دانشگاه صنعتی خواجه نصیرالدین طوسی
دانشکده مهندسی نقشهبرداری (ژئودزی و ژئوماتیک)
پایاننامه کارشناسی ارشد
در رشته مهندسی عمران – نقشهبرداری
چکیده
طبقهبندی پوشش اراضی شهری همیشه به علت قابلیت برقراری ارتباط عناصر انسانی با محیطهای فیزیکی و استفاده در مدیریت بهتر منابع دارای اهمیت بوده و هست. نیاز به دانش بهروز، صحیح و دارای جزئیات از اطلاعات پوشش اراضی شهری حاصل از دادههای سنجش از دور به طور فزایندهای در میان بسیاری از جوامع احساس میشود. با پیشرفتهای اخیر در داده، فنآوری، و نظریههای سنجش از دور، ضرورت این امر بیشتر نیز میشود. پیشرفت سنجندههای جدید، پتانسیل بالایی برای طبقهبندی شهری را نشان میدهد. با این وجود، عملکرد روشهای طبقهبندی مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روشهای جدیدتر برای رفع این محدودیتها بیشتر احساس میشود. از طرف دیگر، روشهای جدید در بازشناسی الگو همانند جنگل تصادفی (RF )، به عنوان یک الگوریتم یادگیری ماشینی جدید، توجه بسیاری را در زمینه طبقهبندی تصویر و بازشناسی الگو به خود جلب کرده است. چندین تحقیق نیز مزایای RF در طبقهبندی کاربری اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهری و استفاده از تصاویر ماهوارهای جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهری با روشی جدید مبتنی بر تلفیق روش شیگرا و طبقهبندی RF برای بهبود طبقهبندی پیشنهاد شده و مورد بررسی قرار گرفته است. برای مقایسه، روشهای طبقهبندی مرسوم نیز انجام شده است. در طبقهبندی پیکسل-مبنا با الگوریتمهای مختلف طبقهبندی، RF بالاترین دقت کلی را در حدود 82%، و در طبقهبندی شی-مبنا SVM بالاترین دقت کلی را در حدود 79% و RF دقت 77% را تولید کرد. در طبقهبندی ویژگیهای شی-مبنا برای اشیا حاصل از قطعهبندی یک سطح با روش پیشنهادی دقت کلی الگوریتم RF از 75% به 76%، دقت کلی الگوریتم SVM از 75% به 78%، دقت کلی شبکه عصبی از 70% به 75% و دقت کلی الگوریتم بیشینه شباهت از 44% به 77% ارتقا داده شد. بنابراین نتایج این تحقیق نشان میدهد که روش پیشنهادی میتواند عملکرد طبقهبندی را از نظر دقت و سرعت بهبود بخشد.
واژگان کلیدی: طبقهبندی پوشش اراضی شهری، قطعهبندی تصویر، ویژگیهای شیگرا، الگوریتم جنگل تصادفی، انتخاب ویژگی، ماشین بردار پشتیبان، شبکههای عصبی، سنجش از دور
فهرست مطالب
فصل 1 مقدمه 2
1-1 پیشگفتار 2
1-2 ضرورتها، انگیزهها و ویژگیهای تحقیق 4
1-3 اهداف و سؤالات تحقیق 5
1-4 روش تحقیق 6
1-5 معرفی اختصاری سایر فصول 7
فصل 2 مروری بر تحقیقات پیشین 10
2-1 مقدمه 10
2-2 مروری بر روشهای طبقهبندی پوشش اراضی 10
2-2-1 فنهای طبقهبندی شیگرا 11
2-2-2 فنهای طبقهبندی نظارتنشده پیکسل-مبنا 12
2-2-3 فنهای طبقهبندی نظارتشده پیکسل-مبنا 12
2-3 مروری بر روشهای طبقهبندی جدید در سنجش از دور 13
2-3-1 طبقهبندی با شبکههای عصبی مصنوعی 14
2-3-2 طبقهبندی با درختان تصمیم 15
2-3-3 طبقهبندی با روشهای مبتنی بر ماشین بردار پشتیبان 15
2-3-4 فنهای طبقهبندی دانش-پایه 17
2-3-5 طبقهبندی با الگوریتمهای ترکیبی 18
2-4 روشهای انتخاب و کاهش فضای ویژگی 21
2-5 خلاصه فصل 22
فصل 3 مفاهیم و روشها 25
3-1 مقدمه 25
3-2 مفاهیم پایه 25
3-3 الگوریتمهای یادگیری متداول 27
3-3-1 آنالیز جداسازی خطی 27
3-3-2 درختهای تصمیم 28
3-3-3 شبکههای عصبی 31
3-3-4 طبقهبندیکننده بیز ساده 33
3-3-5 روشهای مبتنی بر ماشینهای بردار پشتیبان و کرنل 34
3-4 روشهای دسته جمعی 39
3-5 تقویت 41
3-6 روش Bagging 42
3-6-1 دو الگوی گروهی 42
3-6-2 الگوریتم Bagging 43
3-6-3 جنگل تصادفی 47
3-6-4 انتخاب ویژگی با کمک شاخص تعیین اهمیت ویژگی RF 51
3-7 قطعهبندی تصویر 53
3-7-1 قطعهبندی به روش چند رزولوشنه 54
3-7-2 روش برآورد مقیاس مناسب برای قطعهبندی تصویر 58
3-8 برآورد دقت طبقهبندی 59
3-8-1 ماتریس ابهام 60
3-9 خلاصه 62
فصل 4 روش تحقیق و نتایج 64
4-1 مقدمه 64
4-2 دادهها و منطقه مورد مطالعه 64
4-3 روش پیشنهادی تحقیق 66
برای دانلود متن کامل پایان نامه اینجا کلیک کنید
نظرات شما عزیزان: