طبقه بندی تصاویر ماهواره ای بر پایه طبقه بندی شیء گرا با استفاده از شبکه عصبی پرسپترون چند لایه MLP با الگوریتم آموزش پس انتشار خطا BP

یکی از تکنیک های مهم در بحث سنجش ازدور، طبقه بندی تصاویر ماهوارهای است که کاربردهای زیادی در بررسی تغییرات زمین و میزان پوشش های مختلف مناطق دارد. به همین دلیل روش های متفاوتی ایجاد شده که باگذشت زمان پیشرفته تر و دقیق تر شده اند و در استخراج کلاس هایی که ازنظر طیفی به هم است که در این تحقیق از این روش برای (MLP) نزدیک ترند بهتر عمل کرده و صحت بالاتری داشته اند. یکی از این روش ها شبکه های عصبی چندلایه استخراج کاربری های اقیانوس، دریا، دریاچه، جنگل، علفزار، ماسه، خاک، کوه، جاده و شهر استفاده شده است. از طرفی به دلیل بالا بردن سرعت و دقت، طبقه بندی به صورت شیء مبنا در نظر گرفته شده است. برای این منظور از یک شبکه عصبی با ده نورون در لایه مخفی و سه نرون در لایه خروجی استفاده شده است و همچنین شبکه با الگوریتم های مختلف مانند trainlm, trainrp, traingd,trainbfg ارزیابی شده است که بهترین کارایی مربوط به روش آموزش trainrp می باشد. نتایج حاصل نشان می دهد که روش ارائه شده دقت و سرعت بالائی در شناسایی مناطق مختلف دارد.

کلیدواژه ها:

سنجش از دور ، طبقه بندی شیء مبنا ، شبکه عصبی پرسپترون چندلایه MLP