‫رشته مهندسی فناوری اطالعات

1.

2.

‫وزارت علوم‪ ،‬تحقیقات و فناوری‬
‫دانشگاه شهید مدنی آذربایجان‬
‫دانشکده فناوری اطالعات و مهندسی‬
‫کامپیوتر‬
‫گروه فناوری اطالعات‬
‫پایاننامه مقطع کارشناسی ارشد‬
‫رشته مهندسی فناوری اطالعات (‪)M.Sc.‬‬
‫تشخیص سازههای ساخت بشر از منابع طبیعی‬
‫در تصاویر هوایی با استفاده از‬
‫الگوریتم فرا ابتکاری رقابت استعماری‬
‫استاد راهنما‪:‬‬
‫آقای دکتر ناصر فرج زاده‬
‫استاد مشاور‪:‬‬
‫آقای دکتر مهدی هاشم زاده‬
‫پژوهشگر‪:‬‬
‫زهرا کمانکش‬
‫بهمن ‪1397‬‬

3.

‫مقدمه‬
‫تصویر هوایی‬
‫چیست؟‬

4.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫تصویر هوایی‬
‫• دارای تغییرات زاویه دید‪ ،‬درهم ریختگی‪،‬‬
‫پیوستگی‪ ،‬روشنایی و سایه است‪.‬‬
‫• استفاده در کاربردهای زمین شناسی و‬
‫برنامهریزی شهری‬
‫‪1/34‬‬

5.

2/34

6.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫تصاویر‬
‫هوایی‬
‫تعریف مسئله‪:‬‬
‫• قطعهبندی‬
‫• خوشهبندی‬
‫• اطالعات‬
‫مکانی‬
‫• همسایگی‬
‫اهمیت و ضرورت‬
‫تحقیق‪:‬‬
‫• موضوع‬
‫مهم‬
‫• راه حل‬
‫واحد‬
‫• استخراج‬
‫اطالعات‬
‫بیشتر‬
‫پیش‬
‫چالشهای‬
‫رو‪:‬‬
‫• پیچیدگی‬
‫تصاویر‬
‫هوایی‬
‫• ویژگیهای‬
‫تصاویر‬
‫هوایی‬
‫‪3/34‬‬

7.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫•‬
‫•‬
‫•‬
‫•‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫اهداف‬
‫تصاویر‬
‫مناطق‬
‫دستهبندی‬
‫براساس‬
‫داده‬
‫پایگاه‬
‫ویژگیها‬
‫اثرات‬
‫مهترین‬
‫شناسایی‬
‫جانبی در انتخاب ویژگی‬
‫بر‬
‫موثر‬
‫عوامل‬
‫شناسایی‬
‫ویژگیهای‬
‫مجموعه‬
‫انتخاب‬
‫بهینه‬
‫ویژگی‬
‫از‬
‫استفاده‬
‫بهبود‬
‫برای‬
‫مورفولوژیکی‬
‫نتیجه دستهبندی‬
‫پیشنها‬
‫دات‬
‫‪4/34‬‬

8.

‫پیشینه پژوهش‬
‫دستهبندی روش های ارائه شده برای تحلیل تصاویر هوایی‬

9.

‫پیشینه‬
‫پژوهش‬
‫مقدم‬
‫ه‬
‫آزمایشات و‬
‫نتایج‬
‫روش‬
‫پیشنهادی‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫روشهای تشخیص شی در تصاویر هوایی‬
‫مبتنی بر روشهای‬
‫‪OBIA‬‬
‫یادگیری ماشین‬
‫آموزش طبقهبندی‬
‫ترکیب ویژگیها و‬
‫استخراج‬
‫کننده‬
‫کاهش ابعاد‬
‫ویژگی‬
‫مبتنی بر‬
‫مبتنی بر تطابق‬
‫دانش‬
‫الگو‬
‫قطعهبندی‬
‫دانش هندسی‬
‫‪Rigid‬‬
‫دستهبندی‬
‫دانش محتوا‬
‫‪deformable‬‬
‫‪5/34‬‬

10.

