طبقه بندی پوشش اراضی در تصاویر سنجش ازدور یکی از پرکاربردترین روش های استخراج اطلاعات مکانی می باشد که می تواند با تولید کلاس های تصویری عوارض سطح زمین به منظور اتوماسیون و تسریع در جهت رفع نیازهای اساسی به منظور در اختیار داشتن اطلاعات مکانی بهنگام از منابع با هدف مدیریت، ساماندهی و بهره برداری از محیط مفید واقع گردد. به دلیل مشابهت رفتار پیکسل ها، طبقه بندی تصاویر هوایی در مناطق پیچیده و متراکم شهری صرفاً با استفاده از اطلاعات طیفی و بافتی منجر به ناکارآمدی طبقه بندی می شود. به عبارتی در طبقه بندی رایج بیشتر با استفاده از خصوصیات طیف و ویژگی های پیکسل های تصویر به شناسایی عوارض و کلاس ها پرداخته می شود. درصورتی که بتوان تطابق مکانی و مفهومی پیکسل ها را نیز در نظر گرفت، به این ترتیب می توان تمایز بیشتری بین کلاس های تصویری قائل شد و فرآیند ماشینی را به تفسیر ذهنی و انسانی نزدیک نمود و بر کارایی سیستم افزود. تمرکز اصلی تحقیق حاضر استفاده از مفاهیم سیستم های خبره در طبقه بندی به منظور آنالیز شئ گرای تصاویر در سطوح مقیاس کلاسی است. بدین منظور با وارد نمودن قوانین دانش پایه به منظور کنترل هدفمند و قانونمندسازی روند توأمان قطعه بندی و تفسیر تصویر، با در نظر گرفتن ویژگی های هندسی کلاس های هدف بهبود دقت را منجر گردد. جهت بررسی کارایی تکنیک پیشنهادی، ارزیابی و مقایسه روش پیشنهادی با چند روش دیگر بر روی تصاویر ماهواره ا ی IRS در منطقه ی شهری جزیره کیش صورت پذیرفته است. نتایج حاصل از این تحقیق نشان می دهد ویژگی های هندسی و مفهومی می توانند به عنوان منبع اطلاعاتی مکمل، سبب بهبود نتایج طبقه بندی در منطقه شهری با عوارض ناهمگون طیفی گردند. طوری که در بررسی مورد اشاره صحت کلی و ضریب کاپا به ترتیب 8 درصد و 5/11 درصد افزایش پیدا کرده اند.

افزایش دسترسی به تصاویر ماهواره ای با حد تفکیک مکانی بالا بیش از پیش امکان شناسایی و استخراج اتوماتیک عوارض راه را برای ما فراهم نموده است. در حال حاضر اغلب روش های ارائه شده جهت شناسایی و استخراج اتوماتیک عوارض راه پیکسل مبنا بوده که بر اساس درجه خاکستری هر پیکسل عمل می نمایند. به دلیل ضعف اطلاعات موجود در یک پیکسل، توانایی تفسیر مفهومی تصویر از طریق روش های پیکسل مبنا بسیار ضعیف می باشد. در صورتی که در روش های عارضه مبنا، علاوه بر ویژگی های طیفی، ویژگی هایی همچون بافت، ساختار، مقیاس و اطلاعات متنی مانند اطلاعات در رابطه با ماهیت عوارض مجاور و نحوه ارتباط با آن ها برای هر عارضه تصویری قابلیت تعریف دارند و به همین دلیل پردازش های تصویری حاصل از آ ن ها نتایج قابل اطمینان تری را نیز در اختیار می گذارند. از ان رو در این مقاله سعی شده است با توجه به مزایای روش های عارضه مبنا روشی کارا در قالب یک سیستم دانش مبنا جهت کشف اتوماتیک عارضه راه از تصاویر ماهواره ای طراحی و پیاده سازی گردد. در مرحله اول به دلیل تعداد بالای ویژگی های قابل تعریف برای هر قطعه تصویری در روش های عارضه مبنا و اهمیت استفاده از ویژگی های شاخص در تفکیک عوارض از یکدیگر، استفاده از الگوریتم ژنتیک در تلفیق با الگوریتم طبقه بندی نزدیکترین همسایگان جهت یافتن موثرترین ویژگی ها در شناسایی عارضه راه پیشنهاد گردیده است. در مرحله دوم یک سیستم دانش مبنا با توجه به دانش موجود، بررسی داده ها و همچنین با بهره گیری از هوش انسانی در شناسایی عارضه راه طراحی خواهد گردید. تصاویر مختلفی از ماهواره IKONOS به منظور تولید قوانین دانش مبنا و همچنین جهت ارزیابی و اعتبار سنجی سیستم پیشنهادی مورد استفاده قرار گرفته است. نتایج اعتبارسنجی حاکی از کارایی و قابلیت اعتماد آنالیز های عارضه مبنا و هم چنین پایگاه قوانین ارائه شده می باشد.

