بهبود آشکارسازی تغییرات شئ گرا در تصاویر با قدرت تفکیک مکانی بالا بر مبنای روش جنگل تصادفی در فضای ویژگی های بهینه

Abstract

<strong>آشکارسازی تغییرات با رویکرد شیءگرا در تصاویر با قدرت تفکیک مکانی بالا به این دلیل که علاوه بر ویژگی های طیفی از ویژگی های مکانی، هندسی و بافتی استفاده می کند در مقایسه با رویکرد پیکسل مبنا نتایج بسیار خوبی به همراه داشته است. با این وجود، انتخاب الگوریتم و ویژگی های بهینه همچنان به عنوان چالشی اساسی باقی مانده است. در این تحقیق، جهت بهبود آشکارسازی تغییرات با رویکرد شیءگرا از الگوریتم جنگل تصادفی (</strong><strong>RF</strong><strong>) در فضای ویژگی های بهینه استفاده شده است. در این راستا، نخست ویژگی های بافت بر روی تصاویر مربوط به دو زمان متفاوت استخراج می شود و از </strong><strong>PCA</strong><strong> جهت انتخاب ویژگی های بافتی مناسب استفاده می گردد. سپس، قطعه بندی چند مقیاسه در فضای ترکیب یافته از باندهای طیفی و ویژگی های بافتی مناسب در چهار سطح مختلف </strong><strong>با استفاده از نرم افزار </strong><strong>Ecognition</strong><strong> انجام شده و بهترین سطح قطعه بندی تعیین می شود. در ادامه، ویژگی های بافتی، مکانی و هندسی از روی تصویر قطعه بندی شده در بهترین سطح استخراج می گردد و بر اساس محاسبه ی فاصله اقلیدسی مربوط به نمونه های آموزشی در کلاس های مختلف، ویژگی های بهینه شناسایی می شوند. کارایی الگوریتم </strong><strong>RF</strong><strong> شیءگرا در مقایسه با روش های متداول </strong><strong>SVM</strong><strong>و </strong><strong>KNN</strong><strong> بر اساس معیار کاپا و صحت کلی و مدت زمان محاسبات مورد بررسی قرار گرفته است. در این تحقیق، از تصاویر ماهوارهای </strong><strong>GeoEye-1</strong><strong> و </strong><strong>Quick Bird-1</strong><strong>مربوط به سال های 2002 و 2015 جهت آشکارسازی تغییرات در جزیره قشم استفاده شده است. بر اساس نتایج تجربی، برای الگوریتم های </strong><strong>RF</strong><strong> شیءگرا، </strong><strong>SVM</strong><strong> و </strong><strong>KNN</strong><strong> صحت کلی به ترتیب 57/86، 76/83 و 75 درصد</strong><strong>و ضریب کاپا به ترتیب97/0, 75/0 و 63/0 به دست آمد. همچنین، </strong><strong>RF</strong><strong> به دلیل استفاده از آستانه گذاری بر روی باندهای مختلف و تولید طبقه بندی کننده های درختی با تنوع بالا و وزن دهی مناسب، نسبت به هر یک از نتایج طبقه بندی کننده ها توانست بالاترین دقت را تولید کند.</strong>