بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
ارزيابي الگوريتم هاي توليد اطلاعات مکاني جهت بهبود دقت طبقه بندي در تصاوير ماهوار اي
چکيده
طبقه بندي متداول ترين روش استخراج اطلاعات از تصاوير ماهواره اي است . روشهاي متداول طبقه بندي در تصاوير با قدرت تفکيک مکاني بالا عملکرد چندان مناسبي نشان نمي دهند. بخصوص اينکه در اين تصاوير به دليل کاهش اندازه پيکسل ها قدرت تفکيک طيفي نيز معمولاً ضعيف است . در عين حال به دليل افزايش قدرت تفکيک مکاني، اين تصاوير حاوي اطلاعات مکاني بسيار با ارزشي هستند که استفاده بهينه از آنها ميتواند باعث افزايش دقت طبقه بندي گردد. يکي از روشهاي استخراج اين اطلاعات مکاني کميسازي بافت تصوير است .
روشهاي مختلفي براي کمي سازي بافت توسط محققين ارائه شده است . در اين تحقيق روشهاي آماري مرتبه اول ، ماتريس رخداد توام ، ماتريس طول رشته ، زمين آمار و تبديل فوريه پياده سازي شده و خروجي آنها به همراه باندهاي طيفي تصوير به عنوان ويژگيهاي جانبي وارد طبقه بندي شده است و نتايج به دست آمده با يکديگر مقايسه شده اند.
کلمات کليدي : طبقه بندي، بافت تصوير
١- مقدمه
طبقه بندي متداول ترين روش استخراج اطلاعات از تصاوير ماهواره اي است . در روشهاي رايج طبقه بندي تنها از داده هاي طيفي تصوير استفاده ميشود و اجراي اين روشها روي تصاوير با قدرت تفکيک مکاني بالا که داراي قدرت تفکيک طيفي پايين تري نسبت به ساير تصاوير هستند، با نتايج قابل قبولي همراه نميباشد. از طرفي تصاوير با قدرت تفکيک مکاني بالا، حاوي اطلاعات مکاني با ارزشي هستند که غالبا به صورت موثر مورد استفاده قرار نميگيرند.
اين اطلاعات کمک زيادي در تفسير صحيح تصاوير ( حتي تصاوير تک باندي ) مينمايد و امکان تمايز بين کلاسهايي که از نظر طيفي بسيار نزديک هستند ولي بافت متفاوتي دارند را به مفسر مي دهند. چنانچه بتوان به نحوي اين داده ها را کميسازي کرده همراه با داده هاي طيفي در طبقه بندي مورد استفاده قرار داد مي توان دقت نتايج را افزايش داد.
علاوه بر آن امکان استخراج کلاسهاي دقيقتر که در حالت عادي تفکيک پذير نيستند با حفظ دقت طبقه بندي نيز فراهم خواهد شد. روشهاي متفاوتي توسط محققين براي کميسازي بافت تصوير ارائه شده است . اين روشها را ميتوان به سه دسته کلي روشهاي آماري، روشهاي ساختاري و روشهاي طيفي تقسيم بندي کردد [٢]. در روشهاي آماري با محاسبه پارامترهاي مختلف آماري تصوير بافت تصوير به صورت کمي در ميآيد. در روشهاي ساختاري از تصويرِ فيلتر شده با فيلترهاي خطي آشکار ساز نقطه ، لبه و ... براي توليد ويژگي هاي جديد استفاده ميشود. اين روشها در مورد اهدافي که ساختار منظمي دارند مثل عوارض مصنوعي عملکرد بهتري دارند. روشهاي طيفي از طيف حاصل از تبديل تصوير به حوزه فرکانس توسط مدلهاي تبديل مختلف براي توليد ويژگيهاي جديد استفاده مي کنند.
در اين مقاله تعدادي از مهمترين روشهاي آماري و مبتني بر طيف مورد بررسي قرار گرفته اند.
روشهاي مورد بررسي شامل روشهاي آماري مرتبه اول ، روشهاي آماري مرتبه دوم مبتني بر ماتريس رخداد توام و ماتريس طول رشته و روش زمين آمار است که جزو گروه روشهاي آماري محسوب مي شود. و نهايتاً روش مبتني بر تبديل فوريه تصوير که جزء روشهاي طيفي است .
٢- ويژگيهاي توليد شده
توضيح اختصاري ويژگيهايي که در اين تحقيق پياده سازي شده اند در زير ارائه شده است . اين ويژگيها در
منبع [١] بصورت تفضيلي مورد بحث قرار گرفته اند.
٢-١- آماري مرتبه اول
ابتدا به تعريف هيستوگرام يک بعدي ميپردازيم . چنانچه ( I ) درجه خاکستري پيکسل را متغيير آماري درنظربگيريم احتمال وجود درجه خاکستري ( I ) در تصوير به صورت زير قابل تعريف است [٢] :
در ادامه تعداد درجات خاکستري تصوير است . با استفاده از رابطۀ کميت هاي زير قابل تعريف هستند.
٢-١-١- ممان ها ( Moments )
ممان i ام به صورت زير تعريف ميشود :
با توجه به تعريف بالا واضح است که و ممان مرتبه ١ برابر با ميانگين درجات خاکستري تصوير است .
٢-١-٢- ممان هاي مرکزي ( Central Moments )
ممان هاي مرکزي مرتبۀ ٢، ٣ و ٤ بيش از ساير ممانها مورد استفاده قرار ميگيرند.
همان واريانس است و معيار اندازه گيري عرض هيستوگرام تصوير و بيانگر چگونگي پراکندگي درجات خاکستري نسبت به ميانگين هيستوگرام است .
به نام عدم تقارن ( Skewness ) شناخته مي شود و معياري جهت اندازه گيري ميزان عدم تقارن نمودار هيستوگرام نسبت به ميانگين است .
ميزان اوج ( Kurtosis ) ناميده شده و معياري براي وضوح تصوير ( Sharpness ) است .
٢-١-٣- ممان هاي مطلق ( Absolute Moments )
اين ممان ها فقط در مراتب فرد با ممان هاي مرکزي تفاوت دارند و به صورت زير تعريف ميشوند.
٢-١-٤- انتروپي ( Entropy )
انتروپي معياري براي اندازه گيري يکنواختي هيستوگرام است .
٢-١-٥- ميانه ( Median )
ميانه درجات خاکستري داخل پنجره است . يکي از روشهاي حذف نويز استفاده از فيلتر ميانه است .
٢-١-٦- مد ( Mode )
درجه خاکستري اي که بيشترين تعداد تکرار را دارد.
٢-١-٧- ميانگين وزندار (Weighted Distance Mean )
در اين روش ميانگين وزندار بر اساس فاصله از پيکسل مرکزي تصوير محاسبه ميگردد.
٢-٢- براساس ماتريس رخداد توأم
در ابتدا به تعريف ماتريس رخداد توأم ( Co-Occurrance Matrix که آن را Gray Tone Dependency Matrix نيز مينامند) پرداخته ميشود. اين ماتريس يک ماتريس مربعي با ابعاد است که تعداد درجات خاکستري موجود در تصوير است . هر درايۀ اين ماتريس بيانگر تعداد زوج پيکسل هايي است که در سطح تصوير داراي درجات خاکستري i و j بوده و در راستاي θ از يکديگر به اندازه d پيکسل فاصله دارند. لازم به ياد اوري است که d فاصلۀ اقليدسي نيست بلکه براساس شمارش پيکسلها به دست ميآيد.
بعد از توليد ماتريسهاي رخداد توأم ويژگيهاي مختلفي را ميتوان با استفاده از آنها توليد کرد.
روش ماتريسهاي رخداد توأم را Haralick در سال ١٩٧٣ معرفيکرد و در مقاله اي به معرفي ١٤ معيار قابل استخراج از اين ماتريس ها پرداخت [٣]. در ادامه نمونه اي از پرکاربردترين معيارها که بر مبناي اين روش طراحي شده اند ذکر شده است .
٢-٢-١- کنتراست ( ( Inertia )Contrast )
٢-٢-٢- عدم شباهت ( Dissimilarity )
٢-٢-٤- انتروپي ( Entropy )
٢-٢-٦- ميانگين و وريانس ( Mean and Variance )
بايد توجه داشت که اين ميانگين برابر ميانگين سادة درجات خاکستري تصوير نخواهد بود. زيرا چگونگي پخش و تعداد زوج پيکسلهاي داراي درجات خاکستري مختلف در محاسبۀ آن تأثير گذار است . اين دو مطلب در مورد واريانس ها نيز صادق است . [٤]
٢-٣- براساس ماتريس طول رشته درجات خاکستري (Gray Level Run Length Matrix)
Run به رشته اي از پيکسلهاي همسايه گويند که درجۀ خاکستري يکساني دارند. اين رشته پيکسل در جهات مختلف قابل تعريف است . طول اين رشته برابر با تعداد پيکسلهاي موجود در آن است . ماتريس طول رشتۀ درجات خاکستري ماتريسي است تعداد درجات خاکستري و Nr حداکثر طول رشتۀ قابل تعريف در تصوير است . و درايۀ (i,j) ام آن برابر است با تعداد رشته هاي موجود در تصوير با طول j که درجۀ خاکستري i دارند. اين ماتريس هم همانند ماتريس رخداد توأم در چهار جهت اصلي تعريف مي شود [٢].
