بخشی از مقاله
چکیده :
میدان های تصادفی و مشروط - CRF - اخیرا برای دسته بندی سنجش تصاویر از راه دور معرفی شده اند تا اطلاعات متنی را در دسته بندی سنجش از راه دور ایجاد نمایند. این میدان ها از خصوصیات فضائی در عناصر تصویری داده های طیفی و طبقه بندی ها استفاده می کنند. اما، این مورد با هدفگیری مقادیر زیادی از پارامترهای نمونه مرتبط می باشد. در این نوشته، کارائی هدفگیری با اصلاح نمونه مشروط CRF بهبود یافته است. و گروهی از موانع محدوده ای به طور همزمان در این چارچوب اعمال نفوذ می نمایند تا از اصلاح بیش از حد جلوگیری نمایند. مزیت های این شیوه ابداعی با استفاده از داده های واقعی سنجیده شده از راه دور در نتایج آزمایشی نشان داده شده اند.
کلمات کلیدی - میدان های تصادفی مشروط - CRFs - ، اطلاعات متنی، میدان تصادفی مارکو - MRF - ، دسته بندی طیفی - فضائی
مقدمه و هدف:
شیوه متداول برای دسته بندی چندگانه/ماوراء طیفی سنجش تصاویر از راه دور، ارتباط با سنجش های طیفی برای هر یک از عناصر یک تصویر به عنوان نشانه ای مجزا و استفاده از تکنیک های شناسائی طرح ها برای طبقه بندی آنها بدون در نظر گرفتن تأثیر عناصر تصویری مجاور می باشد . - 1 - اما، اطلاعات فضائی مانند تارو پودها، محدوده های اشیاء، و شکل ها میتوانند بسیار مفید باشند و شیوه فراگیری دسته بندی سنجش از راه دور اختلاط اطلاعات فضائی و طیفی در یک دستگاه با یکدیگر به یکی از موارد مورد تمرکز تحقیقاتی در سالهای اخیر تبدیل شده است.شیوه های متعددی برای ارزیابی اطلاعات فضائی مورد بررسی قرار گرفته اند. فیلترسازی ریخت شناسی برای افزایش ساختارهای فضائی به منظور بهبود نتایج طبقه بندی مطرح گردیدند - 2 - ، . - 3 -
فاول و همکاران - 4 - تکنیک های ترکیب و امتزاج مربوط به ترکیب خصوصیات ریخت شناسی با گروه های طیفی را جهت طبقه بندی داده های ماوراء طیفی بررسی نمودند.متناوبا، با مفروض نمودن همبستگی فضائی بالا در تصویر، اطلاعات متنی نیز مستقیما می توانند در قاعده دسته بندی ادغام شوند. شیوه احتمالی کاهش طبقه بندی برای رسیدن به ثبات فضائی، عضویت گروه عناصر تصویری تعیین شده را با اعضای گروههای مجاور ترکیب می کند . - 5 - اطلاعات بافتی نیز با استفاده از تقسیم بندی آب پخشان - 6 - یا تقسیم گروهها به اجزای کوچکتر - 7 - که با استفاده از رأی اکثریت با قسمتهای طیفی ترکیب شده اند در تقسیم بندی طرح اولیه قابل استخراج می باشند. شیوه های پیشرفته تر مبنی بر نمودارها نیز اخیرا توسعه یافته اند.
ولاسکو- فوررو و همکاران - 8 - از هسته اصلی مرکب و مواج در دسته بندی کننده مبنی بر نمودار استفاده کرده اند، و کامپز-والز و همکاران - 9 - هسته اصلی نموداری را ابداع نمودند که شامل ترکیب ساختار هسته اصلی می شد و نیز روابط بیشتر گروههای مجاور را در نظر می گرفت.یکی از ساختارهای کلی اطلاعات فضائی ترکیبی با اطلاعات طیفی استفاده از شیوه های میدان تصادفی مارکو - MRF - - 11 - ، - 10 - است. MRF شیوه ای متداول برای طراحی اطلاعات بافتی در دسته بندی تصاویر می باشد. بر مبنای قاعده بایسیان، احتمالات بعدی طبقه بندی های مشخص و داده های طیفی مشاهده شده به عنوان نتیجه احتمال نسبی گروه - احتمال شرطی بودن گروه - و احتمالات قبلی گروه ها نمایش داده شده اند.
