ارزيابي توانايي الگوريتم سوپرپيكسل SLIC به‌همراه الگوريتم خوشه‌بندي DBSCAN در قطعه‌بندي تصاوير سنجش‌ازدوري با توان تفكيك مكاني بالا از مناطق شهري

Evaluation of SLIC superpixel and DBSCAN clustering algorithms in segmentation of ultra-high resolution remote sensing imagery over urban areas

استفاده از سوپرپيسكل‌ها به‌عنوان يك مرحله واسط بين پردازش در سطح پيكسل‌ها و ساير پردازش‌هاي تصويري كمك شاياني به ساده‌سازي و كاهش حجم محاسبات مي‌كند. در اين پژوهش توانايي الگوريتم SLIC در توليد سوپرپيكسل‌ها و قطعات تصويري براي تصاوير سنجش‌ازدوري با توان تفكيك مكاني بالا مورد بررسي قرار گرفته است. در روش پيشنهادي سوپرپيكسل‌هاي مربعي و شش‌ضلعي مورد بررسي قرار گرفته‌اند. همچنين براي توليد قطعات تصويري با استفاده از سوپرپيكسل‌ها از خوشه‌بندي توسط الگوريتم DBSCAN استفاده‌شده است. اين سوپرپيكسل‌ها و قطعات تصويري به سه صورت بصري، نظارت‌شده و نظارت‌نشده ارزيابي شده‎اند و بررسي‌ها نشان دادند كه سوپرپيكسل‌ها و قطعات تصويري توليدشده به روش پيشنهادي انطباق مناسبي با مرز عوارض موجود در تصوير دارند. علاوه بر اين مقايسه نتايج كمي نشان داد كه روش پيشنهادي در مقايسه با روش قطعه‌بندي FNEA نتايج قابل قبولي را توليد مي‌كند.

By increasing the spatial resolution of remote sensing imaging sensors, the image analyzing paradigm is moving towards the object based image analysis approaches, instead of single pixels. Among the common segmentation algorithms, super-pixel methods are presenting themselves as the new tools in computer vision. In this paper, the capabilities of a state-of-the-art super-pixel algorithm, namely called SLIC, is investigated for creating image segments from ultra-high resolution remote sensing images. In our proposed method, square and hexagonal super-pixels were formed and then DBSCAN clustering algorithm is employed to build image segments from these pixels. The results were compared to image segments obtained from FNEA algorithm, a well-known method for remote sensing image segmentation. Visual and quantitative evaluations demonstrate the efficiency of proposed method.