هدف اصلی این پایان نامه طراحی و پیاده سازی یک روش بهینه برای مرتبط سازی انواع مختلف تصاویر هوایی و ماهواره ای خصوصاً تصاویر بزرگ مقیاس می باشد. مرتبط سازی تصویر، فرآیند همپوشانی هندسی دو یا چند تصویر از یک منظره ی یکسان است که در زمان های مختلف، از موقعیت های متفاوت و یا به وسیله ی سنسورهای مختلفی اخذ شده اند. این فرآیند به طور گسترده ای در آنالیز های مختلف در فتوگرامتری و سنجش از دور کاربرد داشته و یک مرحله ی اساسی از عملیات هایی نظیر کشف تغییرات، تلفیق تصاویر، موزائیک کردن تصاویر، استخراج داده های مکانی 3 بعدی، مثلث بندی هوایی اتوماتیک، ترکیب اطلاعات در gis و به روز رسانی نقشه ها است. روش پیشنهادی در این تحقیق به منظور دستیابی به یک روش عملی برای مرتبط سازی کاملاً اتوماتیک انواع مختلف تصاویر، انجام فرآیند مرتبط سازی در دو مرحله ی اساسی شامل مرتبط سازی اولیه و مرتبط سازی دقیق می باشد. در مرحله ی اول با استفاده از یک نسخه ی بهبود داده شده از الگوریتم مشهور و توانمند scale invariant feature transform (sift) و مدل هندسی پروژکتیو فرآیند مرتبط سازی اولیه میان تصاویر انجام می شود. الگوریتم sift در حالت استاندارد خود با مشکلات اساسی برای انجام تناظریابی در تصاویر سنجش از دور مواجه می باشد. بعد از شناخت مشکلات این الگوریتم شامل کنترل پذیری پایین و عدم توجه به کیفیت عوارض، راه حل های مناسبی برای آنها پیشنهاد شده و در نهایت نسخه ی بهینه و بهبود داده شده ای برای این منظور معرفی می گردد. خصوصیت اساسی این روش به کارگیری یک استراتژی ویژه برای گزینش بهترین عوارض تصاویر با استفاده از اعمال دو قید پایداری و تمایز و در توزیع کاملی از مکان و مقیاس می باشد. در ادامه، فرآیند مرتبط سازی دقیق با استفاده از استخراج یک مجموعه ی متراکم و دقیق از موقعیت های متناظر در تصاویر و بهره گیری از یک تابع تبدیل قطعه ای انجام می گیرد. برای این منظور در این پایان نامه یک روش کاملاً جدید و پیشرفته بر مبنای ایجاد یک شبکه ی کنترل بسیار دقیق با استفاده از قویترین عوارض گوشه ای و تناظریابی کمترین مربعات، طراحی و توسعه داده شده است. در ابتدا عوارض گوشه ای با استفاده از اپراتور harris و به صورت متراکم استخراج شده و قویترین آنها در هریک از تصاویر جهت ایجاد شبکه ی کنترل به کار می روند. در ادامه دیگر عوارض گوشه ای موجود در تصاویر به عنوان نقاط نشانه، بر اساس الگوریتم نزدیکترین فاصله میان رئوس شبکه ی اصلی گروه بندی شده و هر گروه به عنوان یک شبکه ی کنترل فرعی در نظر گرفته می شود. در نهایت فرآیند تناظریابی میان نقاط نشانه مربوط به هر شبکه ی فرعی با استفاده از خصوصیات هندسی انجام می گیرد. نتایج ارزیابی بر روی انواع مختلف تصاویر ماهواره ای متوسط تا بزرگ مقیاس بیانگر دقت، نیرومندی و کارآیی بالای روش پیشنهادی می باشد. برای تمامی تصاویر مورد ارزیابی بیش از 1000 تناظر صحیح استخراج شده و میزان دقت مرتبط سازی نیز برای تمامی موارد کمتر از یک پیکسل حاصل شده است.

مدل پارمترهای مداری (opm) به عنوان یکی از مقید ترین مدل های موجود در تصحیح هندسی تصاویر ماهواره ای، توان بالایی را در مدلسازی شرایط فیزیکی و هندسی حاکم بر بازه ی زمانی اخذ تصویر در سکوهای ماهواره ای برخوردار می باشد. روند سنتی در هنگام استفاده از opm، تغییر در تعداد پارامترهای مجهول در روند سرشکنی بوده که طی این راهکار ساختار بهینه ی مدلسازی شناسایی می گردد. در این پژوهش، بعد از بررسی قابلیت روش سنتی استفاده از مدل opm در مدلسازی هندسی تصاویر مختلف ماهواره ای، به ارزیابی اهمّیت حضور پارامترهای مدل بصورت شبه مشاهده در حل دستگاه معادلات پرداخته شد. نتایج حاکی از جایگاه ویژه ی شبه مشاهدات در جلوگیری از واگرایی دستگاه معادلات در شرایط وجود همبستگی بین پارامترهای opm بود. مشکل پیش رو در استفاده از شبه مشاهدات، تعیین وزن مناسب برای آنها در روند سرشکنی بوده که بررسی های صورت گرفته اهمّیت بالای تعیین ماتریس وزن مشاهدات و شبه مشاهدات را به اثبات رساند. این بررسی ها، میزان تاثیر گذاری ماتریس وزن در تامین دقت های مطلوب در روند مدلسازی را هم سطح با تغییر تعداد پارامترهای مجهول در opm نشان دادند. با توجه به نتایج بدست آمده، در ادامه ی این پژوهش، یکی از تکنیک های بهینه سازی ماتریس وزن تحت عنوان روش های تخمین مولفه های واریانس (vce ) در حل مدل opm بکار گرفته شد. استفاده از این تکنیک توانست با تعیین وزن مناسب برای مشاهدات و شبه مشاهدات، امکان استفاده از پتانسیل ساده ترین ساختارهای مدل opm را در تامین دقت های قابل رقابت با روش سنتی opm فراهم آورد. به عنوان مثال در مورد تصاویر استریو ماهواره ی spot، با انتخاب 6 نقطه ی کنترلی، مدل صلب تنها با 6 پارامتر مجهول، در روش سنتی دقت مسطحاتی معادل m 6.78 و ارتفاعی m 12.76 تامین نموده که بعد از استفاده از تکنیک vce دقت های بدست آمده معادل m6.69 در مولفه ی مسطحاتی و m7.29 در مولفه ی ارتفاعی بودند. بهترین نتیجه ی روش سنتی مدل opm در همین منطقه نیز با 12 پارامتر مجهول، دقت های m 6.46 در مولفه ی مسطحاتی و m 7.14 در مولفه ی ارتفاعی تامین نمود. با توجه به غیر خطی بودن مدل opm نسبت به پارامترهای آن، در بخش دیگری از این پژوهش، امکان تصحیح اثرات تعیین نادرست پارامترهای مدل opm در فضای تصویر مورد ارزیابی قرار گرفت. هدف از این کار، امکان سنجی افزودن پارامترهای اضافی به عنوان تنها مجهولات موجود در opm بوده که مقادیر آنها توسط نقاط کنترلی تعیین می گردند. نتایج این امکان سنجی توان بالای چندجمله ای های دوبعدی را در تصحیح اثرات تعیین نادرست پارامترهای توجیه خارجی به اثبات رساند. در ادامه ی تحقیق، این ایده در تصاویر ماهواره ای مختلف پیاده سازی و مورد ارزیابی قرار گرفت. در این استراتژی، پارامترهای توجیه خارجی مدل opm توسط اطلاعات اسمی و افمریز سنجنده تعیین شده و به صورت پارامترهای ثابت در روند مدلسازی حضور پیدا می کنند. از آنجاییکه برآورد پارامترهای opm از طریق اطلاعات افمریز توان تامین دقت های مناسب در تصاویر ماهواره ای را برخوردار نبودند، با افزودن چندجمله ای های دوبعدی به عنوان پارامتر اضافی در فضای تصویر سعی بر کاهش خطاهای سیستماتیک باقیمانده در فضای تصویر شد. نتایج بدست آمده حاکی از توان و قابلیت مدل پیشنهادی در مدلسازی هندسی تصاویر مختلف ماهواره ای بود. این راهکار موجب افزایش قابل توجه دقت مدل opm هنگام استفاده از داده های افمریز شده و دقت های قابل رقابت و عموماً بهتری را نسبت به روش سنتی استفاده از opm تامین نمود. به عنوان مثال در مورد تک تصویر ikonos با انتخاب 6 نقطه ی کنترلی، در متدولوژی استفاده از پارامترهای اضافی، دقت m 0.83 در مولفه ی مسطحاتی بدست آمد که بهترین دقت کسب شده از روش سنتی در همین منطقه معادل m 1.48 در مولفه ی مسطحاتی بود.

بیش از یک دهه است که تحقیقات وسیعی در جهت استخراج اتوماتیک شبکه راهها از تصاویر هوایی و فضایی صورت گرفتهاست. محققان برای دسترسی به این مطلوب از روشهایی همچون روشهای ردیابی راه ، آنالیزهای مورفولوژی ، برنامه نویسی پویا و اسنیکها ، روش های چند مقیاسی ، آنالیزهای چندزمانه و استریوسکوپیک و مطالعات چند طیفی استفاده میکنند. حال اینکه هیچکدام از روشهایی که توسعه یافتهاند توانایی کامل شبکه راهها را ندارند. عواملی چون ضعف الگوریتم استخراج راه، occlusionها میتوانند عامل این ناکاملی باشند. ازاینرو سعی بر آن شد تا با توسعه یک روال پس پردازش اقدام به جبران ناکاملیها و انقطاعات موجود در شبکه راههای کشف شده از تصاویر بزرگ مقیاس هوایی و فضایی شود. در این تحقیق سعی بر آن شدهاست تا سیستم جامعی برای کشف و جبران انقطاعات موجود توسعه دهیم. ازاینرو تحقیق را با استخراج راه از تصاویر بزرگ مقیاس شروع شده و قدم به قدم تا پوشش انقطاعات ادامه مییابد. این تحقیق مشتمل بر 4مرحله میباشد. در مرحله اول با کمک سیستم استنتاج فازی و شبکههای عصبی اقدام به استخراج راه از 4 تصویر ماهوارهای می شود. در گام بعد اقدام به هرس کردن و پاکسازی تصاویر باینری راه استخراج شده میشود. در مرحله سوم اقدام به استخراج اسکلت راه و نقاط کلیدی محتمل درگیر با ناحیه منقطع شده راه، میشود. در گام بعدی در ابتدا مدل مفهومی انقطاعات را تعریف میشود. پس از انتخاب پارامترهای احتمال حضور انقطاع در مسیر شبکه راهها، با بکارگیری آنها در یک سیستم استنتاج فازی اقدام به کشف انقطاعات میشود. سپس در همین بخش اقدام به پوشش انقطاعات کشف شده، میشود. در این تحقیق دو نوآوری عمده وجود دارد. برای اولین بار در این تحقیق با نگاهی دیگرگون به مفهوم همسایگی، الگوریتم مورفولوژی را توسعه داده شده و روشی مناسب و کم هزینه برای هرس کردن تصویر باینری راه ارائه شده است. دومین ابتکار عمده این تحقیق تعریف جامع مدل مفهومی گپ میباشد. سپس با استفاده از پارامترهای این مدل مفهومی اقدام به تصمیمگیری در مورد حضور یا عدم حضور گپ در مسیر راه میشود. پیاده سازی روش فوق برروی چند تصویر ماهوارهای از سنجندههای متفاوت و همچنین بکارگیری چند روش برای استخراج راه از آنها دقت و کارایی روش پیشنهادی را به اثبات میرساند. این سیستم توانسته است تا 25 درصد به طول راه های کشف شده توسط الگوریتم پایه کشف راه بیافزاید.

به دلیل کامل نبودن سیستم تصویربرداری ، تصویر یک نقطه نورانی به صورت مجموعه یک دیسک مرکزی و حلقه های روشن و تاریک تشکیل می شود. این دیسک با پوشش %84 در قالب تابع پخش نقطه ای (psf ) مدلسازی می شود. psf یک سنجنده معیاری از توان تفکیک مکانی آن به حساب می-آید. این تابع در واقع اثرات تارشدگی تصویر نسبت به واقعیت مورد انتظار را مدلسازی می کند. از این رو psf سنجنده و یا معادل آن در فضای فرکانس که تابع انتقال مدولاسیون( mtf) نامیده می شود معیاری مهم از کیفیت هندسی تصویرحاصل به شمار می آید.این پایان نامه ابتدا به تخمین تابع psf و mtf در تشکیل تصویر به روشهای مختلف و ارزیابی این روشها می پردازد. برای این منظور دو روش لبه و پالس معرفی و مورد استفاده قرار گرفته اند. سپس با استفاده از تابع psf برآورد شده تلاش در بهبود سطح کیفیت هندسی تصویر از طریق روشها بازسازی تصویر صورت می گیرد. سه روش برای بازسازی تصاویر ورودی شامل معکوس فیلتر وینر و روش تصویر در مجموعه های محدب ارائه شده است. پس از پیاده سازی این روش ها به بررسی و آنالیز دقت آنها به روی تصویر شبیه سازی شده و دو تصویر واقعی پرداخته شده است. نتایج حاصل بیانگر آن است که در روشهای اندازه گیری دقت هندسی تصویر، روش استفاده از لبه ثبت شده توسط سنجنده دارای دقت بیشتری می باشد. در روشهای افزایش دقت هندسی مورد بررسی، درتصاویر با نویز بالا روش فیلتر معکوس دارای ضعف در افزایش دقت هندسی می باشد. روشهای وینر تکرار شونده و استفاده از قید مجموع های محدب دارای دقتی تقریبا مشابه و دارای دقتی بهتر نسبت به فیلتر معکوس و وینر یک مرحله ای می باشد. روش تصویر در مجموعه های محدب دارای دقت بیشتری نسبت به دیگر روشها می باشد.این روش پس از انجام کاهش نویز باعث افزایش %20 در mtf به عنوان معیار دقت تصویر می شود.

