بخش بندی معنایی تصاویر هوایی با استفاده از ویژگی های رنگ و بافت

در این پایان نامه یک روش بخش بندی معنایی برای تصاویر هوایی ارائه شده است. بخش بندی معنایی باعث می شود، عمل بخش بندی و طبقه بندی به طور هم زمان در یک گام موثر انجام شود. در حقیقت یک برچسب معنایی برای هر بخش متناظر با کلاس آن (نظیر درخت، جاده، ساختمان، چمن و آب) اختصاص می یابد. این یک جنبه مهم برای سیستم فرود خودکار می باشد. برای فرود هواپیمای خودکار، عمل بخش بندی به تنهایی کافی نمی باشد. علاوه بر آن به یک فهم معنایی از تصویر ورودی برای شناسایی امکان یک فرود امن نیاز است. ترکیب این دو مرحله مهم ترین هدف به کارگیری روش معنایی می باشد. این الگوریتم برپایه توصیف رنگ و بافت می باشد. در مرحله آموزش، ابتدا ناحیه هایی همگن را به طور دستی استخراج کرده و هر ناحیه را به طور معنایی برچسب دادیم. سپس توصیف گرهای بافت و رنگ برای هر ناحیه در تصاویر آموزش محاسبه شدند. ترکیب توصیف گرها و برچسب معنایی آن ها برای ایجاد طبقه بندی کننده –kنزدیک ترین همسایگی استفاده می شود. برای بخش بندی یک تصویر جدید، آن را به تعدادی ابرپیکسل بیش بخش بندی می کنیم. ابرپیکسل ها ناحیه هایی یکنواخت و همگن از تصویر ورودی را به طور خودکار فراهم می کنند. سپس توصیف گرهای بافت و رنگ را برای هر ابرپیکسل محاسبه می کنیم و k- امین همسایگی نزدیک (به این بردار چند بعدی ) از طبقه بندی کننده knn را انتخاب می کنیم. این طبقه بندی کننده ابرپیکسل ها را به طور معنایی برچسب می زند. برچسب زنی همه ابرپیکسل ها طرح بخش بندی را فراهم می کند. از هیستوگرام های lbp-hf و رنگ تصاویر rgb به ترتیب،به عنوان توصیف گرهای بافت و رنگ استفاده می کنیم. این تصمیم مبتنی بر ارزیابی توصیف گرهای بافت مختلفی که در این پایان نامه شرح داده شدند ،می باشد. توصیف گر بافت lbp-hf به طور کلی نسبت به چرخش مقاوم می باشد و اثبات شده است،که نسبت به بسیاری از توصیف گرهای بافت پیشرفته بهتر عمل می کند. این الگوریتم به مجموعه وسیعی از تصاویر هوایی اعمال شد و نشان داده شد که دارای میزان موفقیتی در حدود %96 می باشد. به دلیل آن که مرز ابرپیکسل ها منطبق بر لبه های تصویر است، این الگوریتم قابلیت حفظ مرزها را دارد. ناحیه هایی که به چند قسمت تقسیم شده اند، با موفقیت بخش بندی شده و برچسب مشابه می گیرند. چون این بخش بندی در سطح ابرپیکسل (نه در سطح پیکسل) انجام می شود، مرحله تست بسیار سریع و موثر می باشد. این مزیت بسیار مهمی از این الگوریتم می باشد. همچنین این روش با روش هایی مشابه بر روی پایگاه داده یکسانی مقایسه شد. نتایج مقایسه برتری روش پیشنهادی را تأیید کرد.