چکیده مقاله
هدف این تحقیق بهبود دقت طبقه بندی تصاویر با قدرت تفکیک مکانی بالا در مناطق شهری می باشد داده مورد استفاده تصویر سنجنده GeoEye 1 استان بوشهر با سه کلاس ساختمان، پوشش گیاهی و جاده می باشد به منظور بهبود قدرت تفکیکی مکانی باندهای طیفی از الگوریتم گرام اشمیت برای تلفیق باندهای طیفی آبی، سبز، قرمز و مادون قرمز نزدیک با باند پانکروماتیک استفاده شده است سپس ویژگی های طیفی، ویژگی های بافتی، تبدیل فضاهای رنگی و شاخص های گیاهی به عنوان ویژگی های موردنظر از تصاویر استخراج شده است همچنین برای انتخاب مجموعه ای مناسب از بین ویژگی های تولید شده، از الگوریتم های بهینه سازی کلونی مورچگان، ژنتیک و توده ذرات استفاده گردیده است مجموعه انتخابی ویژگی های مناسب، به عنوان ورودی طبقه بندی کننده ماشین بردار پشتیبان در نظر گرفته شدند دقت کلی طبقه بندی ماشین بردار پشیتبان با الگوریتم کلونی مورچگان 95 درصد حاصل شد که در مقایسه با روش ماشین بردار پشتیبان با استفاده از ویژگی های انتخاب شده توسط الگوریتم ژنتیک و توده ذرات نشان دهنده برتری الگوریتم کلونی مورچگان می باشد
کلیدواژه‌ها
نویسندگان
علیرضا ارفته
دانشجوی کارشناسی ارشد، دانشکده مهندسی نقشه برداری و اطلاعات مکانی و قطب مهندسی نقشه برداری و مقابله با سوانح طبیعی، پردیس دانشکده های فنی، دانشگاه تهران
محمدرضا سراجیان مارالان
دانشیار گروه مهندسی سنجش از دور، دانشکده مهندسی نقشه برداری و اطلاعات مکانی و قطب مهندسی نقشه برداری و مقابله با سوانح طبیعی، پردیس دانشکده های فنی، دانشگاه تهران
شیوه ارجاع
�رفته، علیرضا و سراجیان مارالان، محمدرضا،1395،بهبود طبقه بندی SVM در مناطق شهری با استفاده از انتخاب بهینه ویژگی ها در تصویر GeoEye-1،دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی،تهران
ارائه‌شده در
مجموعه مقالات دومین کنفرانس ملی مهندسی فناوری اطلاعات مکانی29 دی 1395 · تهران