Remote Sensing involves a wide variety of techniques for Image Classification of land cover features of different terrains. Different traditional image classifiers are present for appropriate use of land. However, these features are not satisfactory and efficient. This paper attempts to use Artificial Intelligent algorithms different from traditional classifiers for image classification in order to improve the proper use of land. The reason behind using Artificial Intelligent algorithms is that they have an extensive search space which increases their efficiency. The algorithms chosen for this purpose are meta-heuristic Cuckoo Search(CS) and Artificial Bee colony(ABC) algorithms. The image used for classification is of Saharanpur region of Uttar Pradesh with a 641 x 641 dimension. Both the algorithms prove to be efficient in image classification by effectively classifying each land cover feature and showing satisfactory Kappa Coefficient value of 0.96(CS) and 0.91(ABC). Various other metrics results like User Accuracy, Producer Accuracy has also been tabulated

چکیده

سنجش از راه دور شامل طیف گسترده ای از روش های طبقه بندی تصویر ویژگی­ های پوشش زمین از نواحی مختلف است. طبقه بندهای تصویر رایج مختلفی برای استفاده ­ی مناسب از زمین موجود هستند. با این حال، این ویژگی ها رضایت بخش و کارامد نیستند. این مقاله قصد دارد از الگوریتم های هوش مصنوعی متفاوت با طبقه بند های رایج برای طبقه بندی تصویر به منظور بهبود استفاده­ ی مناسب از زمین بهره گیرد. دلیل استفاده از الگوریتم های هوش مصنوعی این است که آنها فضای تحقیقاتی گسترده ­ای دارند که باعث افزایش بهینگی آن­ ها می­شود. الگوریتم های انتخاب شده برای این منظور الگوریتم ­های فرا ابتکاری جستجوی فاخته (CS) و کلونی زنبور عسل مصنوعی (ABC) هستند. تصویر مورد استفاده برای طبقه بندی منطقه سحران­پور از اوتار پرادش با ابعاد 641x641 است. هر دو الگوریتم با طبقه بندی موثر هر یک از ویژگی­های پوشش زمین و نشان دادن مقدار ضریب کاپای رضایت بخش، 96/0(CS) و 91/0(ABC)، اثبات کردند که در طبقه بندی تصویر، بهینه هستند. نتایج معیارهای مختلف دیگر مانند دقت کاربر، دقت سازنده نیز به صورت یک جدول مرتب شده است.