طبقه‌بندي تصاوير سنجش ازدور با قدرت تفكيك مكاني بالا از منظر كاربري و پوشش زمين با استفاده از الگوريتم SIFT

امروزه تكنیك¬های سنجش از دور به عنوان یك ابزار موثر جهت مطالعه¬ی طبقه¬بندی كاربری و پوشش زمین به طور گسترده مورد استفاده قرار می¬گیرند. طبقه بندی تصاویر سنجش¬از¬دور مرئی در سطح صحنه یكی از مسائل اساسی بشمار می¬رود و مطالعات فراوانی در این زمینه صورت پذیرفته است. از این رویكرد در كاربردهای مختلف سنجش از دور همچون نظارت بر تغییرات كاربری و پوشش زمین در یك بازه¬ی زمانی،¬ تفسیر معنایی تصاویر و بازیابی تصاویر استفاده می¬شود. در این تحقیق با توجه به چالش¬های موجود در این گونه از طبقه¬بندی¬ها از ویژگی¬های عوارض موضعی استفاده شده است. یك عارضه موضعی یك الگوی تصویری است كه با عوارض همسایه خود متفاوت است معمولاً این تفاوت در یك یا چند ویژگی به‌طور همزمان اتفاق می‌افتد. ازجمله این ویژگی‌ها می‌توان به رنگ، بافت و درجه خاكستری اشاره نمود. این عوارض توسط الگوریتم¬ SIFT استخراج و توصیف می¬شوند كه یكی از پایدارترین الگوریتم¬ها در برابر تغییرات هندسی و رادیومتریكی است. با توجه به تعدد تصاویر و نیز ابعاد بالای عوارض استخراج شده نیاز به یك كتابخانه¬ای از كد است تا علاوه بر كاهش حجم محاسبات خصوصیات عوارض استخراج شده را نیز حفظ نماید. مدل BOVW با اعمال خوشه¬بندی¬ Kmeans كتابخانه¬ای از كد را تشكیل داده و نمایشی مجزا از تصاویر ارائه می¬دهد. این رویكرد در این تحقیق با اعمال خوشه¬بندی Cmeans پیاده¬سازی شد. همچنین به منظور طبقه¬بندی كاربری تصاویر از مدل طبقه¬بندی كننده¬ی SVM استفاده گردید. رویكرد اتخاذ شده بر روی ۱۰ كلاس از تصاویر با كاربری¬ و پوشش مختلف زمین پیاده سازی شد. نتایج بدست آمده حاكی از دقت كلی طبقه¬بندی ۶/۸۱ درصد است.