نقشه راه GIS

درخواست مشاوره

09120049370

8 صبح تا 12 شب

09120049370

Telegram Whatsapp Youtube
کاربرد جی ای اس

چکیده

الگوریتم‌های Intensity-Hue-Saturation (IHS)، Brovey Transform (BT) و Smoothing-Filter-based Intensity Modulation (SFIM) برای شفاف کردن تصاویر GeoEye-1 استفاده شد. سپس تصاویر pansharpened در Berkeley Image Seg با استفاده از طیف وسیعی از پارامترهای تقسیم‌بندی قطعه‌بندی شدند و دقت فضایی و طیفی بخش‌های تصویر اندازه‌گیری شد. ما دریافتیم که الگوریتم‌های شفاف‌سازی که اطلاعات فضایی بیشتری را از باند تصویر پانکروماتیک با وضوح بالاتر حفظ می‌کنند ( یعنی IHS و BT) منجر به تقسیم‌بندی‌های دقیق‌تر فضایی می‌شوند، در حالی که الگوریتم‌های شفاف‌سازی که اعوجاج اطلاعات طیفی تصویر چندطیفی با وضوح پایین‌تر را به حداقل می‌رسانند. باندها ( یعنی، SFIM) منجر به بخش های تصویر با دقت طیفی بیشتری شد. بر اساس این یافته‌ها، ما یک رویکرد ترکیبی جدید IHS-SFIM را توسعه دادیم، به‌ویژه برای تجزیه و تحلیل تصویر مبتنی بر شی (OBIA)، که اطلاعات فضایی بهتر IHS و اطلاعات طیفی دقیق‌تر SFIM را برای تولید بخش‌های تصویر با فضای بسیار بالا ترکیب می‌کرد. و دقت طیفی
کلید واژه ها: 

تابه تیز کردن ; تقسیم بندی تصویر ؛ تجزیه و تحلیل تصویر مبتنی بر شی ; ارزیابی تقسیم بندی تصویر ; جوبیا _ OBIA ; GeoEye-1 ; تصاویر با وضوح بالا

 

 

