fa روشی تلفیقی برای شناسایی ساختمان از تصویر SAR با قدرت تفکیک بالا در مناطق شهری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <p style="text-align: justify;"><span dir="RTL">به‌منظور مدیریت هرچه بهتر مناطق شهری و نیمه‌شهری وجود اطلاعات مکانی دقیق و به هنگام، از عوارض و پدیده&shy;های طبیعی و مصنوعی</span> <span dir="RTL">موردنیاز</span> <span dir="RTL">می‌باشد. در این راستا استخراج اطلاعات مکانی ساختمان‌ها، به‌عنوان یکی از عوارض غالب بر محیط شهری موردتوجه محققان سنجش‌ازدور و فتوگرامتری می‌باشد. به همین منظور، دستیابی به الگوریتمی مناسب جهت شناسایی و استخراج ساختمان‌ها از تصاویر هوایی و ماهواره‌ای بسیار مورد اهمیت است. ازاین‌رو در این مقاله تلاش شده است، روشی جهت بهبود شناسایی ساختمان از تصویر شدت </span>TerraSAR_X<span dir="RTL"> ارائه شود. در روش پیشنهادی، با به‌کارگیری تلفیق طبقه‌بندی کننده‌ها و بهره گیری از اطلاعات همسایگی هر پیکسل، باعث بهبود نتایج شناسایی ساختمان و کاهش نویز در این تصاویر شده است. بنابراین در این روش، ابتدا به استخراج و انتخاب ویژگی بهینه از تصویر </span>TerraSAR_X<span dir="RTL"> پرداخته‌شده است. سپس به مقایسه و ارزیابی توانایی طبقه‌بندی کننده‌های مختلف که شامل شبکه عصبی، ماشین بردار پشتیبان، بیشترین شباهت و نزدیک‌ترین همسایگی در شناسایی ساختمان</span> <span dir="RTL">پرداخته‌شده است. سپس به منظور بهبود نتایج، اقدام به تلفیق نتایج در سطح تصمیم‌گیری توسط پنجره&shy;ای متحرک شده است.</span> <span dir="RTL">نتایج حاصل از روش پیشنهادی با دقت کلی و دقت شناسایی ساختمان به ترتیب</span><span dir="RTL">%86.41 و %</span><span dir="RTL">73.08 مؤید توانایی این روش می‌باشد. همچنین استراتژی تلفیق پیشنهادی منجر به حداقل 5% بهتر شدن نتایج دقت شناسایی ساختمان‌ها </span><span dir="RTL">نسبت به استفاده مجزا از هر طبقه‌بندی کننده </span><span dir="RTL">شده است.</span></p> <p style="text-align: justify;">Precise and up-to-date spatial information from natural and artificial phenomena are needed for better management of urban and semi-urban areas. For this purpose, extraction of spatial information from buildings, as one of the dominant urban features, has attracted the attention of photogrammetry and remote sensing specialists. Thus achieving an appropriate algorithm for detection and extraction of buildings from aerial and satellite images is crucially important. In this paper, therefore, it has been attempted to propose a method for improving detection of buildings in TerraSAR-X images. In the proposed method, applying integration of classifiers and employing neighbourhood information of each pixel have improved the results of building detection and reduced the amount of noise. Therefore, in this method, initially extraction and selection of the optimum feature is carried out. Then, the capability of various classifiers like Neural Network, Support Vector Machine, Maximum Likelihood and Nearest Neighbour is assessed and compared. Then, for improving the results, the results are integrated in decision level using a moving window. The results of the proposed method with overall accuracy and building detection accuracy of 86.41% and 73.08%, respectively indicates the capability of this method. Also, the proposed integration method has improved the results at least by 5% compared to that of individual usage of each classifier.</p> ساختمان, SAR, تلفیق, شبکه عصبی, بیشترین شباهت, ماشین بردار پشتیبان, نزدیک‌ترین همسایگی Building Detection, Fusion, SAR, Neural Network, Support Vector Machine, Nearest Neighbour, Maximum Likelihood 23 32 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-98&slc_lang=fa&sid=1 M. Teimouri مریم تیموری mteimouri@mail.kntu.ac.ir 10031947532846003901 10031947532846003901 Yes M. Mokhtarzade مهدی مختارزاده m_mokhtarzade@kntu.ac.ir 10031947532846003902 10031947532846003902 No M. J. Valadan Zouj محمدجواد ولدان زوج valadanzouj@kntu.ac.ir 10031947532846003903 10031947532846003903 No