بخشی از مقاله
چکیده :
مروزه تکنیک¬های سنجش از دور به عنوان یک ابزار موثر جهت مطالعه¬ی طبقه¬بندی کاربری و پوشش زمین به طور گسترده مورد استفاده قرار می¬گیرند . طبقه بندی تصاویر سنجش¬از¬دور مرئی در سطح صحنه یکی از مسائل اساسی به شمار می¬رود و مطالعات فراوانی در این زمینه صورت پذیرفته است. از این رویکرد در کاربردهای مختلف سنجش از دور همچون نظارت بر تغییرات کاربری و پوشش زمین در یک بازه¬ی زمانی،¬ تفسیر معنایی تصاویر و بازیابی تصاویر استفاده می¬شود.
در این تحقیق با توجه به چالش¬های موجود در این گونه از طبقه¬بندی¬ها از ویژگی¬های عوارض موضعی استفاده شده است. یک عارضه موضعی یک الگوی تصویری است که با عوارض همسایهخود متفاوت است معمولاً این تفاوت در یک یا چند ویژگی بهطور همزمان اتفاق میافتد. ازجمله این ویژگیها میتوان به رنگ، بافت و درجه خاکستری اشاره نمود .
این عوارض توسط الگوریتمSIFT ¬ استخراج و توصیف می¬شوند که یکی از پایدارترین الگوریتم¬ها در برابر تغییرات هندسی و رادیومتریکی است. با توجه به تعدد تصاویر و نیز ابعاد بالای عوارض استخراج شده نیاز به یک کتابخانه¬ای از کد است تا علاوه بر کاهش حجم محاسبات خصوصیات عوارض استخراج شده را نیز حفظ نماید. مدل BOVW با اعمال خوشه¬بندیKmeans ¬ کتابخانه¬ای از کد را تشکیل داده و نمایشی مجزا از تصاویر ارائه می¬دهد. این رویکرد در این تحقیق با اعمال خوشه¬بندی Cmeans پیاده¬سازی شد.
همچنین به منظور طبقه¬بندی کاربری تصاویر از مدل طبقه¬بندی کننده¬ی SVM استفاده گردید. رویکرد اتخاذ شده بر روی 10 کلاس از تصاویر با کاربری¬ و پوشش مختلف زمین پیاده سازی شد. نتایج بهدست آمده حاکی از دقت کلی طبقه¬بندی 81/6 درصد است.
-1 مقدمه
امروزه تکنیکهای سنجش از دور به عنوان یک ابزار مؤثر جهت مطالعهی طبقهبندی کاربری و پوشش زمین1 بهطور گستردهای مورداستفاده قرار میگیرند. با افزایش قدرت تفکیک مکانی و رادیومتریکی تصاویر هوایی و ماهوارهای فرصتی برای پیشبرد تحلیلهای اتوماتیک فرآهم گردید بهطوریکه طیف وسیعی از عوارض با جزییات هندسی بالا قابلیت مشاهده شدن را پیدا نمودهاند درصورتیکه در گذشته این چنین امکانی میسر نبود.
طبقهبندی تصاویر سنجشازدور مرئی در سطح صحنه2 یکی از مسائل اساسی و چالش برانگیز در تحلیل تصاویر سنجش از دور به شمار میرود که اخیراً توجه بسیاری از محققان را به خود جلب کرده و مطالعات گستردهای در این زمینه صورت پذیرفته است. یکی از مهمترین کاربردهای این نوع از طبقهبندی در تحلیل تصاویر سنجشازدور نظارت بر تغییرات کاربری و پوشش زمین در یک بازهی زمانی است
از سایر کاربردها نیز میتوان به تفسیر معنایی تصاویر و بازیابی تصاویر جغرافیایی اشاره نمود. با توجه به تحقیقات صورت گرفته از چالشهای موجود در زمینهی طبقهبندی کاربری و پوشش زمین میتوان به تغییرات بزرگ دوران، مقیاس، انسدادها3، پس زمینهی شلوغ، وجود عوارض غیر مرتبط، تغییرات روشنایی و سایهها اشاره نمود.
رویکرد این تحقیق استفاده از ویژگیهای عوارض موضعی4 است که توسط الگوریتمهایی که در برابر تغییرات هندسی نظیر دوران و مقیاس و نیز تغییرات رادیومتریکی مانند تغییرات روشنایی پایدار هستند استخراج میشوند. یک عارضه موضعی درواقع یک الگوی تصویری است که با عوارض همسایه خود متفاوت است معمولاً این تفاوت در یک یا چند ویژگی5 بهطور همزمان اتفاق میافتد. ازجمله این ویژگیها میتوان به رنگ، بافت و درجه خاکستری اشاره نمود. اغلب اندازهگیریها از مرکز یک ناحیه انجام میگیرد و به توصیفگرهایی تبدیل میشوند که در کاربردهای گوناگون مورد استفاده قرار میگیرند.
عوارض موضعی بر روی تصاویر غیر سنجشازدور استاندارد در طیف وسیعی از مسائل ماشین بینایی اعمالشده و نتایج موفقیت آمیزی را نیز در پی داشتهاند .[5] جامعهی سنجشازدور برای تحقق بخشیدن به پتانسیل عوارض موضعی استفاده از تصاویر با قدرت تفکیک مکانی و رادیومتریکی بالا را آغاز کرده است. در همین راستا روشهایی جهت انجام تناظر یابی برای ثبت تصویر [7 ,6]، شناسایی تغییرات [8] و نیز اقداماتی در راستای شناسایی و طبقهبندی تصاویر صورت گرفته است
بهعنوان نمونه سان و همکاران در سال [9] 2010 از عوارض موضعی جهت شناسایی ساختمانها و مناطق شهری در تصاویر آیکونوس با قدرت تفکیک مکانی1 متری استفاده نمودند. ژو و همکاران در سال [10] 201 به منظور طبقهبندی تصاویر هوایی با قدرت تفکیک 0/25 متر به 4 کلاس از کاربریهای مختلف، ویژگیهای بافت و رنگ را با عوارض موضعی مقایسه کردند.