1. مقدمه

سال‌های اخیر شاهد افزایش تعداد ماهواره‌هایی بوده‌ایم که تصاویری با وضوح فضایی بالا به دست می‌آورند. آخرین نسل از این ماهواره ها (به عنوان مثال GeoEye-1، Worldview-2، Pléiades 1A) تصاویر را با وضوح فضایی بسیار بالا برای باند پانکروماتیک (حدود 0.5 متر) و با وضوح کمی پایین تر (حدود 2 متر) به دست می آورند. ) برای چندین باند چند طیفی (MS). برای این نوع داده‌های سنجش از راه دور که حاوی باندهای PAN و MS با وضوح‌های فضایی مختلف هستند، روش‌های ترکیب تصویر که به روش‌های “پانشارپنینگ” گفته می‌شود، اغلب برای افزایش وضوح باندهای MS با استفاده از باند PAN انجام می‌شود [ 1 ].]. Pansharpening اجازه می دهد تا سطح بالایی از اطلاعات مکانی در باند PAN با اطلاعات طیفی دقیق تر در باندهای MS ترکیب شود. تعداد زیادی از الگوریتم‌های pansharpening توسعه یافته‌اند، و [ 2 ] یک نمای کلی و مقایسه بسیاری از الگوریتم‌های پرکاربرد را ارائه می‌دهد. به طور کلی، برخی از الگوریتم‌های شفاف‌سازی، مانند تبدیل شدت-رنگ-اشباع (IHS) [ 3 ] و تبدیل برووی (BT) [ 4 ] تقریباً تمام جزئیات فضایی تصویر PAN را حفظ می‌کنند اما اطلاعات MS را تا حدی تحریف می‌کنند. [ 5 ، 6 ]، در حالی که دیگران مانند مدولاسیون شدت مبتنی بر فیلتر صاف کردن (SFIM) [ 7 ]] اطلاعات دقیق MS را به قیمت کاهش اطلاعات مکانی حفظ می کند [ 6 ]. علاوه بر این، برخی از روش‌های تیز کردن، فیلتر یا پارامتر قابل تنظیمی را در خود جای داده‌اند که به کاربران اجازه می‌دهد تا این مبادله بین اعوجاج رنگ و افزایش وضوح فضایی را کنترل کنند (به عنوان مثال، [ 6 ، 7 ، 8 ، 9 ، 10 ]).
تعداد زیادی معیار برای ارزیابی کیفیت فضایی و/یا طیفی تکنیک‌های مختلف تیز کردن، و [ 2 ] بررسی رایج‌ترین معیارهای مورد استفاده توسعه یافته‌اند. این معیارهای ارزیابی همگی شامل محاسبات مبتنی بر پیکسل هستند، اما در بسیاری از موارد، تصاویر با وضوح بالا با استفاده از رویکرد تحلیل تصویر مبتنی بر شی (OBIA) به جای رویکرد مبتنی بر پیکسل به دلیل دقت طبقه‌بندی بالاتری که اغلب توسط رویکرد OBIA به دست می‌آید، طبقه‌بندی می‌شوند. 11 ، 12 ، 13 ]. در رویکرد OBIA، یک تصویر ابتدا به مناطق همگن به نام «قطعات تصویر» یا «اشیاء تصویر» تقسیم می‌شود و سپس با استفاده از طیفی (مثلاً میانگین، انحراف استاندارد) و غیر طیفی (مثلاً اندازه، شکل و غیره ) طبقه‌بندی می‌شود. .) ویژگی های این بخش های تصویر [ 14 ]. از آنجایی که متغیرهای طبقه‌بندی در رویکرد OBIA برای بخش‌های تصویر به‌جای پیکسل‌های منفرد محاسبه می‌شوند، بنابراین ارزیابی کیفیت الگوریتم‌های شفاف‌سازی با استفاده از معیارهای ارزیابی مبتنی بر بخش به جای معیارهای مبتنی بر پیکسل، در صورتی که تصویر پان‌شارپ‌شده برای OBIA در نظر گرفته شده باشد، باید مناسب‌تر باشد. . این معیارهای ارزیابی مبتنی بر بخش باید دقت فضایی و طیفی بخش‌های تصویر را در نظر بگیرند.
یکی از روش‌های رایج برای تخمین دقت فضایی بخش‌های تصویر، محاسبه شباهت در موقعیت، اندازه، و/یا شکل بین بخش‌های تصویر و چندضلعی‌های مرجع دیجیتالی دستی است [ 15 ]. این نوع اندازه‌گیری‌های دقت فضایی مبتنی بر بخش در مطالعات سنجش از دور گذشته برای بهینه‌سازی پارامترهای بخش‌بندی [ 16 ] و برای مقایسه الگوریتم‌های تقسیم‌بندی مختلف [ 17 ] استفاده شده‌اند.]، اما طبق دانش ما، هیچ مطالعه ای دقت فضایی تقسیم بندی ها را با استفاده از الگوریتم های مختلف پانشارپنینگ مقایسه نکرده است تا ببیند کدامیک منجر به تقسیم بندی دقیق تری می شود. علاوه بر این، در حالی که تعداد زیادی از معیارهای دقت فضایی مبتنی بر بخش وجود دارد، فقدان معیارهای دقت طیفی مبتنی بر بخش وجود دارد، احتمالاً به این دلیل که فرض بر این است که بخش‌هایی با دقت مکانی بالاتر نیز باید اطلاعات طیفی دقیق‌تری داشته باشند. این احتمالاً برای مجموعه ای از بخش بندی های یک تصویر منفرد صادق است. با این حال، برای مقایسه تقسیم‌بندی‌های تولید شده توسط الگوریتم‌های پانشارپنینگ چندگانه (و در نتیجه تصاویر متعدد با سطوح مختلف اعوجاج طیفی)، لازم است که یک اندازه‌گیری دقت طیفی لحاظ شود زیرا یک تقسیم‌بندی دقیق‌تر از لحاظ مکانی لزوماً ممکن است از نظر طیفی دقیق‌تر نباشد.
در این مطالعه، ما تأثیری را که سه تکنیک متداول پان‌شارپنینگ (IHS، BT، و SFIM) بر کیفیت فضایی و طیفی تقسیم‌بندی‌های تصویر داشتند، ارزیابی کردیم. همانطور که قبلا ذکر شد، IHS و BT هر دو در حفظ جزئیات فضایی از تصویر PAN عالی هستند، در حالی که SFIM اعوجاج اطلاعات طیفی از تصویر MS را به حداقل می‌رساند، بنابراین مقایسه باید مفید باشد تا ببینیم کدام مشخصه، اگر یکی از آنها، برای آن مفیدتر است. OBIA. برای هر تصویر شفاف شده، طیف وسیعی از پارامترهای تقسیم بندی مورد آزمایش قرار گرفت و دقت مکانی قطعات برای هر پارامتر تقسیم بندی محاسبه شد. مانند مطالعات گذشته، ما فرض کردیم که برای یک تصویر کاملاً واضح، تقسیم بندی با دقت فضایی بالاتر نیز باید از نظر طیفی دقیق تر باشد (و بنابراین دقت طیفی برای هر پارامتر تقسیم بندی محاسبه نشده است). با این حال، هنگامی که دقیق‌ترین بخش‌بندی‌های فضایی هر تصویر شفاف‌شده شناسایی شد، ما دقت طیفی این تقسیم‌بندی‌ها را محاسبه کردیم تا امکان مقایسه اعوجاج طیفی بین سه الگوریتم انجام شود. ما پیش‌بینی می‌کردیم که پان‌شارپنینگ IHS و BT بخش‌بندی‌های دقیق‌تری را از نظر مکانی ایجاد کنند زیرا اطلاعات مکانی را بهتر حفظ می‌کنند، در حالی که SFIM اطلاعات طیفی بخش‌های تصویر را بهتر حفظ می‌کند. در تحقیقات گذشته، معیارهای ارزیابی مبتنی بر پیکسل نشان داده‌اند که الگوریتم‌های IHS، BT، و SFIM در ترکیب به خوبی کار می‌کنند. هنگامی که دقیق‌ترین بخش‌بندی‌های فضایی هر تصویر شفاف‌شده شناسایی شد، ما دقت طیفی این تقسیم‌بندی‌ها را محاسبه کردیم تا امکان مقایسه اعوجاج طیفی بین سه الگوریتم انجام شود. ما پیش‌بینی می‌کردیم که پان‌شارپنینگ IHS و BT بخش‌بندی‌های دقیق‌تری را از نظر مکانی ایجاد کنند زیرا اطلاعات مکانی را بهتر حفظ می‌کنند، در حالی که SFIM اطلاعات طیفی بخش‌های تصویر را بهتر حفظ می‌کند. در تحقیقات گذشته، معیارهای ارزیابی مبتنی بر پیکسل نشان داده‌اند که الگوریتم‌های IHS، BT، و SFIM در ترکیب به خوبی کار می‌کنند. هنگامی که دقیق‌ترین بخش‌بندی‌های فضایی هر تصویر شفاف‌شده شناسایی شد، ما دقت طیفی این تقسیم‌بندی‌ها را محاسبه کردیم تا امکان مقایسه اعوجاج طیفی بین سه الگوریتم انجام شود. ما پیش‌بینی می‌کردیم که پان‌شارپنینگ IHS و BT بخش‌بندی‌های دقیق‌تری را از نظر مکانی ایجاد کنند زیرا اطلاعات مکانی را بهتر حفظ می‌کنند، در حالی که SFIM اطلاعات طیفی بخش‌های تصویر را بهتر حفظ می‌کند. در تحقیقات گذشته، معیارهای ارزیابی مبتنی بر پیکسل نشان داده‌اند که الگوریتم‌های IHS، BT، و SFIM در ترکیب به خوبی کار می‌کنند. ما پیش‌بینی می‌کردیم که پان‌شارپنینگ IHS و BT بخش‌بندی‌های دقیق‌تری را از نظر مکانی ایجاد کنند زیرا اطلاعات مکانی را بهتر حفظ می‌کنند، در حالی که SFIM اطلاعات طیفی بخش‌های تصویر را بهتر حفظ می‌کند. در تحقیقات گذشته، معیارهای ارزیابی مبتنی بر پیکسل نشان داده‌اند که الگوریتم‌های IHS، BT، و SFIM در ترکیب به خوبی کار می‌کنند. ما پیش‌بینی می‌کردیم که پان‌شارپنینگ IHS و BT بخش‌بندی‌های دقیق‌تری را از نظر مکانی ایجاد کنند زیرا اطلاعات مکانی را بهتر حفظ می‌کنند، در حالی که SFIM اطلاعات طیفی بخش‌های تصویر را بهتر حفظ می‌کند. در تحقیقات گذشته، معیارهای ارزیابی مبتنی بر پیکسل نشان داده‌اند که الگوریتم‌های IHS، BT، و SFIM در ترکیب به خوبی کار می‌کنند.6 ]، بنابراین هدف دیگر این مطالعه توسعه یک رویکرد ترکیبی به طور خاص برای OBIA بود که می‌تواند هم اطلاعات فضایی غنی IHS و BT و هم اطلاعات طیفی دقیق SFIM را در بر بگیرد.

