همانگونه که در شکل ۳-۱ مشخص است ابتدا یک مرحله پیش پردازش بر روی داده های ورودی انجام می شود. مرحله پیش پردازش بدین ترتیب است که با انجام اعمال بهبود تصویر و نیز هم مختصات نمودن تصاویر مربوط به قبل و بعد از رویداد زلزله برای پردازش آماده شده و سپس به کمک نقشه اطلاعات مکانی GIS Maps)) سقف ساختمان ها در منطقه مورد مطالعه استخراج می گردند. بعد از استخراج ساختمانهای کاندید در تصاویر قبل و بعد از زلزله و در مرحله پردازش اصلی، شاخصهای بافتی استخراج می شود و پس از آن بوسیله الگوریتم ترکیبی SVM و ژنتیک شاخصهای بافتی بهینه انتخاب می شود. در این مرحله پس از شناسایی شاخصهای بافتی بهینه با بهره گرفتن از الگوریتم خوشه بندی مدیریت شده SVM سقف ساختمانها طبقه بندی می شوند. پس از طبقه بندی سقف ساختمانها، با بهره گرفتن از یک سیستم استنتاج فازی در مورد وضعیت ساختمانها از نظر سالم یا تخریب شده بودن تصمیم گیری خواهد شد. در نهایت نقشه تخریب تولید شده و دقت روش مورد ارزیابی قرار می گیرد.

شکل ‏۳‑۱ مدل مفهومی الگوریتم پیشنهادی تحقیق
جمع آوری داده های مورد مطالعه تحقیق
داده های مورد استفاده در این تحقیق شامل تصاویر مربوط به منطقه زلزله زده مربوط به سنجنده QuickBird در زمان های قبل و بعد از زلزله و همچنین یکسری داده های کمکی که شامل داده های برداریGIS ای که محتوی نقشه پلیگونی ساختمان ها برای کل منطقه و نیز اطلاعات مربوط به هر کدام از پلیگون های ساختمانی از جمله شماره ساختمان و مساحت و درجه تخریب و .. می باشد.
آماده سازی داده ها
آماده سازی داده ها در دو بخش پیش پردازش داده ها و بخش استخراج سقف ساختمان ها می باشد.
پیش پردازش داده ها
مرحله پیش پردازش، اولین قدم در روش ارائه شده در این تحقیق است . مرحله پیش پردازش در این تحقیق، شامل هم مختصات کردن تصاویر قبل و بعد زلزله , هچنین تناظریابی هیستوگرام تصاویر می باشد. این مرحله اهمیت بالایی دارد چرا که عدم انجام این مرحله با دقت بالا منجر به تولید نتایج ضعیف و غیر قابل قبولی در مراحل پایانی کار خواهد شد.
یکی از روش های هم مختصات کردن تصاویر ماهواره ای استفاده از محیط نرم افزار ENVI و معرفی نقاط کنترل زمینی^[۳۲] به این نرم افزار می باشد. به این ترتیب با بهره گرفتن از نقاط کنترل زمینی به تعداد کافی میتوان تصاویر را با دقت قابل قبول ( در حد زیر یک پیکسل) هم مختصات نمود.
مرحله انتخاب ساختمانها و استخراج سقف آنها
از آنجایی که سقف ساختمان ها به عنوان واحدهای مورد مطالعه در تحقیق حاضر می باشند لذا استخراج دقیق آن ها می تواند بر نتایج مراحل بعد تاثیر گذار باشد. از موثرترین عوامل در استخراج دقیق سقف ساختمان ها برای استخراج دقیق سقف ساختمان ها این است که تصاویر قبل و بعد از زلزله و همچنین نقشه برداری منطقه به صورت دقیق هم مختصات شوند. بعد از انجام این امر در مرحله پیش پردازش داده ها، به کمک نرم افزار ENVI ، ابتدا ROI هایی منطبق بر Shape File های داده های برداری تعریف می شود و سپس با تولید Mask از این ROI ها و در نهایت با اعمال این Mask بر تصاویر قبل و بعد از وقوع زلزله، سقف ساختمان ها استخراج می شود.
استخراج ویژگی های بافتی
همانطور که مطالعات پیشین نشان می دهد استفاده از آنالیز بافت به دلیل اینکه نواحی تخریب شده نسبت به نواحی سالم دارای بافتی خشن تر می باشند، در تعیین ساختمان های آسیب دیده شهری در مناطق زلزله زده میتواند موثر واقع شود.
در فصل دوم به شرح آنالیز بافت شامل تعریف بافت، انواع روش های استخراج ویژگی های بافت، همچنین ویژگی های ارائه شده توسط هارالیک و طبقه بندی بر مبنای بافت پرداخته شد. ویژگی های بافتی مورد استفاده در این تحقیق، ویژگی های هارالیک می باشند که توضیح مختصر مراحل استخراج این ویژگی های بافتی از تصاویر مربوط به زلزله به صورت ذیل می باشد.
