کشف اتوماتیک شبکه ی راه از تصاویر بزرگ مقیاس ماهواره ای با استفاده از اطلاعات بافت زاویه ای در سیستم های تصمیم گیری فازی

در این تحقیق کشف راه و تشخیصآناز عوارض مشابه راه در تصاویر بزرگ مقیاس ماهواره ای بر اساس روشی مبتنی بر سیستم های فازی با تکیه بر اطلاعات بافت زاویه ای ارائه شده است. ورودی های مورد استفاده در این روش مقادیر باندهای قرمز، سبز و آبی تصویر می باشند. روش پیاده سازی شده شامل پنج مرحله ی اصلی است: 1) ناحیه بندی راه با استفاده از الگوریتم خوشه بندی k-means 2) محاسبه ی توصیفگرهای شکلی پلیگون بافت زاویه ای 3) ایجاد یک سیستم تصمیم گیری فازی بر اساس توصیفگرهای شکلی بافت زاویه ای. 4) بهبود نتایج کشف شبکه ی راه 5) ارزیابی سیستم. در مرحله ی اول با استفاده از روش نظارت نشده ی k-means تصویر به دو کلاس راه و غیر راه تقسیم می شود. نقشه ی راه بدست آمده شامل مقداری نوفهمی باشد که نوفه ها با توجه به عرض راه و به گونه ای که اطلاعات اصلی از بین نرود با استفاده از روش کاهش نوفه ی میانه تقلیل داده می شوند. در مرحله ی دوم پارامترهای بافت زاویه ای برای هریک از پیکسل های راه محاسبه می شوند و توصیفگرهای میانگین، فشردگی و گریز از مرکز برآورد می گردند. به دنبال آن و در مرحله ی سوم توصیفگرهای شکلی بدست آمده از پارامترهای بافت زاویه ای وارد سیستم فازی می شوند و پیکسلهای راه از سایر پیکسل های دارای مشابهت طیفی نسبت به راه (سایه ها، پارکینگ ها، سقف ساختمان ها و ...) جدا می شوند. در سیستم فازی توسعه یافته هر پارامتر بافت زاویه ای (میانگین، فشردگی و گریز از مرکز) با توابع عضویت گوسین، به عنوان متغیرهای زبانی معرفی می شوند و پارامترهای توابع گوسین به صورت خودکار و با استفاده از خصوصیات آماری هر توصیفگر تنظیم می شوند. همچنین تعدادی قوانین اگر-آنگاه فازی بر پایه دانش بشری در سیستم فازی طراحی شده مورد استفاده قرار می گیرند. برای بدست آوردن خروجی قطعی (راه های آشکار شده) از غیرفازی ساز مرکز ثقل استفاده می شود. در این مرحله تعدادی از پیکسلهای راه (خصوصاً در تقاطع راه) نیز به اشتباه حذف می گردند. در مرحله ی چهارم یک روش نوین با تکیه بر ویژگی همسایگی پیکسل های راه توسعه داده شده است که پیکسلهایی را که به اشتباه حذف شده اند به سیستم برگرداند. پس از انجام این عملیات، مسیرهای کوچک به هم پیوسته و نوفه ها با تکیه بر یک حد آستانه حذف می شوند. مبنای این کار طول این مسیرهای کوچک است، به این صورت که هر مسیری که طولش کمتر از حد معینی باشد، حذف می شود. در مرحله ی آخر در ارزیابی سیستم، نتایج بدست آمده با شبکه ی راه استخراج شده به صورت دستی مقایسه می شود و تعدادی از پارامترهای ارزیابی شامل ضریب درستی آشکارسازی راه (rcc)، ضریب درستی آشکارسازی پس زمینه (bcc)و ضریب کاپا محاسبه می شوند. روش مرسوم طبقه بندی maximum likelihoodنیز بکار گرفته می شود و پارامترهای ارزیابی مشابهی جهت مقایسه تعیین می شود. نتایج حاصل کارایی روش مورد استفاده را در هر دو زمینه ی ارائه ی نتایج مطلوب و نیز دستیابی به درجه ی خوبی از اتوماسیون نشان می دهند. از طرفی این روش نتایج بهتری نسبت به روش maximum likelihoodنشان می دهد.