روشی برای بخش بندی تصاویر سنجش از دور با استفاده از الگوریتم Watershed و خوشه بندی Fuzzy C-Means

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 377

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JCEJ-10-37_006

تاریخ نمایه سازی: 21 تیر 1400

چکیده مقاله:

در تقسیم بندی پیکسل های تصویر سنجش از دور با استفاده از بخش بندی Watershed، مرزهای تصویر به خوبی آشکار نمی شوند. در این مقاله، یک الگوریتم خوشه بندی تصویر بر اساس بخش بندی Watershed و خوشه بندی Fuzzy C-Means ارائه شده است. روش کار به این صورت است که در ابتدا از الگوریتم Watershed برای بخش بندی تصویر حاصل از مجموع مشتق تصویر با تصویر اصلی استفاده می­شود. مشتق گرفتن از تصویر موجب می­شود مرزهای تصویر به خوبی آشکار شده و رویهم افتادگی بین مرزها رخ ندهد. پس از بخش بندی، برای ترکیب نواحی مشابه حاصل، از خوشه بندی Fuzzy C-Means استفاده می­شود. در نهایت، به منظور بهبود نتایج خوشه بندی، یک ماتریس تقسیم بندی جدید نیز برای هر ناحیه از تصویر، با توجه به ویژگی­های نواحی همسایه­ی آن محاسبه می­شود. با توجه به اینکه تصاویر سنجش از دور شامل یک سطح نویز بالا هستند، الگوریتم پیشنهادی در مقایسه با الگوریتم Watershed رایج، توانایی بیشتری در مقابله با نویز دارد و لبه های تصویر بهتر نمایان می­شوند. نتایج آزمایش روش پیشنهادی بر روی یک نمونه تصویر سنجش از دور، عملی بودن و کارایی الگوریتم پیشنهادی را نشان می­دهد.

کلیدواژه ها:

سنجش از دور ، بخش بندی ، الگوریتمWatershed ، خوشه بندی Fuzzy C-Means

نویسندگان

محسن حامد

آموزشکده فنی و حرفه ای سما، دانشگاه آزاد اسلامی، واحد بوشهر، بوشهر، ایران

فاطمه حاجیانی

دانشگاه آزاد اسلامی واحد خورموج، ایران، عضو هیات علمی

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • M. Williamson, “Cambridge Dictionary of Space Technology,” Cambridge University Press, ...
  • J. C. Bezdek, “Pattern recognition with fuzzy objective function algorithms,” ...
  • Zeng. Xuexing, Ren. Jinchang, McKee. David, Lavender. Samantha, Marshall. Stephen, ...
  • Du Gen-yuan, Miao Fang; Sheng-Li, Tian; Liu Ye, "A Modified ...
  • Li Ma, R.C. Staunton, “A modified fuzzy c-means image segmentation ...
  • Leonid P. Podenok, RaufKh. Sadykhov, “Multispectral Satellite Image Segmentation Using ...
  • J. Fan, M. Han, and J. Wang, “Single point iterative ...
  • Leonid P. Podenok, RaufKh. Sadykhov, “Multispectral Satellite Image Segmentation Using ...
  • S. Saha and S. Bandyopadhyay, “A Symmetry Based Multiobjective Clustering ...
  • M. Hasanzadeh, and s. kasaei, “A Multispectral Image Segmentation Method ...
  • W. S. Aldrich, M. E. Kappus, and R. G. Resmini, ...
  • Pal. N. R, and Pal, S. K, “A Review on ...
  • L. Vincent and P. Soille, “Watersheds in digital spaces: An ...
  • Tarabalka. Y, Chanussot. J, and Benediktsson. J. A, “Segmentation and ...
  • Beucher. S, “The watershed transformation applied to image Segmentation,” Scanning ...
  • J. C. Bezdek, “Pattern recognition with fuzzy objective function algorithms,” ...
  • J. C. Bezdek. “Cluster validity with fuzzy sets” Cybernetics and ...
  • J. C. Bezdek. “Mathematical models for systematic and taxonomy”. Proc. ...
  • R. Babuska, P. J. v. d. V. and Kaymak, U. ...
  • Gath, I. and Geva, A. B. (۱۹۸۹). “Unsupervised optimal fuzzy ...
  • نمایش کامل مراجع