طبقه بندی تصاویر سنجش از دور با قدرت تفکیک مکانی بالا از منظر کاربری و پوشش زمین با استفاده از الگوریتم SIFT

موزه تکنیک های سنجش از دور به عنوان یک ابزار موثر جهت مطالعه ی طبقه بندی کاربری و پوشش زمین به طور گسترده مورد استفاده قرار می گیرند. طبقه بندی تصاویر سنجش از دور مرئی در سطح صحنه یکی از مسائل اساسی به شمار می رود و مطالعات فراوانی در این زمینه صورت پذیرفته است. از این رویکرد در کاربردهای مختلف سنجش از دور همچون نظارت بر تغییرات کاربری و پوشش زمین در یک بازه ی زمانی، تفسیر معنایی تصاویر و بازیابی تصاویر استفاده می شود. در این تحقیق با توجه به چالش های موجود در این گونه از طبقه بندی ها از ویژگی های عوارض موضعی استفاده شده است. یک عارضه موضعی یک الگوی تصویری است که با عوارض همسایه خود متفاوت است معمولا این تفاوت در یک یا چند ویژگی به طور همزمان اتفاق می افتد. از جمله این ویژگی ها می توان به رنگ، بافت و درجه خاکستری اشاره نمود. این عوارض توسط الگوریتم SIFT استخراج و توصیف می شوند که یکی از پایدارترین الگوریتم ها در بابر تغییرات هندسی و رادیومتریکی است. با توجه به تعدد تصاویر و نیز ابعاد بالای عوارض استخراج شده نیاز یه یک کتابخانه ای از کد است تا علاوه بر کاهش حجم محاسبات خصوصیات عوارض استخراج شده را نیز حفظ نماید. مدل BOVW با اعمال خوشه بندی Kmeans کتابخانه ای از کد را تشکیل داده و مایشی مجزا از تصاویر ارائه می دهد. این رویکرد در این تحقیق با اعمال خوشه بندی Cmeans پیاده سازی شد. همچنین به منظور طبقه بندی کاربری تصاویر از مدل طبقه بندی کننده ی SVM استفاده گردید. رویکرد اتخاذ شده بر روی 10 کلاس از تصاویر با کاربری و پوشش مختلف زمین پیاده سازی شد. نتایج به دست آمده حاکی از دقت کلی طبقه بندی 81/6 درصد است.

کلیدواژه ها:

عوارض موضعی ، BOVW ، SIFT ، کاربری و پوشش زمین ، SVM