قطعه‌بندی تصاویر سنجش از دور با قدرت تفکیک بالا، بر مبنای سوپرپیکسل‌های استخراج شده به کمک الگوریتم slic بهبود یافته (e-slic)

قطعه‌بندی تصاویر بزرگ مقیاس سنجش از دور یکی از مهم‌ترین پردازش‌هایی است که در استخراج حداکثری و دقیق اطلاعات نقش بسزایی دارد. روش‌های قطعه‌بندی انواع مختلفی داشته که یکی از مهم‌ترین آنها استفاده از سوپرپیکسل‌ها می‌باشد. روش‌های متعددی برای استخراج سوپرپیکسل‌ها ارائه شده که از جمله‌ موفق‌ترین آن‌ها می‌توان به روش خوشه‌بندی ساده‌ خطی و تکراری (slic) اشاره نمود. اما این روش نیز به نوبه‌ خود دارای معایبی است که از بارزترین آنها می‌توان به تولید قطعات اضافی و عدم انطباق آنها بر اشیاء واقعی اشاره نمود. در این پژوهش تلاش شده تا حد امکان این معایب برطرف گردیده و به کمک افزودن اطلاعات لبه به الگوریتم slic، روش جدیدی برای قطعه‌بندی تصاویر بزرگ مقیاس ارائه شود. سه نوع داده‌ شهری مختلف از نوع هوایی و ماهواره‌ای با قدرت تفکیک مکانی بالا و با تنوع عوارض مختلف به منظور ارزیابی روش پیشنهادی استفاده شده است. نتایج روش پیشنهادی، علاوه بر الگوریتم اصلی slic با سایر روش‌های متداول قطعه‌بندی سوپرپکسل‌ها مانند الگوریتم خوشه‌بندی مکانی چگالی مبنا برای کاربردهای نویزدار (dbscan) و قطعه‌بندی سوپرپیکسل با نرخ آنتروپی مقایسه شده است. مقایسه کمی نتایج به کمک پارامتر انحراف معیار درون کلاسی (wcsd) نشان می‌دهد که در مورد تصاویر ماهواره‌ای با میانگین حدود 780 و 1040 واحد و در مورد تصاویر هوایی با میانگین حدود 220 واحد، انحراف معیار قطعات تولید شده در روش پیشنهادی از سایر روش‌های رقیب کمتر است. هم‌چنین ارزیابی بصری حاکی از آن است که قطعات تولید شده به کمک روش پیشنهادی دارای کمترین میزان انحراف معیار بوده و همگن می‌باشند.

Segmentation Improvement of High Resolution Remote Sensing Images based on superpixels using Edge-based SLIC algorithm (E-SLIC)

The segmentation of high resolution remote sensing images is one of the most important analyses that play a significant role in the maximal and exact extraction of information. There are different types of segmentation methods among which using superpixels is one of the most important ones. Several methods have been proposed for extracting superpixels. Among the most successful ones, we can refer to SLIC method. This method has some disadvantages among which can refer to over segmentation and noncompliance with the real objects. Here, in this study, we have tried to overcome these drawbacks and propose a novel method for segmentation of largescale images by adding edge information to the SLIC algorithm. Three different urban data including airborn and spaceborn images with high space resolution and different objects diversity have been chosen with evaluate the proposed method. The results of the proposed method have been compared to the original SLIC algorithm and other common superpixel segmentation techniques, such as DBSCAN, and superpixel segmentation with entropy rates. The quantitative comparison of the results with the help of the standard deviation parameter within the class (WCSD) shows that in case of satellite images with an average of about 780 and 1040 units and in the case of aerial images with an average of about 220 units, the standard deviation of the produced segments in the proposed method is less than the other competing methods. The visual comparison also indicates that the components produced by the proposed method have the lowest standard deviation and are homogeneous.