با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق تری از صحنة تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به دلیل جزئیات بسیار، دارای واریانس درون کلاسی زیاد و واریانس بین کلاسی اندک اند؛ ازاین رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم های اتوماتیک است؛ به صورتی که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنة تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه مبنای تصویر که به مورفولوژی صحنة تصویر حساس است، به ویژه در مطالعه ای شهری که تراکم ساختارهای شکل گرفته به دست انسان بالاست، ممکن است کارآمد باشد. در طبقه بندی عارضه مبنا، پیکسل های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می شوند؛ در نتیجه، فضای مسئله به نسبت طبقه بندی پیکسل مبنا کاهش می یابد و مزیت این امر افزایش سرعت محاسبات است. درعین حال به دلیل اندازة متنوع اشیای تصویری، طبقه بندی نظارت شدة عارضه مبنا در ایجاد مجموعة آموزشی بهینه با چالش هایی مواجه است. در تحقیق حاضر، به منظور طبقه بندی عارضه مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعة آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی ها (افزونگی) و همبستگی بین ویژگی ها و کلاس ها (مطابقت)، زیرمجموعة ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه دادة استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه بندی پیکسل مبنا مقایسه شده است. به منظور بررسی معنی داری اختلاف های حاصل شده در نتایج ارزیابی ها نیز، آزمون آماری مک نمار به کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه مبنای پیشنهادی، در قیاس با رویکرد پیکسل مبنا، به طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه مبنای پیشنهادی، در مقایسه با رویکرد پیکسل مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینة رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.

هدف اصلی این پژوهش، نشان دادن پتانسیل بالای استفاده توامان از تصاویر راداری و نوری، جهت استخراج راه می باشد. به منظور رفع نواقص الگوریتم های استخراج راه، با استفاده از داده های تک منبعی و بهبود نتایج کشف راه، الگوریتمی هوشمند جهت تلفیق این دو منبع ارائه شده است. در این تحقیق از تصاویر آیکونوس و TerraSAR-X، استفاده گردید که ابتدا بین تصاویر، هم مرجع سازی انجام گرفت و سپس ویژگی های بافت برای هر یک از تصاویر، استخراج و وارد شبکه عصبی جداگانه شدند. در نهایت با قرار دادن دو فیلتر، پیکسل هایی که در محدوده درجات خاکستری گیاه و راه های باریک قرار دارند، شناسایی شده و تصمیم گیری در مورد ماهیت این پیکسل ها به ترتیب بر مبنای خروجی شبکه عصبی، تصویر نوری و راداری انجام پذیرفت. با اجرای این الگوریتم، به ترتیب مقادیر 79.42 درصد برای پارامتر RCC، 93.51 درصد برای پارامتر BCC و مقدار 0.27 برای پارامتر RMSE محاسبه شده بین خروجی الگوریتم و داده های مرجع، به دست آمد. خروجی حاصل از تلفیق دو منبع هم از لحاظ آماری و بصری نتایج قابل قبولی ارائه می دهد و هم در تشخیص راه های باریک و پیکسل های مربوط به زمینه، عملکرد بهتری دارد.

امروزه مدل های رقومی زمینی کاربردهای متنوعی در زمینه های مقابله با سوانح طبیعی، آشکارسازی تغییرات، مدیریت منابع طبیعی، پروژه های مهندسی و... دارند. روش های سنتی تولید مدل های رقومی زمینی پرهزینه و زمانبر هستند. این روش ها عارضه مبنا بوده و روش های تناظریابی مورد استفاده در آن ها با مشکلات زیادی مواجه هستند. مدل رقومی زمینی تولیدی در این روش ها دارای اشتباهات بسیاری است از این رو نیاز به پالایش های زیادی دارد و در نتیجه در پروژه های بزرگ مهندسی قابل استفاده نیستند. در این تحقیق به ارائه یک روش نوین جهت تولید اتوماتیک مدل های رقومی زمینی از تصاویر ماهواره ای با قدرت تفکیک مکانی بالا می پردازیم. ابتدا یک تناظریابی استریوی متراکم بین زوج تصویر ماهواره ای با استفاده از روش تناظریابی شبه سراسری (SGM) انجام می شود و یک تصویر عمق اولیه دقیق و با ضریب اطمینان بالا تولید می گردد که مبنای پردازش های بعدی خواهد بود. در مراحل بعدی به پالایش این تصویر عمق اولیه می پردازیم و پس از آن با انتقال از فضای عکسی به فضای زمینی یک ابرنقاط ارتفاعی با تراکم بسیار بالا تولید می شود. در نهایت این ابرنقاط ارتفاعی نامنظم تبدیل به یک گرید منظم ارتفاعی (مدل رقومی زمنیی) می شود و نواحی خالی باقیمانده در آن به کمک روش های پرکردن مدل های رقومی زمینی مقادیر ارتفاعی به خود خواهند گرفت. داده مورد استفاده دو زوج تصویر استریوی ماهواره ای سنجنده Cartosat-1 از منطقه گناوه در جنوب ایران است که دارای انواع مختلف توپوگرافی می باشد. نتایج حاصل از بررسی مدل رقومی زمینی تولیدی با استفاده از روش پیشنهادی نشانگر توانایی بالای این روش جهت تولید مدل های رقومی زمینی دقیق و صحیح است.