بخشی از مقاله
چکیده- نقشههای کاربری و پوششهای زمینی، در برنامهریزیهای کشوری از اهمیت خاصی برخوردار است. سنجش از دور موثرترین روش در تهیه اطلاعات پوشش زمینی محسوب میشود. فرایند طبقهبندی تصاویر سنج-ش از دور شامل دو مرحله استخراج ویژگی و طبقهبندی خودکار این ویژگیها میباشد. در این مقاله در مرحلهی استخراج ویژگی از روشهای تبدیل از جمله - فیلتر گابور، موجک، ریپلت1، ریپلت2، ریدگلت و کرولت - استفاده شده است.
روشهای تبدیل در یافتن مرزها و لبههای شکل موفق عمل کردهاند. از میان روشهای تبدیل، تبدیل ریپلت به نتایج دقت بالاتری نسبت به سایر روشها دست یافته است. برای بهبود دقت طبقهبندی در توزیع داخل کلاسی روشهایی مانند - ماتریس هم رخداد سریع و الگوی باینری محلی موثر میباشند - . ترکیب روش ریپلت1 از میان رو-شهای تبدیل با ماتریس همرخداد سریع و الگوی باینری محلی دقت طبقهبندی را تا حدود 4 الی 5 درصد بهبود میبخشد. در مرحله طبقهبندی از روش SVM استفاده - شده است و برای پیادهسازی کتابخانه LibSVM به کار ر-فته است.
-1 مقدمه
استفاده از روشهای سنتی جهت تعیین کاربریهای ارضی بسیار وقتگیر و پرهزینه میباشد. سنجش از دور دانش و فنی است که به وسیله آن میتوان بدون تماس مستقیم مشخصههای اشیا یا پدیدهها را در یک صفحه اندازهگیری، تجزیه و تحلیل، شناسایی و ارزیابی نمود. این کار با تصویر برداری از صحنه مورد نظر در چندین باند متفاوت الکترومغناطیس، توسط سنجندههای چند طیفی مستقر در ماهوارههای سنجش از دور صورت میگیرد، سپس با طبقهبند خودکار این تصاویر، نقشههای پوششهای زم-ینی تولید میشود.
فرایند طبقهبندی به دو مرحله استخراج ویژ-گی و طبقهبند خودکار این ویژگیها به کلاسهای مختلف پوشش زمینی تقسیم میشود. بافت، توصیفی از خواص یک ناحیه از تصویر میباشد که درکی از صافبودن، زبر بودن، با قاعده و یا بیقاعده بودن تغییرات در آن ناحیه از تصویر را در ذهن بیننده القا میکند. رهیافت موجود در تجزیه و تحلیل بافت به 4 گروه تقسیم میشود: ساختاری، آماری، بر مبنای مدل، تبدیلها. در این مقاله از روشهای آماری و تبدیلها استفاده نمودهایم.[1]
-1-1 روشهای آماری
بافت به طور غیر مستقیم با خواص غیر قطعی، توزیعها و روابط بین سطوح خاکستری در یک تصویر را معین میکند. عمومیتر-ین ویژگیهای آماری برای تجزیه و تحلیل بافت، ماتریس همر-خداد است که در عرصههای گوناگون بافت، جایگاه ویژهای یافته است.[2]
-2-1 روشهای مبتنی بر تبدیل
روشهای بر مبنای تبدیل فوریه به دلیل ناتوانی این تبدیل در موضعیابی مکانی، در عمل بسیار کم به کار میروند. فیلترگابور امکانات بهتری برای موضعیابی مکانی فراهم میکنند، در حالی که سودمندی آنها در عمل محدود است. این فیلتر دقت کافی برای موضعیابی ساختار مکانی بافتهای طبیعی ندارد. در مقایسه با فیلتر گابور، تبدیلات موجک انتخاب مناسبتری به نظر میر-سند.[3]
تبدیلات موجک در حل ناپیوستگیهای یک بعدی موفق عمل کردهاند ولی در حل ناپیوستگیهای دو بعدی با مشکل موا-جهاند. برای غلبه بر محدودیت موجک در حل ناپیوستگیهای دو بعدی تبدیل ریدگلت پیشنهاد گردید. تبدیل ریدگلت اطلاعاتی دربارهی جهت لبههای خطی در تصویر فراهم میکند. زیرا بر م-بنای رادون ساخته شدهاست که قادر به استخراج خطوط در لبه-های خطی است .[4] تبدیل ریدگلت یک نمونه خاص از تبدیل ریپلت2 با درجه 1 است. Cando و Donoho اولین نسل از تبدیل کرولت را بر مبنای ریدگلت چند مقیاسی پیشنهاد کردند.[5]
این تبدیل توانست مشکل مربوط به ناپیوستگیهای دو بعدی را حل کند. تبدیل کرولت در مقایسه با تبدیل موجک میتواند اشیایی را که دارای لبههای منحنی شکل هستند بررسی نمایید و نیز از تع-داد ضرایب موجک بیشتری نسبت به تبدیل موجک استفاده میشود.[6] اما به دلیل مقیاسگذاری سهمیگون برای رسیدن به جهتگیریهای غیر ایزوتروپیک روش جدیدتری به نام ریپلت1 ا-رائه شد.
تبدیل ریپلت1 یکی از روشهای استخراج ویژگی است که در لبهها و بافتهای تصویر استفاده میشود. از جمله روشها-ی بافتی که در سالهای اخیر مورد بحث و بررسی قرار گرفتهاند روش الگوی باینری محلی است که به بررسی خواص همسایگی-های پیکسل میپردازد.[7] در این مقاله در بخش 1 روشهای استخراج ویژگی از جمله فیلتر گابور و ریپلت 1،2 و الگوی باینری محلی و ماتریس همرخد - اد را معرفی کرده و در بخش 2 این روشها را پیادهسازی نموده و در بخش 3 نتایج حاصل از پیادهسازی را مطرح نمودیم.
-3-2 الگوریتم الگوی باینری محلی
الگوی باینری محلی - local binary pattern - LBP یکی دیگر از روشهای استخراج ویژگی است که با توجه به ویژگیهای بافتی به استخراج ویژگیها میپردازد. در روش الگوی باینری محلی ابتدا یک همسایگی به شکل دایروی به مرکزیت یک پیکسل در نظر گرفته، سپس شدت روشنایی نقاط موجود بر روی این همسایگی با شدت روشنایی پیکسل مرکزی مقایسه میشود.
برای هر فاصله d و جهت یک ماتریس مربعی با ابعاد G*G بدست میآید که G تعداد سطوح روشنایی در تصویر است. پس از استخراج ویژگی ماتریسهای GLCM برای تکتک نقاط تصویر، یک سری آمارگان مانند میانگین، انحراف معیار و آنتروپی از ماتریس GLCMd, - xc,yc - استخراج و به نقطه - xc,yc - انتصاب داده میشود. اگر چه این روش نسبتا قدیمی است ولی به دلیل توانایی زیاد در استخراج ویژگیهای بافتی، هنوز هم یکی از روشهای مورد استفاده در تحلیل بافت به شمار میرود. اما اشکالی که بر آن وارد است حجم محاسبات بالا است.
