سنجش از دور و Gis ایران، جلد ۵، شماره ۴، صفحات ۰-۰
عنوان فارسی مقایسه استخراج عارضه راه در مناطق شهری از تصاویر با حد تفکیک بالای TerraSAR-X و آیکونوس با استفاده از اطلاعات بافت در الگوریتم‌های شبکه عصبی
چکیده فارسی مقاله نسل جدید سنجنده‌های راداری فضایی با حد تفکیک مکانی بالا، امکان استفاده از این تصاویر را به‌منظور استخراج خودکار عوارض، به‌ویژه عارضه راه فراهم آورده‌اند. در پژوهش حاضر، استخراج عارضه راه از تصاویر راداری و اپتیک با حد تفکیک بالا با یکدیگر مقایسه شدند. بدین منظور از تصاویر آیکونوس و TerraSAR-X استفاده شد و بین تصاویر هم‌مرجع‌سازی انجام گرفت. سپس ویژگی‌های بافت استخراج شدند و طبقه‌بندی با استفاده از شبکه عصبی بازپس‌خور خطا انجام پذیرفت. با مقایسه نتایج حاصل از اجرای الگوریتم با داده‌های مرجعی که عامل انسانی آنها را تهیه کرده است، برای داده‌های TerraSAR-X و آیکونوس، به ترتیب مقادیر 10/46 و 72/57 درصد برای پارامتر RCC، 58/46 و 27/93 درصد برای پارامتر BCC و مقادیر 61/0 و 31/0 برای پارامتر RMSE به دست آمد. مقایسه تصویر خروجی حاصل از دو الگوریتم نشان می‌دهد که هرکدام از تصاویر اپتیک و راداری نواقصی در استخراج راه دارند. به عنوان مثال، الگوریتم‌های اپتیک به مناطقی از تصویر که ویژگی‌های طیفی و بافتی مشابه با راه دارند ـ ازجمله محل پارکینگ‌ها و سقف بام‌های بزرگ‌ـ حساس هستند، درصورتی‌که این مناطق در تصاویر راداری ظاهری روشن و بافتی متفاوت دارند. بنابراین تصاویر راداری در مناطقی با بافت شهری ـ به‌ویژه توأم با راه‌های کم‌عرض و کوچه‌ها ـ مناسب‌اند. از طرفی دیگر تصاویر راداری در مناطقی با پوشش گیاهی انبوه به خوبی عمل نمی‌کنند، درحالی‌که تصاویر اپتیک کاملاً قادر به تمایز این مناطق از راه‌ها هستند. در نتیجه با توجه قابلیت‌های مکمل‌این تصاویر در استخراج راه، تلفیق ویژگی‌های این دو منبع به‌منظور رفع نواقص و افزایش دقت الگوریتم‌های حاضر، روشی کارآمد در توسعه الگوریتم‌ها به نظر می‌رسد.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی
چکیده انگلیسی مقاله New generation of space radar sensors with high spatial resolution, heralds the possibility of these images usage for automatic feature extraction, specially road ones related. This study compares road extraction in high resolution radar and optical images. IKONOS and TerraSAR-X images are used for this purpose. In order to make possible the comparison, the images have been coregistered. Then, texture features have been extracted and classified using a back propagation neural network. By comparing the results with reference road network, provided by the operator, for TerraSAR-X and IKONOS images respectively, 46.10 and 57.72 percent for RCC, 46.58 and 93.27 percent for BCC and 0.61 and 0.31 for RMSE were obtained. Comparison of the outputs of two algorithms showed that each of optics and radar images have some defects in road extraction. For example, optical algorithms are sensitive to image parts which have the same texture and spectral features similar to roads such as parkings and roofs. In one hand, these areas have visible appearance and different texture in radar images, so radar images in urban areas especially with narrow roads and alleys, are suitable. On the other hand in areas with dense vegetation, Radar images do not perform well, while the optical images are able to distinguish the mentioned areas. In order to eliminate defects and increase the accuracy of the present algorithm, because of high functionality of these images, fusion of them seems to be an efficient wayin developing algorithms.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله الهه خصالی |
دانشگاه خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

محمدجواد ولدان زوج | mohammad javad valadan zoej
دانشگاه شیراز
سازمان اصلی تایید شده: دانشگاه شیراز (Shiraz university)

مریم دهقانی |
دانشگاه خواجه نصیرالدین طوسی
سازمان اصلی تایید شده: دانشگاه صنعتی خواجه نصیرالدین طوسی (Khajeh nasir toosi university of technology)

مهدی مختارزاده |


نشانی اینترنتی http://gisj.sbu.ac.ir/article/view/1215
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/911/article-911-444032.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده علوم پایه
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات