قسم الفيزياء يناقش رسالة ماجستير تدرس تأثير استخدام نوى مختلفة في ICA على دقة تصنيف الصورة متعددة الأطياف


Print Friendly, PDF & Email

ناقش قسم الفيزياء في كلية التربية للعلوم الصرفة (ابن الهيثم) رسالة الماجستير الموسومة (تأثير استخدام نوى مختلفة في ICA على دقة تصنيف الصورة متعددة الأطياف) للطالب (احمد عواد خليفة) التي انجزها تحت اشراف التدريسي في القسم (أ.د. حميد مجيد عبد الجبار) ونوقشت من قبل أعضاء لجنة المناقشة المبينة أسمائهم فيما يأتي:

  • أ.د. زياد محمد عبود (رئيساً)

  • ا.م.د. تغريد عبدالحميد ناجي (عضواً)

  • أ.م.د. عدي حاتم شعبان (عضواً)

  • أ.د. حميد مجيد عبد الجبار (عضواً ومشرفاً)

ويهدف هذا البحث إلى دراسة تأثير استخدام نوى مختلفة في ICA على دقة تصنيف الصورة متعددة الأطياف باستخدام المصنف (maximum-likelihood).

وبين الطالب في رسالته ان دقة التصنيف تعد من النقاط الرئيسية في الدراسات المتعلقة بالصور الفضائية لأنها تلعب دورًا رئيسيًا في تحديد صحة النتائج وإمكانية اعتمادها في اتخاذ القرار. لذلك خضعت دقة التصنيف للعديد من الدراسات لزيادة قيمتها ، وهذا العمل البحثي يندرج ضمن هذا المسار. تركز هذه الدراسة على تأثير استخدام تحويل ICA على دقة تصنيف صور الأقمار الصناعية باستخدام مصنف الاحتمالية القصوى. تمثل منطقة الدراسة منطقة زراعية شمال العاصمة بغداد – العراق حيث تم التقاطها بواسطة القمر الصناعي لاندسات 8 في 12 كانون الثاني 2021 حيث تم استخدام حزم المستشعر  OLI. تم عمل زيارة ميدانية لمجموعة متنوعة من المعالم التي تمثل مساحة منطقة الدراسة وتم تسجيل الموقع الجغرافي لهذه الفئات.

تم استخدام نواة Gaussian و Kurtosis و LogCosh لإجراء تحويل ICA لصورة OLI  لاندسات 8.  تم عمل مجاميع تدريب مختلفة لكل من صور ICA  و لاندسات 8 بشكل منفصل والتي استخدمت في مرحلة التصنيف ، واستخدمت لحساب دقة التصنيف. تم تقديم التحليل الإحصائي لنتيجة تصنيف كل مشهد لكل فئة.

 أوضحت الدراسة أن تحويل ICA يجعل دقة التصنيف لصورة القمر الصناعي تزداد بشكل كبير، كما أن النواة Gaussian تعطي دقة تصنيف أعلى من الأنواع الأخرى تصل الى (99%). أوضحت الدراسة أن هناك فرقا طفيفا بين قيم دقة التصنيف لكل نواة لوجود فرق بين نواة وأخرى من حيث الاستجابة الطيفية.

وخلص الطالب في ختام بحثه الى التوصيات الاتية:

  • يعد استخدام ICA ضروريًا لفصل التداخل بين النطاقات الطيفية لـ OLI Landsat 8 ، وبالتالي الحصول على دقة تصنيف عالية وقابلية فصل عالية أيضًا.

  • تعد النواة Gaussian هي الأفضل في عملية التصنيف ، حيث إنها تظهر دقة تصنيف عالية مقارنة ببقية النوى ، بالإضافة إلى قابلية فصل أعلى من 1.9 لجميع الفئات.


    The Effect of Using Different Kernels in ICA on the Classification Accuracy of Multi spectral Image

    By Ahmed Awad Khalifa

    Supervised by prof.Dr.Hameed Majeed Abduljabar

    The aim of study

    Study the effect of using different  Kernels in ICA on the classification accuracy Multispectral image using maximum-likelihood standard classifier

    The Abstract

    Classification accuracy is one of the main points in studies related to satellite images because it plays a major role in determining the validity of the results and the possibility of their adoption in decision-making. Therefore, classification accuracy was subjected to many studies to increase its value, and this research work falls within this path. This study focuses on the effect of using ICA transform on the classification accuracy of satellite images using the maximum likelihood classifier. The study area represents an agricultural area north of the capital Baghdad – Iraq, as it was captured by the Landsat 8 satellite on 12 January 2021, where the bands of the OLI sensor were used. A field was made to a variety of classes that represent the landcover of the study area and the geographical location of these classes was recorded

    Gaussian, Kurtosis, and LogCosh kernels were used to perform the ICA transform of the OLI Landsat 8 scene. Different training sets were separately made for each of the ICA and Landsat 8 scene that used in the classification phase, and the classification accuracy calculation. Statistical analysis for the result of the classification of each scene is presented for each class, using ENVI 5.3 program

     The study showed that the ICA transform makes the satellite image significantly increases the classification accuracy. The ICA Gaussian kernel gave the highest classification accuracy is (99.02 %) than other kernels. The study showed that there is a slight difference between the classification accuracy values for each kernel because there is a difference between one kernel and another in terms of the spectral response

    The recommendations

    The use of ICA is necessary to separate the interference between the spectral bands of the OLI Landsat 8, thus obtaining high classification accuracy and high separability as well

    -Gaussian kernels are the best in the classification process, as they show high classification accuracy compared to the rest of the cores, as well as a separability higher than 1.9 for all classes

Comments are disabled.