خلاصه

برای شناسایی دقیق خطرات شیب بر اساس تصاویر سنجش از دور با وضوح بالا، یک الگوریتم تقسیم‌بندی حوزه آبخیز بهبودیافته پیشنهاد شده‌است. تفاوت رنگ فضای رنگی Luv به عنوان معیار شباهت منطقه ای برای ادغام منطقه استفاده شد. علاوه بر این، خطای نسبی ناحیه برای ارزیابی دقت تقسیم‌بندی تصویر بهبود یافته و با خطای کمیت پیکسل تکمیل شد تا دقت تقسیم‌بندی ارزیابی شود. یک شیب ناپایدار برای اعتبارسنجی الگوریتم در تصاویر سنجش از دور چینی Gaofen-2 (GF-2) با آزمایش استخراج تقسیم‌بندی چند مقیاسی شناسایی شد. نتایج موارد زیر را نشان می‌دهد: (1) پارامترهای تقسیم‌بندی بهینه و مقیاس ادغام، به ترتیب، حداقل آستانه ثابت C برای حداقل منطقه A دقیقه بودند.از 500 و آستانه بهینه Dبرای تفاوت رنگ 400. (2) کل زمان پردازش برای بخش‌بندی و ادغام شیب‌های ناپایدار 39.702 ثانیه بود که بسیار کمتر از روش طبقه‌بندی حداکثر احتمال و کمی بیشتر از روش طبقه‌بندی شی گرا. خطای نسبی ناحیه خطر شیب 92/4 درصد و خطای کمیت پیکسل 60/1 درصد بود که نسبت به دو روش طبقه بندی برتری داشتند. (3) معیارهای ارزیابی دقت بخش‌بندی با نتایج تفسیر بصری و ماتریس سردرگمی سازگار بود، که نشان می‌دهد معیارهای ایجاد شده در این مطالعه قابل اعتماد هستند. با مقایسه بازده زمانی، جلوه بصری و دقت طبقه بندی، روش پیشنهادی اثر استخراج جامع خوبی دارد. این می تواند یک مرجع فنی برای ترویج استخراج سریع خطرات شیب بر اساس تصاویر سنجش از دور فراهم کند. در همین حال، همچنین یک مرجع تجربی نظری و عملی برای بهبود الگوریتم تقسیم‌بندی حوضه ارائه می‌کند.

کلید واژه ها:

فضای رنگی Luv ; تقسیم بندی حوضه ; ادغام منطقه ؛ خطر شیب ; سنجش از دور

 

1. معرفی

خطرات شیب (اشاره به شیب های ناپایدار، لغزش زمین و ریزش ها) پدیده های زمین شناسی رایجی هستند که اثرات شدیدی بر محیط اطراف بدنه خطر و ایمنی جان و مال انسان دارند [ 1 ].]. توسعه فناوری سنجش از دور ابزار کارآمدتری برای استخراج خطرات شیب فراهم می کند. تا به امروز، بسیاری از مطالعات استخراج خطر شیب بر اساس روش های طبقه بندی و تقسیم بندی تصویر انجام شده است. با این وجود، بیشتر روش‌های استخراج قبلی همچنان بر تفسیر بصری تصاویر مبتنی بر نرم‌افزار سیستم اطلاعات جغرافیایی (GIS) تکیه دارند. این امر نه تنها به تکنسین ها نیاز دارد که در علوم زمین و تفسیر بسیار با تجربه باشند، بلکه نیاز به سرمایه گذاری کلان نیروی انسانی و زمان دارد که منجر به راندمان پایین تولید و ذهنی و غیردقیق کردن اطلاعات استخراج شده می شود. این امر برآوردن الزامات اعمال استخراج خطر شیب برای بررسی اضطراری پس از خطر و ارزیابی خطر را دشوار می کند [ 2 ]]. با توسعه سریع فناوری تقسیم‌بندی تصویر سنجش از دور با وضوح بالا، استخراج خودکار مرزهای خطر شیب به طور فزاینده‌ای امکان‌پذیر می‌شود [ 3 ، 4 ، 5 ، 6 ]. در میان تکنیک‌های تقسیم‌بندی تصویر موجود، الگوریتم تقسیم‌بندی حوضه بر اساس تفاوت رنگ پیکسل‌های تصویر پیشنهاد شده است. برای تصاویری با کنتراست آشکارتر می توان جلوه تقسیم بندی بهتری به دست آورد [ 7]. مناطق شیب دار دارای بافت ها و طیف های بسیار منسجمی در یک تصویر سنجش از دور با وضوح بالا هستند، اما رنگ ها معمولاً با پس زمینه اطراف متفاوت هستند. این مبنایی را برای استخراج خودکار مرزهای خطر شیب با استفاده از فناوری تقسیم‌بندی تصویر حوضه فراهم می‌کند.
تلاش‌های تحقیقاتی فزاینده‌ای اخیراً به توسعه الگوریتم‌های تقسیم‌بندی حوزه آبخیز اختصاص یافته است. به عنوان مثال، روش سرریز [ 8 ، 9 ] پیشنهاد و اعمال شد. علاوه بر این، روش تقسیم بندی از تصاویر خاکستری به تصاویر رنگی استفاده شد [ 10 ]. سرعت پردازش نیز با تقسیم بندی حوضه بارشی بهبود یافت [ 11 ]. عملگر جزء متصل برای بهبود الگوریتم تقسیم بندی حوضه [ 12 ] استفاده شد. Soille به طور سیستماتیک ادبیات الگوریتم تقسیم بندی حوضه [ 13 ] را خلاصه کرد. تا به امروز، این الگوریتم به طور گسترده در زمینه استخراج اطلاعات تصویر سنجش از دور استفاده شده است [ 14 ،15 ، 16 ]. علاوه بر این، ده‌ها الگوریتم تقسیم‌بندی حوضه بهبودیافته نیز برای حل مشکلات تقسیم‌بندی بیش از حد تصویر و نویز واضح الگوریتم پیشنهاد شده‌اند، مانند الگوریتمی مبتنی بر محاسبه کارآمد کوتاه‌ترین مسیرها [ 17 ]، یک تقسیم‌بندی حوضه کنترل شده با نشانگر بافت. الگوریتم [ 18 ]، یک الگوریتم تقسیم‌بندی حوضه مبتنی بر نشانگر تعبیه‌شده در لبه [ 19 ]، یک تبدیل موجک در ترکیب با الگوریتم تقسیم‌بندی حوضه مبتنی بر نشانگر [ 20 ]، و تقسیم‌بندی تصویر شامل تکنیک‌های بهبود تصویر و حذف نویز با اپراتور تشخیص لبه Prewitt [20]. 21]. روش‌های بهبودیافته شامل پیش بهبود، پس از بهبود یا هر دو است. در این میان، الگوریتم تقسیم بندی حوضه بر اساس ادغام منطقه [ 16 ، 22 ، 23 ] را می توان پس از تقسیم بندی بر اساس ویژگی های بافت، رنگ و اطلاعات شکل منطقه استفاده کرد. چن خوشه بندی فازی را با الگوهای فضایی برای پس از بهبود پذیرفت [ 24 ]. علاوه بر این، برخی از محققان از دانش قبلی برای پیش بهبود و ترکیب منطقه ای برای پس از بهبود استفاده کردند [ 25 ، 26 ]. مطالعات بر روی یکسان سازی روشنایی تصویر بر اساس اندازه گیری فضای رنگی در فضای رنگی آزمایشگاه [ 27] به تدریج برای به دست آوردن نتایج تقسیم بندی بهتر با توسعه روش های تقسیم بندی تصویر حوضه و ادغام منطقه انجام شده است. در همین حال، مدل رنگ قرمز-سبز-آبی (RGB) در پردازش تصویر سنتی استفاده شده است. در چنین مدل رنگی، سه جزء از یک تصویر به شدت همبستگی دارند. هنگامی که روشنایی تغییر می کند، هر سه مولفه تغییر می کند. این ویژگی تعریف رنگ RGB باعث می شود که مدل برای تقسیم بندی تصویر نامناسب باشد. بنابراین، الگوریتم‌های تقسیم‌بندی حوضه بر اساس مدل رنگ شدت-رنگ-اشباع (IHS) [ 28 ] و فضای رنگی بهبود یافته [ 29 ] توسعه یافتند که به طور مشترک با الگوریتم‌های خوشه‌بندی برای طبقه‌بندی تصاویر استفاده شده‌اند.
دقت تجزیه و تحلیل و پردازش اطلاعات بعدی مستقیماً تحت تأثیر کیفیت تقسیم‌بندی تصویر است [ 30 ، 31 ]. بنابراین، ارزیابی جامع و عینی روش‌های تقسیم‌بندی تصویر ضروری است [ 32 ]. ارزیابی دقت بخش‌بندی به همان اندازه فناوری تقسیم‌بندی تصویر مهم است [ 33 ]. روش های کیفی و کمی مختلفی پیشنهاد شده است [ 34 ، 35 ، 36 ، 37 ]. با این حال، عدم قطعیت های زیادی برای تقسیم بندی تصویر سنجش از راه دور وجود دارد. به عنوان یک مسئله برای ارزیابی کمی تقسیم بندی تصویر [33 ، 38 ، 39 ]. برای ارزیابی کیفیت تقسیم بندی، شاخص های مختلفی پیشنهاد شد [ 40 ، 41 ، 42 ، 43 ، 44 ، 45 ، 46 ، 47 ]. اگرچه این روش‌ها از ارزیابی اثر بخش‌بندی حمایت کرده‌اند، روش ارزیابی ذهنی همچنان متداول‌ترین روش مورد استفاده است [ 33 ].
بهبود دقت و ساده سازی معیارهای ارزیابی برای استخراج مرز خطر شیب بر اساس تصاویر سنجش از راه دور بسیار ضروری است. تصویر چینی Gaofen-2 (GF-2) در فضای رنگی Luv پردازش شد. روش ادغام منطقه مبتنی بر پس پردازش برای بهبود الگوریتم سنتی حوضه غوطه وری شبیه سازی شده استفاده شد. در همان زمان، یک معیار ارزیابی بهبود یافته برای تقسیم‌بندی حوزه آبخیز نیز پیشنهاد شد. در نهایت، یک منطقه مبتنی بر رنگ Luv کامل در حال ادغام بخش‌بندی حوضه آبخیز (که از این به بعد Luv-RMWS نامیده می‌شود) برای استخراج مرز خطر شیب توسعه داده شد. بخش های اولیه به شرح زیر مرتب شده اند: (1) منطقه مطالعه و پیش پردازش در بخش 2 نشان داده شده است . (2) نمودار جریان فنی و توضیحات الگوریتم Luv-RMWS در ارائه شده استبخش 3 ؛ (3) معیارهای ارزیابی دقت پیشنهادی شامل خطای نسبی مساحت و خطای کمیت پیکسل در بخش 4.3 نشان داده شده است . (4) مقایسه نتایج تقسیم بندی و ارزیابی دقت استخراج و زمان پردازش در بخش 5 نشان داده شده است . و (5) بحث های مربوطه در مورد پارامترهای مقیاس بهینه و اثر استخراج در بخش 6 آورده شده است.

2. منطقه مطالعه و پیش پردازش داده ها

2.1. منطقه مطالعه

منطقه مورد مطالعه در Taohuagou، منطقه معدن Du’erping، Xishan Coalfield، شهر Taiyuan، استان شانشی، چین واقع شده است ( شکل 1 ). این منطقه با شیب های ناپایدار، رانش زمین، ریزش ها و سایر خطرات زمین شناسی مشخص می شود. در این مقاله، یک شیب ناپایدار (که با ★ در شکل 1 مشخص شده است ) برای استخراج مرز آن بر اساس روش پیشنهادی Luv-RMWS انتخاب شد.

2.2. منابع داده و پیش پردازش

یک تصویر سنجش از دور GF-2 در سال 2015 با وضوح فضایی 1 متر به عنوان داده های تجربی انتخاب شد ( شکل 2 a). تصحیحات هندسی و املایی بر اساس نقشه توپوگرافی 1:10000 تولید شده توسط فتوگرامتری هوایی در سال 1999 انجام شد. علاوه بر این، ترکیب تصویر، برش، و افزایش کنتراست برای برجسته کردن اطلاعات شیب به کار گرفته شد ( شکل 2 ب).

3. روش شناسی

3.1. رویه فنی

الگوریتم تقسیم بندی حوضه را می توان با روش های زیادی پیاده سازی کرد. یکی از متداول ترین آنها الگوریتم غوطه وری شبیه سازی شده است که برای اولین بار توسط وینسنت و سویل [ 8 ] ارائه شد. در این مطالعه با استفاده از الگوریتم غوطه وری شبیه سازی شده انجام شده است ( شکل 3 ).

3.2. فضای رنگ و دگرگونی Luv

CIE1976 Luv یک فضای رنگی است که مستقیماً از فضای CIE XYZ مشتق شده است که برای خطی کردن ادراک انحراف رنگی استفاده می شود. در اینجا، L از 0 تا 100، روشنایی یک پیکسل است که با L در فضای رنگی Lab مطابقت دارد، در حالی که u و v مختصات رنگی هستند و از 100- تا 100 متغیر هستند [ 48 ]. CIE1976 تبدیل بین RGB و XYZ و XYZ و Luv را مشخص می کند. روش تبدیل به شرح زیر است:
1. مقدار رنگ هر کانال از تصویر به ترتیب R, G, B نشان داده می شود.

2. با فرض اینکه مختصات فضای رنگ استاندارد RGB باشد، مختصات رنگی نسبتا یکنواخت L , u , v را می توان از طریق تبدیل فضای رنگی به دست آورد [ 49 ].

[ایکسYز]=[0.4300.3420.1780.2220.7070.0710.0200.1300.939][آرجیب]
L={166∗(Y/Yn)1/3-16903.3∗(Y/Yn)منf(Y/Yn)>0.008856منf(Y/Yn)≤0.008856
{تو=13L(تو”-توn”)v=13L(v”-vn”)

جایی که توn”و vn”مختصات منبع نور استاندارد CIE و مقادیر tristimulus هستند که توسط

تو”=4ایکس/(ایکس+15Y+3ز)
v”=9Y/(ایکس+15Y+3ز)
توn”=4ایکسn/(ایکسn+15Yn+3زn)
vn”=9Yn/(ایکسn+15Yn+3زn)
در مورد ناظر 2 درجه و منابع نور C ،توn”=0.2009، vn”=0.4610.

در فضای رنگی Luv، تفاوت بین هر دو رنگ به عنوان انحراف رنگی نامیده می شود. انحراف رنگی فاصله بین موقعیت های رنگی است که به صورت ∆ E بیان می شود ، یعنی انحراف رنگی بین دو رنگ به صورت زیر محاسبه می شود:

ΔE=(ΔL2+Δتو2+Δv2)1/2

که ∆ L تفاوت در روشنایی است و ∆ u و ∆ v به ترتیب تفاوت بین دو رنگ در جهت‌های u و v هستند.

3.3. اندازه گیری شباهت ادغام منطقه بر اساس فضای رنگی Luv

برای ارزیابی کیفیت رنگ تصاویر سنجش از دور، Xue یکسان سازی روشنایی را پس از تبدیل فضای رنگی RGB به فضای رنگ آزمایشگاهی ارزیابی کرد. این روش به این صورت است که تصویر را به m × n ناحیه کوچک تقسیم می کنیم و میانگین مقدار خاکستری یا L را برای هر تصویر ناحیه کوچک محاسبه می کنیم و سپس مقدار میانگین را به عنوان مقدار روشنایی در نظر می گیریم تا با یک روش نمونه گیری مجدد، یک تصویر جدید تشکیل دهیم. سپس، سطح چهارگانه با توجه به بلوک منطقه برازش می‌شود و میانگین انحراف مربع σ2 ( 0، 255) محاسبه می‌شود که شاخص برابری روشنایی تصویر است [ 27 ، 50 ]]. واضح است که این رویکرد مربوط به ادغام منطقه است. رویکرد یکسان سازی روشنایی به دنبال یافتن تفاوت روشنایی بین بلوک‌های تصویر و سپس ارزیابی انحراف روشنایی کلی تصویر است، در حالی که رویکرد ادغام منطقه با هدف یافتن تفاوت بین مناطق تقسیم‌بندی شده و سپس تعیین می‌کند که آیا مناطق با توجه به معیار شباهت ادغام شوند یا خیر. . روش مورد استفاده در این مطالعه مبتنی بر ترکیبی از این یافته‌های تحقیق است و با رویکرد سنتی ادغام مناطق متفاوت است. الگوریتم تقسیم‌بندی حوضه معمولاً از فضاهای رنگی RGB و IHS استفاده می‌کند. فضای رنگی Luv، مشابه فضای رنگی Lab، به‌عنوان مبنای محاسبه شباهت منطقه‌ای الگوریتم انتخاب می‌شود و الگوریتم بر اساس معیار بیشینه‌سازی همگنی بهبود یافته است [ 51].