‫مقدم‬
‫ه‬
‫روش‬
‫پیشنهادی‬
‫پیشینه‬
‫پژوهش‬
‫نتیجه‬
‫گیری‬
‫آزمایشات و‬
‫نتایج‬
‫پیشنها‬
‫دات‬
‫تشخیص شی مبتنی بر الگو‬
‫نتیجه‬
‫ایجاد الگو‬
‫پس‬
‫اندازهگیری‬
‫پردازش‬
‫شباهت‬
‫شی سخت‬
‫پیش پردازش‬
‫شی‬
‫تصویر‬
‫سازگار‬
‫تصویر ورودی‬
‫‪6/34‬‬

11.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مزایا و معایب روشهای‬
‫مبتنی بر الگو‪:‬‬
‫‪ o‬اشیا مورد‬
‫بررسیساختمان‪ ،‬خط ساحلی‪،‬‬
‫• سخت‪:‬‬
‫منبع سوخت‬
‫• سازگار‪ :‬هواپیما‪ ،‬کشتی‪،‬‬
‫تانک‪ ،‬ساختمان‪ ،‬فرودگاه‬
‫‪ o‬مزیت‬
‫• سخت‪ :‬ساده از لحاظ به کارگیری‬
‫• سازگار‪ :‬انعطاف پذیر در مقابل تغییر شکل‬
‫‪ o‬معایب‬
‫•‬
‫•‬
‫سخت‪ :‬وابسته به مقیاس‪،‬حساس به تغییر شکل و نقطه‬
‫دید‬
‫سازگار‪ :‬نیازمند به اطالعات پیشین‪ ،‬هزینه‬
‫محاسباتی باال‬
‫‪7/34‬‬

12.

‫پیشینه‬
‫پژوهش‬
‫مقدم‬
‫ه‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫تشخیص شی مبتنی بر دانش‬
‫بررسی نتیجه‬
‫اشیا‪:‬‬
‫• پل‬
‫• ساختمان‬
‫• فرسایش جنگل‬
‫• خطوط ساحلی‬
‫• وسایل نقلیه‬
‫• تغییر بافت شهری‬
‫پس پردازش‬
‫آزمایش‬
‫دانش‬
‫فرضیه‬
‫ایجاد فرضیه‬
‫هندسی‬
‫دانش‬
‫تصویر ورودی‬
‫محتوا‬
‫محدودیت‪:‬‬
‫مزیت‪:‬‬
‫مراتبیچگونگی تعیین دانش پیشین و تشخیص درست قوانین و فرضیهها در ن‬
‫•‬
‫• بررسی سلسله‬
‫•‬
‫ممکن است منجر به‪FP‬‬
‫‪8/34‬‬

13.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫شناسایی اشیا مبتنی بر‬
‫آنالیز تصویر‬
‫نتیجه‬
‫بررسی‬
‫کالسبندی‬
‫اشیا‬
‫تصویر‬
‫قطعهبند‬
‫ی تصویر‬
‫تصویر‬
‫ورودی‬
‫مزیت‪:‬‬
‫اشیا‪:‬‬
‫• ترکیب انعطافپذیرشکل و بافت و هندسه و ویژگیه‬
‫• شناسایی تغییرات‬
‫توابع ‪GIS‬برای افزایش دقت عملک‬
‫ترکیبو با‬
‫•‬
‫گیاه‬
‫امکان و آب‬
‫مانند درخت‬
‫• شناسایی منابع طبیعی‬
‫• شناسایی خطوط ساحلی‬
‫محدودیت‪:‬‬
‫• راه حل جامعه ای برای اتوماسیون کامل فرآیند تقسیم بندی وجود ندارد‪.‬‬
‫• قوانین طبقهبندی محدود به دانش کارشناس است‪.‬‬
‫‪9/34‬‬

14.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫نوآوری روش پیشنهادی‪:‬‬
‫• استفاده از نواحی همگن تولید شده توسط الگوریتم ‪SLIC‬‬
‫• استفاده از ‪ EMP‬در ویژگیهای استخراج شده‬
‫• استفاده از الگوریتم آدابوست برای دسته بندی‬
‫‪10/3‬‬
‫‪4‬‬

15.

‫روش پیشنهادی‬

16.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫‪Title Three‬‬
‫‪11/3‬‬
‫‪4‬‬

17.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪:1‬‬
‫پیشپردازش با‬
‫الگوریتم‬
‫‪SLIC‬‬
‫این‬
‫ویژگیهای‬
‫الکوریتم‪:‬‬
‫• سرعت باال‬
‫• دقت مناسب در‬
‫مرزبندی ها‬
‫• کنترل بر روی‬
‫تعداد نواحی‬
‫• کنترل بر روی‬
‫همپوشانی نواحی‬
‫همگن‬
‫‪K=12000‬‬
‫‪K=2000‬‬
‫‪12/3‬‬
‫‪4‬‬

