تفسير شي‌مبناي تصاوير سنجش‌ازدوري با حد تفكيك بالا بر مبناي سيستم‌هاي دانش‌پايه

Object based interpretation of high spatial remote sensing images based on knowledge-based systems

طبقه‌بندي پوشش اراضي در تصاوير سنجش‌ازدور، يكي از پركاربردترين روش‌هاي استخراج اطلاعات مكاني است كه مي‌تواند با توليد كلاس‌هاي تصويري عوارض سطح زمين به‌منظور اتوماسيون و تسريع در جهت رفع نيازهاي اساسي براي در اختيار داشتن اطلاعات مكاني بهنگام از منابع، با هدف مديريت، ساماندهي و بهره‌برداري از محيط مفيد واقع شود. به دليل مشابهت رفتار پيكسل‌ها، طبقه‌بندي تصاوير هوايي در مناطق پيچيده و متراكم شهري، صرفاً با استفاده از اطلاعات طيفي و بافتي منجر به ناكارآمدي طبقه‌بندي مي‌شود. به عبارتي در طبقه‌بندي رايج، عمدتا با استفاده از خصوصيات طيف و ويژگي‌هاي پيكسل‌هاي تصوير، به شناسايي عوارض و كلاس­ها پرداخته مي‌شود. درصورتي‌كه بتوان تطابق مكاني و مفهومي پيكسل­ها را نيز در نظر گرفت، به اين ترتيب مي­توان تمايز بيشتري بين كلاس­هاي تصويري قائل شد و فرآيند ماشيني را به تفسير ذهني و انساني نزديك كرده و بر كارايي سيستم افزود. تمركز اصلي تحقيق حاضر، استفاده از مفاهيم سيستم­هاي خبره در طبقه­بندي، به‌منظور آناليز شئگراي تصاوير در سطوح مقياس كلاسي است. به همين دليل، با وارد نمودن قوانين دانش‌پايه به‌منظور كنترل هدفمند و قانونمندسازي روند توأمان قطعه­بندي و تفسير تصوير، با در نظر گرفتن ويژگي­هاي هندسي كلاس­هاي هدف، بهبود دقت را منجر شود. براي بررسي كارايي تكنيك پيشنهادي، ارزيابي و مقايسه روش پيشنهادي با چند روش ديگر بر روي تصاوير ماهواره­ا‌ي IRS در منطقه شهري جزيره كيش صورت پذيرفته است. نتايج حاصل از اين تحقيق، نشان مي‌دهد ويژگي‌هاي هندسي و مفهومي مي‌توانند به‌عنوان ­منبع اطلاعاتي مكمل، سبب بهبود نتايج طبقه­بندي در منطقه شهري با عوارض ناهمگون طيفي شوند. به‌طوريكه در بررسي مورد اشاره، صحت كلي و ضريب كاپا به ترتيب 8 درصد و 11/5 درصد افزايش پيدا كرده­اند.

Land cover classification in remote sensing imagery is one of the most widely used spatial information extraction methods, which can facilitate generating object imagery classes of the ground surface in order to automate and accelerate meeting the basic needs of management, organization, and exploitation of the environment. Due to the similar behavior of pixels, remote-sensing image classification using merely the spectral and textural information would lead to inefficiency in the classification. In fact, in classification process, objects are commonly identified using spectral properties of image pixels. If the spatial and conceptual properties are also considered, it causes to a better distinction between image classes and closes the machine process to human interpretation and adds to the system's performance. The present research is mainly focused on the use of interactive segmentation and interpretation processes with respect to the geometry of the image classes. The accuracy of the results have improved by introducing the knowledge-based rules to control and regulate the interactive process, taking into account the geometric properties of target classes. To evaluate the efficiency of the proposed method, the results were evaluated and compared with some of the other methods on IRS satellite images in an urban area. The results showed that geometric and conceptual features as a complementary information source, improve classification results in the urban area with heterogeneous spectral effects. Overall, the proposed hybrid technique improved overall accuracy and Kappa coefficient by 8% and 11.5%, respectively.