هدف اصلی این تحقیق، بررسی الگوریتم‏های استخراج راه از تصاویر راداری و نوری و نشان دادن پتانسیل بالای استفاده توأمان از این دو منبع جهت استخراج راه و همچنین ارائه طبقه بندی کننده‏ی مناسب برای تلفیق این دو منبع به منظور رفع نواقص الگوریتم‏‏های استخراج راه از داده‏‏های تک منبعی و بهبود نتایج کشف راه می‏باشد. به منظور دستیابی به این هدف، از تصویر نوری آیکونوس و تصویر راداری terrasar_xبا حد تفکیک مکانی 1 متر در منطقه‏ای با بافت پیچیده شهری واقع در شهر شیراز استفاده گردید. در تحقیق حاضر شبکه‏‏های عصبی با هدف کشف راه مورد استفاده قرار گرفته‏اند. یکی از مراحل مهم تحقیق به استخراج راه به طور مجزااز هر یک از منابع راداری و نوری اختصاص می‏یابد که با هدف مقایسه بین دو منبع و کشف نقاط قوت و ضعف هر یک از این تصاویر در کشف عارضه راه انجام می‏پذیرد. پس از انجام پیش‏پردازش‏های لازم و هم‏مرجع سازی میان دو تصویر، پارامترهای بافت از هر یک از تصاویر استخراج گردیده و به عنوان بردار ورودی به شبکه عصبی معرفی می‏گردد و پس از طراحی ساختار بهینه شبکه عصبی توسط داده‏‏های آموزشی، آموزش می‏یابد و برای سایر پیکسل‏‏ها فراخوانی می‏گردد. پس از مقایسه بین دو منبع تصویری و مشخص شدن نقاط قوت و ضعف هر یک در استخراج راه، در مرحله بعد استراتژی‏هایی برای تلفیق دو منبع به منظور بهره‏گیری از مزایا و ویژگی‏های مکمل دو منبع و رفع نواقص موجود، ارائه و پیاده سازی می‏گردد. این استراتژی‏ها شامل دو روش تلفیق به کمک شبکه عصبی و تلفیق دانش پایه می‏باشد. در روش اول خروجی شبکه عصبی هر یک از منابع به همراه سه باند طیفی تصویر نوری توسط شبکه عصبی سوم تلفیق می‏گردد و در روش دوم از دانش کارشناسی برای تلفیق خروجی دو شبکه عصبی اول بهره‏جویی می‏شود. بدین ترتیب که با استفاده از فیلترهایی الگوریتم هوشمندتر شده و تصمیم‏گیری در مورد ماهیت پیکسلمورد نظر را بر اساس این فیلترها انجام می‏دهد. که نتایج حاصل نشان دهنده موفقیت این دو استراتژی در بهبود دقت الگوریتم‏های تک منبعی در مناطق با بافت پیچیده شهری می‏باشد. با پیاده‏سازی روش‏های فوق بر روی تصاویر و برآورد پارامترهای مختلف ارزیابی دقت، افزایش پارامتر rcc تا مرز 80 درصد و پارامترbccتا 93 درصد و بهبود پارامترrmseکارائی روش‏های پیشنهادی در این تحقیق را به اثبات رسانده است.

مرتبط سازی تصویر روند تعیین بهترین تطبیق مکانی بین دو یا چند تصویر بدست آمده در زمان‏های مختلف، از منظرهای متفاوت و یا با سنسورهای مختلف می‏‏باشد که دو تصویر مبنا و ورودی را به صورت هندسی بر هم منطبق می‏‏نماید. این فرآیند شامل چهار مرحله استخراج عوارض، تناظریابی عوارض، محاسبه‏ی تابع تبدیل و نمونه برداری و ترانسفورماسیون می‏‏باشد. هر یک از این موارد نقش مهمی ‏‏‏را در فرآیند مرتبط سازی ایفا می‏‏نمایند، اما استخراج عوارض و تناظریابی میان آن ها مهم ترین مراحل از این فرآیند می‏‏باشند. تناظریابی نقاط مرتبط یکی از چالش برانگیزترین مسائل در سنجش از دور است که روش‏های زیادی برای حل این مسئله ارائه شده اند. هدف اصلی این پایان نامه پیاده سازی روش تناظریابی با استفاده از شبکه عصبی هاپفیلد برای انواع مختلف تصاویر هوایی و ماهواره ای می باشد. در این تحقیق به منظور انجام تناظریابی به ترتیب از شبکه عصبی هاپفیلد مرتبه 4 و مرتبه 2 استفاده می شود. شبکه عصبی هاپفیلد مرتبه 4 در تناظریابی با مشکلاتی مواجه می باشد. در این شبکه، با افزایش تعداد نقاط استخراج شده از تصاویر مبنا و ورودی زمان همگرایی شبکه و احتمال همگرایی به مینیمم های محلی مشکل ساز می شود. علی رغم استخراج همه و یا اکثر تناظرهای درست توسط این شبکه مشکلات مطرح شده کارایی شبکه عصبی هاپفیلد مرتبه 4 را برای تناظریابی کاهش می دهد. در راستای حل این مشکل راه حل پیشنهادی در این تحقیق، استفاده از شبکه عصبی هاپفیلد مرتبه 2 می باشد. در مقایسه با شبکه مرتبه 4 به دلیل کاهش مرتبه در شبکه عصبی هاپفیلد مرتبه 2، زمان همگرایی و احتمال همگرایی به مینیمم های محلی کاهش می یابد. برای تناظریابی با شبکه عصبی هاپفیلد مرتبه 2 نیاز به حداقل 2 جفت نقطه متناظر اولیه می باشد. این نقاط متناظر اولیه با استفاده از شبکه عصبی هاپفیلد مرتبه 4 بدست می آیند. در این راستا با استفاده از اپراتور harris نقاطی با تعداد محدود از تصاویر مبنا و ورودی استخراج می شوند. سپس با استفاده از شبکه عصبی هاپفیلد مرتبه 4 نقاط متناظر بدست می آیند. پس از انجام آنالیز حداقل دو جفت نقطه متناظر مناسب انتخاب می گردند و برای تناظریابی تعداد بیشتری از نقاط وارد شبکه عصبی 2 بعدی هاپفیلد می شوند. نتایج ارزیابی بر روی انواع مختلف تصاویر ماهواره ای بیانگر موفقیت این روش در جستجوی تناظر های درست بوده است.

چکیده ندارد.

کشاورزی به عنوان یکی از اساسی‏ترین نیازهای هر کشور، مطرح است. مدیریت صحیح این بخش یکی از مهترین راه کارها در زمینه افزایش بهروری کشاورزی هر کشور محسوب می‏شود. سنجش از دور به عنوان ابزاری جهت تولید اطلاعات جامع و با استفاده از فن آوری ماهواره‏ای برای مدیریت یکپارچه و جامع کشاورزی مطرح می‏شود. تشخیص نوع محصولات کشاورزی با استفاده از تصاویر ماهواره‏ای و با کمترین سطح نیاز به دست‏رسی مستقیم به زمین‏های کشاورزی موجب کاهش چشمگیر هزینه‏ها در بخش مدیریت کشاورزی در سطح کلان جهت تعیین سطح زیر کشت انواع محصولات کشاورزی می‏شود. از میان روش‏های مختلف تشخیص نوع محصولات کشاورزی، آنچه مناسب‏ترین روش برای کشور ایران با توجه به موقعیت جغرافیایی و سیاسی آن به نظر می‏‏رسد، استفاده از تصاویر اپتیکی چند زمانه مطابق با دوره تقویم زراعی محصولات منطقه مورد مطالعه است. استفاده از تصاویر چند طیفی چند زمانه راه کاری است که پیش از این تحقیقات جامعی بر روی آن انجام پذیرفته است. آنچه در این تحقیق مورد نظر است افزایش دقت تفکیک محصولات کشاورزی یک منطقه با استفاده از اطلاعات مرز زمین‏های کشاورزی استخراج شده از تصویر با قدرت تفکیک مکانی بالا است. در واقع الگوریتم پیشنهادی در این تحقیق اضافه کردن یک مرحله پردازش بر روی نتایج طبقه‏بندی کننده‏های آماری و غیرآماری نظیر طبقه‏بندی کننده بیشترین شباهت و طبقه‏بندی کننده شبکه عصبی در کلاس‏بندی زمین‏های کشاورزی می‏باشد. در الگوریتم پیشنهادی به هر زمین کشاورزی به عنوان یک واحد جداگانه نگاه شده و پس از پردازش پیکسل‏مبنای هر زمین کشاورزی، کلاسی که بیشترین پوشش را در سطح زمین مورد بررسی داشته باشد تعیین کننده نوع محصول آن مزرعه می‏باشد. در واقع مرز زمین‏های کشاورزی از تصویر با قدرت تفکیک مکانی بالا استخراج شده و نوع محصول پیکسل‏مبنا نیز با استفاده از تصاویر چند طیفی چند زمانه مشخص می‏گردد و الگوریتم پیشنهادی با تلفیق این دو داده به طبقه‏بندی شیء‏مبنای تصویر می‏پردازد. با استفاده از الگوریتم پیشنهادی، شاهد افزایش دقت 12% درصدی در زمینه تفکیک محصولات کشاورزی هستیم که دقت تفکیک محصولات کشاورزی را از 80% به 92% افزایش داده است. واژگان کلیدی: سطح زیر کشت، تفکیک محصولات کشاورزی، طبقه‏بندی پیکسل‏مبنا، طبقه‏بندی شیء‏مبنا، تصاویر اپتیکی، طبقه‏بندی شبکه عصبی، طبقه‏بندی بیشترین شباهت

در غیاب اطلاعات افمریز مدار ماهواره ها و هندسه داخلی سنجنده، تبدیلات غیرپارامتریک نظیر مدل توابع کسری به عنوان یکی از مهم ترین و پرکاربردترین انواع مدل های ریاضی در جوامع فتوگرامتری و سنجش از دور شناخته می شوند. اما وابستگی این مدل ها به تعداد زیادی نقاط کنترل زمینی، مشکلات عددی موجود در حل آنها و مشکل انتخاب ترم های سازنده ساختار تابع کسری را می توان از عمده ترین ضعف های این روش برشمرد. از آنجاییکه برای ترم ها و ضرائب در مدل ریاضی توابع کسری، هیچ معنی و تفسیر فیزیکی خاصی وجود ندارد، در روش های متداول معمولاً تمامی ترم ها در پروسه محاسباتی وارد می شوند که این امر منجر به بروز خطای over-parameterization خواهد شد. به منظور رفع این مشکل، در این پایان نامه الگوریتم کلونی مورچه ها در دو بخش بر روی مجموعه داده های مختلفی مورد آزمون و ارزیابی قرار گرفت. در بخش اول پیاده سازی الگوریتم کلونی مورچه ها را جهت تصحیح هندسی تک تصویر، بر روی سه تصویر در سطوح تصحیح هندسی مختلف با ترکیب های مختلفی از نقاط کنترل (gcps) و نقاط چک مستقل (icps) در سه سیستم مختصات زمینی utm، ct و ژئودتیک و بدون نرمال سازی مختصات های زمینی و تصویری مورد آزمون قرار دادیم. در بخش دوم پیاده سازی ها نیز الگوریتم کلونی مورچه ها جهت بازسازی سه بعدی زمین با استفاده از زوج تصویر استرئو، بر روی یک زوج تصویر و در سیستم مختصات زمینی utm و بدون نرمال سازی مختصات ها مورد آزمون قرار گرفت. نتایج نشان داد که الگوریتم کلونی مورچه ها بخوبی قادر است ترم های بهینه در ساختار تابع کسری را جهت جلوگیری از بروز مشکل over-parameterization و همچنین مشکلات عددی، چه در پروسه بازسازی سه بعدی زمین با استفاده از زوج تصویر و چه در تصحیح هندسی تک تصویر و در تصاویر در سطوح مختلف، حتی تصاویر خام، با سرعت بالایی بیابد. همچنین نتایج نشان داد، سیستم مختصات ct نسبت به دو سیستم مختصات دیگر، قابلیت های بهتری، چه به لحاظ دقت و چه به لحاظ سرعت همگرایی دارد .به عنوان یک نتیجه کلی می توان گفت با بکارگیری الگوریتم بهینه سازی کلونی مورچه ها و استفاده از تنها 4 نقطه کنترل زمینی، می توانیم به دقت های در حد 0.6 پیکسل در تصاویر با سطوح مختلف دست یابیم. نتایج حاصل از بهینه سازی توابع کسری در پروسه بازسازی سه بعدی زمین نیز دقت های زیر پیکسل در فضای زمین را نشان دادند.

توابع کسری به منظور ایجاد ارتباط بین فضای تصویر و فضای زمین مورد استفاده قرار می گیرند. داشتن تعداد زیاد ضرایب و احتیاج به نقاط کنترل زیاد برای رسیدن به دقت مناسب از جمله مشکلاتی است که هنگام استفاده از این عوارض با آن روبرو خواهیم شد. ایده استفاده از عوارض خطی به علت داشتن اطلاعات هندسی بیشتر نسبت به نقاط برای حل این مشکلات می تواند مورد بررسی قرار گیرد. مسئله مهم در این راستا تعیین مدل مناسب برای استفاده از ویژگی های خطوط است. در این تحقیق مدل مناسبی از خط براساس توابع کسری ارائه شده است. روش ارائه شده دارای معادله ساده ‏ای بوده و همین امر مسئله سرشکنی آن را تسهیل کرده است. ایده اصلی تشکیل معادلات بر این فرض استوار است که نقاط واقع بر روی خط در فضای زمین، هنگام تصویر شدن بر روی تصویر باید بر روی خط متناظر با آن قرار گیرند. در این تحقیق روش پیشنهادی بر روی توابع مختلف کسری در دو دسته کلی دوبعدی و سه بعدی پیاده سازی شد. در مدل های سه بعدی معادلات dlt و چند تابع کسری و از توابع دوبعدی تابع 2d projective مورد ارزیابی قرار گرفت. در تمامی حالات با استفاده از روش پیشنهادی مقدار rmse کاهش یافت. به عنوان مثال با 8 نقطه کنترل در معادلات dlt مقدار rmse در حالت استفاده از خطوط نسبت به روش های معمول 4.60 پیکسل بهبود ایجاد کرده است. این rmse بدست آمده تقریبا با مقدار rmse بدست آمده با استفاده از 11 نقطه کنترل و روش های معمول برابر بود. این نتایج بیانگر تاثیر روش پیشنهادی بر روی بهبود دقت و کاهش نقاط کنترل می باشد. کلید واژه: عوارض خطی، توابع کسری، تصحیح هندسی، تصاویر هوائی و ماهواره ای

با توجه به این امر که در طبقه‏بندی تصاویر با قدرت تفکیک مکانی متوسط، با مسئله‏ی وجود پیکسل‏های مختلط در تصویر روبرو هستیم، استفاده از روش‏های طبقه‏بندی فازی به جایروش‏های طبقه‏بندی متداول ضروری به نظر می‏رسد. همچنین مطالعات اخیر نشان می‏دهند که استفاده از اطلاعات مجاورت به همراه اطلاعات طیفی می‏تواند منجر به صحت بالاتری در طبقه‏بندی شود. استفاده از اطلاعات مجاورت در بخش پس پردازش طبقه‏بندی تصاویر با توجه به این مزیت که وابسته به نوع طبقه‏بندی‏کننده نمی‏باشد، در این تحقیق مورد توجه قرار گرفته است.در این تحقیق قوانین اتصال در فضای توپولوژی فازی در مرحله‏ی پس‏پردازش نتایج طبقه‏بندی‏کننده‏های فازی بیشترین شباهت، ماهالانوبیس و ماشین‏های بردار پشتیبان پیاده‏سازی شده است. برای تلفیق طیفی نتایج حاصل از طبقه‏بندی‏کننده‏های فوق تابعی ارائه می‏شود و همچنین برای تلفیق مکانی نتایج در فضای توپولوژی فازی در مرحله‏ی پس‏پردازش دو راهکار پیشنهاد و پیاده‏سازی شده است. در این تحقیق از 4 باند طیفی یک زیر تصویر لندست استفاده شده و روش‏های مورد نظر پیاده‏سازی شده‏اند. نتایج نشان می‏دهد که اعمال قوانین اتصال در فضای توپولوژی فازی بر روی نتایج تلفیق طیفی بالاترین مقادیر صحت کلی و ضریب کاپا را به میزان به ترتیب 89.81 و 89.78 را ارائه می‏دهد. همچنین نتایج بهبود حدودا 10 درصدی را در مقایسه با حالتی که از یک طبقه‏بندی‏کننده‏ی متداول استفاده شود، را نشان می دهد.

یکی از چالش‏های بسیار مهم در تهیه نقشه پوشش اراضی با استفاده از تصاویر سنجش از دور، مشکل مربوط به پیکسل‏های مخلوط می‏باشد. با توسعه روش‏های تجزیه اختلاط طیفی و طبقه‏بندی کننده‏های نرم، امکان برآورد سهم کلاس‏ها در سطح زیرپیکسل فراهم آمده و برچسب‏های چندگانه به پیکسل‏ها اختصاص داده می‏شود. با این وجود، تولید نقشه پوششی در سطح زیرپیکسل نیازمند جانمایی مکانی زیرپیکسل‏ها می‏باشد. در سال‏های اخیر، روش‏های تهیه نقشه در سطح زیرپیکسل (srm) توسعه یافته‏اند که با استفاده از نتایج طبقه‏بندی کننده‏های نرم و بهره‏گیری از مفاهیم وابستگی مکانی، آرایش مکانی زیرپیکسل‏ها را بهینه‏سازی می‏نمایند.‏ در تحقیق حاضر، دو الگوریتم معاوضه پیکسلی و شبیه‏سازی تبرید جهت تهیه نقشه پوشش اراضی در سطح زیرپیکسل مورد بحث و بررسی قرار گرفته است. در این راستا، الگوریتم باینری معاوضه پیکسلی برای حالت چندمتغیری توسعه داده شده و تأثیر پارامترهای مختلف مانند ضریب بزرگنمایی، سطح همسایگی و تابع وزن در عملکرد این الگوریتم بررسی شده است. همچنین یک روش نوین برای جانمایی اولیه غیرتصادفی زیرپیکسل‏ها و در نتیجه کاهش حجم محاسبات در الگوریتم معاوضه پیکسلی ارائه شده است. از طرف دیگر با بررسی الگوریتم شبیه‏سازی تبرید، یک مکانیزم نوین در این روش برای تولید جواب‏های جدید در هر مرحله از الگوریتم پیشنهاد شده و با نتایج روش موجود مقایسه شده است. همچنین پارامترهای موثر بر عملکرد این الگوریتم مانند ضریب بزرگنمایی، نوع تابع خنک‏سازی و تکرارهای ایستا و پویا مورد بحث و بررسی قرار گرفته است. لازم به ذکر است که به منظور تأمین ورودی هر یک از الگوریتم‏ها، از مدل اختلاط طیفی خطی (lsmm) استفاده شده و بدین منظور یک روش نوین برای بهینه‏سازی نتایج شاخص درجه خلوص پیکسلی (ppi) در استخراج عناصر خالص ارائه گردیده است. برای ارزیابی دقت هر یک از الگوریتم‏های srm، دو حالت مستقل از خطای طبقه‏بندی نرم و وابسته به آن لحاظ شده است. بر اساس نتایج تحقیق، دقت کلی الگوریتم‏های srm به طور قابل توجهی به دقت ورودی الگوریتم (نتایج طبقه‏بندی نرم) وابسته می‏باشد. همچنین مشخص گردید که با افزایش ضریب بزرگنمایی، دقت کلی الگوریتم‏ها کاهش می‏یابد. همچنین سطح همسایگی دوم و توابع معکوس و مجذور معکوس فاصله، بیشترین دقت را در الگوریتم معاوضه پیکسلی به همراه دارند. روش پیشنهادی برای جانمایی اولیه غیرتصادفی زیرپیکسل‏ها نیز تا حدود 20 درصد سرعت محاسبات را بهبود داده است. در مورد الگوریتم شبیه‏سازی تبرید، تابع خنک‏سازی هندسی به لحاظ دقت و زمان اجرای الگوریتم، به عنوان تابع بهینه انتخاب شده است. از طرف دیگر، تکرارهای پویا نیز دقت بیشتری را نسبت به حالت ایستا به همراه داشته است. به عنوان دستآورد مهم تحقیق، روش پیشنهادی برای تولید جواب‏های جدید در الگوریتم شبیه‏سازی تبرید دقت کلی را نسبت به روش موجود افزایش داده و همچنین زمان اجرای الگوریتم را تا بیش از 50 درصد کاهش داده است. به طور کلی دقت الگوریتم‏های معاوضه پیکسلی و شبیه‏سازی تبرید تقریبا یکسان بوده و روش پیشنهادی برای شبیه‏سازی تبرید اندکی از دقت بالایی برخوردار می‏باشد. اما سرعت محاسباتی الگوریتم معاوضه پیکسلی به مراتب بیشتر از الگوریتم‏های پایه و پیشنهادی شبیه‏سازی تبرید می‏باشد. به طور کلی با در نظر گرفتن ضریب بزرگنمایی کمتر از 3 در هر دو الگوریتم و در حالت مستقل از خطای طبقه‏بندی نرم دقت کلی در حدود 95 درصد و در حالت وابسته به خطای طبقه‏بندی نرم در حدود 85 درصد برآورد گردید.

با توجه به توسعه کاربرد های سنجش از دور، استفاده از تصاویری با قدرت تفکیک مکانی و طیفی بالا بطور همزمان در مطالعات پوشش زمین، بررسی مناطق شهری و پوشش گیاهی از اهمیت بسیاری برخوردار است. اطلاعات یک تصویر بر مبنای قدرت تفکیک طیفی و مکانی آن قابل استخراج است، ولی با توجه به محدودیت های تکنولوژیکی و فیزیکی سیستم های تصویر برداری نمی توانند تصاویر مورد نیاز را برای تمیز دادن اشیا هم بصورت طیفی و هم بصورت مکانی در یک زمان تهیه کنند. بنابراین تلفیق تصاویر بعنوان راه حلی برای دست یابی به چنین تصاویری با قدرت تفکیک طیفی و مکانی بالا مطرح شد. الگوریتم های تلفیق زیادی در جهت بهبود قدرت تفکیک مکانی و همچنین حفظ خصوصیات طیفی تصویر چندطیفی در سطح پیکسل توسعه یافته اند. با توجه به افزایش استفاده از داده فراطیفی ضروری است تا تکنیک های موثر در تلفیق این داده ها را بشناسیم. تعداد زیاد باند، عدم تطابق پوشش طیفی تصویر با قدرت تفکیک مکانی بالا با محدوده طول موج مورد استفاده تصویر فراطیفی و نسبت قدرت تفکیک مکانی بین تصویر فراطیفی و تصویر با قدرت تفکیک مکانی بالا از عواملی هستند که تلفیق این تصاویر را پیچیده تر می سازند. در این پژوهش تلفیق تصویر فراطیفی هایپریون با تصاویر با قدرت تفکیک مکانی بالا از قبیل تصویر چندطیفی avnir، تصویر پانکروماتیک ali، تصویر چندطیفی irs-p6، تصویر چندطیفی و پانکروماتیک ikonos و تصویر پانکروماتیک irs-p5 مورد ارزیابی قرار گرفته است. از الگوریتم-های رایج تلفیق از قبیل ihs، pca، fast-ihs، wavelet-ihs و fft-ihs با دو تبدیل ihs خطی و غیر خطی استفاده گردید. برای ارزیابی کیفیت طیفی و مکانی تصاویر تلفیق شده از معیار-هایی چون ضریب همبستگی، نسبت سیگنال به نویز، خطای کمترین مربعات، بایاس، اختلاف باند، شاخص انحراف، ergas و ضریب همبستگی فیلتر شده استفاده گردید. نتایج نشان داد که تلفیق تصویر فراطیفی و تصویر با قدرت تفکیک مکانی بالا امکان پذیر است و می توان از این الگوریتم ها در تلفیق این تصاویر استفاده نمود. بالاترین کیفیت طیفی با استفاده از الگوریتم های fft-ihs و wavelet-ihs و بالاترین کیفیت مکانی با استفاده از الگوریتم fast-ihs حاصل می گردد. تأثیر نسبت قدرت تفکیک مکانی تصاویر ورودی، دقت تصحیح هندسی تصاویر بر روی کیفیت طیفی و مکانی تصاویر تلفیق شده و همچنین اثرات تلفیق بر روی نتایج طبقه بندی نیز مورد بررسی قرار گرفت. نتایج نشان داد که با افزایش نسبت قدرت تفکیک مکانی از کیفیت طیفی و مکانی تصاویر تلفیق شده کاسته می گردد و نسبت قدرت تفکیک مکانی 12 یا بالاتر منجر به کاهش شدید کیفیت طیفی تصویر تلفیق شده می گردد. رابطه مستقیمی نیز بین دقت تصحیح هندسی و کیفیت تصاویر تلفیق شده وجود دارد؛ هر چه دقت تصحیح هندسی بالاتر کیفیت طیفی و مکانی تصاویر تلفیق شده بالاتر خواهد بود. همچنین استفاده از تلفیق موجب بهبود دقت طبقه بندی می گردد.

