چکیده:
یک شیء، پیکسلهای یک ناحیه است که ویژگیهای طیفی و مکانی آنها همگون است. طبقه بندی شیءگرا عبارت است از استخراج ویژگیهای تصویر بوسیله مدلسازی همبستگیهای مکانی جهت بدست آوردن اشیاء (ناحیه بندی) و تخصیص کل پیکسلهای درون شیء به یک کلاس ب ا استفاده توام از اطلاعات محتوایی بدست آمده (مانند: شکل، اندازه) و مدلسازی همبستگیهای طیفی (اطلاعات پیکسلها) جهت طبقه بندی. طبقه بندی شیءگر ا دارای مزایایی چون افزایش دقت طبقه بندی توسط طبقه بندی کننده های ساده به علت داشتن اطلاعات مفیدتر نسبت به طبقه بندی کننده های پیکسل گرا وکاهش حجم اطلاعات ارسالی، افزایش سرعت در طبقه بندی، کاهش میزان حافظه مورد نیاز با دسترسی تصادفی به علت فشرده سازی تصویر میباشد.
مسئله اصلی مورد تحقیق در این پایان نامه، ارائه الگوریتم هایی است که علاوه بر افزایش دقت طبقه بندی به میزان قابل توجه، شیء بامعنی نیز ایجاد کنند. در این راستا، دو طبقهبندی شیءگرا یکی بر اساس ادغام بر مبنای ویژگی های آماری همراه پیش پردازش مکانی و دیگری بر مبنای گراف پیشنهاد گردیده است. در الگوریتم های پیشنهادی، تعداد باندهای مورد استفاده جهت ناحیه بندی از سه باند به n باند گسترش یافته (استفاده از تمامی اطلاعات موجود در باندها) و شرط ادغام جهت بهبود ناحیه بندی اصلاح شده است. بدین منظور، پس از هموارکردن تصویر، آن را به کمک یکی از این دو الگوریتم ناحیه بندی کرده و سپس تصویر ناحیه بندی شده را طبقه بندی میکنیم. متوسط بردار ویژگی ناحیه مورد نظر را به عنوان نماینده آن ناحیه جهت طبقه بندی انتخاب و کل ناحیه را به یک کلاس اختصاص میدهیم. طبقه بندی مورد استفاده در این تحقیق، طبقه بندی کننده حداکثر احتمال میباشد.
با بکارگیری تصاویر واقعی چندطیفی جهت آزمایش کارآیی الگوریتم های پیشنهادی، در مقایسه با الگوریتم های NSECHO و SECHO و FNEA و AMICA و SRM+MHR، مشخص گردید بهترین نقشه مکان – مرجع ویژگی های شیء، متعلق به الگوریتم اصلاح شده ی ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مکانی است. این نقشه، بر مبنای ارزیابی شهودی نسبت به کل الگوریتمهای مطرح شده است و بامعنی بودن اشیاء حاصل شده به عنوان معیار کیفی از این نقشه برداشت میشود. بالاترین میزان افزایش دقت طبقه بندی نسبت به حالت پیکسل گرا، به عنوان معیار کیفی متعلق به الگوریتم AMICA به میزان 3/9% است و الگوریتم پیشنهادی ادغام بر مبنای ویژگی های آماری همراه پیش پردازش مکانی در مرتبه بعدی قرار دارد. الگوریتم اصلاح شده ی ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مکانی توانسته است دقت طبقه بندی را به میزان 2/33% افزایش دهد. همچنین از نقطه نظر تعداد اشیاء ، به عنوان یکی دیگر از معیارهای کمی، تعداد اشیاء در AMICA 1193 شیء یا فشرده سازی به میزان 25/81% است. این در حالی است که الگوریتم پیشنهادی ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مکانی، دارای 982 شیء یا فشرده سازی به میزان 31/36% است. به عنوان نتیجه گیری از کل معیارهای کمی و کیفی، ادعا می شود الگوریتم ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مکانی بهتر از سایر الگوریتم های مطرح شده، عملکرده است.
مقدمه:
جهت افزایش دقت طبقه بندی در تصاویر سنجش از دور، دو نوع از الگوریتمها توسعه یافته اند. نوع اول از الگوریتمها، سعی در بالا بردن دقت طبقه بندی، با افزایش پیچیدگی طبقه بندی کننده میکنند، در حالیکه در نوع دوم، سعی می کنند دقت طبقه بندی را با ناحیه بندی تصویر و سپس استفاده از طبقه بندی کننده های ساده افزایش دهند.
