بخشی از مقاله
چکیده :
طبقهبندی روشی پرکاربرد در استخراج اطلاعات از تصاویر ماهوارهای است که در حالت معمول تنها از اطلاعات طیفی تصویر به عنوان ورود استفاده میکند. با توجه به اینکه روابط مکانی بین پیکسلهای همسایه و ویژگیهای مکانی کلاسهای مختلف در تصاویر با رزولوشن مکانی بالا، نقش به سزایی در ایجاد تمایز بین کلاسهای مختلف در تفسیر انسانی دارد، محققین در تحقیقات مختلف به ارائه روشهایی جهت کمی سازی بافت تصویر و استفاده از داده های تولید شده در ایجاد تفکیک بین کلاسهای موجود در محدوده تصویر پرداخته اند. روشهای متنوعی جهت کمیسازی بافت تصویر وجود دارد که با استفاده از آنها و با تنظیم پارامترهای مختلف آنها، امکان تولید تعداد بیشماری ویژگی مکانی جدید از تصویر وجود دارد.
در این تحقیق پس از تولید ویژگیهای آماری مرتبه اول، با تولید اندکس تفاضلی از ویژگیهای تولید شده ویژگیهای جدیدی تولید شدند که بهعنوان چکیده تمامی ویژگیهای مکانی تولید شده از آنها در طبقه بندی نظارت شده تصویر در کنار باندهای طیفی استفاده شد. جهت انتخاب باندهای مورد استفاده در تولید اندکسها، پس از تولید بردار میانگین هر کلاس در فضای ویژگیهای تولید شده، ویژگیهای دارا رنج تغییرات کم حذف شده و سپس ویژگیهای دارای حداقل و حداکثر مقدار در هر کلاس انتخاب شده و پس از مقایسه با نتایج سایر کلاسها، زوج باندهای غیر تکراری انتخاب شده و ویژگیهای تفاضلی بر اساس آنها تولید شد، ویژگیهای تولید شده در کنار باندهای طیقی وارد پروسه طبقهبندی شدند، نتایج نشان دهنده افزایش قابل توجه دقتهای حاصل در تفکیک کلاسها می باشد.
واژههای کلیدی : طبقه بندی، کمی سازی بافت، اندکس، تصویر با رزولوشن مکانی بالا
-1 مقدمه
طبقهبندی پرکاربردترین روش استخراج اطلاعات از تصاویر ماهواره ای است که در پروژه های اجرایی و تحقیقاتی مورد استفاده قرار میگیرد. در روند طبقهبندی، پیکسلهای تصویر بر اساس میزان شباهت در فضای ویژگی در گروههایی مجزا قرار داده میشوند. در روشهای معمول طبقهبندی از درجات خاکستری پیکسلهای تصویر در طیف های مختلف بهعنوان داده وروی استفاده میشود. با استفاده از این دادهها امکان تفکیک عوارض موجود در تصویر محدود بوده و تنها امکان تفکیک عوارضی که از نظر طیفی تمایز مناسبی بین آنها وجود دارد برقرار است. این در حالی است که در شناسایی عوارض یک تصویر توسط مفسر، ویژگیهای مکانی عوارض مختلف بهعنوان یک معیار قوی جهت ایجاد تمایز بین آنها مورد استفاده قرار میگیرد.
این ویژگیها خصوصا در تصاویر با قدرت تفکیک مکانی بالا قابل تشخیص و مورد استفاده جهت تفکیک عوارض توسط انسان است. با پیشرفت تکنولوژی سنجندهها، امکان در اختیار داشتن داده های تصویری با رزولوشنهای بالاتر فراهم شده است. به دنبال افزایش کیفیت تصاویر، روشهای بهینه جهت استفاده حداکثری از توان اطلاعاتی تصویر توسعه داده میشود.روشهای مختلفی جهت استفاده از این اطلاعات نهفته در تصویر وجود دارد که کمیسازی بافت یکی از شاخههای اصلی این روشها است.
با استفاده از فرمولهای مختلف معرفی شده، امکان تولید انبوهی از ویژگیهای مکانی از تصویر وجود دارد که هر یک جنبه خاصی از روابط و خصوصیات مکانی عوارض تصویر را بهصورت کمی تبدیل میکنند. [1] پس از تولید این ویژگیها، بایستی به روشی مناسب، نسبت به انتخاب بهینه یا تولید یک مجموعه چکیده از آنها اقدام نمود تا بتوان در پروسه استخراج اطلاعات از آنها کمک گرفت.در این تحقیق، پس از تولید ویژگیهای مکانی و حذف اولیه تعدادی از آنها که توان تمایز کمتری داشتند، بر اساس دادههای آموزش معرفی شده برای کلاسهای تصویر، زوج کلاسهای مناسب جهت تولید اندکس بهینه هر کلاس انتخاب شده و نسبت به تولید اندکس اقدام شد. اندکس های تولید شده امکان تفکیک دقیق تر کلاسهای موجود در تصویر را فراهم نمودند.
-2 کمیسازی بافت و تولید اندکس1
روشهای مختلفی جهت کمیسازی بافت تصویر ارائه شده است و مورد استفاده قرار میگیرد که از یک دید کلی این روشها را میتوان به چهارگروه آماری، ساختاری، مبتنی بر تبدیل به حوزه فرکانس و ترکیب باندها تقسیم کرد.[2]ویژگیهای آماری در سه گروه ویژگیهای آماری مرتبه اول، ویژگیهای آماری مرتبه دوم و ویژگیهای زمین آمار قابل دسته بندی هستند. در این تحقیق از روشهای آماری مرتبه اول جهت تولید ویژگیهای مکانی مبتنی بر بافت تصویر استفاده شد. در این روشها، یک کرنل با ابعاد فرد بر روی تصویر حرکت داده شده و پس از تولید هیستوگرام تصویر در هر یک از باندها در محدوده کرنل، آمارههای مختلفی با استفاده از آن تولید شده و به پیکسل مرکزی در لایه خروجی تولید شده نسبت داده می شوند.ابتدا به تعریف هیستوگرام یکبعدی میپردازیم. اگر - - I درجه خاکستری پیکسل را متغییر آماری درنظربگیریم احتمال وجود درجه خاکستری - - I در تصویر بهصورت زیر قابل تعریف است :[3]تعداد پیکسل های دارای درجه خاکستری - × - I
-1-2 ممانها - - Moments
استفاده از ممانها در تئوری آمار و مکانیک سابقه طولانی دارد. در آمار، ممانها بهعنوان میانگین، وریانس، عدم تقارن - - Skewness و میزان اوج - - Kurtosis درنظر گرفته می شود و در مکانیک از ممان ها برای یافتن مرکز جرم و ممانهای اینرسی استفاده میگردد. اما ما از ممانها جهت تولید ویژگیهایی برای انجام طبقهبندی استفاده میکنیم.ممان i ام بهصورت زیر تعریف میشود :
با توجه به تعریف بالا واضح است که1m0و ممان مرتبه 1 برابر با میانگین درجات خاکستری تصویر است.
-2-2 ممان های مرکزی - - Central Moments
پرکاربردترین ممانهای مرکزی ممانهای مرکزی مرتبه 2، 3 و 4 هستند.2 همان وریانس است و معیار اندازهگیری عرض هیستوگرام تصویر و بیانگر چگونگی پراکندگی درجات خاکستری نسبت به میانگین هیستوگرام است.3 به نام عدم تقارن - - Skewness شناخته میشود و معیاری جهت اندازهگیری میزان عدم تقارن نمودارهیستوگرام نسبت به میانگین است.
4 4 میزان اوج - - Kurtosis نامیده شده و معیاری برای وضوح - - Sharpness است. با توجه به اندازه این آماره به هیستوگرام نامهای متفاوتی اطلاق می شود. Platykurtic برای مقادیر بزرگ میزان اوج، Leptokurtic برای مقادیر کوچک و Mesokurtic در غیر این دو صورت بهکار میرود. هیستوگرام توزیع نرمال Mesokurtic است.
