مبحث شناسایی تغییرات از تصاویر سنجش‌ازدوری با توجه به لزوم کاربرد آن در حیطه‌های مختلف ازجمله مدیریت شهری و غیرشهری و پایش رشد نواحی از اهمیت بالایی در بین پژوهشگران این عرصه برخوردار است.روش‌ها و تکنیک‌های متفاوتی به‌منظور آشکارسازی تغییرات ارائه‌شده است. یکی از دسته‌بندی‌های رایج درزمینهی تکنیک‌های شناسایی تغییرات، تقسیم‌بندی به دو روش نظارت‌شده و نظارت‌نشده می‌باشد. روش‌های نظارت‌نشده بر اساس اطلاعات تصویری بوده و از کمترین اطلاعات جانبی برای تصمیم‌گیری در مورد پیکسل‌ها استفاده می‌کنند. در این مقاله روش شناسایی تغییرات خودکار جدیدی از تصاویر سنجش‌ازدوری بر اساس الگوریتم خوشه‌بندی K-Means بهبودیافته با الگوریتم بهینه‌سازی ازدحام ذرات پیشنهادشده است. هدف از روش ارائه‌شده استخراج خودکار مناطق تغییرات میان دو تصویر سنجش‌ازدوری دو زمانه می‌باشد. با توجه به اینکه در اغلب مناطق طیف وسیعی از تغییرات وجود دارد، روش ارائه‌شده قادر به شناسایی تغییرات محلی و درعین‌حال حفظ اطلاعات کلی تصویر خواهد بود. روش پیشنهادی بر روی دو پایگاه داده از مناطق آلاسکا و دریاچه ارومیه پیاده‌سازی شده و افزایش دقت شناسایی تغییرات 8 تا 13 درصدی را نسبت به روش‌های Otsu،K-Means، K-Medoids و FCM نشان می‌دهد.
Khanbani S, Mohammadzadeh A, Janalipour M. Global and Local Change Detection Using K-Means Clustering Improved by Particle Swarm Optimization. JGST 2018; 7 (3) :75-88 URL: http://jgst.issgeac.ir/article-1-650-fa.html
خانبانی سارا، محمدزاده علی، جانعلی پور میلاد. شناسایی تغییرات محلی و سراسری در تصاویر اپتیک با استفاده از خوشه بندی K-Means بهینه شده با الگوریتم ازدحام ذرات . علوم و فنون نقشه برداری. 1396; 7 (3) :75-88