18.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 2‬استخراج ویژگی‬
‫‪13/3‬‬
‫‪4‬‬

19.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 2‬استخراج ویژگی‬
‫‪)1‬استخراج ویژگی با روش ‪KAZE‬‬
‫• ویژگی ها را به یک فضای غیر خطی منتقل میکند‪.‬‬
‫• این روش حذف نویز را در طی مراحل انجام میدهد‪.‬‬
‫‪)2‬استخراج ویژگی با روش ویژگیهای هیستوگرام گرادیان جهتدار‬
‫• برای استخراج ویژگیها به صورت محلی‬
‫‪ )3‬استخراج ویژگی با روش‬
‫‪SURF‬‬
‫• کمک به دستهبندی میان نواحی همگن‬
‫• بر روی هر ‪ superpixel‬اعمال میشود‪.‬‬
‫‪ )4‬استخراج ویژگی از‬
‫‪EMP‬‬
‫• استفاده از اطالعات طیفی و مکانی‬
‫‪14/3‬‬
‫‪4‬‬

20.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 2‬استخراج ویژگی‬
‫‪ )5‬استخراج ویژگی با روش ‪LBP‬‬
‫• از قدرتمندترین توصیفگرهای محلی‬
‫• تغییرات یکنواخت نواحی خاکستری مقاوم است‪.‬‬
‫‪ )6‬استخراج ویژگی با روش ‪FREAK‬‬
‫• یک توصیفگر محلی است‪.‬‬
‫• مقاوم نسبت به نویز‬
‫• مقاوم نسبت به چرخش و مقیاس‬
‫‪15/3‬‬
‫‪4‬‬

21.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 2‬استخراج ویژگی‬
‫‪ )7‬استخراج ویژگی با روش ‪GLCM‬‬
‫‪ )8‬استخراج ویژگیهای اندازه و جهت مبتنی بر‬
‫گابور‬
‫‪ )9‬ویژگیهای رنگی‬
‫•‬
‫•‬
‫•‬
‫•‬
‫‪RGB‬‬
‫‪HSV‬‬
‫‪LAB‬‬
‫‪XYZ‬‬
‫‪ )10‬ویژگی گبور‬
‫•‬
‫•‬
‫خاصیت تفکیکپذیری خوب و چندگانه در حوزه مکان و‬
‫فرکانس‬
‫در مقیاسها و جهات مختلف به تصویر اعمال میشود‪.‬‬
‫‪ )11‬ارتفاع از سطح زمین‬
‫‪16/3‬‬
‫‪4‬‬

22.

‫پیشینه‬
‫پژوهش‬
‫مقدم‬
‫ه‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 2‬استخراج ویژگی‬
‫‪RGB‬‬
‫‪HSV‬‬
‫‪LAB‬‬
‫‪XYZ‬‬
‫‪17/3‬‬
‫‪4‬‬

23.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 3‬انتخاب زیرمجموعه بهینه از ویژگیها با استفاده از‬
‫‪.1‬مقداردهی اولیه امپراتورها‬
‫‪.2‬جابجایی مستعمرات به سمت استعمارگران خود‬
‫(سیاست جذب)‬
‫‪.3‬آیا قدرت مستعمره ای از قدرت استعماگران‬
‫مربوطه بیشتر شده؟‬
‫• بله‪ :‬برو به ‪4‬‬
‫• خیر‪:‬برو به ‪5‬‬
‫‪ .4‬جابجایی مستعمره قوی با استعمارگر مربوطه‬
‫‪ .5‬محاسبه هزینه کلی استعمارگران‬
‫‪ .6‬انتقال ضعیف ترین کلونی از ضعیف ترین‬
‫استعمارگران به سمت قوی ترین استعمارگران‬
‫‪ .7‬حذف استعمارگران بدون مستعمره‬
‫‪ .8‬آیا استعمارگری باقی مانده است؟‬
‫• بله‪ :‬برو به ‪2‬‬
‫• خیر‪ :‬برو به ‪9‬‬
‫‪ .9‬پایان‬
‫‪18/3‬‬
‫‪4‬‬

24.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مرحله ‪ : 4‬دستهبندی با الگوریتم بوستینگ تطبیقی‬
‫‪ ‬جبران نقاط ضعف روشهای دستهبندی‬
‫مختلف و ترکیب نقاط قوت‬
‫‪ ‬هر بار الگوریتم به نفع نمونههای‬
‫غلط آموزش داده میشود‪.‬‬
‫‪ ‬سرعت باال‬
‫‪19/3‬‬
‫‪4‬‬

25.