2. معادلات تیز کردن

IHS به دلیل کارایی و سهولت اجرا یکی از متداول‌ترین روش‌های پانشارپنینگ در سنجش از دور است [ 5 ]. الگوریتم پانشارپنینگ اولیه IHS تنها برای سه باند طیفی [ 2 ] طراحی شده بود، اما [ 18 ] یک الگوریتم کارآمد باند n شبیه IHS ارائه می دهد. با استفاده از این الگوریتم شبیه IHS برای یک تصویر 4 باندی با باندهای طیفی آبی (B)، سبز (G)، قرمز (R) و نزدیک به فروسرخ (NIR)، مقادیر MS شفاف شده به صورت محاسبه می‌شوند.
Ijgi 01 00228 i001
Ijgi 01 00228 i002
Ijgi 01 00228 i003
که در آن B’ ihs مقدار شفاف شده برای نوار آبی است، B مقدار عدد دیجیتال (DN) پیکسل در باند MS اصلی است (مقادیر تابش یا بازتاب را می توان به طور متناوب استفاده کرد)، و PAN DN پیکسل در تصویر PAN α 1 تا α 4 را می توان بر اساس منحنی پاسخ طیفی باندهای PAN و MS حسگر [ 6 ] تعیین کرد. روش دیگر، یک میانگین ساده می تواند به جای α1 تا α4 استفاده شود ، یعنی (B + G + R + NIR)/4)، یا α1 تا α4 را می توان از طریق رگرسیون چند متغیره تعیین کرد [ 18 ،19 ]. از آنجایی که از باندهای MS برای محاسبه δi استفاده می شود ، وضوح نظری فضایی تصویر شارپ شده دقیقاً برابر با تصویر PAN نیست، اما وضوح رضایت بخشی را می توان در عمل به دست آورد [ 6 ]. ما تصمیم گرفتیم که در این مطالعه، شفاف‌سازی IHS را برای توانایی آن در حفظ اطلاعات مکانی تصویر PAN، که ممکن است برای اهداف تقسیم‌بندی تصویر مفید باشد، آزمایش کنیم.
BT یکی دیگر از روشهای تیز کردن سریع و کارآمد است که در بسیاری از مطالعات سنجش از دور استفاده شده است [ 5 ]. مانند IHS، BT نیز در ابتدا برای تصاویر 3 باند توسعه داده شد، اما یک الگوریتم BT مانند باند n در [ 8 ] ارائه شده است. برای یک تصویر 4 باندی می توان آن را به صورت محاسبه کرد
Ijgi 01 00228 i004
که در آن B’ bt مقدار pansharpened برای باند B است و I مانند معادلات (1) تا (3) محاسبه می شود. این الگوریتم BT شبیه حالت “ساده” الگوریتم تیزکردن رنگ Hyperspherical (HCS) است که اخیرا برای شفاف کردن تصاویر WorldView-2 پیشنهاد شده است [ 6 ]. BT همچنین شبیه IHS است زیرا تقریباً تمام اطلاعات مکانی تصویر PAN را حفظ می کند در حالی که اطلاعات MS را تحریف می کند. با این حال، تیز کردن IHS منجر به فشرده سازی اشباع می شود، در حالی که BT منجر به کشش اشباع می شود [ 6 ]. ما تصمیم گرفتیم BT را علاوه بر IHS آزمایش کنیم تا ارزیابی کنیم که کدام ویژگی، در صورت وجود، منجر به کیفیت بخش‌بندی تصویر بالاتر می‌شود.
به عنوان سومین الگوریتم pansharpening در این مطالعه، ما به دلیل توانایی آن برای به حداقل رساندن اعوجاج اطلاعات MS (برخلاف IHS و BT) SFIM را آزمایش کردیم. همچنین بر خلاف IHS و BT، می توان آن را بدون نیاز به α1 تا α4 روی n باند اعمال کرد . در عوض، یک نسخه صاف شده از تصویر PAN، که اغلب با استفاده از یک فیلتر میانگین 7 × 7 [ 6 ] به دست می آید، مورد نیاز است. برای یک تصویر 4 باندی، SFIM را می توان به صورت محاسبه کرد
Ijgi 01 00228 i005
که در آن B’ sfim مقدار pansharpened برای باند B است و PAN smooth مقدار DN پیکسل در باند PAN پس از اعمال فیلتر میانگین 7 × 7 است. بنابراین، هرگونه تغییر در اطلاعات طیفی باندهای MS صرفاً توسط PAN / PAN صاف ایجاد می شود. این معادله SFIM بسیار شبیه به “حالت هوشمند” HCS [ 6 ] است.

3. روش ها

3.1. منطقه و داده های مطالعه

برای این مطالعه، تصاویر GeoEye-1 برای یک منطقه مسکونی و یک منطقه جنگلی در استان ایشیکاوا، ژاپن به دست آمد. تصویر شامل چهار باند MS با وضوح 2 متر (باندهای B، G، R و NIR) و یک باند PAN 0.5 متری بود. پس از تصحیح تصاویر با استفاده از ضرایب چند جمله‌ای گویا (RPCs) و مدل رقومی ارتفاع (DEM) با وضوح 5 متر، آنها با استفاده از معادلات 1 تا 3 تیز شدند. برای محاسبه I در معادلات (1) تا (3) برای IHS و BT pansharpening، مقادیر α1 تا α4 (0.343، 0.376، 0.181، و 0.1) بر اساس پاسخ طیفی باندهای طیفی GeoEye-1 (مقادیر به دست آمده از [ 6 ) تعیین شد.]). کامپوزیت های رنگی کاذب تصاویر اصلی و تیز شده از مناطق مطالعه مسکونی و جنگلی به ترتیب در شکل 1 و شکل 2 نشان داده شده است تا امکان مقایسه بصری نتایج را فراهم کند.
Ijgi 01 00228 g001 1024
شکل 1. تصویر GeoEye-1 (باندهای NIR، R، G) از ( a ) منطقه مطالعاتی مسکونی. ( ب ) شدت-رنگ-اشباع (IHS)، ( ج ) تبدیل برووی (BT)، و ( د ) تصاویر شفاف شده با مدولاسیون شدت-بر اساس فیلتر صاف کردن (SFIM). چند ضلعی های زرد در (الف) چند ضلعی های درخت مرجع را مشخص می کنند و چند ضلعی های سیاه چند ضلعی های ساختمان مرجع را مشخص می کنند. کشش کنتراست انحراف استاندارد 2.0 برای اهداف نمایش استفاده شد.
Ijgi 01 00228 g002 1024
شکل 2. تصویر GeoEye-1 (باندهای NIR، R، G) از ( a ).منطقه مطالعه جنگلی، ( ب ) IHS، ( c ) BT، و ( د ) تصاویر pansharpened SFIM. چند ضلعی های زرد در (الف) چند ضلعی های مرجع درختان آسیب دیده یا کشته شده را مشخص می کنند. کشش کنتراست انحراف استاندارد 3.0 برای اهداف نمایش استفاده شد.

