بخشی از مقاله
چکیده
با توجه به گسترش علوم فتوگرامتری و سنجش از دور و در دسترس قرارگرفتن تصاویر ماهواره ای، طیف وسیعی از داده های مکانی در اختیار علوم مختلف قرارگرفته است. همچنین به دلیل پیشرفت های حاصل در زمینه ی داده کاوی و یادگیری ماشین، اطلاعات بیشتر و ارزشمندتری از عناصر موجود در تصاویر ماهواره ای استخراج و به تبع آن، تشخیص اجزاء تصویر با دقت بالاتری ممکن گردیده است. در این مقاله یک روش جدید جهت تشخیص اشیاء هندسی در تصاویر ماهواره ای ارائه شده است.در روش پیشنهادی از یک پایگاه داده ای از تصاویر مربوط به اشیاء هندسی شامل 60 شی استفاده شده است.
تعداد 12 ویژگی عددی مربوط به شکل هندسی اشیا از مولفه های متصل موجود در تصویر استخراج، سپس بر اساس معیار فاصله اقلیدسی، نزدیک ترین شکل به شکل وروردی - پرس و جو - از تصاویر پایگاه داده استخراج می گردد. دقت سیستم مذکور در بررسی عملکرد، برای هر کدام از اشیاء هندسی به طور مجزا بررسی شده است. نتیجه ی دقت تشخیص سیستم پیشنهادی برای شیء مستطیل برابر 0,8 و برای شیء دایره برابر 0,9 می باشد. همچنین دقت دسته بندی برای اشیا ء هندسی بصورت دو به دو ارزیابی و مساحت زیر نمودار ROC محاسبه شده است. مقدار AUC نمودار ROC برای اشیاء مستطیل و دایره مقدار 0.9 و برای اشیاء مستطیل و مثلث مقدار 0.9 می باشد.
مقدمه
امروزه فناوری فتوگرامتری و سنجش از دور به عنوان یکی از روشهای استاندارد تولید داده های مکان مبنا و جمعآوری اطلاعات، جایگاه مهمی در بین علوم مختلف یافته است.تحقیقات اخیر در زمینه ی تشخیص اشیا از تصاویر، به ویژه تصاویر ماهواره ای، فرصت مناسبی را برای استخراج ویژگی های اشیا و به طور دقیق تر ویژگی های هندسی1 در بازیابی تصویر ایجاد کرده است. استخراج شی ء به معنای تشخیص و بارزسازی شی ای خاص بر روی تصاویر هوائی یا ماهواره ای است.قطعه بندی تصویر به عنوان یکی از مراحل اولیه و البته مهم در فرایند استخراج شی در نظرگرفته می شود. در مرحله دوم با استفاده از تکنیک های تشخیص و با استفاده از ویژگی های استخراج شده، ماهیت آن شکل تشخیص داده میشود.
[Khan, 2014] استخراج ویژگی، یکی از مهم ترین بخش های یک سامانه ی بازیابی تصویر بر اساس محتوا است. بهترین راه برای انجام سریع بازیابی تصاویر این است که تصاویر بر اساس ویژگی های خود، کلاسه بندی شوند.در بسیاری از موارد ویژگی های هندسی، نقش مهمی درتوصیف و یا شناسایی اشیاء ایفا می کنند. مبحث تشخیص شی دارای کاربردهای فراوانی می باشد. از جمله آنها می توان به کاربردهای امنیتی[Zhang Q, Yan H ,2004]، پزشکی[Alilou,2017]، صنعتی [Radkowski R,2004]، تشخیص هویت[Park CH, Park H ,2005] و سیستم های سنجش از راه دور]قنواتی ، [2002 اشاره کرد.
فرایند کلی پردازش تصویر دیجیتالی، متشکل از فعالیت هایی مانند دریافت تصویر2،پیش پردازش،قطعه بندی تصویر، استخراج ویژگی3،طبقه بندی و تشخیص تصویر و تفسیر آن است. از سال 1990 که بازیابی تصویر بر اساس محتوا، یک زمینه ی فعال برای تحقیقات مطرح شده است، تا به حال سیستم های بازیابی تجاری و تحقیقاتی فراوانی ایجاد و معرفی شده است. در همه ی این سیستم ها ، ویژگی های سطح پایین تصاویر بطور خودکار استخراج و تصاویر با آنها نمایه سازی می شوند. از جمله اقدامات پیشین در زمینه ی تشخیص اشیاء می توان به چند مورد اشاره کرد. در سال 2007، Zhang Gang و همکاران روشی را با بهره گیری از ویژگی موجک و مجموعه های فازی ارائه دادند.
روش ارائه شده بر روی پایگاه داده ای از تصاویر CT، در بهترین بازیابی، دارای دقت 96 درصد و میانگین دقت 87 درصد بوده است [Zhang, Zong-Min, Qin Chen .2007] و همکاران در سال 2008، برای بازیابی تصاویر با استفاده از ویژگی های هیستوگرام رنگ و همبستگی نگاشت رنگ و روش شاخص گذاری معنایی پنهان، در پایگاه داده ای با 1345 تصویر به میانگین دقت 91 درصد دست یافتند . [Qin Chen, Xiaoying.Tai, 2008] درهمین سال Wang Li-dongوXiaoying Tia با استفاده از ویژگی همبستگی نگاشت رنگ، بافت و بهره گیری از مدل GTI، درپایگاه داده ای از 1032 تصویر، به دقت حدود90درصد،دست یافتند.
[Xia T, Li W, 2008] درسال Pourghassem 2008 و Ghassemian با استفاده از روش دسته بندی سلسله مراتبی با استفاده از ویژگی های شکل و بافت، در پایگاه داده ای شامل 9100 تصویر اشعه ایکس با 25 کلاس به دقت حدود 91 درصد و با سه کلاس به دقت98 درصدرسیدند. [Pourghassem, Ghassemian , 2008]در سال 1389توکلی و همکارانش الگوریتمی جهت شناسایی زود هنگام دیابت رتینوپاتی به کمک پردازش تصویر فلورسنت آنژیوگرافی ته چشم ارائه دادند. ایشان برای آزمایش از یک مجموعه شامل 120 تصویر فلورسنت آنژیوگرافی شبکیه که نقاط مربوط به میکروآنوریسم آنها توسط چشم پزشک مشخص شده بود، استفاده کردند.
نرخ حساسیت بدست آمده در تشخیص بیماری 94 و در تشخیص دقیق مکان عارضه 92 و نیز دقت تشخیص بیماری 75 بوده است]توکلی و همکاران ، .[89 با توجه به اهمیت تشخیص اشیا در تصاویر ماهواره ای در این مقاله روشی برای شناسایی شی بر اساس ویژگی های هندسی، به ویژه شکل شیء ارائه می کنیم. در سیستم مورد نظر با مجموعه ای از تصاویر مربوط به اشیاء هندسی سروکار داریم که این اشیا، از تصاویر ماهواره ای پیش پردازش شده و قطعه بندی شده، استخراج شده اند.
مقدار عددی ویژگی های هندسی مربوط به شکل هر یک از اشیا استخراج شده سپس با توجه به معیار فاصله اقلیدسی نزدیک ترین شکل از تصاویر پایگاه داده به شکل تصویر پرس و جو استخراج شده است. در ادامه ، در بخش دوم سیستم پیشنهادی بیان و در بخش سوم نتایج حاصل از پیاده سازی و اجرای سیستم پیشنهادی تشریح می شود. در بخش چهارم نتیجه گیری کلی و کارهای آتی قابل انجام در این موضوع پیشنهاد می شود. در بخش پنجم نیز منابع فهرست می شوند.
-2 سیستم پیشنهادی
در این مقاله، به تشخیص اشیاء بر اساس ویژگی های هندسی در تصاویر ماهواره ای پرداخته شده است. با فرض اینکه هر تصویری خود شامل چندین شی است که باید تشخیص داده شود، در این مقاله یک سیستم برای شناسایی اشیاء هندسی معرفی شده است. فلوچارت کلی سیستم پیشنهادی در شکل 1 نشان داده شده است. توضیح کامل مراحل سیستم پیشنهادی در ادامه بیان شده است.
- 2-1 پایگاه داده
در این مقاله یک پایگاه داده شامل 5 کلاس از انواع اشکال هندسی متشکل از مستطیل، دایره، مثلث، ستاره و چندضلعی ایجاد شده است. برای هر کلاس از اشیاء، 10 نمونه ی متفاوت ایجاد شده است. این تصاویر، شامل اشکال هندسی بدست آمده از عملیات پیش پردازش شده و قطعه بندی شده ی تصاویر ماهواره ای می باشند. این تصاویر در پنج گروه متفاوت شکلی، دسته بندی شده اند که به عنوان پایگاه داده ی سیستم پیشنهادی در نظر گرفته میشود.
- 2-2 شناسایی اشیاء
با استفاده از الگوریتم برچسب گذاری مولفه های متصل، برای پیکسل های هر شی - هر یک از اشیاء موجود در پایگاه داده - که دارای مقدار شدت یکسانی می باشند، یک برچسب خاص و منحصر بفرد به آن پیکسل ها اختصاص داده شده و به عنوان یک object واحد در نظر گرفته میشود.