3.3.1. پارامترهای مقیاس تقسیم بندی بهینه

پارامتر کلیدی برای انتخاب پارامترهای مقیاس توسط الگوریتم تقسیم‌بندی حوضه، مقدار آستانه ( Amin ) ناحیه حداقل است . با تعریف M به عنوان مقدار ردیف یک تصویر، N به عنوان مقدار ستون، و C به عنوان یک ثابت معین، و در نظر گرفتن تعداد پیکسل ها به عنوان حداقل منطقه برای تعیین آستانه، به دست می آوریم:

آدقیقه=(م×ن)/سی
واضح است که A min یک مقدار ثابت نیست و برای اندازه های مختلف مقادیر متفاوتی خواهد داشت. به طور کلی، Amin بهینه را می توان با آزمون آزمون و خطا تعیین کرد، اما تعیین صحیح مقدار ثابت C بسیار مهم است .
3.3.2. پارامترهای مقیاس ادغام بهینه
انحراف رنگی فاصله اقلیدسی بین موقعیت رنگ ها در فضای رنگی Luv است. شباهت رنگ دو موقعیت را می توان با استفاده از آستانه تفاوت رنگ، با ادغام معیار حداکثرسازی همگن و معیارهای تشابه آستانه شدت نور تعیین کرد. در این مقاله از انحراف رنگی فضای رنگی Luv برای تعیین مقدار شباهت نواحی در واحد تقسیم بندی استفاده شده است. اگر انحراف رنگی در محدوده آستانه باشد، مناطق مشابه هستند و ادغام خواهند شد. در غیر این صورت، مناطق ادغام نمی شوند. این برای دستیابی به ادغام نتایج تقسیم بندی تصویر انجام می شود.

فرض کنید که Ri و Rj دو ناحیه تصویر G هستند که با تقسیم بندی حوضه تقسیم می شوند. برای از بین بردن تأثیر تفاوت اندازه مناطق در طول فرآیند ادغام، یک معادله محاسبه بهبود یافته (معادله 10) برای به دست آوردن انحراف رنگی مناطق مجاور در فضای رنگی Luv پیشنهاد شد.

دمن=|آرمن|·|آرj||آرمن|+|آرj|∑ج=L،تو،v(افج(آرمن)-افج(آرj))2 من=1،2،3…،n; j=1،2،3…،n

کجا | R i |، | R j | تعداد پیکسل های موجود در نواحی تصویر R i و R j هستند. F c (R i ) ، F c (R j ) میانگین رنگ های مناطق تصویر R i و R j هستند و n تعداد مناطق مجاور است.

تفاوت رنگ برای تعیین شباهت بین حداقل منطقه فعلی و مناطق مجاور آن استفاده می شود. اگر d i ≤ 1 باشد، رنگ های دو ناحیه قابل تشخیص نیستند، بنابراین d i کوچکتر نشان دهنده شباهت بیشتر بین رنگ ها است [ 52 ]. در ادغام منطقه، باید مشخص شود که آیا رنگ مناطق مجاور مشابه است یا خیر. بنابراین، اندازه آستانه d i با تجزیه و تحلیل نظری و تأیید تجربی تعیین می شود. اجازه دهید آستانه تفاوت رنگ D باشد . اگر آستانه تفاوت رنگ تنظیم شود، ادغام ناحیه نتایج تقسیم بندی تحت محدودیت کامل می شود Dتا زمانی که ادغام منطقه مشابه دیگر نمی تواند انجام شود.
الگوریتم ادغام منطقه بر اساس معیار حداکثرسازی همگنی فضای رنگی Luv به شرح زیر است:
1. پیکسل های تصویر پس از تقسیم بندی حوضه از مقادیر RGB به مقادیر Luv تبدیل می شوند و میانگین مقدار Luv در هر منطقه به عنوان مقدار Luv این ناحیه محاسبه می شود. نتیجه تقسیم بندی از فضای رنگی RGB به Luv تبدیل می شود، که می تواند برای محاسبه شباهت ادغام منطقه استفاده شود.
2. چهار آرایه همسایگی از هر منطقه با مقدار میانگین Luv به عنوان رنگ منطقه تنظیم می شود.
3. آستانه یک دقیقه برای تعیین مساحت حداقل با توجه به C و اندازه تصویر محاسبه می شود. همه نواحی به نوبه خود اسکن می شوند و حداقل ناحیه به عنوان منطقه ترکیبی اولیه پیدا می شود. اگر تعداد پیکسل های یک ناحیه کمتر از تعداد پیکسل های تصویر تقسیم بر C باشد، به عنوان حداقل ناحیه برای کالیبراسیون در نظر گرفته می شود. در غیر این صورت نیست.
4. برای تعیین حداقل مساحت، تمام نواحی مجاور پیموده می شوند تا میانگین مقدار Luv نواحی مجاور به دست آید. مقدار انحراف رنگی d i بین حداقل مساحت و نواحی مجاور محاسبه می‌شود و مناطقی با نزدیک‌ترین مناطق مشابه بر اساس روش قضاوت آستانه D انحراف رنگی ادغام می‌شوند. چه زمانی دمن≤D، مناطق ادغام می شوند. در غیر این صورت، چه زمانی دمن>D، مناطق ادغام نمی شوند. معادله محاسبه انحراف رنگی در رابطه (10) نشان داده شده است.
5. اطلاعات مناطق مجاور برای تشکیل یک منطقه جدید، پس از ادغام منطقه حداقل با مناطق مشابه نزدیک به آن، به روز می شود. مقدار Luv منطقه جدید میانگین مقدار Luv دو منطقه قبل از ادغام است.
6. منطقه جدید پس از ادغام مورد قضاوت قرار می گیرد. اگر هنوز یک منطقه حداقلی است به مرحله 4 بازگردید. در غیر این صورت به مرحله بعدی بروید.
7. تمام حوزه ها مورد قضاوت قرار می گیرند. اگر همه مناطق ادغام شده باشند، پایان می یابد. در غیر این صورت به مرحله 3 برگردید.
8. مقادیر Luv همه مناطق ادغام شده برای جلوه نمایش بهتر به مقادیر RGB تبدیل می شوند، بنابراین نتیجه نهایی ناحیه تقسیم بندی در تصویر در مقادیر RGB نمایش داده می شود.

4. روش های مقایسه ای و ارزیابی دقت

4.1. طبقه بندی حداکثر احتمال

طبقه بندی حداکثر درستنمایی (MLC) به عنوان طبقه بندی بیز نیز شناخته می شود. برای محاسبه احتمال (احتمال) برای هر پیکسل در هر دسته، پیکسل ها با استفاده از حداکثر احتمال طبقه بندی می شوند [ 53 ]. فرض بر این است که k نوع از اشیاء زمینی در تصویر سنجش از دور وجود دارد و دسته i یک شی زمینی با wi نشان داده می شود و احتمال قبلی برای هر دسته P( w i ) است . با توجه به دسته X ناشناخته ، احتمال شرطی که در کلاس w i ظاهر می شود P(X|w i ) است.(همچنین احتمال احتمال w i نامیده می شود). با توجه به قضیه بیز، احتمال پسین دسته را می توان به صورت زیر بدست آورد:

پ(wمن|ایکس)=پ(ایکس|wمن)پ(wمن)پ(ایکس)=پ(ایکس|wمن)پ(wمن)∑من=1کپ(ایکس|wمن)پ(wمن)

که در آن P(X) یک ثابت برای هر دسته است و تابع تفکیک را می توان به صورت زیر ساده کرد:

پ(wمن|ایکس)=پ(ایکس|wمن)پ(wمن)
در طبقه‌بندی‌کننده بیز، از احتمال پسین دسته X به عنوان تابع تفکیک کننده برای تعیین دسته خاص استفاده می‌شود. وقتی P(w i |X) > P(w j |X) برای j = 1، 2، …، k، j ≠ i ارضا شود ، آنگاه X متعلق به کلاس w i است.

4.2. طبقه بندی شی گرا

یک الگوریتم تقسیم بندی چند مقیاسی در طبقه بندی شی گرا (OOC) اتخاذ شده است که کلید آن تعیین پارامترهای تقسیم بندی بهینه است. در حال حاضر، آزمایش‌های تکراری اغلب بر روی تصاویر قبل از تقسیم‌بندی انجام می‌شوند و بهترین پارامترهای بخش‌بندی به صورت بصری با آزمون آزمون و خطا مورد قضاوت قرار می‌گیرند. ناهمگونی کلی اشیاء تقسیم بندی تصویر توسط پارامترهای ناهمگنی طیفی و شکل [ 54 ] کنترل می شود، و بیان با

ساعت=ωجoلor×ساعتجoلor+ωسساعتآپه×ساعتسساعتآپه

که در آن h ناهمگونی کلی شی است. رنگ h ناهمگونی طیفی است. شکل h ناهمگونی شکل است . رنگ ω وزن ناهمگونی طیفی است. شکل ω وزن ناهمگونی شکل است و ω رنگ + ω شکل = 1. ناهمگونی شکل به طور جامع با صافی و فشردگی بیان می شود، و معادله با داده می شود.

