Semantic Segmentation of Aerial Images Using Features of Color and Texture
In this thesis, a semantic segmentation method for aerial images is presented. Semantic segmentation allows the task of segmentation and ltr" Keywords: Semantic Segmentation, Texture descriptor, aerial images, Oversegmentation, superpixel
¬در این پایان¬نامه یک روش بخش¬بندی معنایی برای تصاویر هوایی ارائه شده است. بخش¬بندی معنایی باعث می¬شود، عمل بخش¬بندی و طبقه¬بندی به طور هم¬زمان در یک گام مؤثر انجام شود. در حقیقت یک برچسب معنایی برای هر بخش متناظر با کلاس آن (نظیر درخت، جاده، ساختمان، چمن و آب) اختصاص می¬یابد. این یک جنبه مهم برای سیستم فرود خودکار می¬باشد. برای فرود هواپیمای خودکار، عمل بخش¬بندی به تنهایی کافی نمی¬باشد. علاوه بر آن به یک فهم معنایی از تصویر ورودی برای شناسایی امکان یک فرود امن نیاز است. ترکیب این دو مرحله مهم¬ترین هدف به¬کارگیری روش¬معنایی می¬باشد. این الگوریتم برپایه توصیف رنگ و بافت می¬باشد. در مرحله آموزش، ابتدا ناحیه¬هایی همگن را به طور دستی استخراج کرده و هر ناحیه را به طور معنایی برچسب دادیم. سپس توصیف¬گرهای بافت و رنگ برای هر ناحیه در تصاویر آموزش محاسبه شدند. ترکیب توصیف¬گرها و برچسب معنایی آن¬ها برای ایجاد طبقه¬بندی¬کننده –Kنزدیک¬ترین همسایگی استفاده می¬شود. برای بخش¬بندی یک تصویر جدید، آن را به تعدادی ابرپیکسل بیش¬بخش¬بندی می¬کنیم. ابرپیکسل¬ها ناحیه¬هایی یکنواخت و همگن از تصویر ورودی را به طور خودکار فراهم می¬کنند. سپس توصیف¬گرهای بافت و رنگ را برای هر ابرپیکسل محاسبه می¬کنیم و K- امین همسایگی نزدیک (به این بردار چند بعدی ) از طبقه¬بندی¬کننده K را انتخاب می¬کنیم. این طبقه¬بندی¬کننده ابرپیکسل¬ها را به طور معنایی برچسب می¬زند. برچسب¬زنی همه ابرپیکسل¬ها طرح بخش¬بندی را فراهم می¬کند. از هیستوگرام¬های LBP-HF و رنگ تصاویر RGB به ترتیب،به عنوان توصیف¬گرهای بافت و رنگ استفاده می¬کنیم. این تصمیم مبتنی بر ارزیابی توصیف¬گرهای بافت مختلفی که در این پایان¬نامه شرح داده شدند ،می¬باشد. توصیف¬گر بافت LBP-HF به طور کلی نسبت به چرخش مقاوم می¬باشد و اثبات شده است،که نسبت به بسیاری از توصیف¬گرهای بافت پیشرفته بهتر عمل می¬کند. این الگوریتم به مجموعه وسیعی از تصاویر هوایی اعمال شد و نشان داده شد که دارای میزان موفقیتی در حدود %96 می¬باشد. به دلیل آن¬که مرز ابرپیکسل¬ها منطبق بر لبه¬های تصویر است، این الگوریتم قابلیت حفظ مرزها را دارد. ناحیه¬هایی که به چند قسمت تقسیم شده¬اند، با موفقیت بخش¬بندی شده و برچسب مشابه می¬گیرند. چون این بخش¬بندی در سطح ابرپیکسل (نه در سطح پیکسل) انجام می¬شود، مرحله تست بسیار سریع و مؤثر می¬باشد. این مزیت بسیار مهمی از این الگوریتم می¬باشد. همچنین این روش با روش¬هایی مشابه بر روی پایگاه داده یکسانی مقایسه شد. نتایج مقایسه برتری روش پیشنهادی را تأیید کرد. کلمات کلیدی: 1- بخش¬بندی معنایی 2- توصیف¬گر بافت 3- تصاویر هوایی 4- بیش¬بخش¬بندی 5- ابرپیکسل
