| نام مرکز
|
:
|
کتابخانه مرکزی دانشگاه کردستان
|
| نوع مدرک
|
:
|
پایان نامه فارسی
|
| زبان مدرک
|
:
|
فارسی
|
| شماره رکورد
|
:
|
215782
|
| شماره مدرک
|
:
|
۳۹۰۴پ
|
| شماره راهنما
|
:
|
EHI۳۹۲۲ ۱۳۹۸ کتابخانه مرکزی
|
| سرشناسه
|
:
|
مجیدی، میلاد
|
| عنوان
|
:
|
شناسایی نظارت نشده‌ی تغییرات در تصاویر راداری روزنه مصنوعی با استفاده از ترکیب دو روش راهنما برجسته و نسبت همسایه مبنا [پایان نامه]
|
| نویسنده
|
:
|
/ میلاد مجیدی
|
| استاد راهنما
|
:
|
سلمان احمدی
|
| محل تحصیل
|
:
|
: دانشگاه کردستان، دانشکده مهندسی
|
| سال تحصیل
|
:
|
، ۱۳۹۸
|
| صفحه شمار
|
:
|
ه، ۶۶ص: مصور (بخشی رنگی)، جدول+ لوح فشرده
|
| مقطع تحصیلی
|
:
|
کارشناسی ارشد
|
| رشته تحصیلی
|
:
|
سنجش از دور
|
| دانشگاه
|
:
|
کردستان
|
| گروه تحصیلی
|
:
|
مهندسي عمران
|
| گرایش تحصیلی
|
:
|
سنجش از دور
|
| دانشکده
|
:
|
دانشگاه کردستان، دانشکده مهندسی
|
| نمره دانشجو
|
:
|
عالی
|
| يادداشت
|
:
|
چکیده فارسی - انگلیسی
|
| چکيده
|
:
|
در این پژوهش، یک دیدگاه جدید شناسایی تغییرات در تصاویر رادار روزنه‌ی 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 می‌گردد که به روش سعی و خطا برای هر مجموعه داده انتخاب می‌گردد. 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 می‌گردد. 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 پیکسل‌های تغییر یافته و تغییر نیافته به کارگرفته شده است. به علاوه در این تحقیق تصویر اختلاف بدست آمده از این روش در نقشه‌ی برجستگی بدست آمده از روش راهنما برجسته به منظور کاهش نویز ضرب گردیده است. همچنین در این تحقیق به منظور افزایش تعداد ویژگی‌ها، مقادیر بدست آمده برای هر پیکسل از روش‌های راهنما برجسته و نسبت همسایگی به صورت برداری درآمده و به عنوان ویژگی‌های جداگانه در الگوریتم طبقه‌بندی K-means برای طبقه‌بندی 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 رودخانه‌ی زرد چین به عنوان داده‌های معیار، اجرا گردیده است. از بررسی نتایج می‌توان 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 مدلهای 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 داده‌ی رودخانه‌ی زرد در روش نسبت همسایه مبنا استفاده نشده است
|
|
|
:
|
In this research, a new approach on change detection in synthetic aperture radar (SAR) image based on a combination of two methods saliency-guided and the neighborhood ratio is developed.The saliency-guided method uses a threshold value to generate a saliency map that is selected by trial and error for each dataset. In this study, the otsu threshold histogram method was used to calculate the threshold, which increased the accuracy of the method and selected the threshold automatically and at a higher rate. Also, in the neighborhood ratio model, instead of using the average ratio image, the probability distribution function image is used in the neighborhood ratio operator. This image (ratio probability distribution function) is used to create a greater distance between the gray degrees of the changed and unchanged pixels. In addition, in this research, the image of the difference obtained by this method is multiplied in the saliency map obtained by the saliency-guided method to reduce noise. Also in this research, in order to increase the number of attributes, the values obtained for each pixel derived from saliency-guided the and neighborhood ratio methods the vectorized used as separate properties in the K-means classification algorithm to classify the area into two classes, changed and unchanged. To evaluate the accuracy of the model, he proposed method is implemented on three SAR datasets of Burn, Ottawa and Yellow River China as benchmark data The results show that the accuracy of the proposed model is higher than that of the saliency-guided and neighborhood ratio models. so that the kappa coefficient of the Berne dataset is increased from 87.05% in the saliency-guided model and 85.90% in the neighborhood ratio method to 88.21%. Also for the Ottawa dataset, kappa coefficient the proposed model of 96.09% was able to obtain better accuracy than the saliency-guided method with the highest accuracy (95.98%) among the available models. The accuracy of the neighborhood ratio model in this dataset is 92.9%. The accuracy of the kappa coefficient in the latest dataset is 85.69% for the proposed model and 85.24% for the saliency-guided method. The Yellow River dataset is not used in the neighborhood ratio method.
|
| توصیفگر
|
:
|
تصاویر رادار روزنه‌ی مصنوعی artificial aperture radar images
|
|
|
:
|
نقشه‌ی برجستگی saliency map
|
|
|
:
|
اتسو otsu threshold
|
|
|
:
|
تابع توزیع احتمال نسبت ratio probability distribution function
|
| شناسه افزوده
|
:
|
احمدی ، سلمان ، 1357- ، استاد راهنما
|
| شناسه افزوده
|
:
|
دانشگاه کردستان. دانشکده مهندسی
|