنوان یک ابزار موثر برای آنالیز شهری شناخته شده است زیرا  در مقایسه  با سنسورهای نوری یا مادون قرمز نسبت به شرایط آب و هوایی یا نور خورشید کمتر تحت تاثیر قرار می گیرد. آنالیز تصاویر رادار روزنه مصنوعی کاربردهای  گسترده ای در طراحی شهری ، نظارت بر رشد، تشخیص آسیب، ارزیابی حوادث طبیعی، جستجوی سازه ساخته شده ،مدلسازی سه بعدی شهر ، تولید داده ها انسانی،  نظارت بر تغییرات کاربرد زمین، تخمین جمعیت،ارزیابی تاثیر انسان بر محیط زیست طبیعی، تفسیر ویژگی های اجتماعی و اقتصادی و…  دارد. در این پژوهش ابتدا خلاصه ای از الگوریتم ها و روش های طبقه بندی تصاویر رادار روزنه مصنوعی معرفی می شود و سپس به معرفی رادار روزنه مصنوعی پرداخته و در ادامه کارهای انجام شده در این زمینه به همراه بیان معایب و مزایای آنها  و روش های کاهش نویز اسپکل تصاویر توسط فیلتر های مختلف پرداخته شده و در نهایت به معرفی الگوریتم و روش پیشنهادی پرداخته می  شود .هدف از انجام این تحقیق ارائه الگوریتم و روشی جهت بهبود طبقه بندی تصاویر رادار روزنه مصنوعی در مناطق شهری می باشد، که برای رسیدن به این منظور از الگوریتم جدیدی که از بکاربردن مشترک دو روش طبقه بندی با ناظر و بدون ناظر به همراه فیلتر طراحی شده جدید می باشد استفاده شده است، کارهایی که تا کنون انجام شده است اکثرا یا از روش نظارت شده و یا نظارت نشده استفاده شده است و روشی که توسط آن بتوان هم  تصاویر با زمین مرجع و هم بدون زمین مرجع را طبقه بندی کرد ارائه نشده است .جهت طبقه بندی تصاویر پوشش زمینی از طبقه بندی کننده های ماشین بردار پشتیبان تا نزدیکترین همسایه استفاده شده است.این طبقه بندی کننده ها از زمره روش های طبقه بندی نظارت شده هستند. در طبقه بندی نظارت شده به داده های آموزشی برای آموزش طبقه بندی کننده نیاز است. در این پژوهش از سه داده واقعی استفاده شده است.یکی از این داده ها به عنوان داده ی آموزشی و دو داده ی دیگر به عنوان داد ه ی ارزیابی، مورد استفاده قرار گرفته اند. داده خوشه بندی شده است، سپس درصدی از هر Fuzzy c-means ی مربوط به آموزش با استفاده ازروش خوشه بندی نظارت نشده خوشه به عنوان نمونه های آموزشی انتخاب می شوند. این نمونه های آموزشی برای استخراج ویژگی بکار گرفته شدند. جهت ارزیابی نتایج ، ابتدا روش پیشنهادی روی داده های آموزشی اجرا شده است و پس از بدست آمدن نتایج قابل قبول ، روش پیشنهادی روی تصاویر واقعی اجرا شده است، همچنین جهت ارزیابی روش بکار رفته ،نتایج بدست آمده با نتایج خوشه بندی مقایسه می شود . دقت روش بکار رفته در این پژوهش برای تصاویر شبیه سازی شده بدون در نظر گرفتن ویژگی های بافت FCM ،۷۶/۹۸ درصد و با در نظر گرفتن ویژگی بافت ۲۴/۹۹ درصد می باشد. دقت طبقه بندی برای داده های واقعی تصویر کبک بدون در نظر گرفتن ویژگی بافت ۱۲/۸۵ درصد و با در نظر گرفتن ویژگی بافت ۴۶/۸۹ درصد بدست آمده است. همچنین دقت طبقه بندی کننده برای داده واقعی تصویر خلیج سانفرانسیسکو، بدون در نظر گرفتن ویژگی بافت ۷۶/۹۱ درصد و با در نظر گرفتن ویژگی بافت ۴۶/۹۳ درصد بدست آمده است. نتایج حاصل نشان دهنده افزایش دقت طبقه بندی کننده می باشد.
کلمات کلیدی:طبقه بندی،رادار،تصاویر،نظارت شده،نظارت نشده
تاریخ دفاع : ۱۳۹۵

http://jdeihe.ac.ir/faq/احمدرضا-آقاجانی-فشارکی/