الگوریتم ماشین بردار پشتیبان مبتنی بر قوانین آنتولوژی جهت تفسیر تصاویر رقومی التراکم

طبقه‌بندی اطلاعات مربوط به پوشش زمین با استفاده از تصاویر حد تفکیک بالای مکانی به دلیل پیچیدگی مناظر، موضوع چالش‌برانگیزی است. مطالعات اولیه طبقه‌بندی پوشش زمین با استفاده از روش‌های آماری مانند طبقه‌بندی حداکثر احتمال صورت می گرفت. بااین‌حال، مطالعات جدیدتر از تکنیک‌های هوش مصنوعی مانند شبکه‌های عصبی مصنوعی و ... به‌عنوان جایگزین برای کاربردهای طبقه‌بندی استفاده کرده‌اند. یک مشکل عمده در استفاده از این مدل‌ها اینست که کاربر نمی‌تواند به‌راحتی قواعد نهایی را درک کند. این تحقیق یک چارچوب جدید برای طبقه بندی تصاویر سنجش ازدور با استفاده از ترکیبی از قوانین هستی شناختی و تجزیه و تحلیل تصویر مبتنی بر شی ارائه می کند. این مقاله تا حدی تلاش می کند تا چند شکاف در این زمینه را تسهیل کند، به‌ویژه با استفاده از تجزیه و تحلیل تلفیقی و فرآیند کنترل که به منظور اصلاح روند آموزش و پایش داده های آموزشی صورت می پذیرد. درعین‌حال از ویژگی های ترکیبی و داده های آموزشی بر اساس ویژگی های هستی شناسی کلاس های هدف نیز استفاده شد. ساختار کلی روش پیشنهادی، ادغام روش‌های مبتنی بر دانش و svm است. روش مبتنی بر دانش برای مدل سازی روابط آنتولوژی با هدف آموزش و کنترل پروسه تصمیم‌گیری svm اجرا می شود. درنهایت به‌منظور ارزیابی روش، مجموعه‌ای از تصاویر تست از دو منطقه جغرافیایی مختلف و در هر منطقه چند تصویر تست شامل عوارض با ساختارهای مختلف، برای اعتبارسنجی استفاده شد. درنهایت، روش پیشنهادی با دقت کلی 80/82 درصد به‌صورت میانگین در تمام تصاویر تست دقت مناسبی از خود نشان داد.

Automatic Interpretation of UltraCam Imagery by Combination of Support Vector Machine and Knowledge-based Systems

With the development of digital sensors, an increasing number of highresolution images are available. Interpretation of these images is not possible manually, which necessitates seeking for practical, fast and automatic solutions to solve the environmental and locationbased management problems. The land cover classification using highresolution imagery is a difficult process because of the complexity of the landscapes, and the spatial and spectral resolution of images. The predecessor studies of land cover classification were done using statistical methods such as maximum likelihood classification. However, the newer studies apply the artificial intelligence techniques such as artificial neural networks and support vector machines as a substitute for classification applications. A major problem with using these models is that the user cannot easily understand the final rules. In this paper, a hybrid algorithm is proposed in order to obtain the needed data by the knowledgebased system from the input data set. The proposed algorithm is designed to get better training data and improvement of the learning system in semiurban areas by classes covered by different material and colors. Classification of the remote sensing images refers to separation of the similar spectral sets and division of the units with the same spectral behavior. In remote sensing, due to the large size of data, the processing procedure is costly. On the other hand, to achieve better results, it has been recommended to use various features in the training procedure, which will consequently incrementally increase the volume of processing. Accordingly, the use of objectbased process can increase velocity and homogeneity of the final interpreted image by reducing the computational base units. In the field of feature generation, a hybrid feature including both regionbased (by kernels) and objectbased (by segments) strategy, has been employed in this study. In order to produce the training data, needless of determining that by the user, utilize the capacity of integration of the multisource data by KBS based system. For this purpose, the ontology concept that applying by the knowledgebased rules was used. Then to improve the obtained training samples and compensate its defects in the expression of the target class properties, the correction step is done. In the other words, the automatic Knowledgebased method was performed to apply the ontological relationships in order to train and control the objectbased support vector machine system.In order to evaluate the proposed method, a set of test images from two different geographic regions were used for validation of the method. In each geographic region, it was attempted to select different test images (various scene features). On this basis, in the first group, three test images belong to a region in northern Iran and Bandar Anzali city, and the second group includes two images in Germany. The GSD (Ground Sampling Distance) of all the 5 test images is equal to 9 cm. Finally, the proposed method has achieved an average accuracy of 82/80% in all test images. The evaluation of the results showed that the proposed technique could be desirable as an automatic and semisupervised method for interpreting highresolution images of the semiurban regions.