3.2. دیجیتالی کردن چند ضلعی های مرجع اشیاء مورد علاقه پوشش زمین

برای هر منطقه مورد مطالعه، ما چند ضلعی مرجع از اشیاء پوشش زمین خاص مورد علاقه را دیجیتالی کردیم، که برای ارزیابی دقت فضایی تقسیم‌بندی‌های تصویر استفاده شد. مرزهای این چند ضلعی های مرجع، بر اساس تجزیه و تحلیل بصری دقیق، کاملاً با مرزهای اشیاء مورد علاقه مطابقت داشتند. برای منطقه مورد مطالعه مسکونی، 30 چند ضلعی از درختان منفرد را دیجیتالی کردیم تا ارزیابی کنیم که هر الگوریتم تراشیدن تا چه حد امکان تقسیم بندی ویژگی های کوچک را فراهم می کند، و 30 چند ضلعی از ساختمان ها را برای آزمایش میزان خوبی که هر الگوریتم اجازه می دهد تا ویژگی های بزرگتر با اشکال متمایز تقسیم شود. چند ضلعی های مرجع در شکل 1 نشان داده شده اند(آ)). در منطقه مورد مطالعه جنگلی، ما 30 چند ضلعی از درختان بلوط آسیب دیده یا کشته شده را دیجیتالی کردیم تا آزمایش کنیم که هر الگوریتم تیزاب تا چه حد امکان شناسایی اهداف خاص را در یک چشم انداز تحت سلطه پوشش گیاهی می دهد (چند ضلعی های مرجع در شکل 2 (الف) نشان داده شده است). این درختان بلوط به دلیل حملات انبوه سوسک های آمبروزیا ( Platypus quercivorus ) حامل قارچ Raffaelea quercivora [ 20 ] به شدت آسیب دیدند یا کشته شدند. تشخیص زودهنگام درختان مورد حمله برای جلوگیری از گسترش بیشتر Platypus quercivorus [ 21 ] مهم است، بنابراین تقسیم بندی دقیق تر درختان آسیب دیده ممکن است به تشخیص دقیق تر با استفاده از تکنیک های OBIA منجر شود.

3.3. تقسیم بندی تصویر

بخش بندی تصویر در BerkeleyImageSeg (BIS؛ http://www.imageseg.com ) انجام شد. الگوریتم تقسیم‌بندی BIS مبتنی بر رویکرد ادغام منطقه است که در [ 11 ] توضیح داده شده است، و از نظر محاسباتی آن را شبیه به الگوریتم «تقسیم‌بندی چند رزولوشن» ( http://www.ecognition.com ) eCognition [ 11 ] می‌کند که در بسیاری از موارد استفاده شده است. مطالعات سنجش از دور بنابراین هرگونه تفاوت بین الگوریتم‌های تقسیم‌بندی BIS و eCognition به دلیل جزئیات پیاده‌سازی اختصاصی است که در دسترس عموم نیست [ 16 ]]. سه پارامتر تعریف شده توسط کاربر برای تقسیم بندی وجود دارد: یک پارامتر “آستانه” که اندازه نسبی بخش ها را کنترل می کند، یک پارامتر “شکل” که مقادیر نسبی اطلاعات طیفی و فضایی مورد استفاده در فرآیند تقسیم بندی را کنترل می کند، و یک پارامتر “فشردگی” که میزان صاف بودن مرزهای بخش را در مقابل میزان ناهمواری کنترل می کند [ 16 ].
برای تعیین تک تک درختان در منطقه مورد مطالعه مسکونی، پارامترهای آستانه را از 5 تا 40 در مرحله 5 و پارامترهای شکل و فشردگی 0.1، 0.3، 0.5، 0.7 و 0.9 را برای بخش‌بندی تصاویر pansharpened آزمایش کردیم (مجموع 200). تقسیم بندی برای هر تصویر شفاف شده). به عنوان خط پایه برای مقاصد مقایسه، ما همچنین تصویر PAN اصلی را با استفاده از این پارامترهای تقسیم بندی تقسیم بندی کردیم. برای ترسیم ساختمان‌ها در منطقه مورد مطالعه مسکونی، پارامترهای آستانه 40 تا 100 را در مرحله 5 و همان پارامترهای شکل و فشردگی را برای درختان جداگانه مورد آزمایش قرار دادیم (در مجموع 325 بخش‌بندی برای هر تصویر شفاف شده). در نهایت، برای ترسیم درختان آسیب دیده در منطقه مورد مطالعه جنگلی، آستانه، شکل، و پارامترهای فشردگی معادل آنهایی که برای استخراج درختان در منطقه مسکونی استفاده می شود. پارامترهای بهینه برای تقسیم بندی هر یک از این نوع پوشش زمین به صورت کمی با استفاده از روش های شرح داده شده در تعیین شدبخش 3.4 . همانطور که در بخش 4.1 نشان داده شده است، دقیق ترین تقسیم بندی های مکانی با استفاده از بالاترین یا پایین ترین مقادیر پارامتر آستانه آزمایش شده به دست نیامدند. به همین دلیل، جستجوی پارامتر را بیشتر گسترش ندادیم تا پارامترهای آستانه کمتر یا بالاتر را در بر گیرد.

3.4. محاسبه دقت فضایی بخش های تصویر

دقت فضایی هر قطعه‌بندی تصویر با استفاده از متریک D ( D ) [ 16 ] ارزیابی شد که معیارهای تقسیم‌بندی بیش از حد (به عنوان مثال ، بخش‌های کوچک‌تر از اشیاء پوشش زمین مورد علاقه) و کم‌تقسیم‌بندی ( به عنوان مثال ، بخش‌های بزرگ‌تر از اشیاء پوشش زمین ) را ترکیب می‌کند. مورد علاقه) به یک مقدار واحد که نزدیکی به یک نتیجه تقسیم بندی ایده آل را تخمین می زند (به عنوان مثال ، تطابق کامل بین چند ضلعی های مرجع و بخش های تصویر). Oversegmentation ( OverSeg ij ) به این صورت تعریف می شود
Ijgi 01 00228 i006
که در آن ناحیه ( x i ∩ y j ) مساحت تقاطع جغرافیایی چند ضلعی مرجع x i و قطعه تصویر y j است. Y i * زیرمجموعه ای از قطعات مربوط به چند ضلعی مرجع x i است ( به عنوان مثال ، پاره هایی که یکی از آنها: مرکز x i در y j است، مرکز y j در x i ، > 0.5، یا > 0.5 است. OverSeg . ij Ijgi 01 00228 i011 Ijgi 01 00228 i012مقادیر از 0 تا 1 متغیر است، با مقادیر پایین تر نشان دهنده بیش از حد تقسیم بندی کمتر است. زیربخش بندی ( UnderSeg ij ) به این صورت تعریف می شود
Ijgi 01 00228 i007
UnderSeg ij نیز از 0 تا 1 متغیر است، و مقادیر پایین تر نشان دهنده زیربخشی کمتر است. D با استفاده از ریشه میانگین مربعات خطا (RMSE) این معیارهای بیش از حد و کم تقسیم بندی را ترکیب می کند و توسط
Ijgi 01 00228 i008
مقادیر D پایین تر ، تقسیم بندی هایی با دقت فضایی بالاتر را نشان می دهد (به عنوان مثال ، بیش از حد و کم تقسیم بندی کمتر). D برای اندازه‌گیری دقت فضایی بخش‌ها در این مطالعه به دلیل عملکرد خوب آن در [ 16 ] (که غالباً معادل تقسیم‌بندی بهینه یا مشابه تقسیم‌بندی بهینه نشان‌داده‌شده توسط بسیاری از معیارهای دیگر را نشان می‌دهد) و سرعت و سهولت اجرای آن ( می توان آن را به طور خودکار در BIS محاسبه کرد).

3.5. محاسبه دقت طیفی بخش های تصویر

هنگامی که دقیق‌ترین بخش‌بندی‌های فضایی هر تصویر پان‌شارپن‌شده شناسایی شد (با استفاده از D )، دقت طیفی آن‌ها با مقایسه ویژگی‌های طیفی بخش‌های تصویر قبل و بعد از شفاف‌سازی اندازه‌گیری شد. ابتدا، پیکسل‌ها در باندهای اصلی MS تا وضوح 0.5 متر نمونه‌برداری شدند تا با پیکسل‌های موجود در تصاویر شفاف‌شده مطابقت داشته باشند. سپس، مقادیر میانگین DN از باندهای اصلی و MS برای هر چند ضلعی قطعه تصویر محاسبه شد. هنگامی که بخش‌های تصویر حاوی مقادیر طیفی اصلی و شفاف‌شده خود بودند، دقت طیفی تقسیم‌بندی، باند به باند، با محاسبه RMSE و میانگین بایاس ( BIAS ) مقادیر اصلی و پان‌شارپن‌شده اندازه‌گیری شد. RMSEبه عنوان محاسبه شد
Ijgi 01 00228 i009
که در آن Pansharp i میانگین مقدار DN در یک باند pansharpened برای بخش i است ، Original i میانگین مقدار DN در باند MS اصلی برای بخش i است ، و n تعداد کل بخش‌های تصویر است. برای ارزیابی اعوجاج طیفی با استفاده از روش های مبتنی بر پیکسل، RMSE به عنوان یک معیار خوب برای مناطق همگن طیفی در یک تصویر در نظر گرفته شده است [ 22 ]. از آنجایی که بخش های تصویر مناطق نسبتاً همگن تصویر را نشان می دهند، محاسبه RMSE در سطح بخش (به عنوان مثال، مقایسه مقادیر میانگین باندهای MS اصلی و MS pansharpened برای هر بخش) باید تخمین نسبتاً دقیقی از کیفیت طیفی ارائه دهد. با این حال، انتظار می رود که مقادیر متوسط ​​طیفی یک قطعه به دلیل تیز کردن تا حدی تغییر کند، و در برخی موارد این تغییر ممکن است به دلیل اعوجاج رنگ نباشد، بلکه اطلاعات طیفی مفیدی را نشان می دهد که با پان تیز کردن اضافه می شود. بنابراین، تقسیم بندی با کمترین RMSE ممکن است همیشه نشان دهنده تقسیم بندی با بالاترین دقت طیفی نباشد. از سوی دیگر، اگر میانگین مقادیر طیفی برخی از بخش‌ها افزایش یابد، اگر اعوجاج کمی وجود داشته باشد، مقادیر طیفی متوسط ​​سایر بخش‌ها باید تقریباً به همان میزان کاهش یابد (زیرا پان‌شارپنینگ نباید به‌شدت ویژگی‌های رادیومتری تصویر را تغییر دهد. ). بدین ترتیب، اندازه گیری خطا که جهت خطاها را در نظر می گیرد نیز برای ارزیابی دقت طیفی مهم است. برای این مطالعه، ما تعصب متوسط ​​(BIAS ) برای این منظور. BIAS به صورت محاسبه می شود
Ijgi 01 00228 i010
مقادیر BIAS از -∞ تا ∞ متغیر است. مقادیر BIAS نزدیک به 0 نشان‌دهنده بیش‌ازحد یا دست‌کم‌گرفتن کمی مقادیر طیفی بخش‌ها به دلیل تیز کردن است، و BIAS را یکی دیگر از شاخص‌های خوبی برای دقت طیفی تقسیم‌بندی می‌کند.

4. نتایج و بحث

4.1. دقت فضایی و طیفی بخش های تصویر

همانطور که در ابتدا پیش‌بینی می‌شد، استفاده از الگوریتم‌های شفاف‌سازی که اطلاعات فضایی بیشتری را از باند PAN ( یعنی IHS و BT) حفظ می‌کرد، منجر به تقسیم‌بندی‌های تصویری دقیق‌تر از نظر فضایی شد. مقادیر D دقیق ترین تقسیم بندی ها برای هر تصویر شفاف شده در جدول 1 نشان داده شده است. از این جدول، واضح است که همه تصاویر pansharpened تمایل به ایجاد بخش بندی های مکانی دقیق تری نسبت به تصویر PAN اصلی دارند، که نشان می دهد افزودن اطلاعات MS باعث افزایش دقت فضایی می شود. از بین سه الگوریتم پانشارپنینگ، IHS دقیق‌ترین بخش‌ها را برای همه اشیاء پوشش زمین مورد علاقه تولید کرد، در حالی که SFIM کمترین بخش‌های دقیق مکانی را تولید کرد. دقت فضایی بدتر SFIM احتمالاً به این دلیل است که وضوح فضایی تصویر PAN را کاهش می‌دهد و باعث می‌شود لبه‌های اشیاء در تصویر شفاف‌شده تار شوند (که منجر به مرزهای بخش دقیق‌تر می‌شود). IHS و BT از اعوجاج طیفی رنج می بردند، اما به نظر می رسید حداقل کنتراست محلی کافی را حفظ می کنند ( یعنیتمایز اجسام پوشش زمین مجاور هنوز نسبتاً آسان از یکدیگر بود)، بنابراین این اعوجاج طیفی تأثیر کمتری بر دقت فضایی تقسیم‌بندی نسبت به تخریب اطلاعات مکانی SFIM داشت. عملکرد بهتر IHS نسبت به BT در همه موارد نشان می دهد که اثر فشرده سازی اشباع IHS تأثیر منفی کمتری نسبت به اثر کشش اشباع BT برای اهداف تقسیم بندی دارد.
جدول
جدول 1. D مقادیر متریک ( D ) دقیق‌ترین بخش‌بندی‌های مکانی ( یعنی آنهایی که کمترین مقدار D را دارند) برای هر روش تیز کردن، و پارامترهای آستانه، شکل و فشردگی که این تقسیم‌بندی‌ها را ایجاد کردند. D پایین تر، تقسیم بندی دقیق تری را نشان می دهد. روش pansharpening با دقیق ترین تقسیم بندی برای هر پوشش زمین مورد علاقه با رنگ خاکستری مشخص شده است.
در مرحله بعد، ما دقت طیفی دقیق‌ترین بخش‌بندی‌های فضایی هر تصویر شفاف‌شده را ارزیابی کردیم. همانطور که در جدول 2 نشان داده شده است ، برای تمام اشیاء پوشش زمین مورد علاقه، بخش بندی تصاویر IHS و BT دارای مقادیر RMSE بالا و مقادیر BIAS بسیار کمتر از 0 بودند. این نشان می دهد که این دو روش pansharpening بخش هایی با دقت طیفی پایین تولید می کنند، و آنها تمایل به کاهش قابل توجهی مقادیر DN بخش های تصویر داشت. از سوی دیگر، تصاویر SFIM، بخش‌بندی‌هایی با مقادیر بسیار پایین‌تر RMSE و BIAS بسیار نزدیک‌تر به 0 تولید می‌کنند که نشان‌دهنده دقت طیفی بالاتر است.
جدول
جدول 2. RMSE و BIAS از دقیق ترین تقسیم بندی های فضایی برای هر روش pansharpening. روش pansharpening با بالاترین دقت طیفی ( به عنوان مثال ، کمترین RMSE و BIAS ) با رنگ خاکستری مشخص شده است.

4.2. رویکرد ترکیبی IHS-SFIM

از آنجایی که IHS منجر به بخش‌های تصویر بسیار دقیق و SFIM به بخش‌های تصویر بسیار دقیق طیفی می‌شود، در این بخش ما یک رویکرد ترکیبی جدید IHS-SFIM را پیشنهاد می‌کنیم که مزایای هر دو الگوریتم پان‌شارپنینگ را برای تولید یک تصویر قطعه‌بندی شده نهایی با کیفیت بالا ارائه می‌کند. دقت فضایی و طیفی برای ترکیب مرزهای بخش IHS دقیق مکانی با اطلاعات دقیق طیفی تصاویر شفاف شده SFIM، یک فرآیند دو مرحله ای ساده را ایجاد کردیم که در شکل 3 نشان داده شده است.. ابتدا، چند ضلعی‌های بخش از دقیق‌ترین بخش‌بندی‌های تصاویر شفاف‌شده IHS بر روی تصاویر SFIM قرار گرفتند. برای منطقه مورد مطالعه مسکونی، تقسیم‌بندی با بالاترین دقت مکانی برای درختان تک و قطعه‌بندی با بالاترین دقت فضایی برای ساختمان‌ها بر روی تصویر SFIM قرار گرفت، و برای منطقه مطالعه جنگلی، تقسیم‌بندی با بالاترین دقت برای درختان آسیب‌دیده/مرده. روی تصویر SFIM پوشانده شد. سپس، میانگین مقادیر طیفی برای هر بخش تصویر از باندهای تصویر SFIM استخراج شد و این مقادیر میانگین جایگزین مقادیر طیفی حاصل از تصویر IHS شدند. بنابراین، بخش‌بندی‌های نهایی شامل مرزهای بخش از تقسیم‌بندی تصویر IHS و اطلاعات طیفی از تصاویر SFIM بود.
Ijgi 01 00228 g003 1024
شکل 3. تصویر شفاف IHS رنگی واقعی از: ( الف ) زیرمجموعه‌ای از منطقه مطالعه جنگلی، ( ب ) دقیق‌ترین بخش‌بندی تصویر IHS از نظر مکانی، و (ج) بخش‌های تصویر از (ب) پوشانده شده بر روی SFIM pansharpened تصویر برای استخراج مقادیر متوسط ​​طیفی دقیق تر برای بخش ها. مناطق قهوه ای در تصاویر درختانی را نشان می دهد که به شدت توسط Raffaelea quercivora آسیب دیده یا کشته شده اند. تصاویر رنگی کاذب (NIR، R، G) به جای تصاویر رنگی واقعی در ( d – f ) برای اهداف تجسم استفاده می شود. مناطق سفید رنگ درختان تنش، آسیب دیده یا مرده را نشان می دهد که در (f) واضح تر است.
دقت طیفی این تقسیم بندی های نهایی، که در جدول 3 نشان داده شده است ، بسیار بیشتر از دقت طیفی تقسیم بندی های اولیه IHS در جدول 2 بود. برای تقسیم بندی دقیق مکانی تک درختان در منطقه مسکونی ( به عنوان مثال ، تقسیم بندی IHS با پارامترهای آستانه، شکل و فشردگی 10، 0.9، و 0.9)، استفاده از رویکرد هیبریدی IHS-SFIM منجر به کاهش نسبی شد. در مقادیر RMSE برای باندهای طیفی B، G، R و NIR 19.6٪ (از 115.8 تا 93.0)، 37.1٪ (از 115.8 تا 72.8)، 42.0٪ (از 115.8 تا 67.2) و 4.8 تا 111.4٪ (از 115.8 تا 67.2) و 4.8 تا 93.0٪ )، به ترتیب. جانبداریبرای هر یک از چهار باند طیفی به ترتیب 86.6%، 89.1%، 89.3% و 86.7% کاهش یافت. برای دقیق ترین تقسیم بندی ساختمان ها در منطقه مسکونی، RMSE 20.1٪، 33.9٪، 37.3٪ و 13.3٪ کاهش یافت و BIAS با 63.9٪، 69.5٪، 70.0٪ و 58.6٪ کاهش یافت. در نهایت، برای تقسیم بندی دقیق مکانی درختان آسیب دیده از حشرات در منطقه مورد مطالعه جنگلی، RMSE 61.1٪، 74.0٪، 87.3٪ و 18.3٪ کاهش یافت و BIAS 88.1٪، 92.1٪، 95.7٪ کاهش یافت. و 79.6 درصد. این نتایج نشان می‌دهد که، برای هر دو منطقه مورد مطالعه و هر سه نوع پوشش زمین مورد علاقه، رویکرد پیشنهادی IHS-SFIM قادر به دستیابی به دقت فضایی مشابه با دقیق‌ترین بخش‌بندی‌های مکانی بود ( یعنی، تقسیم بندی های IHS در جدول 1 )، در حالی که به طور قابل توجهی دقت طیفی این تقسیم بندی ها را افزایش می دهد (با استفاده از اطلاعات طیفی SFIM).
برای کاربردهای عملی مانند طبقه‌بندی تصویر، اطلاعات طیفی و فضایی بخش‌های تصویر در یک یا چند بخش از این بخش‌بندی‌های نهایی می‌تواند برای تجزیه و تحلیل گنجانده شود. به عنوان مثال، برای شناسایی درختان آسیب دیده توسط حشرات در منطقه مورد مطالعه جنگلی، می توان از ویژگی های طیفی (مقادیر میانگین برای هر نوار) ​​و ویژگی های مکانی (مانند بافت، اندازه، شکل و غیره ) بخش های تصویر در دقیق ترین تقسیم بندی استفاده کرد. به عنوان متغیرهای طبقه بندی از سوی دیگر، یک رویکرد طبقه بندی چند مقیاسی مشابه [ 23 ، 24 ] ممکن است برای نقشه برداری درختان و ساختمان ها در منطقه مسکونی ارجح باشد زیرا درختان و ساختمان ها از نظر اندازه و شکل بسیار متفاوت هستند.
جدول
جدول 3. RMSE و BIAS هر باند طیفی با استفاده از رویکرد ترکیبی پیشنهادی IHS-SFIM. مقادیر مشابه مقادیر SFIM در جدول 2 هستند و دارای مقادیر D Metric برابر با مقادیر IHS در جدول 1 هستند.
رویکرد ترکیبی پیشنهادی در این مطالعه برای ترکیب ویژگی‌های مثبت دو الگوریتم پان‌شارپنینگ مختلف مورد استفاده قرار گرفت، اما ممکن است استفاده از این رویکرد برای الگوریتم‌های تیز کردن با پارامترها یا فیلترهای قابل تنظیم نیز مفید باشد (به عنوان مثال، [ 6 ، 7 ، 8 ، 9 ، 10 ]) که مبادله بین حفظ اطلاعات فضایی و طیفی را کنترل می کنند. برای مثال، مرزهای بخش را می توان از تصاویری که با استفاده از پارامترها/فیلترهایی که حفظ اطلاعات مکانی را به حداکثر می‌رسانند، ایجاد کرد، و اطلاعات طیفی این بخش‌ها را می‌توان از تصاویری که با استفاده از پارامترها/فیلترهایی که اعوجاج طیفی را به حداقل می‌رسانند، تشدید کرد.

