سلمان احمدی

در این پژوهش، یک دیدگاه جدید شناسایی تغییرات در تصاویر رادار روزنه ی مصنوعی براساس ترکیب دو روش راهنما برجسته و نسبت همسایگی توسعه داده شده است. در روش راهنما برجسته جهت تولید نقشه برجستگی از یک حد آستانه استفاده می گردد که به روش سعی و خطا برای هر مجموعه داده انتخاب می گردد. در این تحقیق از روش حدآستانه هیستوگرام اتسو جهت محاسبه حد آستانه استفاده گردیده است که هم دقت کار را افزایش داده و هم این عدد بصورت اتوماتیک و با سرعت بالاتری انتخاب می گردد. همچنین در مدل نسبت همسایگی به جای استفاده از تصویر نسبت میانگین از تصویر تابع توزیع احتمال نسبت، در اپراتور نسبت همسایگی استفاده شده است. این تصویر (تابع توزیع احتمال نسبت) برای ایجاد فاصله بیشتر بین درجاتِ خاکستری پیکسل های تغییر یافته و تغییر نیافته به کارگرفته شده است. به علاوه در این تحقیق تصویر اختلاف بدست آمده از این روش در نقشه ی برجستگی بدست آمده از روش راهنما برجسته به منظور کاهش نویز ضرب گردیده است. همچنین در این تحقیق به منظور افزایش تعداد ویژگی ها، مقادیر بدست آمده برای هر پیکسل از روش های راهنما برجسته و نسبت همسایگی به صورت برداری درآمده و به عنوان ویژگی های جداگانه در الگوریتم طبقه بندی K-means برای طبقه بندی منطقه به دو کلاس تغییرکرده و تغییر نکرده استفاده شده است. برای ارزیابی صحت مدل، روش پیشنهادی بر روی سه مجموعه داده SAR برن، اتاوا و رودخانه ی زرد چین به عنوان داده های معیار، اجرا گردیده است. از بررسی نتایج می توان گفت که دقت مدل پیشنهادی نسبت به مدلهای راهنما برجسته و نسبت همسایگی افزایش داشته بطوریکه ضریب کاپای مجموعه داده برن از عدد 05/87 درصد در مدل راهنما برجسته و عدد 90/85 درصد در روش نسبت همسایگی به عدد 21/88 درصد افزایش یافته است. همچنین برا مجموعه داده اوتاوا ضریب کاپای مدل پیشنهادی برابر96.09 درصد که توانسته، دقت بهتری نسبت به روش راهنما برجسته که بالاترین دقت (95.98 درصد) در میان مدل های موجود را دارد بدست آورد. دقت مدل همسایه مبنا در این مجموعه داده برابر 2/92 درصد است. دقت ضریب کاپا در آخرین مجموعه داده برای مدل پیشنهادی 69/85 درصد و برای روش راهنما برجسته 24/85 درصد است. مجموعه داده ی رودخانه ی زرد در روش نسبت همسایه مبنا استفاده نشده است