بخشی از مقاله
چکیده :
طبقهبندی پوششهای زمینی در مناطق شهری به دلیل کاربردهای آن در برنامهریزیهای شهری اهمیت فراوانی دارد. تراکم و پیچیدگی در بافت شهری، استفاده از تلفیق ویژگیهای سنجندههای مختلف را به وجود آورده است. از اینرو تلفیق ویژگیهای حاصل از سنجنده-های ابرطیفی و لیدار که از نظر طیفی و ارتفاعی قابلیتهای بالایی دارند باعث انفجار ابعاد1 در فضای ویژگی تولید شده میشوند. در این مقاله روشی کارآمد جهت تلفیق و کاهش بعد فضای ویژگی با استفاده از روش گرافمبنای LPP1 ارائه شدهاست. در روش پیشنهادی ابتدا با استفاده از اعمال اپراتورهای مورفولوژی بر روی داده لیدار و ابرطیفی سه فضای ویژگی ارتفاعی، مکانی و طیفی تولید میشود.
در مرحله بعد گراف مجاورت1 با استفاده از نمونههای آموزشی هر کلاس و تعیین فاصله اطمینان برای میانگین فاصلههای اقلیدسی در هر کلاس در هر سه فضا ساخته میشود و در گام بعد این سه گراف جهت تلفیق فضاهای ویژگی به یک گراف تلفیقی تبدیل میشوند. حال ماتریس گراف مجاورت وارد پروسه مینیممسازی تابع هدف LPP جهت محاسبهی ماتریس ترانسفورماسیون بین دو فضا میشود. با محاسبه ماتریس ترانسفورماسیون، کل فضای ورودی به فضایی با ابعاد کمتر و با حفظ ساختار محلی دادهها تبدیل میشوند. در نهایت فضای کاهش بعد داده شده وارد پروسه طبقهبندی میشود. نتایج بهدست آمده حاکی از آن است که دقت طبقهبندی در روش پیشنهادی در ساخت گراف نسبت به روشهای قبلی افزایش مییابد.
-1 مقدمه
علوم فتوگرامتری و سنجشازدور با پیشرفتهایی که در سالهای اخیر درزمینهی شناسایی و استخراج عوارض داشته اند، نقش بزرگی درزمینهی تولید داده های مکانی و بر روز رسانی پایگاه داده مکانی دارند. طبقه بندی و استخراج عوارض شهری از تصاویر رقومی یکی از پیچیده ترین و مشکل تر ین فرایندهایی است که متخصصان علوم ماشینی بینایی1 و فتوگرامتری امروزه با آن روبرو هستند. عوارض شهری برای کاربردهای مختلفی ازجمله برنامه ریزی شهری، ایجاد و به روزرسانی پایگاه داده سیستم اطلاعات جغرافیایی2 و تولید مدل شهری موردنیاز میباشد. از اینرو برای دستیابی به دقتی قابل قبول در شناسایی عوارض مختلف، استفاده از تلفیق ویژگی سنجندههای مختلف پیشنهاد می-گردد.
دادههایی مانند ابرطیفی و لیدار به دلیل قابلیت طیفی و ارتفاعی بالایی که دارند مورد توجه بسیاری قرار گرفته-اند. سنجندههای ابرطیفی اطلاعات مفیدی از ویژگیهای طیفی عوارض مختلف میتواند فراهم کند اما زمانی که عوارض از نظر طیفی یکسان ولی از دو نوع مختلف باشند در شناسایی آن عارضه دچار مشکل میشود. در این شرایط استفاده از اطلاعات سنجنده لیدار که از نظر ارتفاعی قابلیت بالایی در شناسایی عوارض مختلف دارد، در کنار داده ابرطیفی میتواند کمک بهسزایی در طبقهبندی کلاسهای مختلف داشتهباشد2]،.[1 استفاده از ویژگیهای این دو سنجنده در کنار یکدیگر، فضای ویژگی با ابعاد بالایی تولید میکند که ورود این فضا به طبقهبندی کننده نه تنها دقت نهایی را بهبود نمیبخشد بلکه کاهش نیز میدهد.
الگوریتم کاهش بعد LPP که از روشهای کاهش بعد مبتنی بر یادگیری منیفلد و تقریبی خطی از روش غیرخطی LE3 میباشد، با ساخت یک گراف مجاورت با استفاده از نمونههای آموزشی، ساختار محلی نمونهها را در انتقال از یک فضا با ابعاد بالا به فضای کاهش بعد داده شده حفظ میکند. در این روش هدف حفظ ساختار محلی نمونههاست.[3] در این تحقیق از روش گراف مبنای LPP جهت کاهش بعد و تلفیق فضاهای ویژگی استفاده شده است با این تفاوت که ساخت گراف با استفاده از اطلاعات هر کلاس ساخته میشود. در بخشهای بعدی جزئیات روش پیشنهادی و نحوه عملکرد آن بیان میشود.
-2 روش پیشنهادی این تحقیق
در روش پیشنهادی ابتدا دو فضای ویژگی با استفاده از اپراتورهای مورفولوژی تولید میشود. اپراتورهای مورفولوژی با عملگرهای گشایش4 و انسداد 5 و المانهای ساختاری دیسک شکل6 و امتدادی7، به ترتیب با شعاعها و زوایای مختلف بر روی داده لیدار و دو مولفه اصلی - حاصل از اعمال - PCA تصویر ابرطیفی اعمال میشود. پروفایل مورفولوژی تولید شده بر روی داده لیدار و ابرطیفی به ترتیب فضای ویژگی ارتفاعی و مکانی را تولید میکنند. این دو فضا به همراه تصویر ابرطیفی که فضای ویژگی طیفی را شامل میشود به عنوان ورودیهای الگوریتم کاهش بعد LPP معرفی میشوند.