5. نتیجه گیری ها

در این مطالعه، ما اثرات پان‌شارپنینگ IHS، BT و SFIM را بر دقت فضایی و طیفی تقسیم‌بندی تصویر مقایسه کردیم و یک رویکرد ترکیبی جدید IHS-SFIM را بر اساس نتایج این مقایسه‌ها پیشنهاد کردیم. IHS و BT تمایل دارند اطلاعات فضایی باند PAN را حفظ کنند در حالی که اطلاعات طیفی باندهای MS را تحریف می کنند، در حالی که SFIM اطلاعات طیفی دقیق را از باندهای MS حفظ می کند در حالی که برخی از اطلاعات باند PAN را از دست می دهد. ما دریافتیم که تیز کردن IHS و BT منجر به تقسیم‌بندی دقیق‌تر مکانی شد (با IHS که دقیق‌ترین بخش‌بندی‌های مکانی را تولید می‌کند)، که نشان می‌دهد حفظ اطلاعات مکانی برای اهداف تقسیم‌بندی مفیدتر است. از سوی دیگر، پان تیز کردن SFIM منجر به بخش‌هایی با اطلاعات طیفی دقیق‌تر شد.
برای ترکیب دقت فضایی بالای بخش‌های IHS با دقت طیفی بالای تصاویر SFIM، ما یک رویکرد ترکیبی را پیشنهاد کردیم که به طور خاص برای OBIA توسعه یافته است که شامل (i) همپوشانی مرزهای بخش از تقسیم‌بندی تصویر IHS بر روی یک تصویر SFIM و (ii) استخراج است. مقادیر طیفی برای بخش های تصویر (میانگین DN برای هر باند طیفی) از تصاویر SFIM. بر اساس محاسبات مبتنی بر بخش ما از دقت فضایی و طیفی، رویکرد پیشنهادی منجر به دقت فضایی و طیفی بالاتر بخش‌های تصویر نسبت به استفاده از یک الگوریتم pansharpening منفرد شد. از آنجایی که یک رویکرد ترکیبی شامل دو روش پان تیز کردن بهترین نتایج را در این مطالعه ایجاد کرد. ما به کاربرانی که قصد دارند تصاویر را با باندهای PAN و MS با استفاده از OBIA پردازش کنند تا خودشان تصاویر را واضح کنند (به جای خرید تصاویر شفاف شده مستقیماً از فروشنده تصویر) تا بتوانند چندین روش پانشارپنینگ را برای تجزیه و تحلیل خود بگنجانند. لازم به ذکر است که ما فقط تست کردیمD برای اندازه‌گیری دقت فضایی بخش‌های تصویر، و RMSE و BIAS برای اندازه‌گیری دقت طیفی بخش‌های تصویر. در مطالعات آتی، گنجاندن معیارهای دقت فضایی و طیفی اضافی برای مشاهده اینکه آیا یافته های ما سازگار باقی می مانند یا خیر، ممکن است مفید باشد. در نهایت، از آنجایی که طبقه‌بندی تصویر اغلب از تقسیم‌بندی تصویر در OBIA پیروی می‌کند، مطالعات آینده برای ارزیابی کمی تأثیر الگوریتم‌های مختلف pansharpening و رویکرد ترکیبی پیشنهادی ما بر دقت طبقه‌بندی مورد نیاز است.