طبق چارچوب MRF، احتمالات قبلی گروهها با استفاده از نمونه پاتز برای بدست آوردن اطلاعات بافتی مربوط به کندی و تجانس طبقه بندی تصاویر انجام شدند. و تا زمانیکه MRF به طور گسترده در طبقه بندی تصاویر استفاده می شود، اطلاعات طیفی را فقط در طبقه بندی تصویر و نه در تصویر اصلی طیفی مشاهده شده بررسی میکند. اصلاحات برای درج اطلاعات بافتی در داده های اصلی - 12 - ، - 13 - انجام می شوند. به تناوب، میدان های تصادفی مشروط - CRF - که احتمالات بعدی گروهها را شکل می دهند مانند توزیع مستقیم گیبز - 14 - نیز قابل استفاده میباشند. طبق این شیوه، خصوصیت فضائی در گروه عناصر داده های تصویری و دسته بندی مستقیم گروه ها آمیخته شده است.
یکی از نمونه های عمومیت یافته پاتز برای اصطلاح فضائی - 15 - CRF ابداع گردید. زونگ و وانگ - 16 - اخیرا CRF را برای دسته بندی تصاویر ماوراء طیفی ابداع نمودند و در نتیجه عملکرد بهبود یافته در طبقه بندی عناصر تصویری را نشان دادند. اما، تعداد زیادی از پارامترهای نمونه برای هدفگیری وجود دارند، که اجرای CRF را دشوار و زمان بر می کنند. یکی دیگر از نقاط ضعف ها این است که این نمونه فرضیه کندی و تجانس در کل تصویر را دارا می باشد و به آشکاری محدوده اطلاعات در روند موارد طبقه بندی شده توجه نمی نماید. در این نوشته، الگوریتم جدید بر مبنای CRF را جهت سنجش طبقه بندی تصاویر از راه دور را توسعه بخشیدیم. بار هدفگیری به طور
قابل توجه در عملیات انجام شده کاسته شده اند. اطلاعات بافتی محدوده ای برای جبران کندی نمونه های پاتز در زمان استفاده در عناصر تصویری مرتبط یافته ارائه گردیده اند.شیوه کلی ما برای هدفگیری طبقه بندی کننده ها در طبقه بندی سنجش تصاویر از راه دور انتخاب نمونه هایی از گروههای مشابه می باشد بدین معنا که شامل نمونه های همراه با محدوده های بین گروههای مختلف نمی شوند. در این شیوه؛ موقعیت فضائی برای نمونه ما تفکیک، - 5 - و به معادله زیر تبدیل می شود:در این مورد، احتمال بعدی ، می تواند به صورت ذیل نوشته شود:می توان مشاهده نمود که به حداکثر رسانی باعث ایجاد حداکثر تخمین زننده بعدی Y - MAP - برای هدفگیری نمونه های تعیین شده می شود. این مورد روند هدفگیری را در CRF ساده تر می کند.
در این نوشته، از حافظه محدود شده الگوریتم های برویدن - فلچر - گلدفارب - شانو - BFGS - برای هدفگیری پارامترهای در نمونه MLR استفاده می کنیم. این الگوریتم جزئی از گروه شیوه های شبیه بهینه سازی نیوتون می باشد. این الگوریتم فقط به تقریب زدن ماتریس معکوس هسیان با تغییرات محدود شده حافظه BFGS برای مشکلات بهینه سازی با تعداد زیادی از متغیرها نیاز دارد. این شیوه مشتق های دوم احتمالی را با ادامه اجرا، پنجره های محدود اندازه گیری شده اولین مشتق هاق قبلی تقریب می زند. این عمل بسیار دشوارتر از سنجش تکرار گرادیان متداول میباشد. لطفا به - 19 - مراجعه نمایید.