استفاده از یک پنجره متحرک ۵ * ۵ پیکسلی
محاسبه ماتریس هم اتفاق برای چهارجهت اصلی صفر،۴۵، ۹۰، ۱۳۵ درجه با فاصله یک پیکسل
میانگین گیری از ۴ ماتریس هم اتفاق حاصل شده از اعمال ۴ جهت اصلی برای بدست آوردن ماتریس هم اتفاق نهایی
تولید تصویر بافتی نهایی از میانگین گیری از توصیف گرهای بافتی بدست آمده در چهار جهت
نمایش توصیف گرهای بافتی استخراج شده مرتبه دوم هارالیک (مانند میانگین، انتروپی، ماکسیمم احتمال و …)
تولید تصویر بافتی تفاضلی با بهره گرفتن از تفاضل نظیر به نظیر باندهای تصاویر بافتی مرحله قبل
از آنجایی که کارایی و دقت ویژگی های بافتی آماری مرتبه دوم ارائه شده توسط هارالیک، در امر تعیین میزان تخریب ساختمانها توسط تحقیقات مختلف به اثبات رسیده، لذا در تحقیق حاضر از ویژگی های آماری مرتبه دوم هارالیک به منظور آشکارسازی و تعیین میزان تخریب ساختمانها استفاده می شود.
جدول ‏۳‑۱ توصیف گرهای آماری استخراجی از ماتریس هم اتفاق (هارالیک)
در این میان ویژگی­هایی که با یکدیگر همبستگی کمتری داشته و در گزارشات مربوط به استخراج بافت تصاویر سنجش از دور مقبولیت بیشتری دارند استفاده شدند (جدول۳-۱).
خروجی این مرحله یک تصویر هشت باندی است که از تفاضل تصاویر بافتی هشت باندی مربوط به قبل و بعد از زلزله می باشد. تصویر بافتی تفاضلی حاصل در مراحل بعد در طبقه بندی سقف ساختمان ها استفاده خواهد شد.
یافتن ویژگی های بافتی (باندهای) بهینه با بهره گرفتن از GA و SVM
همان گونه که در مرور ادبیات اشاره شد پس از استخراج ویژگی های بافتی تصویر و با توجه به اینکه هر ترکیب چند تایی از ویژگی های بافتی در طبقه یندی تصویر دقت متناظر خود را تولید میکند از اینرو در این مرحله از تحقیق به دنبال یافتن ترکیبی بهینه از شاخص های بافتی هستیم که بیشترین دقت را در طبقه بندی تصاویر بدست دهد. به منظور دستیابی به ویژگی های بافتی بهینه، از الگوریتم ترکیبی بهینه سازی ژنتیک و SVM استفاده می شود (شکل ۳-۲).
Feature
SVM
Classification Accuracy
GA
Best Feature
شکل ۳-۲ فرایند کلی الگوریتم ترکیبی GA و SVM جهت انتخاب ویژگی های بهینه
توضیح مختصری درمورد الگوریتم ژنتیک و الگوریتم SVM در فصل دوم اشاره شده است. مطابق مطالبی که در فصل دوم اشاره شد، در الگوریتم ژنتیک برای بهینه سازی نیاز به معیاری وجود دارد که بوسیله آن بتوان قوی یا ضعیف بودن اعضای هر نسل را سنجید و با توجه به آن نسل های جدیدتر را تولید کرد که در تحقیق حاضر از الگوریتم SVM برای برازش اعضا استفاده خواهد شد.
مراحل کلی نحوه انتخاب ویژگی های بافتی بهینه در این تحقیق به صورت شکل ۳-۳ خواهد بود که در ادامه شرح داده خواهد شد.
باندهای منتخب
دقت طبقه بندی هر کروموزوم(Fittness)
Fittness
شکل ‏۳‑۳ نحوه انتخاب ویژگی های بافتی بهینه در این تحقیق
در تحقیق حاضر ورودی مسئله بهینه سازی، ویژگی های بافتی استخراجی از تصویر می باشند.
انتخاب ویژگی های بهینه به گونه ای انجام خواهد شد که میزان اختلاف ضرایب کاپای حاصل از طبقه بندی قطعه تصویر نمونه به کمترین مقدار برسد. در الگوریتم مورد استفاده در این روش، کرموزوم ها، یک بردار از ویژگی های استخراج شده برای پیکسل های تصویر بوده و تعداد ژن های تشکیل دهنده آن ها برابر با تعداد ویژگی های استخراجی است. در واقع هر کدام از ژن ها نشانگر یکی از ویژگی های استخراجی است. عدد یک نشان دهنده حضور و عدد صفر به معنای عدم حضور ویژگی مورد نظر در طبقه بندی بر مبنای ویژگی های بافتی است. شکل ۳-۴ نشان دهنده یک نمونه از کروموزوم های مورد استفاده در الگوریتم ژنتیک استفاده شده در این تحقیق است.