‫آزمایشات و نتایج‬

26.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫پایگاه‬
‫داده‬
‫• ‪2D Semantic Labeling-Vaihingen‬‬
‫• ‪ISPRS‬‬
‫• ‪ 33‬تصویر‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫•‬
‫‪ 23‬تصویر آموزش و ‪ 10‬تصویر تست‬
‫فرمت ‪tif‬‬
‫نمای باال‬
‫تصاویر برچسب معیار‬
‫مدل رقومی سطح‬
‫حجم تصاویر زیاد‬
‫‪20/3‬‬
‫‪4‬‬

27.

‫پیشنها‬
‫دات‬
‫نتیجه‬
‫گیری‬
‫آزمایشات و‬
‫نتایج‬
‫روش‬
‫پیشنهادی‬
‫پیشینه‬
‫پژوهش‬
‫مقدم‬
‫ه‬
:‫معیارهای ارزیابی روش ارئه شده‬
Accuracy = (TP + TN) / (TP + TN + FP + FN)
Precision = TP / (TP + FP)
Sensitivity = TP / (TP + FN)
F-score = 2 x (Precision x Sensitivity) / (Precision + Sensitivity)
21/3
4

28.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫نمودار همگرایی الگوریتم رقابت استعماری‪:‬‬
‫نمودار همگرایی تابع ارزیاب‬
‫در الگوریتم رقابت استعماری‬
‫(بدون افزودن ویژگیهای ‪)EMP‬‬
‫نمودار همگرایی تابع ارزیاب‬
‫در الگوریتم رقابت استعماری‬
‫(با افزودن ویژگیهای ‪)EMP‬‬
‫‪22/3‬‬
‫‪4‬‬

29.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫آزمایشها‪:‬‬
‫نام روش‬
‫‪MLP-Boost‬‬
‫توضیحات‬
‫استفاده از تمام ویژگیها بجز ویژگی ‪EMP‬‬
‫دستهبندی توسط مدل بوستینگ تطبیقی این پژوهش‬
‫و‬
‫ویژگی ‪،EMP‬‬
‫استعماری و‬
‫این پژوهش‬
‫مدل بوستینگ‬
‫استفاده از تمام ویژگیها بجز‬
‫‪ MLP-Boost+ICA‬انتخاب ویژگی با الگوریتم رقابت‬
‫دستهبندی توسط مدل بوستینگ تطبیقی‬
‫افزودن ویژگی ‪ EMP‬و دستهبندی با‬
‫‪MLP-Boost+EMP‬‬
‫تطبیقی این پژوهش‬
‫افزودن ویژگی ‪ EMP‬و دستهبندی با مدل بوستینگ‬
‫‪MLP‬‬‫تطبیقی این پژوهش و دستهبندی با بوستینگ‬
‫‪Boost+EMP+ICA‬‬
‫تطبیقی این پژوهش‬
‫دستهبندی تصاویر هوایی با استفاده شبکه عصبی‬
‫‪SVM‬‬
‫‪ SVM‬و بدون استفاده از ویژگی ‪EMP‬‬
‫دستهبندی تصاویر هوایی با استفاده شبکه عصبی‬
‫‪MLP‬‬
‫‪ MLP‬و بدون استفاده از ویژگی ‪EMP‬‬
‫‪23/3‬‬
‫‪4‬‬

30.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫تعداد نواحی همگن در‬
‫آزمایشها‪:‬‬
‫• ‪1/50‬تعداد پیکسلهای‬
‫تصویر‬
‫• ‪1/12‬تعداد پیکسلهای‬
‫تصویر‬
‫• ‪1/7‬تعداد پیکسلهای‬
‫تصویر‬
‫• تمام پیکسلهای تصویر‬
‫‪24/3‬‬
‫‪4‬‬

31.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫آزمایشات و‬
‫نتایج‬
‫روش‬
‫پیشنهادی‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫آزمایش با ‪1/50‬تعداد‬
‫پیکسلهای تصویر‪:‬‬
‫کد روش‬
‫روش ‪1‬‬
‫صحت‬
‫دقت‬
‫حساسیت‬
‫‪F-score‬‬
‫زمان‬
‫‪71/0‬‬
‫‪75/0‬‬
‫‪77/0‬‬
‫‪66/0‬‬
‫‪41/2‬‬
‫روش‪2‬‬
‫‪73/0‬‬
‫‪76/0‬‬
‫‪79/0‬‬
‫‪69/0‬‬
‫‪31/1‬‬
‫روش ‪3‬‬
‫‪86/0‬‬
‫‪86/0‬‬
‫‪86/0‬‬
‫‪80/0‬‬
‫‪8/4‬‬
‫روش ‪4‬‬
‫‪84/0‬‬
‫‪85/0‬‬
‫‪83/0‬‬
‫‪76/0‬‬
‫‪2/3‬‬
‫روش ‪5‬‬
‫‪70/0‬‬
‫‪71/0‬‬
‫‪59/0‬‬
‫‪54/0‬‬
‫‪8/8‬‬
‫روش ‪6‬‬
‫‪63/0‬‬
‫‪49/0‬‬
‫‪59/0‬‬
‫‪40/0‬‬
‫‪8/5‬‬
‫‪25/3‬‬
‫‪4‬‬

32.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫آزمایش با ‪1/12‬تعداد‬
‫پیکسلهای تصویر‪:‬‬
‫حساسی‬
‫ت‬
‫‪F-score‬‬
‫زمان‬
‫روش ‪1‬‬
‫‪83/0‬‬
‫‪87/0‬‬
‫‪89/0‬‬
‫‪80/0‬‬
‫‪8/78‬‬
‫روش‪2‬‬
‫‪86/0‬‬
‫‪88/0‬‬
‫‪88/0‬‬
‫‪81/0‬‬
‫روش ‪3‬‬
‫‪93/0‬‬
‫‪93/0‬‬
‫‪91/0‬‬
‫‪92/0‬‬
‫روش ‪4‬‬
‫‪95/0‬‬
‫‪94/0‬‬
‫‪95/0‬‬
‫‪93/0‬‬
‫روش ‪5‬‬
‫‪85/0‬‬
‫‪79/0‬‬
‫‪84/0‬‬
‫‪77/0‬‬
‫‪3/59‬‬
‫‪69/12‬‬
‫‪1‬‬
‫‪10/10‬‬
‫‪1‬‬
‫‪3/390‬‬
‫روش ‪6‬‬
‫‪80/0‬‬
‫‪77/0‬‬
‫‪79/0‬‬
‫‪68/0‬‬
‫‪3/140‬‬
‫کد روش‬
‫صحت‬
‫دقت‬
‫‪26/3‬‬
‫‪4‬‬

33.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫آزمایش با ‪1/7‬تعداد‬
‫پیکسلهای تصویر‪:‬‬
‫کد روش‬
‫صحت‬
‫دقت‬
‫حساسیت‬
‫‪F-score‬‬
‫زمان‬
‫روش ‪1‬‬
‫‪79/0‬‬
‫‪82/0‬‬
‫‪85/0‬‬
‫‪75/0‬‬
‫‪41/99‬‬
‫روش‪2‬‬
‫‪82/0‬‬
‫‪83/0‬‬
‫‪86/0‬‬
‫‪77/0‬‬
‫‪21/76‬‬
‫روش ‪3‬‬
‫‪89/0‬‬
‫‪89/0‬‬
‫‪87/0‬‬
‫‪84/0‬‬
‫‪8/141‬‬
‫روش ‪4‬‬
‫‪90/0‬‬
‫‪89/0‬‬
‫‪88/0‬‬
‫‪86/0‬‬
‫‪17/99‬‬
‫روش ‪5‬‬
‫‪83/0‬‬
‫‪80/0‬‬
‫‪82/0‬‬
‫‪79/0‬‬
‫روش ‪6‬‬
‫‪77/0‬‬
‫‪75/0‬‬
‫‪74/0‬‬
‫‪65/0‬‬
‫‪15/33‬‬
‫‪11/50‬‬
‫‪4‬‬
‫‪27/3‬‬
‫‪4‬‬

34.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫نحوه کدگذاری هر یک از عوارض سطح زمین‪:‬‬
‫• سطوح غیرقابل نفوذ دارای کد رنگی "‪"255,255,255‬‬
‫در فضای رنگی ‪RGB‬‬
‫• ساختمان دارای کد رنگی "‪ "0,0,255‬در فضای رنگی‬
‫‪RGB‬‬
‫• پوشش گیاهی کم دارای کد رنگی "‪ "0,255,255‬در‬
‫فضای رنگی ‪RGB‬‬
‫• درخت دارای کد رنگی "‪ "0,255,0‬در فضای رنگی ‪RGB‬‬
‫• اتومبیل دارای کد رنگی "‪ "255,255,0‬در فضای‬
‫رنگی ‪RGB‬‬
‫‪28/3‬‬
‫‪4‬‬

35.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫نتیجه بررسی بر روی تصویر‪:‬‬
‫تصویر‬
‫برچسبگذاری‬
‫شده‬
‫تصویر‬
‫اصلی‬
‫روش ارائه‬
‫شده‬
‫‪29/3‬‬
‫‪4‬‬

36.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫نتیجه بررسی بر روی تصویر‪:‬‬
‫تصویر‬
‫برچسبگذاری‬
‫شده‬
‫تصویر‬
‫اصلی‬
‫روش ارائه‬
‫شده‬
‫‪30/3‬‬
‫‪4‬‬

37.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫نتیجه بررسی بر روی تصویر‪:‬‬
‫تصویر‬
‫برچسبگذاری‬
‫شده‬
‫تصویر‬
‫اصلی‬
‫روش ارائه‬
‫شده‬
‫‪31/3‬‬
‫‪4‬‬

38.

‫نتیجه گیری‬

39.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫مقایسه ‪:‬‬
‫روش‬
‫دقت‬
‫صحت‬
‫حساسیت‬
‫روش ارائه‬
‫شده‬
‫‪%95‬‬
‫‪%94‬‬
‫‪%95‬‬
‫]‪[48‬‬
‫‪%89‬‬
‫‪%90‬‬
‫‪%88‬‬
‫]‪[50‬‬
‫‪%91‬‬
‫‪%93‬‬
‫‪%92‬‬
‫‪32/3‬‬
‫‪4‬‬

40.

‫مقدم‬
‫ه‬
‫روش‬
‫پیشنهادی‬
‫پیشینه‬
‫پژوهش‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫جمعبندی‪:‬‬
‫• بهبود در دقت و کاهش سرعت پردازش دستهبندی با تحلیل تصاویر در‬
‫سطح نواحی همگن کوچک قابل دستیابی است‪.‬‬
‫• تعداد مناسب از نواحی همگن‪ ،‬تعداد متوسط و میانه است‪ .‬بهصورتی‬
‫که‪ ،‬تعداد باالی این نواحی موجب دشواری تحلیل مدل دستهبندی شده و‬
‫تعداد پایین این نواحی دقت تفکیک مرزهای عوارض را کاهش میدهد‪.‬‬
‫• افزودن ویژگیهای‬
‫‪EMP‬‬
‫تأثیر باالیی در بهبود دقت تفکیک عوارض موجود‬
‫در تصاویر هوایی دارد‪.‬‬
‫• استخراج مجموعه کامل از ویژگیها و سپس انتخاب زیرمجموعهای بهینه‬
‫ویژگیهای از ویژگیها منجر به بهبود دقت و سرعت خواهد شد‪.‬‬
‫‪33/3‬‬
‫• با استفاده از ترکیب چند مدل دستهبندی در قالب رویکردهای ترکیبی‬
‫‪4‬‬
‫مانند بوستینگ میتوان دقت دستهبندی را افزایش داد‪.‬‬

41.

‫پیشنهادات‬

42.

‫مقدم‬
‫ه‬
‫پیشینه‬
‫پژوهش‬
‫روش‬
‫پیشنهادی‬
‫آزمایشات و‬
‫نتایج‬
‫نتیجه‬
‫گیری‬
‫پیشنها‬
‫دات‬
‫پیشنهادا‬
‫ت‪:‬‬
‫• تمرکز بیشتر روی تجزیه تصویر به نواحی همگن‪ ،‬استفاده از روشهای‬
‫جدیدتر در این حوزه یا معرفی روشهایی ابتکاری و جدید‪.‬‬
‫• بکارگیری روشهای استخراج ویژگی جدیدتر مانند تبدیل کانتورلت‪ ،‬تبدیل‬
‫کرولت و مواردی از این دست برای استخراج ویژگیهای بیشتر و بهتر‪.‬‬
‫• افزایش تعداد تصاویر مورد استفاده و بهکارگیری روشهای یادگیری عمیق‬
‫به روز برای تحلیل تصاویر هوایی‪.‬‬
‫• ترکیب روشهای دستهبندی مختلف در قالب رویکردهای مختلف برای ترکیب‬
‫تواناییهای هر کدام‪.‬‬
‫‪34/3‬‬
‫‪4‬‬

43.

‫با تشکر از‬
‫توجه شما‬