Journal of Geomatics Science and Technology

fa بهره گیری از الگوریتم شبکه عصبی انتشار ناهمسانگرد جهت بهبود صحت طبقه بندی تصاویر چند طیفی Improving the accuracy of classification of multispectral Images using an anisotropic diffusion neural network algorithm فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">طبقه‌بندی تصاویر سنجش از دوری به منظور تفسیر و تهیه نقشه‌های موضوعی یکی از مهم‌ترین مباحث در علم سنجش از دور می باشد. با توجه به اهمیت این فرآیند در استخراج اطلاعات از تصاویر چندطیفی ماهواره‌ای، پژوهش حاضر تلاش دارد تا با بهره‌گیری از الگوریتم شبکه عصبی انتشار ناهمسانگرد (Anisotropic Diffusion Neural Network-<a name="_Hlk185455382">ADN</a>N) به همراه بهره گیری از بافت حاصل از تبدیل موجک، صحت طبقه‌بندی تصاویر ماهواره ای را بهبود دهد. این روش، مقادیر پیکسل‌های تصویر ورودی را با میانگین وزنی متوالی بر اساس پیکسل‌های همسایه در باندهای ورودی اصلاح می‌کند. بعبارت دیگر، این الگوریتم، به عنوان یک فیلتر پایین‌گذر متغیر در فضا و زمان عمل میکند. الگوریتم مذکور تصویر چندطیفی ورودی را به پنج سطح مقیاس/وضوح انتقال می‌دهد. این الگوریتم می‌تواند همزمان اطلاعات طیفی تصویر و جزئیات بافت حاصل از تبدیل موجک را در یک نمایش چند مقیاسه پردازش کند. در این پژوهش، از تصاویر سطح ۲ لندست ۸ و سنتینل ۲ از منطقه میاندوآب در شهرستان آذربایجان غربی بهره گرفته شد. بعد از استخراج تصاویر سطوح مختلف از طریق  الگوریتم ADNN،  طبقه‌بندی تصاویر حاصله در چهار کلاس خاک، آب، گیاه و منطقه مسکونی با استفاده الگوریتم ماشین بردار پشتیبان (SVM) انجام شد. همچنین، برای ارزیابی عملکرد تصاویر حاصل از الگوریتم <a name="_Hlk185455485">ADNN</a> بر روی تصویر اصلی، طبقه‌بندی به روش شبکه عصبی مصنوعی (NNC) نیز انجام گردید. در نهایت، با انتخاب بهترین سطح شبکه طبقه‌بندی بدون نظارت با استفاده از FCM (خوشه‌بندی فازی) بر روی تصویر منتخب  اعمال گردیدنتایج این تحقیق حاکی ازآن است که بالاترین کاپای طبقه‌بندی در تصویر لندست ۸ مربوط به تصویر سطح ۲ الگوریتمADFN با صحت ۸۶٪ است که نسبت به طبقه‌بندی تصویر سطح دوم با شبکه عصبی مصنوعی با کاپای ۰.۸۳ دقت بالاتری را از خود نشان داده است. همچنین، این الگوریتم در تصویر سنجنده سنتینل ۲ نیز با کاپای ۰.۸۳ در سطح ۲ عملکرد مشابهی را نشان داد. لازم به ذکر است که در مقالات داخلی و خارجی، استفاده از این الگوریتم در طبقه‌بندی تصاویر سنجش از دور به‌طور قابل‌توجهی صورت نگرفته است. </div> <div style="text-align: justify;">Classification of remote sensing images for the interpretation and preparation of thematic maps is one of the most important topics in the science of remote sensing. Given the importance of this process in extracting information from multispectral satellite images, the present study aims to improve the accuracy of satellite image classification by utilizing the Anisotropic Diffusion Neural Network (ADNN) algorithm along with texture information obtained from wavelet transformation. This method modifies the pixel values of the input image with a sequential weighted average based on neighboring pixels in the input bands. In other words, this algorithm acts as a spatially and temporally variable low-pass filter. The mentioned algorithm transfers the input multispectral image to five levels of scale/resolution. This algorithm can simultaneously process the spectral information of the image and the texture details obtained from the wavelet transformation in a multi-scale representation. In this study, Landsat 8 Level 2 and Sentinel 2 images from the Miandoab area in West Azerbaijan province were used. After extracting different levels of images through the ADNN algorithm, the classification of the resulting images into four classes (soil, water, vegetation, and residential area) was carried out using the Support Vector Machine (SVM) algorithm. Additionally, to evaluate the performance of the images obtained from the ADNN algorithm on the original image, classification using the Artificial Neural Network (ANN) method was also conducted. Finally, by selecting the best level, unsupervised classification using FCM (Fuzzy C-means clustering) was applied to the selected image.</div> <div style="text-align: justify;">The results of this research indicate that the highest Kappa classification in Landsat 8 image belongs to the Level 2 image of the ADFN algorithm with an accuracy of 86%, which shows a higher accuracy compared to the classification of the Level 2 image with an Artificial Neural Network (ANN) with a Kappa of 0.83. Additionally, this algorithm also showed similar performance in the Sentinel 2 sensor image with a Kappa of 0.83 at Level 2. It should be noted that the use of this algorithm in remote sensing image classification has not been significantly addressed in internal and external articles. For instance, in previous studies, only wavelet transformation and neural network based on anisotropic diffusion were used for change detection. Also, the Superpixel Segmentation algorithm based on anisotropic diffusion (ADS) has been introduced to improve the boundary accuracy of superpixels and correct boundary deviations in complex remote sensing images. So far, the accuracy of this algorithm has not been compared in similar studies. This confirms the innovation of this research in applying the Anisotropic Diffusion Neural Network (ADNN) algorithm to improve the classification accuracy of satellite images.</div> طبقه بندی بدون نظارت, شبکه عصبی انتشار ناهمسانگرد, طبقه بندی چند سطحی,تصاویر چند طیفی, سنجش از دور Unsupervised classification, Anisotropic diffusion neural network, Multispectral Images, Multi-Level classification, Remote Sensning 91 104 http://jgst.issgeac.ir/browse.php?a_code=A-10-1039-1&slc_lang=fa&sid=1 Parviz Zeaieanfirouzabadi پرویز ضیاییان فیروز آبادی p.zeaiean@gmail.com 100319475328460011120 100319475328460011120 Yes Kharazmi University دانشگاه خوارزمی Mohammdad Tavakkoli Sabour محمد توکلی صبور Tavakkoli@khu.ac.ir 100319475328460011121 100319475328460011121 No Kharazmi University دانشگاه خوارزمی Behnaz Torkamani Asl بهناز ترکمانی اصل behnaz.torkaman@gmail.com 100319475328460011122 100319475328460011122 No Kharazmi University دانشگاه خوارزمی