پايان‌نامه ارشد عمران – نقشه‌برداري گرايش سنجش از دور:بررسي روش جنگل تصادفي جهت بهبود طبقه‌بندي پوشش اراضي شهري با استفاده از تصاوير ماهواره‌اي

دانلود پايان‌نامه کارشناسي ارشد در رشته مهندسي عمران – نقشه‌برداري گرايش سنجش از دور

با عنوان:بررسي روش جنگل تصادفي جهت بهبود طبقه‌بندي پوشش اراضي شهري با استفاده از تصاوير ماهواره‌اي

 

دانشگاه صنعتي خواجه نصيرالدين طوسي
دانشکده مهندسي نقشه‌برداري (ژئودزي و ژئوماتيک)
پايان‌نامه کارشناسي ارشد
در رشته مهندسي عمران – نقشه‌برداري

تکه هایی از متن به عنوان نمونه :

چکيده
طبقه‌بندي پوشش اراضي شهري هميشه به علت قابليت برقراري ارتباط عناصر انساني با محيط‌هاي فيزيکي و استفاده در مديريت بهتر منابع داراي اهميت بوده و هست. نياز به دانش به‌روز، صحيح و داراي جزئيات از اطلاعات پوشش اراضي شهري حاصل از داده‌هاي سنجش از دور به طور فزاينده‌اي در ميان بسياري از جوامع احساس مي‌شود. با پيشرفت‌هاي اخير در داده، فن‌آوري، و نظريه‌هاي سنجش از دور، ضرورت اين امر بيشتر نيز مي‌شود. پيشرفت سنجنده‌هاي جديد، پتانسيل بالايي براي طبقه‌بندي شهري را نشان مي‌دهد. با اين وجود، عملکرد روش‌هاي طبقه‌بندي مرسوم و قديمي به علت پيچيدگي تفسير تصوير، محدود بوده؛ و مطالعه روش‌هاي جديدتر براي رفع اين محدوديت‌ها بيشتر احساس مي‌شود. از طرف ديگر، روش‌هاي جديد در بازشناسي الگو همانند جنگل تصادفي (RF )، به عنوان يک الگوريتم يادگيري ماشيني جديد، توجه بسياري را در زمينه طبقه‌بندي تصوير و بازشناسي الگو به خود جلب کرده است. چندين تحقيق نيز مزاياي RF در طبقه‌بندي کاربري اراضي را نشان داده است. با اين حال، تعداد کمي از اين تحقيقات در زمينه شهري و استفاده از تصاوير ماهواره‌اي جديد و ليدار تمرکز داشته است. در اين تحقيق يک صحنه شهري با روشي جديد مبتني بر تلفيق روش شي‌گرا و طبقه‌بندي RF براي بهبود طبقه‌بندي پيشنهاد شده و مورد بررسي قرار گرفته است. براي مقايسه، روش‌هاي طبقه‌بندي مرسوم نيز انجام شده است. در طبقه‌بندي پيکسل-مبنا با الگوريتم‌هاي مختلف طبقه‌بندي، RF بالاترين دقت کلي را در حدود 82%، و در طبقه‌بندي شي-مبنا SVM بالاترين دقت کلي را در حدود 79% و RF دقت 77% را توليد کرد. در طبقه‌بندي ويژگي‌هاي شي-مبنا براي اشيا حاصل از قطعه‌بندي يک سطح با روش پيشنهادي دقت کلي الگوريتم RF از 75% به 76%، دقت کلي الگوريتم SVM از 75% به 78%، دقت کلي شبکه عصبي از 70% به 75% و دقت کلي الگوريتم بيشينه شباهت از 44% به 77% ارتقا داده شد. بنابراين نتايج اين تحقيق نشان مي‌دهد که روش پيشنهادي مي‌تواند عملکرد طبقه‌بندي را از نظر دقت و سرعت بهبود بخشد.
واژگان کليدي: طبقه‌بندي پوشش اراضي شهري، قطعه‌بندي تصوير، ويژگي‌هاي شي‌گرا، الگوريتم جنگل تصادفي، انتخاب ويژگي، ماشين بردار پشتيبان، شبکه‌هاي عصبي، سنجش از دور

فهرست مطالب
فصل 1 مقدمه 2
1-1 پيشگفتار 2
1-2 ضرورت‌ها، انگيزه‌ها و ويژگي‌هاي تحقيق 4
1-3 اهداف و سؤالات تحقيق 5
1-4 روش تحقيق 6
1-5 معرفي اختصاري ساير فصول 7
فصل 2 مروري بر تحقيقات پيشين 10
2-1 مقدمه 10
2-2 مروري بر روش‌هاي طبقه‌بندي پوشش اراضي 10
2-2-1 فن‏های طبقه‏بندی شی‏گرا 11
2-2-2 فن‏های طبقه‏بندی نظارت‏نشده پیکسل-مبنا 12
2-2-3 فن‏های طبقه‏بندی نظارت‏شده پیکسل-مبنا 12
2-3 مروري بر روش‌هاي طبقه‌بندي جديد در سنجش از دور 13
2-3-1 طبقه‌بندي با شبکه‌هاي عصبي مصنوعي 14
2-3-2 طبقه‌بندي با درختان تصميم 15
2-3-3 طبقه‌بندي با روش‌هاي مبتني بر ماشين بردار پشتيبان 15
2-3-4 فن‌هاي طبقه‌بندي دانش-پايه 17
2-3-5 طبقه‌بندي با الگوريتم‌هاي ترکيبي 18
2-4 روش‌هاي انتخاب و کاهش فضاي ويژگي 21
2-5 خلاصه فصل 22
فصل 3 مفاهيم و روش‌ها 25
3-1 مقدمه 25
3-2 مفاهيم پايه 25
3-3 الگوريتم‌هاي يادگيري متداول 27
3-3-1 آناليز جداسازي خطي 27
3-3-2 درخت‌هاي تصميم 28
3-3-3 شبکه‌هاي عصبي 31
3-3-4 طبقه‌بندي‌کننده بيز ساده 33
3-3-5 روش‌هاي مبتني بر ماشين‌هاي بردار پشتيبان و کرنل 34
3-4 روشهاي دسته جمعي 39
3-5 تقويت 41
3-6 روش Bagging 42
3-6-1 دو الگوي گروهي 42
3-6-2 الگوريتم Bagging 43
3-6-3 جنگل تصادفي 47
3-6-4 انتخاب ويژگي با کمک شاخص تعيين اهميت ويژگي RF 51
3-7 قطعه‌بندي تصوير 53
3-7-1 قطعه‌بندي به روش چند رزولوشنه 54
3-7-2 روش برآورد مقياس مناسب براي قطعه‌بندي تصوير 58
3-8 برآورد دقت طبقه‌بندي 59
3-8-1 ماتريس ابهام 60
3-9 خلاصه 62
فصل 4 روش تحقيق و نتايج 64
4-1 مقدمه 64
4-2 داده‌ها و منطقه مورد مطالعه 64
4-3 روش پيشنهادي تحقيق 66
4-3-1 انتخاب باند با کمک شاخص اهميت ويژگي RF 69
4-3-2 قطعه‌بندي تصوير ابرطيفي 70
4-3-3 گروه‌هاي ويژگي 71
4-3-4 طبقه‌بندي 72
4-4 ارزيابي 74
4-4-1 نتايج ارزيابي دقت کلي و ضريب کاپا 74
4-4-2 ارزيابي زماني روش‌هاي طبقه‌بندي 79
4-4-3 نتايج طبقه‌بندي به تفکيک کلاس‌ها 80
4-4-4 ارزيابي بصري 84
4-5 جمع‌بندي مطالب فصل 88
فصل 5 نتيجه‌گيري و پيشنهادها 91
5-1 مقدمه 91
5-2 خلاصه تحقيق 91
5-3 دستاوردهاي تحقيق 92
5-4 پيشنهادها 95
منابع 97
فهرست اشکال
شکل ‏1 1) روند کلي تحقيق 7
شکل ‏3 1: مرز تصميم LDA بر روي يک مجموعه داده three-Gaussians 27
شکل ‏3 2: مثالي از درخت تصميم 28
شکل ‏3 3: مرز تصميم يک درخت تصميم بر روي مجموعه داده three-Gaussians 31
شکل ‏3 4: شکل (الف) يک نرون و (ب) يک شبکه عصبي 32
شکل ‏3 5: نمايي از SVM خطي دوتايي 35
شکل ‏3 7: تفکيک غير-خطي با استفاده از فن کرنل SVMs (Bekkari et al., 2012) 38
شکل ‏3 8: معماري يک روش دسته جمعي معمولي 39
شکل ‏3 9: معمولاً مجموعه چند طبقه‌بندي‌کننده بهتر از بهترين تک طبقه‌بندي‌کننده عمل مي‌کند (Hansen and Salamon, 1990). 40
شکل ‏3 10: الگوريتم Bagging 44
شکل ‏3 11: مرزهاي تصميم (شکل بالا چپ) يک تک درخت، (شکل بالا راست) Bagging و (شکل پايين) درخت‌هاي تشکيل‌دهنده آن بر روي مجموعه داده three-Guassian 46
شکل ‏3 12: الگوريتم توليد درخت تصادفي در RF 48
شکل ‏3 13: روند کلي الگوريتم جنگل تصادفي (Guo et al., 2011) 49
شکل ‏3 14: مرزهاي تصميم بر روي مجموعه داده مصنوعي: (الف) 10 طبقه‌بندي‌کننده پايه Bagging؛ (ب) 10 طبقه‌بندي‌کننده پايه RF؛ (ج) Bagging؛ (د) RF 51
شکل ‏3 15: (راست) قطعه‌بندي Top-down؛ (چپ) قطعه‌بندي Bottom-up 54
شکل ‏3 16: مراحل ادغام دو شي تصويري يا پيکسل و تشکيل يک شي تصويري جديد با در نظر گرفتن شرط بهترين برازش دوطرفه بين جفت شي ادغام شونده 57
شکل ‏3 17: نمايي از پلات ROC-LV 59
شکل ‏4 1: نمايي از تصوير ابرطيفي با نمونه‌هاي مرجع 65
شکل ‏4 2: نمايي از داده ليدار مورد مطالعه 65
شکل ‏4 3: روند کل روش پيشنهادي 67
شکل ‏4 4: الگوريتم افزايش تعداد نمونه‌هاي آموزشي با استفاده از احتمالات محاسبه شده با RF 69
شکل ‏4 5: اهميت نرمال شده هر يک از باندهاي تصوير ابرطيفي در طبقه‌بندي 70
شکل ‏4 6: منحني RMS شبکه عصبي براي 500 تکرار مرحله آموزش، (راست) براي NN و (چپ) براي PCA-NN 75
شکل ‏4 7: نمودار ضريب کاپا روش‌هاي طبقه‌بندي پيکسل-مبناي مختلف 77
شکل ‏4 8: نمودار دقت کلي روش‌هاي طبقه‌بندي پيکسل-مبناي مختلف 77
شکل ‏4 9: نمودار ضريب کاپا روش‌هاي مختلف طبقه‌بندي ويژگي‌‌هاي شي-گرا 79
شکل ‏4 10: نمودار دقت روش‌هاي مختلف طبقه‌بندي ويژگي‌‌هاي شي-گرا 79
شکل ‏4 11: نمودار زمان محاسباتي روش‌هاي مختلف طبقه‌بندي ويژگي‌‌هاي شي-گرا 80
شکل ‏4 14: نمايي از نتايج طبقه‌بندي ويژگي‌هاي شي-گرا پس قطعه‌بندي در چند مقياس (به ترتيب از بالا به پايين) با روش NN، SVM و RF 85
شکل ‏4 15: نمايي از نتايج طبقه‌بندي ويژگي‌هاي شي-گرا براي قطعه‌بندي يک سطح با نمونه‌هاي آموزشي اوليه (به ترتيب از بالا به پايين) با روش MLC، NN، SVM و RF 86
شکل ‏4 16: نمايي از نتايج طبقه‌بندي ويژگي‌هاي شي-گرا براي قطعه‌بندي يک سطح با نمونه‌هاي آموزشي حاصل از RF (به ترتيب از بالا به پايين) با روش MLC، NN، SVM و RF 87
فهرست جداول
جدول ‏3 1: ماتريس ابهام براي 3 کلاس 60
جدول ‏4 1: اطلاعات مربوط به مجموعه داده‌های استفاده شده 65
جدول ‏4 2: تعداد نمونه‌هاي آموزشي و مرجع 66
جدول ‏4 3 : قطعه‌بندی چند مقیاسه و پارامترهای آن 71
جدول ‏4 4: فهرست ويژگي‌هاي قابل استخراج از اشيا 72
جدول ‏4 5: پارامترهاي مورد نياز براي شروع الگوريتم‌هاي طبقه‌بندي 73
جدول ‏4 6: جدول دقت‌هاي طبقه‌بندي پيکسل-مبنا 76
جدول ‏4 7: جدول دقت‌هاي طبقه‌بندي شي-مبنا تصوير ابرطيفي و داده ليدار 78
جدول ‏4 8: برآورد دقت طبقهبندي پيکسل-مبناي ويژگي‌هاي ليدار و تصوير ابرطيفي 81
جدول ‏4 9: برآورد دقت طبقهبندي پيکسل-مبناي 20 باند انتخاب شده از تصوير ابرطيفي 82
جدول ‏4 10: برآورد دقت طبقهبندي شي-گرا در سطح 124 با نمونه‌هاي آموزشي اوليه 83
جدول ‏4 11: برآورد دقت طبقهبندي شي-گرا در سطح 124 با نمونه‌هاي آموزشي حاصل از RF 84

فصل اول
مقدمه

فصل 1 مقدمه
1-1 پيشگفتار
در زندگي امروزي داشتن اطلاعات به‌روز، يک برتري بزرگ به شمار مي‌آيد که به تصميم‌گيري درست و زندگي بهتر در جوامع انساني منجر مي‌شود. يکي از مهم‌تر ين اطلاعات، نقشه‌هاي به‌روز پوشش اراضي است که براي تصميم‌گيري صحيح و مديريت و برنامه‌ريزي آگاهانه براي مديران (شهري) مورد نياز است.
سنجش از دور يک منبع غني براي توليد بسياري از اطلاعات مکاني و محيطي است و يکي از بنيادي‌ترين اطلاعاتي که توليد مي‌کند نقشه‌هاي پوشش اراضي است . اطلاعات پوشش اراضي براي توليد نقشه‌هاي کاربري اراضي، مطالعه تغييرات محيطي و برقراري ارتباط بين عوامل انساني مختلف و متغيرهاي فيزيکي محيط مورد استفاده قرار مي‌گيرد. براي توليد نقشه‌هاي پوشش اراضي ابتدا بايستي اين اطلاعات از تصاوير ماهواره‌اي و داده‌هاي ديگر استخراج شود. تفسير بصري و الگوريتم‌هاي يادگيري ماشيني دو روش متداول براي استخراج اطلاعات از تصاوير ماهواره‌هاي و داده‌هاي سنجش از دور است، که هر يک داراي مزايا و معايبي مي‌باشند. در برخي موارد استخراج اطلاعات از تصاوير ماهواره‌اي و هوايي توسط عامل انساني نتايج مطلوب‌تري نسبت به روش‌هاي خودکار يا نيمه ‌خودکار توليد مي‌کند. اما در جوامع امروزي توليد اطلاعات توسط عامل انساني و به روش‌هاي سنتي ديگر پاسخگوي نيازهاي موجود نيست و لازم است روش‌هاي خودکار و عاري از دخالت انسان توسعه داده شود. در اين راستا پيوسته الگوريتم‌هاي يادگيري جديدتري توسعه داده مي‌شود تا اين نياز را برطرف سازد. در زمينه استخراج اطلاعات از تصاوير سنجش از دور به روش سنتي، مسائلي که بايستي مورد توجه واقع شود عبارت‌اند از: 1- حجم زياد و رشد سريع داده‌ها و تصاوير در سنجش از دور، 2- زمان‌بر بودن استخراج اطلاعات توسط انسان و از طرف ديگر 3- پيچيدگي عوارض براي تفسير بصري و استخراج به وسيله چشم ممکن است باعث خطا ‌گردد و در برخي موارد نيز استخراج اطلاعات به اين روش غيرممکن مي‌شود. راه‌حل اين مسئله استفاده از الگوريتم‌هاي يادگيري ماشيني است که هدف نهايي آن‌ها استخراج اطلاعات بدون دخالت انسان است . مهم‌تر ين کاري که الگوريتم‌هاي يادگيري ماشيني در سنجش از دور انجام مي‌دهند طبقه‌بندي داده‌ها به کلاس‌هاي اطلاعاتي است. الگوريتم‌هاي يادگيري ماشيني متداول در سنجش از دور مثل روش‌هاي طبقه‌بندي بيشينه شباهت (MLC )، ماشين بردار پشتيبان (SVM ) و شبکه‌هاي عصبي مصنوعي (ANN ) داراي مشکلاتي مثل 1- نيازمندي به داده‌هاي آموزشي زياد و بدون خطا، 2- نيازمندي به تعيين بهينه و صحيح پارامترهاي آغازکننده، 3- محاسبات زياد و 4- دقت پايين در استخراج اطلاعات هستند. جنگل تصادفي (RF ) يک الگوريتم يادگيري ماشيني جديد است که با ترکيب طبقه‌بندي‌کننده‌هاي درختي نتايج رضايت‌بخشي را در طبقه‌بندي توليد مي‌کند هم‌چنين استفاده از اين روش مي‌تواند برخي از مشکلات مطرح در الگوريتم‌هاي قبلي را رفع کند.
ارزش اطلاعاتي يک تصوير بيشتر از هزار کلمه است. سنجش از دور تصاويري با اطلاعات گوناگون از محيط را در اختيار ما قرار مي‌دهد. همان ‌طور که گفته شد مي‌توان با طبقه‌بندي تصاوير به اين اطلاعات دست يافت. در بيشتر موارد در طبقه‌بندي تصاوير از روش‌هاي پيکسل-مبنا استفاده مي‌شود. اين روش‌ها پيکسل‌هاي تصوير را بر اساس اطلاعات عددي آن‌ها طبقه‌بندي مي‌کنند. اما معمولاً عوارضي که در اکثر موارد در يک تصوير به دنبال آن هستيم، تک ‌پيکسلي نيستند بلکه به صورت مجموعه‌اي از پيکسل‌ها يا يک شي هستند. لذا در اين تحقيق نيز با توجه به اين که هدف طبقه‌بندي پوشش اراضي است و عوارض نهايي مورد نظر، تک ‌پيکسلي نيستند، ابتدا يک قطعه‌بندي روي تصوير انجام مي‌شود تا اشيا تصويري توليد شوند و سپس اين اشيا با توجه به ويژگي‌هايي که دارند طبقه‌بندي مي‌شوند تا کلاس‌هاي اطلاعاتي پوشش اراضي را ارائه دهند.
در اين تحقيق طبقه‌بندي هم به صورت پيکسل-مبنا و هم به صورت شي-مبنا با چند روش‌ انجام مي‌شود و نتايج هر يک مورد بحث و بررسي قرار مي‌گيرد، تا در نهايت روشي مناسب از ميان روش‌هاي بررسي‌شده براي طبقه‌بندي پوشش اراضي شهري با استفاده از تصاوير ابرطيفي ارائه گردد. از آنجا پوشش اراضي شهري پيچيده‌تر و مهم‌تر از پوشش اراضي طبيعي است در اين تحقيق يک تصوير از يک صحنه شهري با عوارض مختلف مورد بررسي قرار گرفته است تا بتوانيم ارزيابي صحيح‌تري را به طور عملي از روش‌هاي طبقه‌بندي مختلف انجام دهيم.
1-2 ضرورت‌ها، انگيزه‌ها و ويژگي‌هاي تحقيق
در تحقيقات صورت گرفته قبلي در زمينه طبقه‌بندي پوشش اراضي از روش‌ها و داده‌هاي بسياري استفاده‌شده است (Lu and Weng, 2007). در اغلب اين تحقيقات روش‌هاي پيشرفته و درعين‌حال پيچيده‌اي مثل شبکه‌هاي عصبي، ماشين‌هاي بردار پشتيبان، RFM و يا تلفيق اين روش‌ها باهم و با فن‌هاي بهينه‌سازي و فازي‌سازي استفاده‌شده است. درک عميق بسياري از اين روش‌ها و رفع مشکلات حاصل از استفاده اين روش‌ها و يا تعيين پارامترهاي اين روش‌ها براي عموم کاربران سنجش از دور نياز به مطالعه و صرف زمان زيادي دارد. به همين دليل ممکن است در برخي کاربردهاي سنجش از دور به درستي نتوان از اين روش‌ها استفاده کرد.
امروزه با پيشرفت سنجنده‌هاي سنجش از دور، مي‌توان به طور هم‌زمان اطلاعات طيفي و مکاني با قدرت تفکيک بالا را باهم استفاده کرد. علاوه بر اين سنجنده‌هاي ليدار قادرند اطلاعات ارتفاعي دقيقي از محيط را در اختيار ما قرار دهند (Hodgson et al., 2003). تلفيق اين دو نوع داده مي‌تواند کمک بزرگي به بهبود دقت طبقه‌بندي و تهيه نقشه پوشش اراضي شهري بکند. تحقيقات بسياري براي طبقه‌بندي و تلفيق اين داده‌ها به منظور توليد نقشه‌هاي پوشش اراضي شده است. اغلب اين تحقيقات با تکيه بر روش‌هاي پيشرفته و پيچيده توانسته‌اند دقت طبقه‌بندي تصاوير ابرطيفي و ليدار را افزايش دهند. اما سؤالي که اينجا مطرح مي‌شود اين است که آيا هميشه براي افزايش دقت طبقه‌بندي تصاوير ابرطيفي لازم است چنين روش‌هاي پيچيده (که اغلب داراي محاسبات بالايي نيز هستند) به کار رود، يا اين که مي‌توان با روش‌هاي ساده‌تري نيز به اين دقت دست يافت.
يکي از روش‌هاي جديد طبقه‌بندي، RF است که با الگوريتم بسياري ساده‌اي به کمک تلفيق چند طبقه‌بندي‌کننده پايه ساده کار مي‌کند و تعيين پارامترهاي آن بسيار ساده است (Joelsson et al., 2010). مطالعات قبلي انجام شده درباره RF قابليت‌هاي کاربردي از اين روش را معرفي کرده‌اند. مزاياي مطرح شده اين روش و سادگي آن، انگيزه اصلي استفاده از اين روش جهت طبقه‌بندي تصاوير ابرطيفي در اين تحقيق است .
برخي محققين در کارهاي قبلي نشان داده‌اند که قطعه‌بندي تصوير و طبقه‌بندي شي-گرا مي‌تواند دقت طبقه‌بندي را بالا ببرد (Kettig and Landgrebe, 1976, Geneletti and Gorte, 2003, Benz et al., 2004, Walter, 2004, Blaschke, 2010). در برخي تحقيقات نيز براي طبقه‌بندي تصاوير چند طيفي، طبقه‌بندي شي-گرا پيشنهاد شده است (Kettig and Landgrebe, 1976, Geneletti and Gorte, 2003). در مورد تصاوير ابرطيفي، با توجه به محاسبات بالاي قطعه‌بندي و توليد ويژگي‌هاي شي‌گرا و تعداد بالاي باندهاي تصاوير ابرطيفي، سؤال ديگري که در اينجا مطرح مي‌شود اين است که قطعه‌بندي و توليد ويژگي‌هاي شي‌گرا براي بهبود طبقه‌بندي تصاوير ابرطيفي تا چه حد دقت کار را بالا مي‌برد و آيا طبقه‌بندي شيء‌گراي تصاوير ابرطيفي از نظر محاسباتي و زمان طبقه‌بندي به صرفه است. براي پاسخ به اين‌چنين سؤالاتي انجام يک تحقيق و مطالعه ضروري است. تحقيق براي پاسخ به مسائل مذکور ارائه مي‌شود که مقايسه با تحقيقات قبلي داراي ويژگي‌هاي جديدي است . اين ويژگي‌ها عبارت‌اند از:
• استفاده از طبقه‌بندي RF به منظور طبقه‌بندي تصاوير ابرطيفي با تلفيق داده ليدار،
د قطعه‌بندي و توليد ويژگي‌هاي شي‌گرا از تصاوير ابرطيفي و داده ليدار و طبقه‌بندي آن‌ها با الگوريتم‌هاي RF، SVM و NN،
• افزايش نمونه‌هاي آموزشي با کمک RF به منظور افزايش دقت طبقه‌بندي تصاوير ابرطيفي، و
• حذف باندهاي کم اهميت تصوير ابرطيفي و طبقه‌بندي با استفاده از باندهاي مناسب با کمک RF.
1-3 اهداف و سؤالات تحقيق
هدف اصلي اين تحقيق بررسي فن‌هاي يادگيري ماشيني براي طبقه‌بندي کاربري اراضي شهري با استفاده از تصاوير ماهواره‌اي و داده کمکي مثل DSM است . اهداف اصلي اين تحقيق عبارت‌اند از:
• بررسي عملکرد طبقه¬بندي¬کننده RF در طبقه‌بندي تصاوير ابرطيفي و داده ليدار در يک صحنه شهري،
• ارزيابي قابليت RF به عنوان يک ابزار انتخاب ويژگي براي طبقه‌بندي پوشش اراضي شهري،
و مقايسه نتايج طبقه‌بندي به دست آمده از طبقه¬بندي¬کننده مبتني بر RF با نتايج حاصل از طبقه‌بندي‌کننده‌هاي معروف.
با توجه به تحقيقات قبلي و تصوير ابرطيفي به‌کار‌رفته در اين تحقيق سؤالات زير مطرح مي‌شود:
ث آيا RF مي‌تواند در طبقه‌بندي تصاوير ابرطيفي جايگزين روش‌هاي پيچيده مثل SVM و NN شود؟
• RF ، در کاهش محاسبات طبقه‌بندي يا انتخاب باندهاي مناسب تصاوير ابرطيفي چه نقشي مي‌تواند داشته باشد؟
• چگونه با کمک الگوريتم RF مي‌توان صحت طبقه‌بندي را افزايش داد؟
• آيا با کمک RF مي‌توانيم نمونه‌‌هاي آموزشي بيشتري توليد کرد و با کمک آن دقت طبقه‌بندي را افزايش داد؟
• آيا قطعه‌بندي چندمقياسي و توليد ويژگي‌هاي جديد و انجام طبقه‌بندي با کمک اين ويژگي‌ها مي‌تواند دقت طبقه‌بندي تصاوير ابرطيفي را افزايش دهد؟
1-4 روش تحقيق
روش استفاده‌شده در تحقيق حاضر به طور خلاصه شامل مراحل زير است :
• قطعه‌بندي تصوير و توليد اشيا تصوير
• توليد ويژگي‌هاي شي-مبنا
• طبقه‌بندي پيکسل-مبنا و شي-مبنا
• محاسبه احتمال تعلق کلاس‌ها به کمک الگوريتم RF و توليد نمونه‌هاي آموزشي جديد
• تکرار طبقه‌بندي با نمونه‌هاي آموزشي جديد
• ارزيابي و مقايسه حالت‌هاي مختلف طبقه‌بندي
در اين تحقيق حالت‌هاي مختلفي از ويژگي‌هاي پيکسل-مبنا از تلفيق ويژگي‌هاي بافت ليدار و باندهاي تصوير ابرطيفي، باندهاي انتخابي تصوير ابرطيفي، و ويژگي‌هاي شي-مبنا حاصل از قطعه‌بندي در يک و چند مقياس به طور جداگانه باهم تلفيق‌شده و طبقه‌بندي شدند و در نهايت، حالت‌هاي مختلف طبقه‌بندي مورد ارزيابي قرار گرفت. روند کلي مراحل مذکور به طور خلاصه در شکل ‏1 1 نشان داده شده است و جزئيات آن در فصل چهار تحقيق ارائه شده است.
شکل ‏1 1) روند کلي تحقيق
1-5 معرفي اختصاري ساير فصول
در فصل بعد تعدادي از تحقيقات مرتبط در زمينه روش‌هاي مختلف طبقه‌بندي پوشش اراضي با استفاده از تصاوير ماهواره‌اي و داد‌هاي سنجش از دوري و ليدار پرداخته شده است. در بخش ‏2-2 مروري بر کارهاي انجام شده شي-گرا و پيکسل-مبنا شده است. در بخش ‏2-3 مروري بر تحقيقات سنجش از دوري انجام شده با الگوريتم‌هاي پيشرفته مثل SVM، NN، روش‌هاي دانش-پايه و الگوريتم‌هاي ترکيبي مثل RF شده است. روش‌هاي انتخاب و کاهش فضاي ويژگي در بخش ‏2-4 توضيح داده شده است. در انتهاي فصل در بخش ‏2-5 خلاصه‌اي از مطالب فصل گفته شده است.
در فصل سوم، مفاهيم و روش‌هاي مورد نياز در تحقيق توضيح داده شده است. ابتدا در بخش ‏3-2 مفاهيم پايه مورد استفاده در بازشناسي الگو توضيح داده شده است. در بخش ‏3-3 الگوريتم متداول طبقه‌بندي، در بخش ‏3-4 روش‌هاي ترکيبي طبقه‌بندي گفته شده است. در ادامه در دو بخش ‏3-5 و ‏3-6 دو الگوريتم مهم ترکيبي Boosting و Bagging توضيح داده شده است. در بخش ‏3-6-3 الگوريتم جنگل تصادفي و برخي قابليت‌هاي آن توضيح داده شده است. در بخش ‏3-7 روش قطعه‌بندي تصوير و در بخش ‏3-8 معيار‌هاي ارزيابي طبقه‌بندي گفته شده است. در بخش ‏3-9 خلاصه‌اي از مطالب فصل گفته شده است.
در فصل چهارم تحقيق ابتدا داده‌هاي مورد استفاده در بخش ‏4-2 و در ادامه در بخش ‏4-3 روش پيشنهادي تحقيق و ارزيابي روش‌ها در بخش ‏4-4 توضيح داده شده است. در بخش ‎0 نيز خلاصه‌اي از مطالب فصل گفته شده است.
در نهايت در فصل پنجم، ابتدا مقدمه و خلاصه‌اي از تحقيق در بخش‌هاي ‏5-1 و ‏5-2 آورده شده است. در ادامه نيز با توجه به نتايج تحقيق در بخش ‏5-3 و ‏5-4 به ترتيب دستاوردها و پيشنهادها ارائه شده است.
فصل دوم
مروري بر تحقيقات پيشين

فصل 2 مروري بر تحقيقات پيشين
2-1 مقدمه
در اين فصل رويکردهاي طبقه‌بندي پوشش اراضي، به خصوص نواحي شهري با استفاده از تصاوير ماهواره‌اي مرور شده است. در بخش ‏2-2 روش‌هاي متفاوت طبقه‌بندي پوشش اراضي در زمينه سنجش از دور ارائه شده است. بخش ‏2-3 نيز فن‌هاي انتخاب ويژگي را با مقايسه روش‌هاي متفاوت مرور مي‌کند. در بخش ‏2-4 به مرور چند روش مهم انتخاب و کاهش باند پرداخته شده است. در نهايت در بخش ‏2-5 خلاصه‌اي از مطالب فصل آورده شده است.

گرايش سنجش از دور
بررسي روش جنگل تصادفي جهت بهبود طبقه‌بندي پوشش اراضي شهري با استفاده از تصاوير ماهواره‌اي

تابستان 13

***ممکن است هنگام انتقال از فایل اصلی به داخل سایت بعضی متون به هم بریزد یا بعضی نمادها و اشکال درج نشود ولی در فایل دانلودی همه چیز مرتب و کامل و با فرمت ورد موجود است***

متن کامل را می توانید دانلود نمائید

چون فقط تکه هایی از متن پایان نامه در این صفحه درج شده (به طور نمونه)

ولی در فایل دانلودی متن کامل پایان نامه

 با فرمت ورد word که قابل ویرایش و کپی کردن می باشند

موجود است

تعداد صفحه :121

14700 تومان

پشتیبانی سایت :       

        [email protected]