درفعالیت های مربوط به صنعت نفت به خصوص اکتشاف چشمه های نفتی، داده های سنجش از دوری می توانند کمک بسزایی را داشته باشند. از جمله مزیت های استفاده از این داده ها می توان به کاهش هزینه و ریسک موجود در فعالیت های اکتشافی اشاره کرد. چشمه های نفتی تاثیراتی را بر محیط پیرامون خود می گذارند که با در نظر گرفتن آن ها می توان دقت کار اکتشافی را بالا برد و هم چنین از ایجاد هزینه های گزاف جلوگیری کرد. در این تحقیق به ارزیابی پتانسیل تصاویر فراطیفی در آشکارسازی چشمه های نفتی پرداخته شده است. این کار با استفاده از تصویر فراطیفی سنجنده هایپریون، مربوط به منطقه کمارون در نزدیکی شهرستان ایذه، و به کارگیری الگوریتم های ace، cem، mf و mtmf در شناسایی و آشکارسازی هدف در سطح زیر پیکسل صورت گرفته است. در ابتدا پردازش های لازم برای آماده سازی تصویر انجام شد. طیف ورودی به الگوریتم ها نیز از طریق عملیات طیف سنجی میدانی بدست آمد. پس از پیاده سازی الگوریتم ها و اعمال حدآستانه ها، در نهایت چهار نقطه به عنوان تراوشات نفتی بدست آمد. نقطه 1 به مختصات 5/3548917 شمالی و 5/365182 شرقی (متر) توسط هر 4 الگوریتم، نقطه 2 به مختصات 5/3545782 شمالی و 5/366007 شرقی (متر) توسط الگوریتم های cem، mf و mtmf، نقطه 3 به مختصات 3541447.5 شمالی و 5/369067 شرقی (متر) توسط الگوریتم های ace، cem، mf و نقطه 4 به مختصات 5/3547117 شمالی و 5/364057 شرقی (متر) تنها توسط الگوریتم ace به دست آمدند. با مقایسه نتایج با نقشه موجود از تراوشات منطقه، صحت نقاط 1 و 2 مورد تایید واقع شد و به منظور بررسی دو مورد دیگر، نیاز به عملیات میدانی می باشد. کلمات کلیدی: تصویر فراطیفی، الگوریتم های شناسایی هدف، طیف سنجی میدانی، تراوشات هیدروکربنی

حجم عمده ای از تصمیمات کلان و راهبردی اخذ شده توسط مدیران و برنامه ریزان به موقعیت و مکان عوارض منتسب و مربوط می باشد، لذا وجود اطلاعات مکانی دقیق و بهنگام از منابع کشور در یک پایگاه داده جامع مکان مرجع به همراه تجزیه و تحلیل های مرتبط، از مهم ترین ابزارهای تصمیم گیری و مدیریت بهینه می باشد. از بین اطلاعات مکانی، ساختمان به عنوان یکی از مهم ترین عوارض ساخت دست بشر، بیشترین تعدد را در مناطق شهری و نیمه شهری داشته و درنتیجه بیشترین زمان و هزینه تهیه اطلاعات مکانی را به خود اختصاص می دهد. لذا دستیابی به الگوریتمی جهت استخراج اتوماتیک ساختمان از منابع داده بسیار مهم می باشد. در این راستا تصاویر ماهواره ای و هوایی که قادر به پوشش مناطق وسیع و غیرقابل دسترس در زمان اندکی هستند دارای پتانسیل بالایی بوده و حجم زیادی از تحقیقات را در این حوزه به خود اختصاص داده اند. بسیاری از روش های توسعه یافته از داده های چند منبعی جهت غلبه بر پیچیدگی های تصویر استفاده نموده اند، اما تهیه آن ها بسیار پرهزینه و دشوار می باشد. بنابراین در تحقیق حاضر از اطلاعات طیف و بافت موجود در تک تصویر به منظور استخراج ساختمان استفاده شده است. زیرا ساختمان ها اغلب دارای بافت یکسان هستند. برای این منظور از مدل منحنی فعال که دارای سطح اتوماسیون بالایی هستند، استفاده گردیده است. مدل مذکور با کمینه سازی یک تابع انرژی که در بردارنده ترم هایی بر اساس اطلاعات گرادیان، طیف و یا بافت تصویر است، منحنی های اولیه تعریف شده را در یک فرایند تکراری به سمت محدوده عوارض هدایت می کند. در مرحله نخست از تحقیق، برخلاف تحقیقات رایج که از منحنی فعال جهت استخراج مرز عوارض استفاده نموده اند، از آن برای شناسایی عوارض و تولید ماسک ساختمان با استفاده از باندهای طیفی استفاده شده است. در واقع نتیجه حاصل برای ماسک کردن ویژگی های بافت به کار گرفته می شود. زیرا ویژگی هایی بافت توانایی تمایز بین برخی عوارض نظیر ساختمان، راه و یا پارکینگ های بزرگ را نداشته و دچار مشکل می گردند، درحالیکه این عوارض دارای ویژگی طیفی متفاوت می باشند. نهایتاً ویژگی بافت ماسک شده به عنوان ورودی به مدل منحنی فعال معرفی شده و مرزهای ساختمان شناسایی و استخراج می گردند. بنابراین در تصویر نهایی، تنها عوارضی که دارای طیف و بافت یکسان با ساختمان هستند به عنوان ساختمان شناسایی می شوند. این موضوع با پیاده سازی الگوریتم پیشنهادی بر روی تصاویری با ساختمان های مختلف مورد بررسی قرار گرفت که با توجه به کسب دقت موقعیت کلی 83.08 و 95.00 درصد به ترتیب برای تصویر اول و دوم توانایی آن به اثبات رسید.

به دلیل تغییر سریع جوامع بشری و به تبع آن رشد و گسترش شهرها و به منظور انجام بسیاری از پروژه های شهری و غیر شهری مانند مدیریت شهری و منابع طبیعی، مدیریت بحران، آنالیز تغییر کاربری زمین، مطالعه جابجائی زمین های کشاورزی، تخمین خسارت، تخمین میزان جنگل زدائی، مطالعه تغییرات فصلی در محصولات مراتع و اهدافی از این قبیل بدون در اختیار داشتن اطلاعات و نقشه های جامع، دقیق، یکپارچه و به روز از محیط پیرامون، غیر ممکن می باشد. به همین منظور یکی از مسائل مهمی که نظر کارشناسان را به خود جلب کرده است، بررسی و شناسائی تغییرات عوارض می باشد. امروزه همزمان با پیشرفت آنالیزهای مطرح در پردازش تصویر و امکان به کارکیری سنجنده های دارای قدرت تفکیک مکانی و رادیومتریکی بالا، نه تنها تنوع اطلاعات قابل ثبت از سطح زمین افزایش یافته، بلکه امکان دسترسی هرچه سریع تر به این داده ها فراهم آمده است. در چنین شرایطی با توجه به نیازمندی به داشتن اطلاعات سریع تغییرات صورت گرفته، اتوماتیک سازی تعیین تغییرات و به هنگام رسانی داده ها امری لازم و ضروری می باشد. در این تحقیق هدف افزایش هرچه بیشتر سطح اتوماسیون روند شناسائی تغییرات می باشد. برای این منظور از یک نقشه رقومی قدیمی 1:25000 از منطقه شیراز و تصاویر ماهواره ای irs-p5 و irs-p6 از همان منطقه مورداستفاده قرار گرفته است. به منظور استخراج تغییرات رخ داده در کلاس های مناطق مسکونی، پوشش گیاهی و زمین های زراعی، از یک روش شی گرا استفاده شده است. در این راستا از یک روش طبقه بندی نظارت شده بر مبنای به کارگیری هم زمان شی های تصویری و ویژگی های قابل استخراج از عوارض استفاده گردید. جهت اتوماتیک سازی این مرحله، آموزش سیستم توسط داده های آموزشی که به صورت اتوماتیک استخراج شده و مورد ویرایش قرار گرفته انجام پذیرفته است. نتایج دقت طبقه بندی های انجام شده توسط داده های آموزشی استخراج شده و ویرایش شده بهبود 15 درصدی را در آن نشان می دهد، که این اهمیت مرحله ویرایش داده های آموزشی را مشخص می کند. به دلیل آن که دقت طبقه بندی کلاس راه در این روش مناسب نبود تغییرات در سه کلاس مناطق ساختمانی، زمین های زراعی و پوشش گیاهی استخراج شدند. نقشه تغییرات برای نواحی بدون تغییر و حذف شده با دقت بالای 86 درصد نشان دهنده عملکرد خوب این روش اتوماتیک در استخراج این گونه تغییرات می باشد. و همچنین دقت نواحی اضافه شده نیز با توجه به محدودیت های موجود نقشه رقومی مانند کم بودن پوشش برخی کلاس ها مانند کلاس پوشش گیاهی و به تبع آن استخراج کم داده های آموزشی به ترتیب برای کلاس مناطق مسکونی، زمین های زراعی و پوشش گیاهی به صورت 83/76%، 16/80 و 87/64 % بوده است. این دقت ها با توجه به آن که این نقشه تغییرات با نقشه تغییراتی که به صورت دستی تهیه شده است مورد ارزیابی قرار گرفته است و نقشه تغییرات دستی نیز عدم قطعیت های مخصوص به خود را دارد دقت های قابل قبولی می باشند.

هدف از این تحقیق بررسی و توسعه الگوریتم های خوشه بندی جهت بخش بندی ابر نقاط نا منظم لیزر اسکنرهای هوایی برای بازسازی مدل سه بعدی ساختمان می باشد. روش کلی به کار گرفته شده در این پژوهش بازسازی داده مبنا می باشد. هسته اصلی بازسازی داده مبنا الگوریتم خوشه بندی نقاط لیدار است. در این تحقیق چهار روش مطرح خوشه بندی بررسی، پیاده سازی و ارزیابی شده است. این چهار روش عبارتند از خوشه بندی به روش k-means، k-medoids، fcm و som. در الگوریتم توسعه داده شده این پایان نامه دو روش k-means و fcm به وسیله الگوریتم رقابت استعماری بهینه سازی می شوند و بر اساس نتایج خوشه بندی، الگوریتم بهینه k-means عملکرد مناسبی از خود نشان می دهد و به عنوان هسته اصلی الگوریتم بازسازی این تحقیق به کار گرفته می شود. ویژگی مورد استفاده جهت خوشه بندی ابر نقاط، بردارهای نرمال نقطه ای می باشد. الگوریتم توسعه داده شده در این پژوهش بر دو مجموعه داده شبیه سازی شده و واقعی اجرا شد. بر اساس نتایج مجموعه داده شبیه سازی شده، دقت کلی روش خوشه بندی توسعه داده شده در این پایان نامه یعنی روش بهینه k-means، 91.37 درصد می باشد و بهترین نتیجه متعلق به همین روش است. مجموعه داده واقعی به کار برده شده شامل دو مجموعه داده مربوط به داخل کشور و خارج از کشور می باشد. با توجه به نتایج مربوط به مجموعه داده واقعی داخلی و تراکم پایین ابر نقاط این مجموعه داده روش پیشنهادی این پایان نامه عملکرد مناسبی داشته است.

با توجه به نقش تعیین کننده موقعیت شکستگی ها و گسل ها در بوجود آمدن و ماندگاری ذخایر هیدروکربنی و همچنین اهمیت این موضوع در فرآیند حفر چاه های اکتشافی، هدف این پایان نامه استخراج خطواره های مورد نظر در نقشه های زمین شناسی به منظور اکتشاف منابع و ذخایر هیدروکربنی (نفت و گاز) از تصاویر اپتیکی و راداری و تلفیق نتایج حاصل از آن است. منطقه مورد مطالعه، در محدوده کلات نادری در شمال شرقی استان خراسان رضوی قرار دارد. استخراج خطواره ها در دو مرحله انجام می شود؛ مرحله ی اول استخراج خطواره ها از تصاویر asar سنجنده ی envisat1 با استفاده از الگوریتم کشف لبه کنی است. پارامترهای بهینه کشف لبه کنی برای استخراج خطواره ها از تصاویر راداری با روزنه ی ترکیبی با استفاده از متریک پرات، سیگمای 1 و حد آستانه 0.6 برآورد شد. همچنین شروط هندسی اولیه و شروط هندسی اصلی برای بهبود خطواره ها، برآورد و بر روی خطواره های برداری شده استخراجی از تصاویر راداری، اعمال گردید. شرط اختلاف زاویه اتصال دو خطواره، 10 درجه و شرط فاصله ی اتصال، 225 متر برآورد شد. میزان تطابق میانگین زاویه امتداد خطواره های استخراجی از تصاویر راداری با کل گسلهای مرجع، 74.95، گسل های اصلی مرجع، 70.39، گسلهای فرعی مرجع، 96.45، گسلهای پنهان مرجع، 77.17 و گسلهای تراستی مرجع، 63.95درصد می باشد. مرحله دوم، استخراج بصری خطواره ها از باند 6 تصاویر سنجنده ی etm+ ماهواره لندست7 می باشد. در این مرحله، از خطواره ها استخراجی مرحله اول به صورت ماسک روی باند 6 etm+ استفاده شده که استخراج خطواره ها را آسان تر نموده است. درصد تطابق میانگین زاویه امتداد خطوارههای استخراجی از تصاویر اپتیکی با کل گسلهای مرجع، 91.90، گسل های اصلی مرجع، 96.45، گسلهای فرعی مرجع، 70.05، گسلهای پنهان مرجع، 89.70 و گسلهای تراستی مرجع، 97.12 درصد می باشد. در آخر با اجتماع از خطواره های استخراجی از تصاویر اپتیکی و راداری، یک مجموعه خطواره از کل منطقه مطالعه ایجاد شده است. درصد تطابق میانگین زاویه امتداد خطواره های استخراجی از تصاویر اپتیکی و راداریبا کل گسلهای مرجع، 79.73، گسل های اصلی مرجع، 75.18، گسلهای فرعی مرجع، 98.43، گسلهای پنهان مرجع، 81.95 و گسلهای تراستی مرجع، 68.73درصد می باشد. با توجه به نتایج، برای استخراج خطوارههای اصلی و پنهان و تراستی باید از تصاویر اپتیکی و برای استخراج خطوارههای فرعی از مجموع دو دسته خطواره استفاده نمود.

غنای طیفی تصاویر ابرطیفی به اندازه ای بالاست که آن ها را برای بسیاری از کاربردها مناسب می نماید. استفاده از این استعداد نهفته البته با چالش هایی نیز همراه می باشد. در زمینه ی طبقه بندی نظارت شده یکی از این چالش ها نیاز به تعداد نمونه های آموزشی بیشتر است. در طبقه بندی این مساله تحت عنوان پدیده ی هاف شناخته می شود. کارایی طبقه بندی کننده های متداول که ذاتاً برای پردازش تصاویر چند طیفی توسعه داده شده اند، هنگام اعمال بر روی تصاویر ابرطیفی بسیار پایین می آید. استفاده از روش های کاهش ویژگی قبل از انجام طبقه بندی یکی از راه های مقابله با این مشکل است. نوع دیگری از طبقه بندی کننده ها وجود دارند که ذاتاً بر مبنای خصوصیات فضاهای ابربعدی توسعه یافته اند. این طبقه بندی کننده ها، طبقه بندی کننده-های مبتنی بر استفاده از زیرفضا نام دارند. طبقه بندی کننده های مبتنی بر استفاده از زیرفضا برای طبقه بندی تصاویر ابرطیفی نیازی به پیش پردازش کاهش ویژگی ندارند. در این پایان نامه مقایسه ی جامعی بین عملکرد روش های طبقه بندی مبتنی بر استفاده از زیرفضا و طبقه-بندی مبتنی بر سناریوی استفاده از پیش پردازش کاهش ویژگی صورت گرفته است. سه طبقه بندی کننده ی مبتنی بر استفاده از زیرفضای clafic، msm و alsm و دو طبقه بندی کننده ی متداول یک نزدیک ترین همسایگی و حداکثر شباهت که پس از کم کردن از تعداد ویژگی ها به کمک روش های کاهش ویژگی sfs، lda و nwfe مورد استفاده قرار گرفته اند، روش های طبقه بندی هستند که در این پایان نامه مقایسه شده-اند. نتایج آزمایش ها بر روی داده ی ابرطیفی متداول indian pine از برتری alsm بر سایر روش ها به ویژه در صورت وجود تعداد کافی نمونه ی آموزشی حکایت دارد. دقت alsm در این وضعیت از بهترین دقت سایر طبقه بندی کننده های مبتنی بر استفاده از زیرفضا 28/6 درصد و از بهترین دقت سناریوی طبقه بندی مبتنی بر استفاده از پیش پردازش کاهش ویژگی 28/1 درصد بیشتر است. حساسیت طبقه بندی کننده های مبتنی بر استفاده از زیرفضا به تعداد نمونه های آموزشی و کارایی آن ها در طبقه بندی ویژگی های با تعدادی بیشتر از توانایی پردازش روش های کاهش ویژگی از دیگر مواردی هستند که در این پایان نامه بررسی شده اند. نتایج آزمایش ها نشان می دهد، بدون داشتن نگرانی در مورد تعداد نمونه های آموزشی می توان از آن ها برای طبقه بندی فضاهای ویژگی ابربعدی و مافوق ابربعدی استفاده کرد. به لطف این مزیت طبقه بندی کننده های مبتنی بر استفاده از زیرفضا، امکان پردازش هم زمان ویژگی های حاوی اطلاعات محتوایی به همراه ویژگی های طیفی فراهم می شود. نتایج آزمایش ها نشان می دهد، پردازش هم زمان ویژگی-های حاوی اطلاعات محتوایی و روابط بین پیکسلی به همراه ویژگی های طیفی به کمک استفاده از طبقه-بندی کننده ی مبتنی بر استفاده از زیرفضای پایه ی clafic رسیدن به دقت بالای 95 درصد را در طبقه-بندی به همراه داشته است. در این پایان نامه هم چنین، یک طبقه بندی کننده ی مبتنی بر استفاده از زیرفضای جدید توسعه داده شد که عملکرد آن در طبقه بندی تصاویر ابرطیفی به کمک تعداد محدودی نمونه ی آموزشی بهتر از سایر طبقه-بندی کننده های مبتنی بر استفاده از زیرفضا است. دقت این طبقه بندی کننده که spfs نام گرفت در این وضعیت از بهترین دقت به دست آمده با سایر طبقه بندی کننده های مبتنی بر استفاده از زیرفضا 34/1 درصد بیشتر می باشد. طبقه بندی کننده ی مبتنی بر استفاده از زیرفضای توسعه داده شده علاوه بر این برخلاف سایر طبقه بندی کننده های مبتنی بر استفاده از زیرفضا هیچ پارامتر نیازمند تنظیمی ندارد و بنابراین سطح اتوماسیون آن نسبت به طبقه بندی کننده های مبتنی بر استفاده از زیرفضای دیگر بالاتر است.

پایش و نظارت رشد شهری دقیق و سریع، با توجه به تغییرات وسیع این مناطق در سراسر جهان، نیازمند روش¬ها و تکنیک¬های قدرتمندی است. این در حالی است که روش¬های سنتی نقشه برداری توانایی لازم برای ارائه اطلاعات مقرون به صرفه و به هنگام را ندارند. این امر متخصصین را به سمت استفاده از تصاویر ماهواره¬ای و فناوری سنجش از دور سوق داده است. بزرگ ترین چالش در آشکارسازی و ارزیابی تغییرات با استفاده از فناوری سنجش از دور به خصوص برای مناطق شهری، شناسایی دقیق سهم نسبی بازتابش مواد مختلف است. دستیابی به این مهم نیازمند توان تفکیک بالای تصاویر اخذ شده از منطقۀ مورد مطالعه، به منظور تمایز بهتر میان انواع مختلف کلاس¬¬های کاربری و پوشش زمینی، می¬باشد. این پایان¬نامه پتانسیل استفاده از سنجنده¬های ابرطیفی و بزرگ مقیاس اپتیکی را برای آشکارسازی تغییرات مناطق شهری، از طریق تلفیق آنها مورد ارزیابی قرار می¬دهد. در این راستا داده¬های پانکروماتیک با حد تفکیک مکانی بالا ( تصاویر پانکروماتیک irs-pan مربوط به سنجنده cartosat_1 و عکس هوایی) با تصاویر ابرطیفی hyperion مربوط به نسیم¬شهر با استفاده از الگوریتم¬های مختلف تلفیق مثل روش¬های تبدیل ویولت، آنالیز مؤلفه اصلی ، gram-schmidt ترکیب شدند. . نتایج حاصل از تلفیق، با داده¬های اولیه hyperion از نظر کیفیت طیفی و با داده¬های irs-pan و عکس هوایی از نظر کیفیت مکانی مقایسه شدند. نتایج حاصل از ارزیابی طیفی تصاویر تلفیق شده نشان می¬دهد روش haar-wavelet در حفظ خصوصیات طیفی در تصویر نهایی بهتر عمل کرده است. ارزیابی کیفی تصاویر بدست آمده حاکی از آنست که افزایش قابل توجهی در کیفیت مکانی هر یک از تصاویر تلفیقی در مقایسه با داده ابرطیفی hyperion حاصل شده است. تصویر تلفیقی حاصل در مرحله آشکارسازی تغییرات مورد استفاده قرار گرفته است. روش¬های زیادی جهت آشکارسازی تغییرات با استفاده از داده¬های منابع مختلف سنجش از دور توسعه یافته است. در این پایان¬نامه تکنیک¬هایی نظیر روش تفاضل باندها ، شناسایی تغییرات چندمتغیری برمبنای پس¬پردازش kernel-pca و مقایسه بعد از طبقه¬بندی شیءگرای تصاویر جهت کشف تغییرات تصویر تلفیق شده حاصل از داده¬های ابرطیفی hyperion و بزرگ مقیاس اپتیکی (تصاویر پانکروماتیک و عکس هوایی) مورد استفاده قرار گرفته¬اند. بطورکلی دقت روش¬های آشکارسازی بهبود یافته است. با مقایسه عملکرد روش¬های مختلف با استفاده از روش ماتریس خطا و داده رفرانس می¬توان گفت، روش مقایسه بعد از طبقه¬بندی شیءگرا بدلیل دقت بالای طبقه¬بندی از بین تکنیک¬های بکار رفته دارای دقت بهتری در آشکارسازی تغییرات شهری منطقه مورد مطالعه داشته است. نتایج حاصل نمایانگر پتانسیل استفاده از داده¬های ابرطیفی به همراه داده بزرگ مقیاس اپتیکی بصورت ترکیبی با استفاده از روش مقایسه بعد از طبقه¬بندی شیءگرا جهت کشف تغییرات می¬باشد. بطوریکه دقت کلی حاصل از آشکارسازی تغییرات با استفاده از این روش 82% و ضریب کاپای بدست آمده 8/0 می¬باشد.

شناسایی عارضه ساختمان در سال های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. شناسایی ساختمان ها به عنوان مهم ترین عارضه ی شهری جهت پیشبرد سیاست های توسعه شهری، برنامه ریزی و طراحی شهری، آمادگی در برابر خطرات بلایای طبیعی نظیر سیل و زلزله و یا حوادث غیرمترقبه نظیر آتش سوزی مورد تحقیق بسیاری از محققان بوده است. منظر شهری بسیار پیچیده و متراکم است از این رو با توجه به مزایایی که داده لایدار و تصاویر بزرگ مقیاس در آن واحد در اختیار ما قرار می دهند؛ این دو داده به عنوان ورودی الگوریتم پیشنهادی انتخاب می شوند. در این تحقیق دو مجموعه داده جهت پردازش به الگوریتم معرفی می شوند. مجموعه داده اول شامل تصویر طیفی هوایی و داده لایدار است. مجموعه داده دوم شامل تصویر ماهواره ای و داده لایدار می باشد. تحقیق پیش رو سه فاز اصلی را در بر می گیرد. در فاز اول تصاویر طیفی با مقیاس بالا پیش پردازش می شوند تا برای ورود به الگوریتم آماده گردند. پیش-پردازش برروی داده لایدار با هدف حذف نویز و تولید لایه dsmn انجام می گیرد. لایه های رستری شده لایدار با داده طیفی هم مرجع می شود. هم مرجع کردن دو داده از اهمیت بالایی برخوردار است چرا که سنگ بنای پردازش ها و آنالیز شی مبناست. فاز دوم شامل انتخاب پارامترهای مناسب قسمت بندی سلسله مراتبی و اعمال آن ها به لایه های ورودی است. انتخاب این پارامترها به صورت سعی و خطاست که از طریق ارزیابی بصری نتایج حاصل از قسمت بندی انجام می شود. روش قسمت بندی، روش چند مقیاسه است که امکان انتساب وزن به لایه های ورودی نیز در آن وجود دارد. آنالیز شی مبنا بر روی مجموعه داده اول به دلیل بالا بودن سطح جزئیات در سه سطح قسمت بندی انجام می گیرد. برای مجموعه داده دوم تنها یک سطح قسمت بندی داریم. بعد از تولید اشیا باید ویژگی های مناسب جهت انجام کلاسه بندی شی مبنا معرفی شوند. انتخاب ویژگی مرحله ای حساس و مهم است چرا که دقت نتایج کلاسه بندی را کنترل می نماید. انتخاب ویژگی نیاز به دانش درباره منطقه مطالعاتی و خصوصیات داده مورد نظر دارد. بعد از انتخاب ویژگی ها، کلاسه بندی بر روی مجموعه داده اول به چهار روش حدآستانه گذاری، نزدیک ترین همسایه، نزدیک ترین همسایه فازی و ماشین بردار پشتیبان انجام می شود .سه روش حدآستانه گذاری، نزدیک ترین همسایه و ماشین بردار پشتیبان نیز بر روی مجموعه داده دوم اعمال می شوند. در فاز سوم ارزیابی و تفسیر نتایج صورت می گیرد. جهت مقایسه نتایج روش کلاسه بندی شی مبنای مجموعه داده اول از روش آنالیز پیکسل مبنا با روش کلاسه بندی درخت تصمیم گیری استفاده می شود. کلاس های اصلی ساختمان، درختان، بوته، چمن و راه هستند. در نهایت با ارزیابی نتایج کلاسه بندی بر روی مجموعه داده اول مشخص گردید، دقت کلی روش نزدیک ترین همسایه در سطح اول سلسله مراتب 1 است که بالاترین مقدار را نشان می دهد. ضریب کاپا، دقت تولیدکننده و دقت کاربر برای کلاس ساختمان در این سطح برابر 1 می باشد. در سطح دوم سلسله مراتب و در ارزیابی پنج روش با حضور پنج کلاس دقت کلی در مجموع برای روش نزدیک ترین همسایه ماکزیمم است و برابر 0/982 می باشد. ضریب کاپا، دقت تولیدکننده و دقت کاربر به ترتیب 0/938، 0/95و 1 هستند. ارزیابی نتایج کلاسه بندی مجموعه داده دوم نشان می دهد، نزدیک ترین همسایه با دقت کلی 0/92 بهترین عملکرد را داشته است. دقت تولید کننده، دقت کاربر و ضریب کاپای کلاس ساختمان برای این روش به ترتیب برابر 0/95 ، 0/934 و 0/87 می باشد. با این وجود پارامترهای دقت مجموعه داده دوم پایین تر از پارامترهای دقت مجموعه داده اول می باشد. این امر را می توان به پایین تر بودن قدرت تفکیک مکانی و عدم حضور باند مادون قرمز نزدیک در این مجموعه داده نسبت داد.