ساعتسساعتآپه=ωجoمتر×ساعتجoمتر+ωسمترooتیساعت×ساعتسمترooتیساعت

که در آن ω com وزن فشردگی سفارشی است، ω smooth وزن همواری سفارشی است، و مجموع ω com و ω smooth 1 است.

4.3. معیارهای ارزیابی دقت

همانطور که در بالا ذکر شد، روش‌های ارزیابی موجود عمدتاً بر ارزیابی بصری تمرکز دارند یا بر اساس شرایط قابل اجرا برای ارزیابی دقت الگوریتم هستند. نحوه ساده و مؤثر بودن و ارزیابی کمی دقت تقسیم بندی الگوریتم حوضه هنوز یک مسئله دشوار است [ 33 ، 38 ، 39 ]. بر اساس تجزیه و تحلیل نتایج تحقیقات موجود، معیار خطای نسبی مساحت در این مقاله پیشنهاد شد که با معیار خطای کمیت پیکسل برای ارزیابی جامع دقت تقسیم‌بندی تصویر حوضه تکمیل شد.
(1 ) معیار خطای نسبی مساحت (ضریب دقت: δA )

معمولاً، مقدار ویژگی مرجع در داده های مرجع با Rf نشان داده می شود ، در حالی که مقدار واقعی ویژگی در نتیجه تصویر قطعه بندی شده با Sf نشان داده می شود ، و سپس تفاوت مطلق آنها با [ 55 ] ارائه می شود.

آUمآ=|آرf-اسf|
در اینجا، AUMA ضریب دقتی است که برای ارزیابی نتایج تقسیم‌بندی تصویر استفاده می‌شود و کمیت مشخصه معمولاً با ناحیه نشان داده می‌شود. AUMA کوچکتر مربوط به دقت تقسیم بندی بالاتر است و در غیر این صورت دقت کمتر است.
با این حال، منطقی نیست که از مقدار مطلق تفاوت بین بخش‌بندی هدف و ناحیه مرجع برای نشان دادن دقت تقسیم‌بندی تصویر در تئوری خطا استفاده کنیم، زیرا اندازه خطا نسبت به ناحیه مرجع ناشناخته است. از نظر تئوری، مساحت هدف تقسیم‌بندی تصویر، همان ناحیه مرجع برای الگوریتم تقسیم‌بندی بهینه است. با این حال، صرف نظر از کیفیت الگوریتم، منطقه تقسیم بندی همیشه با منطقه مرجع متفاوت است و خطا وجود دارد. به طور مشابه، ناشناخته است که آیا منطقه ارزیابی توسط طرح ریزی ارتومورفیک تغییر می کند یا خیر. بنابراین، اثر بخش‌بندی تصویر را می‌توان با نسبت ناحیه تقسیم‌بندی به ناحیه مرجع بهتر نشان داد.
بررسی معادله (15) نشان می‌دهد که AUMA یک خطای مطلق است که نشان‌دهنده مقدار مطلقی است که توسط آن منطقه نتیجه تقسیم‌بندی از مقدار مرجع منحرف می‌شود. درصد محاسبه شده توسط AUMA و مقدار مرجع می تواند نشان دهنده درصد خطای مطلق نسبت به مقدار واقعی باشد و می تواند اعتبار و قابلیت اطمینان دقت تقسیم بندی را بهتر منعکس کند. بنابراین، خطای نسبی مساحت به عنوان معیاری برای ارزیابی دقت قطعه‌بندی تصویر در این مقاله پیشنهاد شده و به شرح زیر محاسبه می‌شود.

فرض کنید A 0 مقدار ناحیه هدف در داده‌های معیار، و A S مقدار منطقه هدف در نتیجه تصویر تقسیم‌بندی باشد، سپس خطای نسبی آنها δA با

δآ=|آس-آ0|آ0×100%

که در آن δ A ضریب دقت ناحیه مورد استفاده برای ارزیابی نتیجه تقسیم بندی تصویر است. δ A کوچکتر مربوط به دقت تقسیم بندی بالاتر است و در غیر این صورت دقت کمتر است.

(2) معیار خطای کمیت پیکسل (ضریب دقت: δ P )
دقت قطعه‌بندی تصویر با تعداد پیکسل‌هایی با تقسیم‌بندی نادرست به‌دست‌آمده از همپوشانی تصویر مرجع و نتیجه تقسیم‌بندی بر تعداد کل پیکسل‌ها نشان داده می‌شود. این معیار با خطای نسبی مساحت سازگار است و برای ارزیابی دقت از منظری متفاوت استفاده شد. در این مقاله خطای عدد پیکسل نیز به عنوان معیار ارزیابی دقت تقسیم بندی تصویر انتخاب شد. خطای شماره پیکسل به صورت زیر بدست می آید.

فرض کنید P t و Pw به ترتیب نشان دهنده تعداد پیکسل هایی هستند که به درستی و نادرست تقسیم بندی شده اند، سپس میزان خطا δ P با

δپ=پwپتی+پw×100%

جایی که δ P یک ارزیابی کلی از دقت تقسیم بندی تصویر ارائه می دهد. δ P کوچکتر مربوط به دقت تقسیم بندی بالاتر است و در غیر این صورت دقت کمتر است.

معیارهای ارزیابی دقت تقسیم بندی تصویر الگوریتم حوضه در جدول 1 نشان داده شده است. در حال حاضر، شاخص‌های مشتق‌شده از ماتریس سردرگمی معمولاً برای ارزیابی طبقه‌بندی مبتنی بر تصویر استفاده می‌شوند. آنها شامل دقت کلی ( پسیدقت کاربر ( پتومندقت تولید کننده ( پآjو ضریب کاپا ( کساعتآتی) [ 56 ، 57 ]. به منظور ارزیابی قابلیت اطمینان معیارهای ارزیابی دقت تقسیم بندی تصویر پیشنهاد شده در این مقاله، پسی، پتومن، پآj، و کساعتآتیاز نتایج استخراج از سه روش به طور همزمان برای مقایسه محاسبه می شود.

5. نتایج

5.1. نتایج تقسیم بندی بر اساس تصویر تجربی

برای مقایسه کارایی و اثر بخش‌بندی، پیش‌پردازش افزایش کنتراست روی تصویر آزمایشی انجام شد. از همان مقادیر C و D در آزمایش‌ها استفاده شد تا اطمینان حاصل شود که نتایج تقسیم‌بندی قابل مقایسه هستند. تصاویر قطعه‌بندی شده به‌دست‌آمده در شکل 4 به ترتیب بر اساس تصویر اصلی ( شکل 2 الف) و تصویر تقویت‌شده با کنتراست ( شکل 2 ب) هستند و نتایج آماری فرآیند تقسیم‌بندی در جدول 2 ارائه شده‌اند .

5.2. انتخاب پارامترهای مقیاس بهینه

برای انتخاب پارامترهای مقیاس تقسیم‌بندی و ادغام بهینه، آزمایش‌های تقسیم‌بندی چند مقیاسی روی تصاویر آزمایشی انجام شد. مقدار C بین 100 تا 3000 در فواصل 50 و D بین 100 تا 1000 در فواصل 50 متغیر بود. نتایج به دست آمده برای ترکیب های مختلف مقادیر C و مقادیر D در شکل 5 نشان داده شده است.

5.3. استخراج مرز خطر شیب

برای انتخاب روش MLC از ابزار طبقه بندی تصاویر در جعبه ابزار تحلیل فضایی ArcGIS استفاده شد. تعداد کلاس ها 4 کلاس تعیین شد و در مجموع 31 منطقه نمونه برای آموزش انتخاب شدند. نتایج آموزش به‌عنوان داده‌های مشخصه برای روش MLC استفاده شد و نتایج طبقه‌بندی نظارت شده تصویر و فرمت برداری به‌دست آمد ( شکل 6 a). با تکرار آزمایش‌های روش OOC با استفاده از eCognition و مقایسه بصری نتایج، پارامترهای مقیاس تقسیم‌بندی بهینه به این صورت انتخاب شدند: ω color = 0.8، ω shape = 0.2، ω com = 0.5، و ω smooth انتخاب شدند.0.5 =، و فرمت برداری نتایج استخراج قطعه بندی بدنه شیب ناپایدار به دست آمد ( شکل 6 ب). سپس، مرز بدنه شیب ناپایدار توسط پلت فرم RSImage-WS (سکوی آزمایشی Luv-RMWS توسعه یافته بر اساس VC++) قطعه‌بندی و استخراج شد. نتایج استخراج به‌دست‌آمده در قالب برداری در شکل 6 ج نشان داده شده است.
برای ارزیابی دقت بخش‌بندی و استخراج تصویر بر اساس الگوریتم بهبود یافته توصیف‌شده در این مقاله، ArcGIS برای تفسیر بصری تصاویر آزمایشی استفاده شد. پس از تأیید و تصحیح میدانی، مرز دقیق بدنه هدف به عنوان داده‌های معیار به‌دست آمد. برای به دست آوردن مرز پیوسته، از تابع “Boundary Clean” در جعبه ابزار تحلیل فضایی ArcGIS برای هموارسازی مرز استفاده شد. سپس، داده‌های طبقه‌بندی از فرمت شطرنجی به فرمت برداری تبدیل شد و نقشه هدف از طریق مقایسه فایل‌های جداگانه با همپوشانی داده‌های معیار و تصویر آزمایشی استخراج شد ( شکل 7 ).

5.4. زمان پردازش

این آزمایش با استفاده از یک کامپیوتر HP 2211f با پردازنده Intel(R) Core(TM) i3، فرکانس اصلی 3.20 گیگاهرتز، حافظه 6.00 گیگابایت و سیستم عامل 64 بیتی انجام شد. زمان اجرای روش MLC با استفاده از کرونومتر معمولی ثبت شد، روش OOC از نرم افزار eCognition زمان بندی شد و روش Luv-RMWS از متغیر زمان بندی داخلی برنامه استفاده کرد. زمان های آزمایشی به دست آمده در جدول 3 ارائه شده است.

5.5. دقت استخراج

مساحت بدنه هدف از اطلاعات استخراج تصویر تجربی و ناحیه داده های معیار به دست آمده از تفسیر بصری استخراج شد و روش های MLC، OOC و Luv-RMWS δA با استفاده از رابطه (16) محاسبه شد . در همین حال، اطلاعات استخراج تصویر تجربی و داده‌های معیار به دو دسته هدف و غیرهدف تقسیم شدند. تعداد پیکسل ها به عنوان واحد اندازه گیری استفاده شد و داده های مرجع شی مورد نظر به عنوان نقشه مرجع شطرنجی شد. سپس نقشه مرجع بر روی نتایج تقسیم‌بندی هدف سه روش قرار داده شد تا تعداد پیکسل‌های تقسیم‌بندی صحیح و نادرست به دست آید. از رابطه (17) برای محاسبه δ P استفاده شدمقادیر نتیجه تقسیم بندی و نتایج به دست آمده در جدول 4 نشان داده شده است.

6. بحث

6.1. تجزیه و تحلیل تقسیم بندی تصویر قبل و بعد از تقویت کنتراست

از شکل 4 مشاهده می شود که تصویر اصلی به شدت زیر قطعه بندی شده بود، و شی هدف، یعنی شیب ناپایدار، استخراج نشد، در حالی که افزایش کنتراست تصویر منجر به یک قطعه بندی خوب، و مرز شیب ناپایدار استخراج شده شد. بدن بسیار با مرز واقعی سازگار بود. نتایج آماری ارائه شده در جدول 2نشان می‌دهد که پس از افزایش کنتراست تصویر، تعداد نقاط تصویر تقسیم‌بندی شده توسط الگوریتم حوضه به سرعت کاهش می‌یابد و زمان مصرف نیز اندکی کاهش می‌یابد، در نتیجه به اهداف جلوگیری از تقسیم‌بندی بیش از حد و بهبود کارایی الگوریتم دست می‌یابد. اگرچه تعداد وصله‌ها پس از ادغام منطقه در مقایسه با داده‌های تصویر اصلی افزایش یافت، مصرف زمان تنها نصف ادغام اولیه بود. بنابراین، کارایی محاسباتی الگوریتم در حین به دست آوردن نتایج تقسیم‌بندی خوب، تا حد زیادی بهبود یافت. بنابراین، بهبود ناشی از پیش‌پردازش افزایش کنتراست روی تصویر، تأثیر قابل‌توجهی بر روش Luv-RMWS و تأثیر قابل‌توجهی بر بهبود کارایی و اثر بخش‌بندی دارد.
هیچ بهبود پیش پردازشی در الگوریتم شرح داده شده در این مقاله انجام نشد، تنها پیش پردازش افزایش کنتراست روی داده های تصویر اصلی انجام شد. با این وجود، آزمایش‌ها نشان می‌دهند که افزایش کنتراست تصویر منجر به بهبود اثر بخش‌بندی می‌شود. به ویژه، هنگامی که تصویر اصلی قطعه بندی شد، بدنه شیب ناپایدار به دلیل زیربخشی شدید قابل استخراج نبود. بنابراین، افزایش کنتراست روشی موثر برای حل مشکل کم‌بخش‌بندی در الگوریتم تقسیم‌بندی حوضه است. با این وجود، افزایش کنتراست در پیش پردازش تصویر معمولا ذهنی و تصادفی است. در آینده، الگوریتم باید با افزودن افزایش کنتراست تصویر به عنوان مرحله پیش پردازش، بیشتر بهبود یابد.

6.2. تجزیه و تحلیل پارامترهای مقیاس بهینه

مقایسه نتایج آزمایش تقسیم‌بندی مرزی خطر شیب چند مقیاسی Luv-RMWS با نتایج بخش‌بندی بصری نشان می‌دهد که نمودارهای تکه تکه‌شده داخلی بدنه شیب با افزایش تدریجی مقدار C افزایش می‌یابد و بیش از حد تقسیم‌بندی را نشان می‌دهد. با افزایش تدریجی مقدار D ، کرت های تکه تکه شده در داخل بدنه شیب به تدریج کاهش می یابد و مرز شیب استخراج شده پس از رسیدن D به 400 تثبیت می شود. بر اساس مقایسه این نتایج، بهترین اثر تقسیم بندی هدف برای C 500 و D از به دست آمد 400، حاشیه های پیوسته، بدون کک و مک در پلاک، و درجه بالایی از سازگاری با شکل هدف را نشان می دهد. بنابراین، ثابت بهینهC برای حداقل آستانه تصمیم گیری منطقه روی 500 و مقدار بهینه آستانه مقدار انحراف رنگی D روی 400 تنظیم شد.
این تحقیق بر اساس تصویر GF-2 انجام شد و پارامترهای قطعه بندی و ادغام بهینه به صورت بصری با استفاده از روش آزمون و خطا تعیین شد. بهینه سی500 بود که توسط حداقل منطقه A دقیقه تعیین می شود ، در حالی که بهینه است Dانحراف رنگی 400 بود. هدف آزمایشی در این مقاله تنها یک شیب ناپایدار داشت. بنابراین، الگوریتم و برنامه باید در تحقیقات بعدی بهبود یابد. آستانه تصمیم‌گیری بهینه برای داده‌های تصویری مختلف و داده‌های با کیفیت باید تعیین شود، تقسیم‌بندی تطبیقی ​​مقیاس باید تا حد امکان محقق شود، و استخراج سریع و خودکار سنجش از راه دور مرز خطر شیب باید به دست آید.