منابع

  1. شوونگرت، آر. سنجش از دور: مدل‌ها و روش‌ها برای پردازش تصویر ، ویرایش سوم. مطبوعات آکادمیک: اورلاندو، فلوریدا، ایالات متحده آمریکا، 2006; صص 371-378. [ Google Scholar ]
  2. امرو، آی. متئوس، جی. وگا، م. مولینا، ر. Katsaggelos، A. بررسی روش های کلاسیک و روندهای جدید در شفاف سازی تصاویر چند طیفی. EURASIP J. Adv. سیگ Pr. 2011 ، 79 ، 1-22. [ Google Scholar ]
  3. هایدن، ر. دالکه، جی. Henkel, J. کاربرد تبدیل رنگ IHS برای پردازش داده های چندحسی و بهبود تصویر. در مجموعه مقالات سمپوزیوم بین المللی سنجش از دور محیط زیست، اولین کنفرانس موضوعی: “درسی از دور سرزمین های خشک و نیمه خشک”، بوئنوس آیرس، آرژانتین، 19-25 ژانویه 1982; جلد 1، ص 599–616.
  4. گیلسپی، ا. کاله، ا. Walker, R. افزایش رنگ تصاویر بسیار همبسته. II. نسبت کانال و تکنیک های تبدیل “رنگی”. سنسور از راه دور محیط. 1987 ، 22 ، 343-365. [ Google Scholar ]
  5. تو، تی. سو، اس. شیو، اچ. Huang, P. نگاهی جدید به روش های ادغام تصویر مشابه IHS. به اطلاع رساندن. فیوژن 2001 ، 2 ، 177-186. [ Google Scholar ] [ CrossRef ]
  6. تو، تی. هسو، سی. تو، پ. لی، سی. یک رویکرد قابل تنظیم پان-شارپنینگ برای تصاویر IKONOS/QuickBird/GeoEye-1/WorldView-2. IEEE J. Sel. بالا. Appl. زمین Obs. Remote Sens. 2012 ، 5 ، 125-134. [ Google Scholar ] [ CrossRef ]
  7. لیو، جی. مدولاسیون شدت مبتنی بر فیلتر صاف: یک تکنیک ترکیبی تصویر حفظ طیفی برای بهبود جزئیات فضایی. بین المللی J. Remote Sens. 2000 , 21 , 3461-3472. [ Google Scholar ] [ CrossRef ]
  8. تو، تی. لی، ی. چانگ، سی. Huang, P. شدت-رنگ-اشباع قابل تنظیم و تکنیک همجوشی تبدیل brovey برای تصاویر IKONOS/QuickBird. انتخاب کنید مهندس 2005 , 44 , 116201. [ Google Scholar ] [ CrossRef ]
  9. فاسبندر، دی. رادوکس، جی. Bogaert، P. Bayesian ادغام داده برای شفاف کردن تصویر قابل تطبیق. IEEE Trans. Geosci. Remote Sens. 2008 , 46 , 1847-1857. [ Google Scholar ] [ CrossRef ]
  10. پادویک، سی. دسکویچ، م. پاسیفیچی، اف. Smallwood، S. Worldview-2 Pansharpening. در مجموعه مقالات کنفرانس سالانه ASPRS، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 26-30 آوریل 2010.
  11. بنز، یو. هافمن، پی. ویلهاک، جی. لینگنفلدر، آی. Heynen، M. تجزیه و تحلیل فازی با وضوح چندگانه، شی گرا داده های سنجش از دور برای اطلاعات آماده GIS. ISPRS J. Photogramm. 2004 ، 58 ، 239-258. [ Google Scholar ] [ CrossRef ]
  12. یو، کیو. گونگ، پی. کلینتون، ن. بیگینگ، جی. کلی، م. Schirokauer، D. طبقه بندی دقیق پوشش گیاهی مبتنی بر شی با تصاویر سنجش از دور با وضوح فضایی بالا در هوا. فتوگرام مهندس سنجش از دور 2006 ، 72 ، 799-811. [ Google Scholar ]
  13. ماینت، اس. گوبر، پ. برازل، ا. گروسمن کلارک، اس. Weng، Q. طبقه‌بندی بر پیکسل در مقابل شیء مبتنی بر استخراج پوشش زمین شهری با استفاده از تصاویر با وضوح فضایی بالا. سنسور از راه دور محیط. 2011 ، 115 ، 1145-1161. [ Google Scholar ]
  14. بلاشکه، تی. یوهانسن، ک. Tiede، D. تجزیه و تحلیل تصویر مبتنی بر شی برای نقشه برداری و پایش پوشش گیاهی. در پیشرفت‌های سنجش از دور محیطی: حسگر، الگوریتم‌ها و برنامه‌ها ، 1st; Weng, Q., Ed. CRC Press: Boca Raton، FL، USA، 2011; ص 241-271. [ Google Scholar ]
  15. Zhang, Y. ارزیابی و مقایسه الگوریتم های تقسیم بندی مختلف. تشخیص الگو Lett. 1997 ، 18 ، 963-974. [ Google Scholar ] [ CrossRef ]
  16. کلینتون، ن. هولت، ا. اسکاربرو، جی. یان، ال. Gong, P. سنجش دقت برای تقسیم بندی تصویر مبتنی بر شی. فتوگرام مهندس سنجش از دور 2010 ، 76 ، 289-299. [ Google Scholar ]
  17. نوبرت، ام. هرولد، اچ. ماینل، جی. ارزیابی کیفیت تقسیم‌بندی تصویر-مفاهیم، ​​روش‌ها و کاربرد. در تجزیه و تحلیل تصویر مبتنی بر شی: مفاهیم فضایی برای کاربردهای سنجش از دور دانش محور ، 1st; Blaschke, T., Lang, S., Hay, G., Eds.; Springer: برلین، آلمان، 2008; صص 769-784. [ Google Scholar ]
  18. تو، تی. هوانگ، پی. هونگ، سی. چانگ، سی. یک تکنیک ترکیبی با شدت-رنگ-اشباع سریع با تنظیم طیفی برای تصاویر IKONOS. IEEE Geosci. سنسور از راه دور Lett. 2004 ، 1 ، 309-312. [ Google Scholar ] [ CrossRef ]
  19. ایازی، بی. بارونتی، اس. Selva، M. بهبود تیز کردن جایگزینی مولفه از طریق رگرسیون چند متغیره داده های ms + pan. IEEE Trans. Geosci. Remote Sens. 2007 , 45 , 3230–3239. [ Google Scholar ] [ CrossRef ]
  20. کوبونو، تی. Ito، S. Raffaelea quercivora sp. نوامبر با مرگ و میر انبوه بلوط ژاپنی و سوسک آمبروزیا (Platypus quercivorus) مرتبط است. Mycoscience 2002 ، 43 ، 255-260. [ Google Scholar ]
  21. یوتو، ک. تاکابایاشی، ی. Kosugi، Y. تجزیه و تحلیل فراطیفی پژمردگی بلوط ژاپنی برای تعیین شاخص پژمردگی نرمال شده. در مجموعه مقالات 2008 IEEE بین المللی زمین شناسی و سمپوزیوم سنجش از دور، بوستون، MA، ایالات متحده، 6-11 ژوئیه 2008. جلد 2، ص 295-298.
  22. ویجیاراج، وی. یونان، ن. O’Hara, C. تجزیه و تحلیل کمی تصاویر pansharpened. انتخاب کنید مهندس 2006 , 45 , 046202. [ Google Scholar ] [ CrossRef ]
  23. جانسون، ب. طبقه بندی پوشش زمین شهری با وضوح بالا با استفاده از رویکرد مبتنی بر شی چند مقیاسی رقابتی. سنسور از راه دور Lett. 2013 ، 4 ، 131-140. [ Google Scholar ] [ CrossRef ]
  24. بروزون، ال. Carlin, L. یک سیستم مبتنی بر زمینه چند سطحی برای طبقه بندی تصاویر با وضوح فضایی بسیار بالا. IEEE Trans. Geosci. Remote Sens. 2006 , 44 , 2587–2600. [ Google Scholar ] [ CrossRef ]

;کاربردهای GISمقالات

آموزش کاربردی ArcGISالهام ابراهیم زادهتصاویر ماهواره ایکاربرد جی ای اسکاربردهای GIs در زمین شناسی

بدون نظر

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

همواره حمایت دانشجویان عزیزمان همراه ما بوده و این سببب شده که گامی محکم به‌سوی ایجاد یک مرجع برای آموزش GIS برداریم. با این امید که بتوانیم قدردان حمایت شما بزرگواران باشیم.

  • خانه
  • آموزش
  • فیلم آموزشی
  • تماس با ما
  • درباره ما
  • وبلاگ
  • سمنان /خیابان کاشانی/ساختمان فناوری اطلاعات/پ 8
  • 09120049370