برآورد میزان تولید محصولات کشاورزی مستلزم برآورد سطح زیر کشت و تعیین نوع محصول است. به دلیل اینکه میزان تولید ارقام مختلف گیاه برنج متفاوت است تعیین نوع رقم در این محصول با استفاده از تصاویر سنجش از دوری مورد توجه می باشد. در این تحقیق با توجه به تناسب حد تفکیک مکانی تصاویر landsat8 با ابعاد رایج زمین های کشاورزی یکپارچه، و نیز تناسب تصاویر سری زمانی 16 روزه ی این ماهواره با تغییرات فنولوژیکی محصول برنج و همچنین دسترسی به روز، آسان و مجانی به این تصاویر، از این تصاویر استفاده شده است. روش مورد استفادهدر این تحقیق به دو مرحله اصلی تقسیم می شود؛ در مرحله اول مزارع برنج شناسائی می شوند و در مرحله دوم مزارع شناسائی شده به دو رقم محلی(کم محصول) و اصلاح شده(پر محصول) طبقه بندی می شوند. به منظور تفکیک ارقام مورد نظر از طبقه بندی کننده های بیشترین شباهت، ماشین بردار پشتیبان و جنگل های تصادفی و یک روش توسعه داده شده بر اساس تغییرات گرادیان طیفی در تصاویر سری زمانیlandsat8 اخذ شده در سال 1392 هجری شمسی، استفاده شده است. در این روش پیشنهادی ابتدا یکالگو برای تغییرات شیب میان باندی میانگین هر کدام از کلاس ها تولید می شود؛ سپس بین تغییرات شیب میان باندیتک تک پیکسل ها با الگوهای تولید شده مقایسه صورت می گیرد و نوع تغییر در آن پیکسل کشف و نهایتاً آن پیکسل به کلاسی نسبت داده می شود که تغییراتش به الگوی آن کلاس نزدیک تر باشد. در تولید ویژگی استفاده شده در این روش تغییرات فنولوژیکی ارقام مختلف برنج بر اساس تقویم زراعی آن ها در منطقه مطالعاتی که شهرستان آمل می باشد، در نظر گرفته شده است. استفاده از این روش در طبقه بندی دو رقم از برنج شهرستان آمل و با استفاده از داده های زمینی به دقت کلی 76% و روش شناسائی مزارع برنج به دقت کلی 95% رسید.

مراحل زیادی از زنجیره پردازش های فتوگرامتری به عملیات تناظریابی گره خورده است. روش تناظریابی بر مبنای هیستوگرام در مقایسه با سایر روش های تناظریابی دارای مفهوم ساده، اجرای آسان و محاسبات سریع می باشد. در این تحقیق روش تناظریابی بر مبنای هیستوگرام به شکلی توسعه داده شده است که منجر به روشی کارآمد جهت تناظریابی تصاویر با مقیاس های متفاوت شده است. روش پیشنهادی از دو بخش اصلی تشکیل شده است: بخش اول تناظریابی سریع (با دقت محدود) و بخش دوم تناظریابی دقیق می باشد. بخش اول خود به چهار مرحله تبدیل می شود. در مرحله اول بروی تصاویر ورودی پیش پردازش صورت می گیرد. در مرحله دوم هرم تصویر در مقیاس های مختلف برای تصویر ورودی که به دنبال متناظر آن در تصویر مرجع هستیم استخراج می شود. در مرحله سوم تصویر مرجع و هرم تصویر ورودی به زیر تصاویری (سلول) با ابعاد مشخص تقسیم می شود. سپس به هر سلول دو هیستوگرام با توجه به مقادیر درجه خاکستری پیکسلها اختصاص داده می شود. در مرحله نهایی از بخش اول فاصله همینگ بین سلول ها که معیار تشابه بین دو تصویر می باشد محاسبه می شود. جایی که کمترین میزان فاصله همینگ باشد به عنوان متناظر و مقیاس تصویر مرجع در نظر گرفته می شود. خروجی این بخش موقعیت تقریبی تصویر ورودی در تصویر مرجع می باشد. بخش دوم شامل سه مرحله می شود. ابتدا مقدار اولیه در مقیاس مشخص قرارگرفته و گوشه های هریس در هر تصویر استخراج می شود. سپس گوشه های متناظر با روش همبستگی آماری مشخص می-شوند. نهایتاً با روش کمترین مربعات موقعیت متناظر به دقیق ترین شکل بدست می آید. نتایج آزمایشات نشان می دهد که نرخ موفقیت این روش بروی تصاویر هوایی همپوشان با اختلاف مقیاس حداکثر 3 برابر و یا تصاویر ماهواره ای اخذ شده از دو سنجنده مختلف که حداکثر اختلاف مقیاسشان 3 برابر است بسیار مناسب است. سرعت این روش نسبت به سایر روش های تناظریابی بر مبنای هیستوگرام بالاتر است و نیز حساسیت کمتری نسبت به نویز دارد. همچنین دقت تقریباً 5/0 پیکسل بروی داده های مختلف بدست آمد.

در این پژوهش هدف بررسی روشی دقیق جهت برقراری ارتباط میان تصویر رستری و نقشه برداری با کمک گرفتن از مفهوم تناظریابی می باشد. عوارض بکار گرفته شده در این پروسه، نقاط تقاطع شبکه راه می باشد و تمرکز بر روی ارائه روشی نوین و کارا جهت تعیین موقعیت دقیق و خودکار نقطه تقاطع شبکه راه بصورت مستقیم می باشد. داده ی مورد استفاده در این روند تصویر ikonos شهر شیراز به همراه نقشه ی 1:2000 ناحیه مذکور می باشد. این پژوهش شامل چهار قسمت اصلی می باشد. قسمت اول این پروسه انتخاب و تعیین موقعیت نقاط تقاطع شبکه راه مناسب از روی نقشه برداری و تعیین پنجره های متناظر این نقاط بر روی تصویر می باشد. قسمت دوم تعیین موقعیت دقیق نقاط تقاطع شبکه راه روی تصویر ماهواره ای می باشد که این بخش حساس ترین قسمت این پژوهش و شامل 3 مرحله می باشد. این مراحل عبارتند از: 1) تخمین پیکسل های شبکه راه، 2) شناسایی پیکسل های لبه ی ناحیه تقاطع شبکه راه و 3) استخراج نقاط تقاطع شبکه راه. در مرحله 1 پس از خوشه بندی تصویر توسط الگوریتم k-means و حذف نوفه با استفاده از فیلتر میانه، با استفاده از توصیف گر میانگین بافت زاویه ای، پیکسل های کاندید شبکه راه تعیین گردیده است. در مرحله 2 ابتدا خطوط موجود در هر ناحیه با استفاده از فیلتر canny مشخص و خطوط کوچک آن حذف گردیده است. سپس با استفاده از آنالیز دایره مرکزی ناحیه تقاطع پیکسل های کاندید تقاطع شبکه راه تعیین و سپس با استفاده از المان دایره ای شکل استفاده شده و نیز پیکسل های تعیین شده به عنوان کاندید تقاطع شبکه راه، لبه ی ناحیه تقاطع راه مشخص می گردد. در مرحله 3 با استفاده از روشی پیشنهادی و نوین به پیکسل های لبه باقی مانده خط مستقیم برازش داده شده است و در ادامه با بررسی وضعیت این خطوط نسبت به یکدیگر و فاصله آنها با شبکه راه محور مرکزی راه مشخص شده و با بررسی تقاطع این خطوط نقاط تقاطع شبکه راه تعیین گردیده است. در قسمت سوم و پس از تعیین موقعیت نقاط مورد نظر با استفاده از دو تابع مشابهت و پلی نومیال درجه1 تصویر زمین مرجع شده است. در قسمت پایانی این روند به بررسی دقت الگوریتم در زمینه تعیین موقعیت تقاط تقاطع شبکه راه و پس از آن به بررسی دقت زمین مرجع شدن تصویر با استفاده از نقاط فوق و توابع ذکر شده پرداخته شده است. پارامتر استفاده شده در این زمینه تعیین دقت الگوریتم پارامتر rmse می باشد. در انتهای این پژوهش مشاهده می شود الگوریتم تعیین موقعیت نقاط تقاطع شبکه راه با دقتی در حدود نیم پیکسل به شناسایی محل دقیق تقاطع شبکه بصورت خودکار نایل گردیده و همینطور در زمینه زمین مرجع نمودن تصویر توانسته دقت کمتر از یک پیکسل را حاصل نماید.

از زمان پیدایش ccd ها در صنعت تصویر برداری علیرغم پیشرفت ها و مزایای آن مشکلاتی از قبیل کوچک بودن سنسور ها ، نویز و اختلاط نیز به همراه آن بوده است. استفاده از این سنسور ها در سنجش از دور از 3 دهه ی پیش مرسوم شده است. تلاش محققین در جهت کوچک نمودن سنسور ها و به تبع آن افزایش قدرت تفکیک تصاویر اخذ شده همواره ادامه داشته اما به جهت مشکلات تکنولوژی این پیشرفت تا حدودی محدود مانده است. از آنجا که یکی از مهمترین کاربردهای سنجش از دور طبقه بندی تصاویر و تهیه ی نقشه ی پوششی است ، افزایش قدرت تفکیک مکانی نقش بسزایی در دقیق تر شدن نتایج ایفا می کند. super resolution یکی از روش هایی است که در افزایش قدرت تفکیک تصاویر دیجیتال گام های مناسبی برداشته است. atkinson با الهام گیری و توسعه ی این روش بر روی نقشه های طبقه بندی شده ی سنجش از دور توانست نقشه های طبقه بندی در سطح زیر پیکسل ایجاد کند. پس از او محققان دیگری نیز با توسعه ی روش های مختلف در راستای تهیه ی نقشه ی زیر پیکسل تلاش نمودند. هر کدام از این روش ها مزایا و معایبی دارد . در راستای بهبود این روند، تحقیق پیش رو روشی ابتکاری بر پایه ی بهینه سازی مکانی و بر روی تصویر فرا طیفی ارایه می دهد. در روش پیشنهادی با استفاده از اطلاعات طیفی طبقه بندی نرم صورت می گیرد و با استفاده از روابط همسایگی نقشه ی طبقه بندی شده ای در سطح زیر پیکسل از منطقه ی مورد مطالعه ارایه می گردد. ارزیابی انجام شده حکایت از دقت نسبی روش و نیز سرعت اجرای روش بیانگر عملکرد مناسب آن در مقایسه با روش های دیگر است. نقشه ی زیر پیکسل تهیه شده دارای دقتی در حدود 90 درصد در مقایسه با تصویر اولیه و نقشه ی مرجع بوده و همچنین زمان اجرای الگوریتم برای تصویری با 36000 زیر پیکسل کمتر از 15 دقیقه محاسبه گردید. همچنین روش ارایه شده دارای قابلیت توسعه در جهت افزایش کلاس ها بوده و قابل توسعه بر داده های دیگر سنجش از دور نیز هست.

بر اثر فعالیت های انسانی و پدیده های طبیعی، همواره چهره زمین دستخوش تغییرات می شود. شناسایی این تغییرات به خصوص در شبکه راه ها که به عنوان یکی از مهمترین عوارض ساخته دست بشر تلقی می شوند، از جمله نیازهای برنامه ریزی و مدیریت شهری به شمار می آید. انعطاف پذیری و قابلیت های بالای روش های طبقه بندی باعث شده است تا به عنوان یکی از مهمترین روش های آشکارسازی تغییرات عوارض، از جمله راه ها، در تصاویر ماهواره ای مورد استفاده قرار گیرند. روش های طبقه بندی شئ گرا به دلیل درنظر گرفتن ویژگی هایی نظیر بافت، خصوصیات هندسی و شاخص های شکل نسبت به روش های پیکسل مبنا از جایگاه ویژه ای برخوردارند. در این راستا اولین گام برای دست یافتن به نتایج قابل قبول طبقه بندی شئ گرا، قطعه بندی مناسب می باشد. یکی از روش های قطعه بندی که در سال های اخیر مورد توجه قرار گرفته است، قطعه بندی چند مقیاسه می باشد. این روش جزء معدود روش هایی است که علاوه بر به کارگیری اطلاعات ثبت شده در تصاویر )مقادیر طیفی( پارامترهای هندسی را نیز درنظر می گیرد. اما این الگوریتم نیاز به یک سری پارامترهایی دارد که معمولا به روش سعی و خطا به دست می آید. درنتیجه هزینه و زمان زیادی را به خود اختصاص می دهد. بنابراین، یافتن پارامترهای بهینه به صورت خودکار امری اجتناب ناپذیر است. در میان الگوریتم های موجود برای تعیین پارامترهای بهینه، الگوریتم ژنتیک یکی از پرکاربردترین روش ها محسوب می شود. یکی از اجزای اصلی الگوریتم ژنتیک تابع شایستگی می باشد که به طور چشمگیری نتایج را تحت تاثیر قرار داده و کل فرآیند را کنترل می کند. بنابراین این تابع باید متناسب با مسئله موردنظر به بهترین نحو طراحی شود. در این پایان نامه از طبقه بندی پیکسل مبنا و شئ گرا به منظور آشکارسازی تغییرات با تاکید بر عارضه راه استفاده شده است. طبقه بندی شئ گرا برمبنای نزدیکترین همسایگی فازی و طبقه بندی نظارت شده پیکسل مبنا به روش بیشترین احتمال، متوازی السطوح و کمترین فاصله روی تصویر پیاده سازی شده است. علاوه براین با به کارگیری الگوریتم ژنتیک، پارامترهای قطعه بندی چند مقیاسه بهینه سازی شده است. با توجه به نقش تابع شایستگی در یافتن جواب بهینه الگوریتم ژنتیک، یک تابع شایستگی مناسب برای قطعه بندی راه پیشنهاد شده و علاوه بر بررسی آن، به بررسی اجزای تشکیل دهنده آن پرداخته می شود. به منظور برآورد دقت و عملکرد روش پیشنهادی، از تصاویر پن شارپ شده آیکونوس محدوده ای از شهر شیراز استفاده شده است. ارزیابی کلی نتایج بر اساس ارزیابی کمی و تفسیر بصری در فازهای مختلف انجام می شود. دقت کلی بالاتر از 93% در مرحله بهینه سازی قطعه بندی حاکی از آن است که به کارگیری الگوریتم ژنتیک و تابع شایستگی طراحی شده نقش بسزایی در دقت قطعه بندی داشته است. دقت کلی بالاتر از 92% در مرحله طبقه بندی شئ گرا، استحکام روش شئ گرا را در طبقه بندی نشان می دهد. به طور کلی برآورد پارامترهای مختلف ارزیابی دقت، کارائی روش پیشنهادی در این تحقیق را به اثبات می رساند.

شناسایی عارضه ساختمان در سال های اخیر به دلیل رشد شهرنشینی و گسترش دامنه شهرها اهمیت بالایی یافته است. شناسایی ساختمان ها به عنوان مهمترین عارضه شهری جهت پیشبرد سیاست های توسعه شهری، برنامه ریزی و طراحی شهری، آمادگی در برابر خطرات بلایای طبیعی نظیر سیل و زلزله و یا حوادث غیرمترقبه نظیر آتش سوزی مورد تحقیق بسیاری از دانشمندان بوده است. منظر شهری بسیار پیچیده و متراکم است از این رو با توجه به مزایایی که داده لیدار و تصاویر هوایی بزرگ مقیاس در آن واحد در اختیار محقق قرار می دهند؛ این دو داده به عنوان ورودی الگوریتم پیشنهادی انتخاب شدند. تحقیق به این شرح می باشد، در مرحله اول پیش پردازش داده های لیدار با حذف نویز انجام می شود، در مرحله دوم تصویر هوایی پیش پردازش شده با لایه های رستری اولین و آخرین بازگشت فاصله لیدار و داده شدت هم مرجع شده تا برای ورود به الگوریتم آماده گردد. هم مرجع کردن دو داده از اهمیت بالایی برخوردار است چرا که سنگ بنای پردازش ها و آنالیز شی مبناست. در مرحله سوم به منظور تولید مدل رقومی و سطح نرمالایز شده زمین از دو روش فیلترینگ موفق سال های اخیر چندجهتی و مورفولوژیک بهبودیافته استفاده می شود، با مقایسه نتایج دو الگوریتم فوق، الگوریتم موفولوژیک بهبودیافته جهت ادامه کار انتخاب می گردد. در مرحله چهارم لایه های شیب و جهت شیب از روی ndsm تولیدشده در مرحله قبل، ساخته می شوند. در مرحله پنجم ویژگی های مختلف جهت ورود به طبقه بندی کننده های مرحله بعد انتخاب می شود که این ویژگی ها در سه دسته کلی ویژگی های استخراج شده از تصویر هوایی و داده لیدار و ویژگی های شی مبنا دسته بندی می شوند. در مرحله ششم طبقه بندی کلاس ساختمان در دو آنالیز شی-مبنا و پیکسل مبنا انجام می شود که طبقه بندی کننده های شی مبنا شامل حدآستانه گذاری، نزدیک ترین همسایگی و ماشین بردار پشتیبان است و روش های بیشترین شباهت و ماشین بردار پشتیبان در آنالیز پیکسل مبنا بررسی می شود، آنالیزهای پیکسل مبنا در حالت اول و دوم با ویژگی های متفاوت طبقه بندی را انجام می دهند که حالت اول شامل ویژگی های ndvi، ndsm، باند قرمز، سبز، مادون قرمز، شیب می-باشد و در حالت دوم علاوه بر ویژگی های ذکرشده، سه ویژگی جهت شیب و اولین بازگشت فاصله و شدت لیدار اضافه می شود. مرحله هفتم شامل انتخاب پارامترهای مناسب قسمت بندی و اعمال آن ها به لایه های ورودی است. انتخاب این پارامترها به صورت سعی و خطاست که از طریق ارزیابی بصری نتایج حاصل از قسمت بندی انجام می شود. روش قسمت بندی، چند مقیاسه در نظر گرفته شده است که امکان انتساب وزن به لایه های ورودی نیز در آن وجود دارد. مرحله هشتم شامل پس پردازش نتایج حاصل از طبقه بندی می باشد که با استفاده از توابع مورفولوژی این نتایج بهبود میابند. در نهایت در مرحله پایانی نتایج حاصل از هر طبقه بندی با داده مرجع مقایسه شده و ارزیابی می شوند. که با مقایسه ضرایب کاپای روش های حدآستانه گذاری، نزدیک ترین همسایگی، ماشین بردار پشتیبان با آنالیز شی مبنا که به ترتیب 0/98 ، 0/97 ، 0/97می باشد و ضرایب روش پیکسل مبنای بیشترین شباهت در حالت اول و دوم به ترتیب 0/42و 0/52 می باشد و ضرایب ماشین بردار پشتیبان با آنالیز پیکسل مبنا در دو حالت به ترتیب 0/63 و 0/70می باشد، این نتایج حاصل می شود که به طور کلی در این تحقیق آنالیز شی مبنا به دلیل استفاده از ویژگی های شی مبنا نتایج مطلوب تری نسبت به آنالیز پیکسل مبنا دارد. از طرفی اضافه شدن جهت شیب و اولین بازگشت فاصله و شدت لیدار در حالت دوم هر دو روش پیکسل مبنا، نتایج را بهبود داده است.

امروزه برآورد میزان تغییرات نواحی نیمه¬ شهری مانند زمین¬های کشاورزی و زمین¬های زیر کشت، چنان اهمیتی دارد که امر برنامه ریزی و مدیریت آنها به عنوان یک ضرورت برای همه کشورها تلقی می¬شود، لذا در این راستا علوم سنجش از دور جهت رسیدن به این مهم، گام¬های مطلوبی را برداشته¬اند. برای کشف تغییرات روشهای گوناگونی در فتوگرامتری وسنجش از دور وجود دارد و شاید بتوان گفت که هیچکدام بصورت مطلق در تمام وجوه بهینه نمی¬باشند. انتخاب نوع روش، کار چندان ساده ای نیست و وابسته به کاربرد، تعداد و تراکم عوارض موردنظر، دقت مورد¬نیاز، دوره بهنگام رسانی، هزینه و پارامترهای بسیار دیگری می باشد. در این تحقیق تعیین روال مناسب جهت شناسایی تغییرات زمینهای زیر کشت و برآورد درصد آن تغییرات در یک منطقه نیمه شهری با ارائه روشی شئ¬گرا و با تکیه بر الگوریتم های شبکه عصبی و svm بصورت نظارت شده مورد بررسی قرار گرفته است. برای این منظور از تصاویر چندزمانه سنجنده¬های landsat استفاده و راهکارهای متفاوتی برای شناسایی تغییرات ارائه شده و با مقایسه نتایج حاصل، راهکار بهینه تعیین شده است. ایده اصلی به این طریق است که با استفاده از دو تصویر، یک تصویر هم مرجع شده چندزمانه که شامل کل لایه¬های دو تصویر دیگر می باشد تهیه شد. سپس با تعیین پارامترهای مناسب قطعه بندی بصورت تجربی، آن تصویر قطعه بندی و بعد از آن با استفاده از ترکیب کردن لایه های رنگی تصویر(روش ترکیب رنگی جمعی) و همچنین استفاده از روشهای طبقه بندی شئ گرا و اعمال آنها بر روی تک تصویر هم مرجع شده بدست آمده، مناطق تغییر یافته و تغییر نیافته ایجاد گردیده است. درنهایت برای برچسب زدن به مناطق مشتمل بر نواحی تغییریافته و تغییرنیافته و مشخص کردن کلاسها در آن، از نمونه های آموزشی که توسط کاربر خبره از یک تصویر انتخاب شدند، استفاده شده و نقشه تغییرات نهایی بدست آمده است. نتایج حاصل حاکی از آن است که این روش از جهت کاهش نمونه های آموزشی، افزایش سرعت و دقت (بطور میانگین 2.5 تا 3درصد) و افزایش اطلاعات مورد استفاده برای طبقه بندی و درنتیجه بالا رفتن درصد اطمینان بر روشهای معمول شناسایی تغییرات که از مقایسه دو تصویر چندزمانه با هم استفاده می¬کنند برتری دارد.

سنجنده های راداری و تصاویر sar با توجه به برخی ویژگی های منحصر به فرد خود همانند عدم نیاز به نور خورشید، توانایی نفود در سطح و قابلیت شناسایی جنس عوارض در حال حاضر استفاده های روز افزون و گسترده ای در سنجش از دور دارند. یکی از اهداف اصلی در سنجش از دور استخراج نقشه و اطلاعات مکانی از تصاویر ماهواره ای و هوایی می باشد. اولین مرحله جهت استخراج اطلاعات مکانی، زمین مرجع سازی تصویر می باشد. در حال حاضر، تلاش زیادی جهت استخراج این اطلاعات از تصاویر راداری بدون استفاده از روش های غیرفیزیکی صورت نگرفته است و تنها به استفاده از مدل توابع کسری بسنده شده است. در تحقیق پیش رو سعی خواهد شد، تا عملکرد مدل های مختلف غیرفیزیکی و ریاضی مبتنی بر درون یابی در زمین مرجع سازی تصاویر راداری ارزیابی شود. در این تحقیق یک تصویر راداری از سنجده terrasar_x، با استفاده از مدل های مختلف دو بعدی و سه بعدی و نیز مدل های عمومی و منطقه ای، ریاضی شامل مدل های عمومی چند جمله ای عادی و متعامد، افاین سه بعدی، مدل تبدیل مستقیم خطی و مدل توابع کسری و نیز مدل های منطقه ای نقطه-ای و چندجمله ای های متعامد، زمین مرجع سازی شده و عملکرد مدل ها با استفاده از پارامترهای مجذور میانگین مربعات خطا و زمان مورد نیاز برازش مدل، ارزیابی شده و نتایج ارائه خواهد شد. در پیاده سازی مدل-های مذکور دقت های مناسبی جهت زمین مرجع سازی تصاویر به دست آمده است، مانند دقت های نزدیک به 10 پیکسل برای مدل های دو بعدی و دقت های کمتر از 8 پیکسل در مدل های سه بعدی. همچنین تاثیر عوامل مختلف همانند پارامترهای موثر در فرم ریاضی مدل و همچنین حضور نقاط کنترل با خطای زیاد، در عملکرد مدل ها مورد تحقیق و بررسی قرار گرفته است.

توزیع مکانی و فراوانی گیاهان شهری فاکتور کلیدی و موثر بر فرآیندهای بیوفیزیکی محیط زیست شهری از قبیل کیفیت آب و هوا، دما، رطوبت و بارش به شمار می رود. بنابراین با توجه به ارتباط پوشش گیاهی شهری و فرآیندهای بیوفیزیکی و اجتماعی سیستمهای شهری، نیاز به نقشه برداری و طبقه بندی گیاهان شهری به وضوح احساس می شود. در این زمینه سنجش از دور امکانات فراوانی برای نقشه برداری گسترده سطوح گیاهی فراهم نموده است. استفاده از تصاویر با توان تفکیک طیفی بالا- خصوصا در مناطق پیچیده و ناهمگن شهری- نه تنها دقت طبقه بندی های سابق را بهبود بخشیده بلکه امکان استفاده از مدلهای جداسازی طیفی در سطح زیرپیکسل را نیز فراهم می کند. یکی از انواع این مدلها، به منظور تجزیه یک پیکسل مختلط در محیط شهری، مدل جداسازی مکانی مبتنی بر آنالیز اختلاط طیفی است که پیکسل مختلط را به صورت ترکیب خطی بیش از دو مولفه طیفی خالص مدل می کند. این مولفه های طیفی خالص عضوهای پایانی نامیده می شوند که در مدل اختلاط طیفی متناسب با میزان حضورشان در پیکسل مختلط وزن دهی می شوند. در این تحقیق با استفاده از اطلاعات طیفی تصویر hyperion با توان تفکیک مکانی 30 متر و 242 باند طیفی و اطلاعات مکانی تصویر worldview-2 با توان تفکیک مکانی 33/2 متر و 4 باندطیفی و روش تلفیق مبتنی بر جداسازی، تفکیک گونه های گیاهی شهری در سطح زیرپیکسل انجام شد. ابتدا تصویر worldview-2 با روشهای پیکسل مبنا و شیءمبنا طبقه بندی و نتایج حاصل از طبقه بندی با معیارهای overall accuracy و ضریب kappa مقایسه و ارزیابی شد. بهترین طبقه بندی مربوط به طبقه بندی شیءمبنا با دقت 100% بود. سپس درصدحضور کلاسهای موجود در پیکسل مختلط تصویر hyperion استخراج و با استفاده از مدل جداسازی، بازتابندگی کلاسها محاسبه شد. در نهایت اطلاعات مکانی و طیفی حاصل از مراحل پیشین، بر مبنای مدل اختلاط طیفی تلفیق شده و یک تصویر جدید با توان تفکیک مکانی تصویر worldview-2 و توان تفکیک طیفی تصویر hyperion ایجاد شد که در آن هم طبقه بندی گونه های گیاهی شهری در سطح زیرپیکسل انجام شده و هم شامل اطلاعات طیفی بالایی برای آنالیزهای بعدی گونه های گیاهی است. همچنین برای ارزیابی کارآیی روش در کاربردهای دیگر، سه آزمون با تعداد و نوع کلاسهای متفاوت طراحی و اجرا شد. نتایج روش تلفیق با استفاده از معیارهای rmse، ncc و relative error ارزیابی و تحلیل شد.

خاک به عنوان یک منبع ارزشمند جهت تولید منابع غذایی در طبیعت محسوب می شود، با توجه به توسعه خاک در کاربردهای مختلف زیست محیطی، مثل کشاورزی دقیق، آلودگی خاک و تاثیر خصوصیات خاک بر این پدیده ها، لازم است تا با روشی خصوصیات خاک برآورد گردد. برای برآورد خصوصیات خاک روش های مختلفی وجود دارد. یکی از ابتدایی ترین روش ها استفاده از روش سنتی است که بسیار هزینه بر و زمان بر می باشد، لذا محققان به دنبال روش های کاراتر می باشند. باتوجه به پتانسیل بالای سنجش از دور و محدوده های طیفی nir,vnir این امکان فراهم است تا خصوصیات خاک را در سطح وسیع تری و با هزینه و زمان کمتر برآورد نمود. روش های کمی و کیفی مختلفی جهت ایجاد ارتباط بین مقدار غلظت عناصر خاک و طیف حاصل از داده های سنجش از دور موجود می باشد. در میان روش های کمی استفاده از آنالیز رگرسیون برای ایجاد ارتباط بین طیف و مقدار خصوصیات خاک، به عنوان یک روش کارا و پرتوجه مطرح می باشد. آلودگی خاک توسط عناصر سنگین امروزه مورد توجه محققان محیط زیست قرار دارد. در این تحقیق سعی بر برآورد مقدار غلظت سرب خاک با استفاده از داده های سنجش از دور و با بهره گیری از مدل های رگرسیون خطی چون رگرسیون خطی ساده و رگرسیون کمترین مربعات جزئی و مدل های غیرخطی ازجمله شبکه عصبی و شبکه عصبی فازی شده است. برای این منظور منطقه مطالعاتی ایرانکوه اصفهان انتخاب شده است. با اعمال مدل خطی و غیرخطی بر روی طیف آزمایشگاهی مشخص شد، دقت مدل غیر خطی مانند شبکه عصبی فازی نسبت به مدل خطی مانند کمترین مربعات بیشتر است، مقدار rpdv مدل شبکه عصبی فازی 8.5 و برای مدل کمترین مربعات 03/2 موید این امر است. در این تحقیق علاوه بر مقایسه مدل های خطی و غیرخطی، تاثیر تصحیحات اتمسفری و توپوگرافی بر روی نتایج حاصل از برآورد مقدار غلظت سرب خاک و همچنین تلفیق طیف آزمایشگاهی و تصویر لندست8 ارزیابی شدند. در این راستا مشاهده شد اعمال تصحیح اتمسفری و همچنین پیاده سازی مدل های غیرخطی رگرسیونی در بالا بردن دقت و بهبود مدل برآورد مقدار غلظت سرب خاک تاثیر زیادی دارند. مقدار rpdvمدل رگرسیون خطی تصویر بدون پردازش 91/1 و برای مدل رگرسیون خطی تصویر پردازش شده با تصحیح اتمسفری 15/2 نشان داد، اعمال تصحیح اتمسفری باعث افزایش دقت و بهبود مدل رگرسیون خطی شده است. نتیجه اعمال تلفیق طیف تصویر و آزمایشگاهی نشان داد، تلفیق طیف تصویر و آزمایشگاهی کمکی به بهبود برآورد سرب نمی کند، دلیل این امر اختلاف دو دسته طیف ناشی از اتمسفر می باشد. موید این امر مقایسه مقدار rpdv پیاده سازی مدل شبکه عصبی فازی بر روی طیف تصویر بدون پردازش 05/2 و مقدار 61/1 این پارامتر برای مدل شبکه عصبی فازی تلفیق هر دو طیف است.

داده های سنجش از دوری در مدیریت مناطق ساحلی نقش عمده ای را بر عهده دارند. از موارد کاربرد سنجش از دور در مدیریت مناطق ساحلی، حفظ محیط زیست و منابع طبیعی در این مناطق می باشد. صخره های مرجانی به عنوان مهم ترین زیست گاه های جانوری در دریا، همواره بیش ترین آسیب را از فعالیت های انسانی در این مناطق متحمل شده اند. اولین قدم در حفظ و نگهداری این ذخایر طبیعی، تهیه ی نقشه ی توزیع این مناطق می باشد. در این پایان نامه سعی گردید از تصاویر ماهواره ای برای تهیه نقشه ی تنوع زیستی کلاس های موجود بر صخره های مرجانی در منطقه ی خلیج فارس و به طور خاص جزایر قشم و لارک استفاده شود. آنچه در این پایان نامه مورد مطالعه قرار گرفت، در وهله ی اول بررسی تعمیم پذیری نتایج تحقیقات در سایر مناطق جهان با استفاده از سنجنده های چندطیفی متوسط مقیاس، برای طبقه بندی پوشش صخره های مرجانی در منطقه ی خلیج فارس، بود. نتایج تحقیق بیانگر مطابقت بالای نتایج طبقه بندی در خلیج فارس با تحقیقات مشابه در سایر مناطق مرجانی جهان می باشد. همچنین دیده شد که تصاویر ماهواره ای متوسط مقیاس، توانایی طبقه بندی 2 تا 4 کلاس را با دقت بالای 70% بر روی صخره های مرجانی در این منطقه دارا می باشند. بهترین سطح طبقه بندی، طبقه بندی با 3 و 4 کلاس تعیین گردید و نشان داده شد که با افزایش بیشتر تعداد کلاس ها، دقت متوسط طبقه بندی به پایین تر از 50% کاهش می یابد. در مرحله ی دوم، به مقایسه ی الگوریتم های طبقه بندی نظارت شده در طبقه بندی پوشش صخره های مرجانی پرداخته شد. این مقایسه میان 3 الگوریتم بیشترین احتمال، ماشین بردار پشتیبان و شبکه عصبی انجام گرفت. در این بررسی، علاوه بر داده های جزیره ای در ساحل شرقی استرالیا، تعمیم پذیری نتایج به آبسنگ های مرجانی جزایر قشم و لارک نیز مورد تحقیق واقع شد. نتایج الگوریتم های طبقه بندی، بسته به تعداد کلاس ها متغیر بود. به نحوی که در طبقه بندی 2 کلاسه الگوریتم بیشترین احتمال عملکرد بهتری داشت ولی با افزایش تعداد کلاس ها، الگوریتم های ماشین بردار پشتیبان و شبکه عصبی برتری خود را بر الگوریتم بیشترین احتمال نشان دادند. در حالت طبقه بندی 4 کلاسه، این دو الگوریتم ، به ترتیب بهبود دقت متوسط در حدود 7% و 9% را نسبت به الگوریتم بیشترین احتمال نشان دادند. پیاده سازی روش تحقیق بر روی داده های منطقه ی قشم، تعمیم پذیری نتایج الگوریتم ماشین بردار پشتیبان را در این منطقه اثبات نمود. الگوریتم ماشین بردار پشتیبان بهبود دقت 5% را نسبت به روش بیشترین احتمال، در این منطقه نشان داد. الگوریتم شبکه عصبی، ضعیف ترین عملکرد را نسبت به دو الگوریتم دیگر، در این منطقه نشان داد که به دلیل حساسیت بالای این روش به کاهش تعداد داده های آموزشی می باشد. در نهایت روش ماشین بردار پشتیبان با توجه به عملکرد مناسب در طبقه بندی پوشش صخره های مرجانی در هر دو منطقه ی مورد مطالعه و پایداری بالای نتایج، به عنوان الگوریتم بهینه برای طبقه-بندی پوشش صخره های مرجانی با تصاویر متوسط مقیاس انتخاب شد. در ادامه، استفاده از تصاویر چندزمانه در بهبود نتایج طبقه بندی بررسی شد. الگوریتم های پیاده شده در حالت تک زمانه، با الگوریتم های مشابه در حالت دو زمانه مقایسه شدند که نتایج بیانگر افزایش دقت 2%-5% در حالت دو زمانه نسبت به حالت تک زمانه می باشد. در مرحله ی چهارم، دو الگوریتم بیشترین احتمال فازی و الگوریتم fcm به عنوان روش-های طبقه بندی نرم، برای این مسئله به کار گرفته شدند که ارزیابی دقت آن ها با استفاده از ماتریس ابهام فازی به ترتیب دقت کل 68% و 72% را حاصل نمود. مزیت این روش ها در دقت مناسب آن ها خلاصه نمی شود. مواردی نظیر توانایی قبول پیکسل های آموزشی مخلوط، خروجی بر حسب درصد هر کلاس و افزایش تعداد داده های آموزشی و تست به علت استفاده از تمام داده های آموزشی و تست برای هر کلاس، از مزایای استفاده از این روش های طبقه بندی می باشد. این روش های طبقه بندی که از مدل های اختلاط غیرخطی برای مدل سازی رفتار طیفی کلاس های مختلف در سطح زیر پیکسل استفاده می کنند، اولین بار در طبقه بندی پوشش صخره های مرجانی، در این تحقیق به کار گرفته شدند و نتایج بسیار مطلوب، در کنار مزایای فراوان ارائه نمودند.

اطلاعات مکانی از عوارض و پدیده¬های طبیعی و مصنوعی به عنوان یکی از بنیادی¬ترین اطلاعات موردنیاز به منظور مدیریت هر چه بهتر مناطق شهری و روستایی موردتوجه ¬می¬باشد. شناسایی و استخراج این عوارض از تصاویر هوایی و ماهواره¬ای به عنوان یکی از اقتصادی¬ترین روش¬های تهیه این اطلاعات مطرح است. در این راستا تلاش گسترده¬ای درزمینه ی اتوماتیک سازی درروند تولید اطلاعات از این تصاویر صورت گرفته است. ساختمان ها ساختاری غالب در محیط شهری و روستایی می¬باشند و از اینرو تحقیقات بسیاری درزمینه اتوماسیون استخراج آن ها از منابع مختلف داده که تصاویر نوری، لیدار و رادار معمول ترین آن ها می باشد، صورت گرفته است. منابع داده های مختلف، مزایایی در موقعیت های مختلف فراهم می کنند. بااین وجود هریک دارای مشکلاتی از قبیل سایه، انسداد، ناهمگونی سقف ساختمان ها و شباهت های طیفی عوارض شهری هستند. وجود ویژگی های منحصربه فرد منابع داده مختلف، ایده ای برای به کارگیری مزایای هر منبع و بهبود نتایج به وسیله ترکیب آن ها ایجاد می کند. در این پایان نامه، به منظور بهبود و رفع نواقص و ضعف مجموعه داده¬های تک منبعی، باهدف شناسایی ساختمان¬ها، روشی بر مبنای تلفیق تصاویر نوری و راداری ارائه شده است. در تحقیق حاضر، باهدف شناسایی ساختمان از مناطق متراکم شهری از تصاویر بزرگ مقیاس ikonos و terrasar_x استفاده شده است. تحقیق پیشرو شامل سه مرحله اصلی می باشد. در مرحله اول، به استخراج ویژگی های مناسب از هر یک از تصاویر پرداخته شد. پس از انتخاب ویژگی های بهینه از هر منبع، سه مجموعه داده به صورت جداگانه توسط شبکه عصبی مورد ارزیابی قرارگرفته است. در مرحله دوم، ویژگی های بهینه استخراج شده از سه مجموعه داده، در ترکیب های مختلف در سطح ویژگی با یکدیگر تلفیق شده و نتایج مورد مقایسه قرار گرفتند. در تمامی بررسی ها، شبکه عصبی مصنوعی به عنوان طبقه¬بندی کننده اعمال شده و عملکرد آن در پوشش های مختلف سقف های ساختمان مورد ارزیابی قرارگرفته است. در مرحله سوم، به تلفیق در سطح تصمیم گیری با روش رأی گیری اکثریت اقدام شده است. پس از دستیابی به روش تلفیقی مناسب، برای بهبود نتایج و شناسایی دقیق¬تر ساختمان ها، از شاخص تفاضل نرمال شده گیاهی (ndvi)، عملگرهای مورفولوژی و فیلتر مساحت استفاده شد. نتایج حاصل نشان می دهد که روش بهینه تلفیق شناسایی ساختمان ها، حداقل 22% ضریب کاپا،11% دقت کلی و 7% دقت شناسایی ساختمان ها را نسبت به استفاده مجزا از منابع داده افزایش می دهد. همچنین استراتژی تلفیق پیشنهادی منجر به حداقل 5% بهتر شدن همگنی نتایج شناسایی شده در انواع مختلف پشت بام ها شده است. بنابراین نتایج حاصل از روش پیشنهادی با دقت کلی، ضریب کاپا، دقت شناسایی ساختمان و دقت شناسایی زمینه به ترتیب 92.66%، 80.31%، 88.68% و 93.91% مؤید توانایی این روش در شناسایی ساختمان داده های چند منبعی اپتیک و رادار می باشد.

بسیاری از مطالعات انجام شده در زمینه شناسایی عارضه راه از تصاویر ماهواره ای پیکسل مبنا می باشند. جهت کاستن از مشکلات روش های پیکسل مبنا، در این پایان نامه از روش عارضه مبنا استفاده شده است. همچنین در پردازش تصاویر معمولاً با عدم قطعیت هایی مانند عدم قطعیت های ناشی از تصویر نمودن عارضه سه بعدی در تصویر دو بعدی، مرزهای مبهم، شرایط روشنایی ضعیف و غیر یکنواخت و همچنین غیر خطی بودن سیستم های تصویربرداری مواجه می باشیم. از آنجایی که توابع عضویت در مجموعه های فازی نوع 1 قطعی می باشند، در این پایان نامه استفاده از مجموعه های فازی نوع 2 که به دلیل رفتار بسیار منعطف تر توابع عضویت فازی، امکان مدل نمودن نمونه هایی با عدم قطعیت های بالا را بیش از پیش فراهم می سازند پیشنهاد شده است. با توجه به اینکه یکی از مهم ترین چالش های حال حاضر سیستم های فازی نوع 2 تعداد محاسبات بالای آن می باشد، طرح ترکیبی جدیدی از الگوریتم ژنتیک شامل روش های pittsburg و cooperative-competitive جهت طراحی سیستم ارائه گردیده است.