fa استخراج عوارض از تصاویر ماهواره ای WorldView-3با استفاده از الگوریتم آدابوست به کمک ویژگی های هار-لایک فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <p style="text-align: justify;"><span dir="RTL">پیشرفت و توسعه‌ی هر جامعه در گرو در دست داشتن اطلاعات صحیح و به هنگام از محیط پیرامون خود می‌باشد. بسیار از اطلاعات محیط پیرامون مربوط به موقعیت عوارض مختلف می‌باشد. این موقعیت‌ها می‌توانند از راه‌های مختلفی به دست بیایند. از جمله‌ی این راه‌ها می‌توان به استخراج دستی موقعیت این عوارض از تصاویر ماهواره‌ای اشاره کرد که به علت زمان و هزینه‌بر بودن این روش استفاده از آن چندان مفید و معقول به نظر می‌رسد. از این رو استخراج خودکار عوارض از تصاویر ماهواره‌ای با شرط دارا بودن دقت کافی می‌تواند به‌عنوان روشی مناسب برای جایگزین شدن روش‌های دستی مطرح گردد. در این مقاله به بررسی و تحلیل حساسیت الگوریتم آموزشی آدابوست<a href="#_ftn1" name="_ftnref1" title=""><span dir="LTR">[1]</span></a></span> با استفاده از عوارض هار-لایک<a href="#_ftn2" name="_ftnref2" title=""><span dir="LTR">[2]</span></a> پرداخته‌ایم. این الگوریتم در ابتدا به یک سری تصاویر به‌منظور الگوی آموزشی مثبت و منفی و برای آموزش الگوریتم نیاز دارد، لذا این تصاویر برای سه عارضه‌ی اتومبیل، هواپیما و مخازن نفتی استخراج شده و برای آموزش الگوریتم مورد استفاده قرار می<span dir="RTL">&shy;</span><span dir="RTL">گیرد. پس از آموزش الگوریتم از تعداد الگوهای کافی برای هر کدام از عوارض استفاده شده، الگوریتم آموزش دیده و آماده برای استخراج عوارض از تصاویر ماهواره‌ای و در مقایس</span><span dir="RTL">&shy;</span><span dir="RTL">های متفاوت می</span><span dir="RTL">&shy;</span><span dir="RTL">باشد. در این پژوهش از تصاویر ماهواره‌ای </span>WorldView-3<span dir="RTL"> یا توان تفکیک مکانی نیم</span>&shy;<span dir="RTL">متر استفاده شده است. پس از استخراج عوارض توسط الگوریتم به‌منظور بررسی دقت و کارایی الگوریتم به مقایسه‌ی نتایج این الگوریتم با نتایج حاصل از استخراج عوارض به‌صورت دستی پرداخته‌ایم که این مقایسه نشان از کارایی بالای الگوریتم در استخراج عوارض داشته است (دقت بالای 90%). از</span> <span dir="RTL">خصوصیات اصلی این روش، سرعت بالا در استخراج عوارض از تصاویر بسیار بزرگ می</span><span dir="RTL">&shy;</span><span dir="RTL">باشد. در پایان نیز وابستگی دقت و تمامیت آن نسب به پارامترهای مختلف آموزشی مورد بررسی قرار گرفته و به تحلیل حساسیست پرداخته</span><span dir="RTL">&shy;</span><span dir="RTL">ایم، که در زمینه‌ی آموزش الگوریتم به‌منظور استخراج عوارض دیگر بسیار کمک کننده می&shy;باشد.</span></p> <div>&nbsp; <hr align="left" size="1" width="33%" > <div id="ftn1"> <p><span dir="RTL">1</span> AdaBoost</p> </div> <div id="ftn2"> <p><span dir="RTL">2</span> Haar-Like</p> </div> </div> <p style="text-align: justify;">Progress and development of any society depends on having accurate information from its environment. This information extraction can be achieved in several ways. One of the ways you can manually extract the position of the objects from satellite images that very time consuming. Automatic extraction of the features from satellite imagery has provided sufficient accuracy can be considered as an appropriate method to replace manual methods. This paper addresses Adaboost training algorithm and its sensitivity analysis by using Haar-like features. As the algorithm&rsquo;s name imply, a set of images are required to train the algorithm and to build positive and negative training schemas. The images are extracted form three features such as automobile, airplane and oil reservoirs; moreover the images are utilized for the training of the algorithm. After the algorithm&rsquo;s training for each aforementioned features by using enough quantity of schemas, the training procedure is completed and ready for the feature extraction from the satellite images. This research have studied on WorldView-3 satellite images with the spatial resolution of 40 centimeters. In present study and after the feature extraction, the algorithm&rsquo;s results are compared to results which is derived from the manual extraction. The comparison shows the high efficiency and precision of the algorithm. In the automobile and oil reservoirs accuracy and completeness algorithms able to reach 90percent. The main characteristic of this algorithm is to run quickly in very large high resulation satellite imagery. In order to analyze the sensitivity of the, the interdependency of the algorithm&rsquo;s precision and completeness is studied in comparison with a verity of parameters of algoritm&rsquo;s including the number of training stage&rsquo;s and completeness of each stage so on that can be very expediting and helpful in the training of the algorithm for the extraction of other features.</p> استخراج عوارض, آدابوست, هار-لایک, آموزش, تصاویر با توان تفکیک مکانی بالا Feature Extraction, Adaboost, Haar-like, Training 41 53 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-100&slc_lang=fa&sid=1 M. Hassanlou مهدی حسنلو hasanlou@ut.ac.ir 10031947532846003909 10031947532846003909 Yes S. H. Ahmadi Salianeh سید حمید احمدی سالیانه s_hamidahmadi@ut.ac.ir 10031947532846003910 10031947532846003910 No