چنگ و همکاران در سال [11] 2011 جهت طبقهبندی تصاویر با قدرت تفکیک 0/5 متری در 19 کلاس از کاربریهای مختلف عوارض موضعی را با ویژگیهای رنگ و بافت مقایسه نمودند. گلیسون و همکاران در سال [12] 2010 از عوارض موضعی کوانتیزه شده جهت شناسایی اهداف مکانی پیچیده نظیر نیروگاههای هستهای در تصاویر ماهوارهای با قدرت تفکیک 1 متری استفاده کردند.
یکی از محبوبترین و کارآمدترین الگوریتمها در زمینهی استخراج و توصیف عوارض موضعی الگوریتم SIFT میباشد. این الگوریتم توسط لاو و همکاران در سال [13] 2004 معرفی شده است. این روش از دو مرحلهی اصلی شامل استخراج عوارض و ایجاد توصیفگر، تشکیل میشود. از جمله ویژگیهای این الگوریتم میتوان به پایداری در برابر تغییرات مقیاس، دوران، اختلافات روشنایی، تغییرات محدود زاویه دید و نویز اشاره نمود که موجب بهکارگیری آن در کاربردهای مختلف شده است.
الگوریتمهای آشکارسازهای عوارض موضعی موجودغالباً تعداد زیادی از نقاط را استخراج میکنند بهطوریکه این تراکم نقاط خود باعث استحکام در فرآیندهای پردازشی مختلف خواهد شد، اما از طرفی باعث به وجود آمدن چالش محاسباتی به علت ابعاد بالای ویژگیهای تولیدشده میشوند. در همین راستا یکی از روشهای مؤثر جهت کاهش ابعاد این توصیفگرها که موردتوجه محققین قرارگرفته، روش BOW1 است. این روشمعمولاً در طبقهبندی و یا بازیابی مورداستفاده قرار میگیرند.
با الهام از موفقیتهای روش BOW در بازیابی متون و نیز پایداری عوارض موضعی بهعنوان نمایش قدرتمند تصاویر، BOW را به نمایش یک تصویر توسط عوارض موضعی بهعنوان کلمات بصری2 انطباق دادند و مدل BOVW3 را تولید نمودند.
برخلاف کلمات در متون عوارض موضعی دارای تنوع بسیار زیادی هستند. با استخراج و توصیف این عوارض از تصاویر با ابعاد بسیار بالایی از ویژگیها مواجه هستیم که فرآیند محاسباتی را با چالش روبرو مینمایند به همین منظور نیاز به یک کتابخانهای از کد است تا علاوه بر کاهش حجم محاسبات خصوصیات عوارض استخراجشده را نیز حفظ نماید.
در این راستا مدل BOVW توصیفهای مشابه را در فضای ویژگی گروهبندی کرده و کتابخانهای از کد را تشکیل می دهد. این فرایند در این مدل توسط خوشهبندی Kmeans صورت میگیرد. تولید کتابخانهی کد از توصیفگرها 2 مزیت اصلی را در پی خواهد داشت که شامل ایجاد پایداری بیشتر در تبدیلات رادیومتریکی و همچنین نمایش فشردهی تصاویر بهصورت یک هیستوگرام از تعداد وقوع کلمات بصری در کتابخانهی کد است.
همانطور که اشاره شد الگوریتم BOVW جهت تولید کتابخانهی کد از روش خوشه بندی Kmeans استفاده مینماید. این الگوریتم دارای تابع تعلق 2 مقداری است و به صورت سخت 4 فرایند خوشهبندی را انجام میدهد. برای حل این مشکل در این تحقیق از الگوریتم خوشهبندی Cmeans جهت تهیهی کتابخانهی کد استفاده میگردد که دارای تابع تعلقی بین 0و 1 دارد و فرآیند خوشهبندی را به صورت نرم 5 انجام میدهد.
در بخش بعدی این تحقیق روش اتخاذشده جهت طبقهبندی کاربری و پوشش زمین از روی تصاویر سنجشازدور مرئی مطرحشده و الگوریتم استخراج و توصیف عوارض موضعی SIFT تشریح میشود و همچنین در این بخش نحوهی عملکرد مدل BOVW بیان خواهد شد. در فصل سوم نتایج پیاده سازی روش پیشنهادی و تحلیلهای انجام شده بیان میگردد. در فصل چهارم نیز نتیجهگیری و پیشنهادات ذکر می شود.
-2 روش پیشنهادی در این تحقیق
رویکرد اتخاذشده در این تحقیق از 2 مرحلهی کلی آموزش6 طبقهبندی کننده و طبقهبندی دادههای آزمایشی7 تشکیل شده است. در مرحلهی آموزش طبقهبندی کننده قطعههای8 تصویری در کلاسهای مختلف کاربری و پوشش زمین بهعنوان الگوهای آموزشی وارد الگوریتم میگردند. عوارض موضعی توسط الگوریتم آشکارساز و توصیفگر SIFT استخراج و توصیف میشوند.
این توصیفها توسط مدل BOVW با اعمال خوشه بندی Cmeans تبدیل به کتابخانهای از کد شده و با محاسبهی هیستوگرام تعداد وقوع کلمات بصری در کتابخانهی کد نمایشی مجزا از تصاویر ارائه میشود. نتایج حاصل از مدل BOVW بر روی تصاویر آموزشی جهت آموزش مدل طبقهبندی کنندهی SVM9 مورداستفاده قرار میگیرند.