6.3. تجزیه و تحلیل اثر استخراج

همانطور که در شکل 6 الف و شکل 7 الف مشاهده شد، نتایج روش MLC ضعیف بود، و قطعات زیادی در نتایج طبقه بندی وجود داشت، که نیاز به مداخله دستی اضافی برای پس پردازش دارد، بنابراین دستیابی به استخراج خودکار دشوار است. از شکل 6 b,c مشاهده می شود که OOC و Luv-RMWS نه تنها به استخراج بهتر بدنه هدف دست یافتند، بلکه قطعه قطعه شدن را در نقطه نقشه ترکیب کردند تا نتایج استخراج مرزی بدنه شیب ناپایدار با تداخل کمتر از پوشش گیاهی را به دست آورند. با این حال، همانطور که در شکل 7 نشان داده شده استب، ج، برخی پدیده‌های بیش از حد و کم‌بخش‌بندی همچنان وجود داشتند. برخی از نقاط بزرگ با تقسیم نادرست در لبه عقب و پایین هدف ظاهر می شوند که بر اثر استخراج کلی تأثیر می گذارد.
بررسی داده های ارائه شده در جدول 3نشان می دهد که روش MLC به 381.000 ثانیه برای استخراج شی مورد نظر نیاز دارد و روش Luv-RMWS به 39.702 ثانیه نیاز دارد. روش OOC فقط به 11.470 ثانیه نیاز داشت که کارایی زمان زیادی را نشان می دهد. لازم به ذکر است که زمان آماری MLC فقط زمان مورد استفاده برای طبقه بندی مستقیم را مشخص می کند و نتیجه طبقه بندی نیز شامل قطعات زیادی است که باید پس از پردازش انجام شود که یک مرحله فنی بسیار زمان بر است. برای این آزمایش MLC، پس پردازش بیش از 1 ساعت طول کشید. مقایسه نشان می‌دهد که OOC و Luv-RMWS همزمان با تکمیل بخش‌بندی، ادغام تقسیم‌کننده را انجام می‌دهند، و پس پردازش تنها داده‌های شطرنجی را به داده‌های برداری تبدیل می‌کند و یک تصحیح دستی ساده را انجام می‌دهد که به بیش از 0.5 ساعت نیاز ندارد. بنابراین، اگرچه بازده زمانی Luv-RMWS کمی کمتر از OOC است، اما بسیار بالاتر از MLC است.
همانطور که از داده های جدول 4 مشاهده شد ، δA و δP روش MLC 29.02٪ و 3.82٪ بودند و δA و δP OOC 8.71 ٪ و 1.90٪ بودند که هر دو بزرگتر از δ بودند . A (4.92٪) و δP (1.60٪) از Luv- RMWS ، نشان می دهد که Luv-RMWS دقت استخراج بالاتری برای یک مرز شیب ناپایدار دارد. در عین حال از کلاه P C و K نیز قابل مشاهده استکه روش Luv-RMWS بالاترین دقت بخش‌بندی را داشت و به دنبال آن OOC و بدترین آن MLC بود که با نتایج ارزیابی δA و δP مطابقت دارد [ 56 , 57 ] ، که نشان می‌دهد معیارهای ارزیابی پیشنهادی در این مقاله قابل اعتماد هستند.

6.4. تجزیه و تحلیل روش پیشنهادی

تا به امروز، مطالعات زیادی در مورد استخراج اطلاعات زمین لغزش از طریق فناوری طبقه بندی تصاویر انجام شده است [ 3 ، 4 ، 5 ، 6]. تصاویر SPOT 5، GF-1، ZY-3 و وسایل نقلیه هوایی بدون سرنشین (UAV) و سایر داده‌ها اغلب به عنوان منابع داده استفاده می‌شوند، در حالی که طبقه‌بندی‌های بدون نظارت و نظارت به عنوان ابزار فنی برای انجام مطالعات مورد استفاده قرار گرفته‌اند. در این مقاله، تصویر GF-2 به عنوان منبع داده انتخاب شد و از روش MLC برای مقایسه الگوریتم توصیف شده در این مقاله استفاده شد. آزمایش‌های انجام‌شده نشان می‌دهد که روش Luv-RMWS دارای مزایای آشکاری در رابطه با زمان استخراج اطلاعات است، از پس‌پردازش پیچیده MLC جلوگیری می‌کند و بازده زمانی بسیار بهبود یافته را نشان می‌دهد. در همین حال، نتایج تقسیم‌بندی اولیه به‌طور خودکار توسط Luv-RMWS ادغام شدند، و از ذهنیت ادغام مصنوعی و پردازش قطعات پس از MLC جلوگیری شد.
اگرچه تحقیقات فعلی در زمینه تقسیم‌بندی تصویر عمدتاً مبتنی بر روش‌های تقسیم‌بندی چند وضوح شی گرا است [ 56 ، 57 ]]، و نرم افزار eCognition بالغ به عنوان پلت فرم آزمایش استفاده می شود، داده ها عمدتاً در تصاویر سنجش از راه دور با وضوح بالا مانند GF-1، GF-2 و QuickBird متمرکز می شوند. در مقابل، الگوریتم پیشنهادی در این مقاله نیازی به ایجاد قوانینی برای فرآیند تقسیم‌بندی ندارد، فرآیند ادغام ساده است، الگوریتم به راحتی قابل درک است و نتایج تقسیم‌بندی بسیار عینی و قابل اعتماد هستند. نتایج آزمایش تقسیم‌بندی چند مقیاسی با استفاده از الگوریتم پیشنهادی برای استخراج مرز شیب ناپایدار در تصاویر تجربی نشان می‌دهد که Luv-RMWS از نظر قابلیت اطمینان استخراج شی، ثبات مرز شی و جزئیات استخراج عملکرد خوبی دارد. علاوه بر این، معیارهای ارزیابی دقت تقسیم‌بندی محاسبه‌شده نشان می‌دهد که نتایج استخراج به‌دست‌آمده توسط Luv-RMWS دقیق‌تر است، و دو عامل دقت مورد استفاده در این مقاله نسبت به آن‌هایی که با روش‌های MLC و OOC به‌دست می‌آیند، برتری دارند. این با نتایج ارزیابی بصری و نتایج بر اساس آن مطابقت دارد پسی، پتومن، پآjو کساعتآتی، نشان می دهد که نتایج فاکتور معیارهای ارزیابی برای دقت تقسیم بندی تصویر الگوریتم حوضه پیشنهادی قابل اعتماد هستند.

7. نتیجه گیری

یک روش تقسیم‌بندی حوضه بهبود یافته (Luv-RMWS) برای استخراج خطر شیب بر اساس یک تصویر سنجش از دور GF-2 با وضوح بالا پیشنهاد شده‌است. علاوه بر این ، ارزیابی دقت استخراج بر اساس معیارهای پیشنهادی ما δA و δPثابت شده است که با ارزیابی بصری و یک ماتریس سردرگمی سازگار است. این شاخص‌های ارزیابی دقت جدید را برای ارزیابی الگوریتم تقسیم‌بندی حوضه تصویر ارائه می‌کند. نتایج تجربی اثربخشی استخراج مرز خطر شیب بر اساس Luv-RMWS را نشان می‌دهد. الگوریتم Luv-RMWS پس از بهبود یافته، اثر خوبی در استخراج مرزهای خطر شیب و بازده زمانی بالا دارد. می تواند دقت بخش بندی قابل اعتماد و رضایت بخشی را در مقایسه با روش های MLC و OOC بدست آورد. روش ما تا حد زیادی دقت و زمان پردازش برای خطرات شیب را بهبود می‌بخشد و زمینه کاربرد الگوریتم‌های تقسیم‌بندی حوضه را گسترش می‌دهد.

