بررسی تاثیر افزایش تعداد سوپرپیکسل بر روی دقت استخراج اطلاعات از تصویر ماهواره ای اسپات
- سال انتشار: 1397
- محل انتشار: بیست و پنجمین همایش و نمایشگاه ملی ژئوماتیک و سومین کنفرانس مهندسی فناوری اطلاعات مکان
- کد COI اختصاصی: NCEGIT03_026
- زبان مقاله: فارسی
- تعداد مشاهده: 720
نویسندگان
دانشجوی کارشناسی ارشد سنجش از دور، دانشگاه آزاد اسلامی، واحد یزد، ایران
دانشیار دانشگاه آزاد اسلامی، واحد یزد، ایران
هیئت علمی گروه نقشه برداری، دانشگاه آزاد اسلامی، واحد تفت، ایران
چکیده
از منظر بینایی کامپیوتر مزایای تجزیه و تحلیل گروهی از پیکسلها به جای پیکسلهای واحد برای کاربردهای متعدد نظیر تشخیص ابعاد تایید شده است. این مسئله به طور مشابه از دیدگاه سنجش از دور برای تجزیه و تحلیلتصویر مبتنی بر شیء نیز انجام شده است. با این حال نیاز و پذیرش سوپرپیکسلها در سنجش از دور احساس میشود. خود همبستگی فضایی محلی بین پیکسلها با وضوح بالا در تصاویر سنجش از دور زیاد میباشد بناب راین یک شیء اغلب از پیکسلهای زیادی با ویژگیهای مشابه تشکیل شده است. که این امر نیاز به سوپرپیکسل ها را مبرهن میسازد و میتواند گامی مهم در پیش پردازش تصاویر ماهوارهای باشد. در این پژوهش از تصویر ماهواره ای اسپات با قدرت تفکیک مکانی متوسط به بالا جهت ارزیابی کارایی الگوریتم SLIC استفاده گردید. در ابتدا تصویر اسپات با الگوریتم معمول طبقه بندی یعنی بیشترین شباهت طبقه بندی و دقت کلی 47 / 87 درصدو ضریب کاپا 82 / 0محاسبه گردید. سپس روی این تصویر الگوریتم SLIC با تعداد 250 ، 300 و 400 سوپرپیکسل اعمال گردید و تصاویر حاصله مجددآ با الگوریتم بیشترین شباهت طبقهبندی شد. دقت کلی و ضریب کاپا برای تصویر با تعداد 250 سوپرپیکسل، 17 / 88 درصد و 85 / 0 محاسبه گردید. برای تصویر با تعداد 300 سوپرپیکسل دقت کلی و ضریب کاپا، 52 / 92 درصد و 90 / 0 و برای تصویر با تعداد 400 سوپرپیکسل دقت کلی و ضریب کاپا 12 / 95 درصد و 94 / 0 محاسبه گردید. با مقایسه نتایج الگوریتم SLIC و نتایج تصویر اصلی با طبقه بندی بیشترین شباهت معلوم گردید که الگوریتم SLIC میتواند نتایج ارزیابی طبقه بندی با الگوریتم بیشترین شباهت را بهبود ببخشد. همچنین با افزایش تعداد سوپرپیکسل دقت طبقه بندی بیشترین شباهت نیز افزایش یافت.کلیدواژه ها
سوپرپیکسل، تصویر اسپات، الگوریتم SLIC ، طبقه بندی بیشترین شباهت.مقالات مرتبط جدید
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.