یکی از ملزومات توسعه هر فناوری از جمله فناوری چندطیفی، اقتصادی بودن آن میباشد. به بیان دیگر اطلاعات مطلوب باید با حداقل هزینه در اختیار مصرف کنندگان قرار گیرد، اما این امر با تعیین دقیق وضعیت در تضاد است. به عنوان مثال، برای تعیین مناطق سالم و دچار آفت نوع خاصی از غله در یک مزرعه کشاورزی به مساحت چندین هزار هکتار، دقت مکانی بالا لازم است. تحقق چنین امری نیازمند هزینه زیادی است که مصرف کننده باید آن را بپردازد . بنابراین، روشهای اقتصادی تر دیگری که نیاز به دقت مکانی بالا نداشته باشد، موردنیاز بوده و در این راستا از اطلاعات مکانی (از قبیل شکل، ارتباط با مناطق همسایه یا مجاور و بافت) موجود در شیء که منبع مهمی برای طبقه بندی تصویر به شمار می آید، برای مقایسه و طبقه بندی استفاده میشود. حتی اگر مصرف کننده از تصاویر با دقت مکانی بالا استفاده کند، معمولاً با افت دقت طبقه بندی مواجه میشود. چرا که دقت طبقه بندی وابسته به قدرت شناخت شکل و رنگ و بافت در کنار ویژگیهای طیفی دیگر توسط ماشین است. در واقع، نبود ویژگیهای مکانی منجر به خطاهای متعددی می شود. عدم استفاده از ویژگیهای مکانی در کنار ویژگیهای طیفی در روشهای شناخت الگو، منجر به عدم شناخت موثر، در انواع گوناگون پوشش زمین با خواص طیفی مشابه یا طبقه بندی پوشش های مشابه با پاسخهای طیفی متفاوت و در نتیجه با افت دقت طبقه بندی میشود. این مسئله در بخش 4-1 به تفضیل مورد بررسی قرار گرفته است.
ناحیه بندی تصویر را می توان به عنوان فرایند تقسیم تصویر به نواحی همگون بدون اشتراک به گونه ای که هیچ دو ناحیه مجاوری شرط ادغام با یکدیگر را ارضاء نکنند و تمامی پیکسلهای مشابه، توسط نواحی، با شرط مورد نظر پوشش داده شوند، تعریف نمود. اکثر روشهای ناحیه بندی مانند آشکارسازهای لبه، شکل شناسی ریاضی، تحلیل بافت، خالص سازی طیف، شبکه های عصبی، شبکه های بیز، منطق فازی و روشهای چند مقیاسی چون پیرامید، موجک و فرکتال، توپولوژی واضحی از شیء تولید نمیکنند. از طرف دیگر، در تصاویر سنجش از دور، موقعیت هایی با دقت پایین و بالا تواماً رخ میدهند (هرگاه یک شیء از تعداد زیادی از پیکسلهای منحصر بفرد در عوض اشیاء تشکیل شود، آن شیء را با دقت بالا مینامند و اگر یک تک پیکسل از تعداد زیادی از اشیاء کوچک تر تشکیل شود، آن شیء را با دقت پایین می نامند) به عنوان مثال، تصویر پوشش گیاهی جنگل با دقت 1متر را در نظر میگیریم. اگر تاج هر درخت 10 متر قطر داشته باشد، هر تاج به عنوان یک شیء از تعداد زیادی از پیکسلها ساخته شده است. در اینجا، هر 1 متر پیکسل جزئی از تاج یک درخت است یا با دقت بالا است. با این وجود، هر یک متر پیکسل ترکیبی از انعکاسهای تعداد زیادی برگ و شاخه است یا نسبت به این اجزاء منحصر بفرد خود، با دقت پایین است. در نتیجه، تصاویر سنجش از دور چند مقیاسی هستند. پیکسلهای آمیخته خود مشکل دیگری است که سبب اغتشاشات در لبه های تصویر می شود. بنابراین، هر روش ناحیه بندی ای برای تحلیل تصاویر پیچیده چندطیفی مناسب نیست. روش پیشنهادی به همراه بلوک دیاگرام مربوطه، در بخش 1-3 بیان شده است.
در این پایان نامه، پس از مروری بر تصاویر چندطیفی و طبقه بندی آنها در فصل دوم، به بیان تصویر به وسیله شیء بجای پیکسل در فصل سوم میپردازیم. فصل چهارم به طبقه بندی شیءگرا اختصاص یافته است. سه روش پیشنهادی معرفی شده در فصل پنجم به قرار ذیل هستند:
الف) ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مکانی.
ب) ادغام بر مبنای ویژگیهای آماری به صورت چند مقیاسی.
ج) ادغام بر مبنای گراف.
فصل ششم، به نتیجه گیری از کل کار و پیشنهادات تخصیص داده شده است.
تعداد صفحه : 120
طبقه بندی شی گرا اطلاعات طیفی و مکانی در تصاویر سنجش از دور چند طیفی