منابع

  1. کلانتر، بی. پرادان، بی. نقیبی، س. متولی، ع. منصور، اس. ارزیابی اثرات انتخاب داده‌های آموزشی بر روی نقشه‌برداری حساسیت زمین لغزش: مقایسه بین ماشین بردار پشتیبانی (SVM)، رگرسیون لجستیک (LR) و شبکه‌های عصبی مصنوعی (ANN). Geomat. نات. خطر خطرات 2018 ، 9 ، 49-69. [ Google Scholar ] [ CrossRef ]
  2. پنگ، ال. Xu، SN; می، جی جی. شناسایی زمین لغزش ناشی از زلزله Su، FH با استفاده از تصویر سنجش از دور با وضوح بالا. J. Remote Sens. 2017 ، 4 ، 509–518. [ Google Scholar ]
  3. هرواس، جی. باردو، جی. Rosin, PL; پاسوتو، ا. مانتوانی، ف. سیلوانو، اس. نظارت بر لغزش ها از تصاویر سنجش از راه دور نوری: تاریخچه مورد زمین لغزش Tessina، ایتالیا. ژئومورفولوژی 2003 ، 54 ، 63-75. [ Google Scholar ] [ CrossRef ]
  4. موندینی، AC; گوزتی، اف. رایشنباخ، پ. روسی، ام. کاردینالی، م. Ardizzone، F. شناسایی و نقشه برداری نیمه خودکار زمین لغزش های کم عمق ناشی از بارندگی با استفاده از تصاویر ماهواره ای نوری. سنسور از راه دور محیط. 2011 ، 115 ، 1743-1757. [ Google Scholar ] [ CrossRef ]
  5. ژان، ZQ; Lai، BH یک الگوریتم جدید فیلتر DSM برای پایش زمین لغزش بر اساس محدودیت‌های چندگانه. IEEE J. STARS 2015 ، 8 ، 324-331. [ Google Scholar ]
  6. ژانگ، MM; ژو، YA; لی، جی. Shang، CS شناسایی زمین لغزش ها و فروپاشی ها بر اساس تصاویر سنجش از دور و DEM. Mine Surv. 2016 ، 44 ، 28-31. [ Google Scholar ]
  7. محمد، د.ح. چن، DM Segmentation برای تجزیه و تحلیل تصویر مبتنی بر شی (OBIA): بررسی الگوریتم ها و چالش ها از دیدگاه سنجش از دور. ISPRS J. Photogramm. 2019 ، 150 ، 115-134. [ Google Scholar ]
  8. وینسنت، ال. Soille، P. حوضه های آبخیز در فضاهای دیجیتال: یک الگوریتم کارآمد بر اساس شبیه سازی غوطه وری. IEEE Trans. الگوی مقعدی ماخ هوشمند 1991 ، 13 ، 583-598. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  9. هاگیارد، دی. رزاز، م. اتکین، P. تجزیه و تحلیل الگوریتم های حوزه آبخیز برای تصاویر مقیاس خاکستری. در مجموعه مقالات سومین کنفرانس بین المللی IEEE در مورد پردازش تصویر، لوزان، سوئیس، 19 سپتامبر 1996; جلد 3، ص 41-44. [ Google Scholar ]
  10. شافارنکو، ال. پترو، م. Kittler, J. تقسیم خودکار حوضه از تصاویر رنگی بافت تصادفی. IEEE Trans. فرآیند تصویر 1997 ، 6 ، 1530-1544. [ Google Scholar ] [ CrossRef ]
  11. اسمت، PD; Pires، RL پیاده سازی و تجزیه و تحلیل یک الگوریتم بهینه سازی شده برای بارش باران. در ارتباطات تصویر و تصویر و پردازش انجمن بین المللی اپتیک و فوتونیک ; مجموعه مقالات SPIE: سن خوزه، کالیفرنیا، ایالات متحده آمریکا، 2000. [ Google Scholar ]
  12. بینیک، ا. Moga, A. الگوریتم حوضه آبخیز کارآمد بر اساس اجزای متصل. تشخیص الگو 2000 ، 33 ، 907-916. [ Google Scholar ] [ CrossRef ]
  13. Soille, P. تجزیه و تحلیل تصویر مورفولوژیکی – اصول و کاربردها , 2nd ed.; Springer: برلین، آلمان، 2004; صص 268-276. [ Google Scholar ]
  14. یو، ی. لی، بی اف. ژانگ، XW; لیو، YP; الگوریتم تقسیم‌بندی حوضه آبخیز لی، HQ مشخص شده برای تصاویر RGBD. J. نمودار تصویر. 2016 ، 21 ، 145-154. [ Google Scholar ]
  15. ژانگ، جی تی. Zhang، LM یک الگوریتم حوضه آبخیز که اطلاعات طیفی و بافت را برای تقسیم‌بندی تصویر سنجش از دور با وضوح بالا ترکیب می‌کند. Geomat. Inf. علمی دانشگاه ووهان 2017 ، 42 ، 449-455. [ Google Scholar ]
  16. یان، پی اف. مینگ، DP تقسیم بندی داده های سنجش از دور با وضوح فضایی بالا با استفاده از حوضه با پارامترسازی خود تطبیقی. فناوری سنسور از راه دور. Appl. 2018 ، 33 ، 321-330. [ Google Scholar ]
  17. اسما رویز، وی. گودینو- یورنته، جی. Sáenz-Lechón، N.; گومز-ویلدا، پی. یک الگوریتم بهبود یافته حوضه بر اساس محاسبه کارآمد کوتاه ترین مسیرها. تشخیص الگو 2007 ، 40 ، 1078-1090. [ Google Scholar ] [ CrossRef ]
  18. شیائو، پی اف. ژائو، SH; او، تقسیم‌بندی تصویر IKONOS چندطیفی JF بر اساس الگوریتم حوضه کنترل‌شده با نشانگر بافت. MIPPR 2007: سنجش از دور و پردازش داده‌های GIS و کاربردها و فناوری‌ها و کاربردهای چند طیفی نوآورانه، انجمن بین‌المللی اپتیک و فوتونیک، ووهان، چین، 2007. بین‌المللی . علائم چند طیفی. فرآیند تصویر تشخیص الگو 2007 . [ Google Scholar ] [ CrossRef ]
  19. لی، DR; ژانگ، جی اف. Wu، ZC; Yi, LN یک الگوریتم حوضه آبخیز مبتنی بر نشانگر تعبیه شده برای تقسیم بندی تصویر سنجش از دور با وضوح فضایی بالا. IEEE Trans. فرآیند تصویر 2010 ، 19 ، 2781-2787. [ Google Scholar ]
  20. رضوی، IA; موهان، BK; Bhatia، PR تقسیم بندی با وضوح چندگانه تصاویر سنجش از راه دور با وضوح بالا با استفاده از تبدیل حوضه آبخیز کنترل شده با نشانگر. در مجموعه مقالات کنفرانس و کارگاه بین المللی در مورد روندهای نوظهور در فناوری، بمبئی، ماهاراشترا، هند، 25 تا 26 فوریه 2011. [ Google Scholar ]
  21. بالا، A. تکنیک تقسیم‌بندی تصویر حوضه آبخیز بهبودیافته با استفاده از MATLAB. بین المللی J. Sci. مهندس 2012 ، 3 ، 1-4. [ Google Scholar ]
  22. Ng، HP; Ong، SH; فونگ، KWC؛ گوه، PS; نوینسکی، تقسیم‌بندی WL Masseter با استفاده از الگوریتم بهبود یافته حوضه با طبقه‌بندی بدون نظارت. محاسبه کنید. Biol. پزشکی 2008 ، 38 ، 171-184. [ Google Scholar ] [ CrossRef ]
  23. Xu، TZ; ژانگ، جی سی؛ Jia, Y. تقسیم بندی تصویر رنگی بر اساس شیب مورفولوژی و الگوریتم حوزه آبخیز. محاسبه کنید. مهندس Appl. 2016 ، 52 ، 200-203. [ Google Scholar ]
  24. چن، جی. الگوریتم تقسیم‌بندی تصویر همراه با مدل منظم زدایی PM و الگوریتم بهبود یافته حوضه. جی. مد. Imaging Health Inform. 2020 ، 10 ، 515-521. [ Google Scholar ] [ CrossRef ]
  25. گراو، وی. میوس، AUJ; آلکانیز، م. کیکینیس، آر. Warfield، SK تغییر حوضه بهبود یافته برای تقسیم‌بندی تصویر پزشکی با استفاده از اطلاعات قبلی. IEEE Trans. پزشکی تصویربرداری 2004 ، 23 ، 447-458. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. لی، بی. پان، م. Wu، ZX یک تقسیم بندی بهبود یافته از تصویر سنجش از دور با وضوح مکانی بالا با استفاده از الگوریتم حوضه آبخیز مبتنی بر نشانگر. در مجموعه مقالات بیستمین کنفرانس بین المللی ژئوانفورماتیک، هنگ کنگ، چین، 15 تا 17 ژوئن 2012. [ Google Scholar ]
  27. ژو، YA; ژانگ، MM; ژائو، جی ال. Guo، QH; Ma, R. مطالعه ارزیابی کیفیت تصاویر چند منبعی و چند مقیاسی در پیشگیری از بلایا و امداد رسانی. Disaster Adv. 2012 ، 5 ، 1623-1626. [ Google Scholar ]
  28. Wang, Y. الگوریتم تقسیم‌بندی حوضه علامت‌گذاری شده تطبیقی ​​برای تصاویر گلبول‌های قرمز خون. J. نمودار تصویر. 2018 ، 22 ، 1779-1787. [ Google Scholar ]
  29. جیا، XY; جیا، ژ. وی، YM; تقسیم بندی Liu، LZ حوضه با بازسازی سلسله مراتبی گرادیان در فضای رنگی حریف. محاسبه کنید. علمی 2018 ، 45 ، 212-217. [ Google Scholar ]
  30. یاسنوف، WA; Mui، JK; خطای Bacus، JW برای تقسیم بندی صحنه اندازه گیری می کند. تشخیص الگو 1977 ، 9 ، 217-231. [ Google Scholar ] [ CrossRef ]
  31. دورن، LKA؛ مایر، بی. Seijmonsbergen، AC نقشه‌برداری جنگلی مبتنی بر Landsat را در زمین‌های شیب‌دار کوهستانی با استفاده از طبقه‌بندی مبتنی بر شی بهبود داد. برای. Ecol. مدیریت 2003 ، 183 ، 31-46. [ Google Scholar ] [ CrossRef ]
  32. مینگ، DP; لو، جی سی. ژو، CH; Wang, J. تحقیق در مورد روش‌های تقسیم‌بندی تصویر سنجش از دور با وضوح بالا بر اساس ویژگی‌ها و ارزیابی الگوریتم‌ها. Geoinf. علمی 2006 ، 8 ، 107-113. [ Google Scholar ]
  33. چن، YY; مینگ، DP; خو، ال. ژائو، ال. مروری بر روش‌های تجربی کمی برای ارزیابی تقسیم‌بندی تصاویر سنجش از دور فضایی بالا. J. Geoinf. علمی 2017 ، 19 ، 818-830. [ Google Scholar ]
  34. هوانگ، Q. Dom, B. روشهای کمی ارزیابی تقسیم بندی تصویر. در مجموعه مقالات کنفرانس بین المللی پردازش تصویر، واشنگتن دی سی، ایالات متحده آمریکا، 23 تا 26 اکتبر 1995. [ Google Scholar ]
  35. جوزدانی، س. Chen, DM در مورد تطبیق پذیری معیارهای ارزیابی نظارت شده محبوب و اخیراً پیشنهاد شده برای کیفیت بخش‌بندی تصاویر سنجش از راه دور: مطالعه موردی تجربی استخراج ساختمان. ISPRS J. Photogramm. 2020 ، 160 ، 275-290. [ Google Scholar ] [ CrossRef ]
  36. Debelee, TG; شوونکر، اف. رحیمیتو، س. Yohannes, D. ارزیابی الگوریتم تقسیم بندی k-means تطبیقی ​​اصلاح شده. محاسبه کنید. Vis. رسانه 2019 ، 5 ، 347–361. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  37. ژانگ، اچ. فریتز، جی. گلدمن، SA ارزیابی تقسیم‌بندی تصویر: بررسی روش‌های بدون نظارت. محاسبه کنید. Vis. تصویر زیر. 2008 ، 110 ، 260-280. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. Xiao، FP با رزولوشن بالا سنجش از دور بخش بندی تصویر و استخراج اطلاعات . انتشارات علمی: پکن، چین، 2012; صص 151-156. [ Google Scholar ]
  39. زو، سی جی; یانگ، اس.زی. Cui, SC; چنگ، دبلیو. چنگ، سی. روش ارزیابی دقت برای تقسیم بندی مبتنی بر شیء تصویر سنجش از دور با وضوح بالا. قطعه لیزر پرقدرت. پرتوها 2015 ، 27 ، 37–43. [ Google Scholar ]
  40. هوور، آ. ژان باپتیست، جی. جیانگ، XY; فلین، پی جی؛ بونک، اچ. گلدگوف، دی. بویر، ک. Eggert، DW; فیتزگیبون، ا. فیشر، آر. مقایسه تجربی الگوریتم‌های تقسیم‌بندی تصویر محدوده. IEEE Trans. الگوی مقعدی ماخ هوشمند 1996 ، 18 ، 673-689. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  41. چن، HC; Wang, SJ استفاده از تفاوت رنگ قابل مشاهده در ارزیابی کمی تقسیم بندی تصویر رنگی. در مجموعه مقالات کنفرانس بین المللی IEEE در مورد آکوستیک، گفتار و پردازش سیگنال، مونترال، QC، کانادا، 17-21 مه 2004. [ Google Scholar ]
  42. هی، GJ; کاستیا، جی. Wulder، MA; Ruiz, JR یک رویکرد خودکار مبتنی بر شی برای تقسیم‌بندی تصویر چند مقیاسی صحنه‌های جنگل. بین المللی J. Appl. زمین Obs. Geoinf. 2005 ، 7 ، 339-359. [ Google Scholar ] [ CrossRef ]
  43. کاردوسو، جی اس. Corte-Real، L. به سوی یک ارزیابی عمومی از تقسیم بندی تصویر. IEEE Trans. فرآیند تصویر 2005 ، 14 ، 1773-1782. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. هافمن، پی. Lettmayer، P. بلاشکه، تی. بلژیک، م. وگنکیتل، اس. گراف، آر. Lampoltshammer، TJ; آندریچنکو، وی. به سوی چارچوبی برای تحلیل تصویر مبتنی بر عامل از داده های سنجش از دور. بین المللی J. Image Data Fusion 2015 ، 6 ، 115-137. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  45. ژانگ، XL; فنگ، XZ; شیائو، پی اف. او، GJ; ارزیابی کیفیت تقسیم بندی Zhu، LJ با استفاده از اقدامات دقیق و یادآوری مبتنی بر منطقه برای تصاویر سنجش از دور. ISPRS J. Photogramm. 2015 ، 102 ، 73-84. [ Google Scholar ] [ CrossRef ]
  46. وی، XW; ژانگ، XF; Xue, Y. ارزیابی کیفیت تقسیم بندی تصویر سنجش از دور بر اساس طیف و شکل. J. Geoinf. علمی 2018 ، 20 ، 1489-1499. [ Google Scholar ]
  47. Li، ZY; مینگ، DP; فن، YL; ژائو، LF; لیو، اس ام مقایسه شاخص های ارزیابی برای تقسیم بندی نظارت شده تصاویر سنجش از دور. J. Geoinf. علمی 2019 ، 21 ، 1265-1274. [ Google Scholar ]
  48. چن، LF; لیو، YM; Liu, Y. تقسیم‌بندی تصویر رنگی با ترکیب بهبود یافته حوضه و رشد منطقه. محاسبه کنید. مهندس علمی 2013 ، 35 ، 93-98. [ Google Scholar ]
  49. Lin, FZ Foundation of Multimedia Technology , 3rd ed.; انتشارات دانشگاه Tsinghua: پکن، چین، 2009; صص 104-106. [ Google Scholar ]
  50. گائو، دبلیو. ژو، YA; Zhao, JL طراحی و اجرای سیستم ارزیابی کمی کیفیت تولید تصویر سنجش از دور. J. Taiyuan Univ. تکنولوژی 2014 ، 45 ، 776-779. [ Google Scholar ]
  51. هانسن، مگاوات؛ فیلتر هیگینز، WE Watershed مبتنی بر حداکثر همگنی فیلتر. IEEE Trans. فرآیند تصویر 2002 ، 8 ، 982-988. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  52. Wei, DF وجود دارد جستجو در روش های استخراج خودکار لبه زمین لغزش بر اساس تصویر سنجش از دور. پایان نامه کارشناسی ارشد، دانشگاه جیائوتنگ جنوب غربی، چندو، چین، 2013. [ Google Scholar ]
  53. بروزون، ال. Prieto، DF بازآموزی بدون نظارت طبقه بندی کننده حداکثر احتمال برای تجزیه و تحلیل تصاویر سنجش از راه دور چند زمانی. IEEE Trans. Geosci. Remote Sens. 2001 , 39 , 456-460. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  54. بااتز، ام. Schäpe، A. تجزیه و تحلیل تصویر شی گرا و چند مقیاسی در شبکه های معنایی. در مجموعه مقالات دومین سمپوزیوم بین المللی در عملیاتی سازی سنجش از دور، Enschede، هلند، 16-21 اوت 1999. [ Google Scholar ]
  55. Zhang، YJ طبقه بندی و مقایسه تکنیک های ارزیابی برای تقسیم بندی تصویر. J. نمودار تصویر. 1996 ، 1 ، 151-158. [ Google Scholar ]
  56. هوانگ، تی. بای، XF; ژوانگ، QF; Xu، JH تحقیق در مورد استخراج زمین لغزش بر اساس زلزله Wenchuan در تصویر سنجش از دور GF-1. لیسانس Surv. 2018 ، 2 ، 67-71. [ Google Scholar ]
  57. لی، کیو. ژانگ، جی اف. لو، ی. جیائو، QS شناسایی زمین لغزش ناشی از زلزله و الگوهای توزیع فضایی ناشی از زلزله جیوژایگو در 8 اوت 2017. J. Remote Sens. 2019 ، 23 ، 785-795. [ Google Scholar ]
Ijgi 09 00246 g001 550
شکل 1. نقشه جغرافیایی منطقه مورد مطالعه.
Ijgi 09 00246 g002 550
شکل 2. تصاویر سنجش از راه دور GF-2: ( الف ) تصویر اصلی و ( ب ) تصویر با کنتراست تقویت شده.
Ijgi 09 00246 g003 550
شکل 3. فلوچارت پردازش استفاده شده در این مقاله.
Ijgi 09 00246 g004 550
شکل 4. مقایسه نتایج تقسیم بندی بین تصاویر پیش و پس از کنتراست تقویت شده.
Ijgi 09 00246 g005 550
شکل 5. نتایج تقسیم بندی مرز خطر شیب با استفاده از چند مقیاسی Luv-RMWS.
Ijgi 09 00246 g006 550
شکل 6. مقایسه استخراج شیب های ناپایدار با استفاده از سه روش: ( الف ) MLC، ( ب ) OOC، و ( ج ) Luv-RMWS.
Ijgi 09 00246 g007 550
شکل 7. مقایسه شیب ناپایدار استخراج شده با استفاده از سه روش: ( الف ) MLC; ( ب ) OOC، و ( ج ) Luv-RMWS.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید