بخشی از مقاله
چکیده -
یکی از تکنیکهای مهم در بحث سنجشازدور، طبقهبندی تصاویر ماهوارهای است که کاربردهای زیادی در بررسی تغییرات زمین و میزان پوششهای مختلف مناطق دارد. به همین دلیل روشهای متفاوتی ایجادشده که باگذشت زمان پیشرفتهتر و دقیقتر شدهاند و در استخراج کلاسهایی که ازنظر طیفی به هم نزدیکترند بهتر عمل کرده و صحت بالاتری داشتهاند.
یکی از این روشها شبکههای عصبی چندلایه - MLP - است که در این تحقیق از این روش برای استخراج کاربریهای اقیانوس، دریا، دریاچه، جنگل، علفزار، ماسه، خاک، کوه، جاده و شهر استفادهشده است. از طرفی به دلیل بالا بردن سرعت و دقت، طبقهبندی بهصورت شیء مبنا در نظر گرفتهشده است. برای این منظور از یک شبکه عصبی با ده نورون در لایه مخفی و سه نرون در لایه خروجی استفادهشده است و همچنین شبکه با الگوریتمهای مختلف مانند trainlm, trainrp, traingd, trainbfg ارزیابیشده است که بهترین کارایی مربوط به روش آموزش trainrp میباشد. نتایج حاصل نشان میدهد که روش ارائهشده دقت و سرعت بالائی در شناسایی مناطق مختلف دارد.
-1 مقدمه
استفاده از روشهای سنتی جهت بررسی تغییرات و تبدیلات کاربری اراضی مثل نقشهبرداری زمینی،عموماً وقتگیر و پرهزینه میباشد و نیاز به مهارتهای خاصی دارد . - 1 - تکراری بودن تصاویر ماهوارهای ازجمله مزایایی است که کاربرد دادههای ماهوارهای را در سنجشازدور وسعت میبخشد. بدیهی است سنجش مکرر از یک منطقه از سطح زمین بهوسیله ماهواره علاوه بر آنکه تغییرات حاصل در آن منطقه را بهمرورزمان نشان میدهد، خواهد توانست برخی از موانع طبیعی را که در امر سنجش ایجاد مانع میکند از میان بردارد
تصاویر ماهوارهای بهعنوان نوعی از دادههای سنجشازدور، در حوزه علوم طبیعی بهخوبی برای اندازهگیری کمی و کیفی تغییرات پوشش زمین استفاده میشوند. یکی از روشهای پرکاربرد استخراج اطلاعات از تصاویر سنجشازدور طبقهبندی تصویر میباشد که به کاربران امکان تولید انواع اطلاعات مانند نقشههای پوشش گیاهی، کاربری اراضی و غیره را میدهد
کاربری اراضی و نوسانات آن ازجمله عواملی هستند که بر چرخه طبیعی در اکوسیستم اثر میگذارند. در حقیقت فرآیند طبقهبندی تصویر، تبدیل دادهها به اطلاعات قابلدرک است . - 4 - طبقهبندی رقومی تصاویر با استفاده از دو روش طبقهبندی نظارتشده و نظارتنشده صورت میگیرد که هر دو روش از سازوکار تصمیمگیری کمی و خودکار بهره میگیرد . - 5 - روشهای طبقهبندی که فقط متکی بر اطلاعات تصویر میباشند و کاربر در کل فرآیند آن دخالتی ندارد را روشهای طبقهبندی نظارتنشده گویند. در این نوع طبقهبندی وظیفه کشف کلاس پیکسلهاتماماً بر عهده الگوریتم است
در مقابل طبقهبندی نظارتنشده، طبقهبندی نظارتشده وجود دارد که در بهکارگیری این روش ابتدا نواحی کوچکی را در تصویر ماهوارهای که از حیث مقادیر بازتابی، ارقام آنها حالت یکنواختی داشته باشند انتخاب میشوند. نواحی مزبور به نام نواحی آموزشی نامیده میشوند. تعداد نواحی آموزشیمعمولاً، با انواع گونههای موجود در هر تصویر ماهوارهای برابر خواهد بود
ازآنجاکه هدف اصلی از پردازش تصاویر ماهوارهای، تهیه نقشههای موضوعی و کارآمد میباشد، انتخاب الگوریتم مناسب طبقهبندی نقش زیادی در این امر ایفا میکند - . - 3 یکی از روشهای طبقهبندی نظارتشده شبکه عصبی چندلایه میباشد که با توجه به قدرت تعمیم پذیری و سرعتبالای این شبکهها کاربرد زیادی در این زمینه داشته و باعث توسعه آن گردیده است.
2؛-1 ادبیات تحقیق
برای بررسی روش پیشنهادی نیاز به تعریف چند ابزار استفادهشده در این مقاله میباشد.
1؛2؛-1 شبکه عصبی پرسپترون چندلایه - MLP -
در سال 1943 وارن مک کلاچ و والتر پیتز اولین نورون مصنوعی رو طراحی کردند. خصوصیت اصلی مدل نورون طراحیشده این بود که مجموع سیگنالهای ورودی وزندار شده را با یک مقدار آستانه مقایسه میکرد و بهاینترتیب در مورد خروجی تصمیمگیری مینمود. این نورون درصورتیکه مجموع وزندار شده سیگنالها، کمتر از آستانه بود، خروجی صفر و در غیراینصورت مقدار 1 را بهعنوان خروجی تولید میکرد. آنها قصد داشتند، نشان دهند، یک نورون با چنین خصوصیاتی قادر به محاسبه هر تابع ریاضی و یا منطقی میباشد.
در اواخر دهه 1950 میلادی، فرانک روزنبلات و چندین محقق دیگر، یک کلاس از شبکههای عصبی تحت عنوان شبکههای عصبی پرسپترون معرفی کردند. نورونها در این شبکه مشابه نورونهای طراحیشده توسط مک کلاچ و پیتز بودند. روزنبلات ثابت کرد که قاعده یادگیری طراحیشده توسط او در آموزش شبکههای پرسپترون همواره به وزنهای صحیحی همگرا میشود. بهاینترتیب این شبکها در صورت وجود پاسخ، حتماً مسئله را حل میکردند. روند یادگیری ساده و خودکار بود، همچنین شبکههای پرسپترون حتی با شروع از مقادیر تصادفی وزنها و بایاسها قادر به یادگیری و حل مسئله میباشند. شایان توجه است که شبکههای پرسپترون دارای محدودیتهایی نیز میباشند. امروزه شبکههای پرسپترون دارای اهمیت ویژهای بوده و یک راهحل سریع و مطمئن برای حل مسائل طبقهبندیشده میباشند
2؛2؛-1 طبقهبندی شیء مبنا
طبقهبندی یکی از مهمترین روشهای استخراج اطلاعات از تصاویر ماهوارهای است. در روشهای معمول پیکسل پایه، طبقهبندی بر اساس ارزش عددی هر یک از پیکسلها انجام میشود که نتیجه بازتاب عارضههای متناظر آن در سطح زمین است. توانایی روشهای کلاسیک - پیکسل مبنا - در طبقهبندی تصاویر ماهوارهای هنگامیکه اشیا متفاوت اطلاعات طیفی مشابهی دارند محدود میباشد.
درواقع با دو مشکل تغییرات طیفی و پیکسلهای مخلوط مواجه هستیم که این امر موجب کاهش صحت روشهای طبقهبندی پیکسل پایه میگردد؛ اما درروش طبقهبندی شیءگرا اطلاعات طیفی با اطلاعات مکانی ادغام گردیده و پیکسلها بر اساس شکل، بافت و اندازه در سطح تصویر با مقیاس مشخص جداسازی شده و طبقهبندی تصویر بر اساس این جداسازیها انجام میشود. درواقع بهجای اینکه تعلق هر پیکسل به هر کلاس را بررسی کنیم تعلق مجموعهای از پیکسلها که تشکیل یک شی را میدهند بررسی میکنیم
-2 روش پیشنهادی
هدف طراحی و پیادهسازی یک سیستم طبقهبندی تصاویر ماهوارهای است. که با اخذ تصویر ورودی و اعمال پردازش روی آن به شبکه عصبی آموزش دادهشده، داده میشود و تصویر موردنظر بر اساس مناطق تعریفشده طبقهبندی میشود. این سیستم بهطورکلی از دو بخش آموزش بهصورت برونخط و آزمایش بهصورت برخط تشکیلشده است. فلوچارت الگوریتم پیشنهادی بهصورت شکل - 1 - میباشد.
شکل :1 فلوچارت روش پیشنهادی
-1-2 بخش آموزش در این قسمت شبکه عصبی را بهمنظور دستهبندی مناطق مختلف بر اساس رنگ بهصورت شیء مبنا آموزش میدهیم. -2-2 پیشپردازش ابتدا بر روی تصاویر ورودی که شامل تصاویر ماهوارهای منتخب از مناطق مختلف ازجمله دریا، جنگل، کوه و ... شکل - 2 - پیشپردازش انجام میشود. این پیشپردازش شامل: تغییر ابعاد تصویر به 20 × 20، تبدیل تصویر رنگی تغییر ابعاد یافته به سه باند قرمز، سبز و آبی و نرمالسازی دادهها میباشد.
شکل:2 تصاویر ورودی بهصورت شیء مبنا
-3-2 آموزش شبکه عصبی چندلایه سپس شبکه عصبی را با ورودیهای آمادهشده آموزش میدهیم؛
که برای این منظور از یک شبکه عصبی با ده نرون در لایه مخفی با تابع فعالیت سیگموید و سه نرون در لایه خروجی با تابع فعالیت خطی - purelin - استفاده کردهایم. همچنین الگوریتم آموزش را با الگوریتمهای مختلف بررسی کرده که در بین آنها الگوریتم trainrp از سرعت و دقت بالاتری برخوردار است
-3 نتایج شبیه سازی الگوریتم پیشنهادی در بخش قبل به توضیح الگوریتم پیشنهادی پرداخته شد.
الگوریتم پیشنهادی شامل استفاده از طبقهبندی شیء مبنا و شبکه عصبی چندلایه MLP با الگوریتم پس انتشار خطا BP بود که منجر به طبقهبندی تصاویر ماهوارهای گردید. در این بخش نتایج حاصل از پیادهسازی الگوریتم پیشنهادی برای طبقهبندی 200 تصویر ماهوارهای ارائه و نتایج را با معیارهای ارزیابی عملکرد معرفیشده، ارزیابی میکنیم.
-1-3 ارزیابی نتایج - اعتبار سنجی -
نتیجه طبقهبندی یک تصویر ماهوارهای در قالب یک فایل رستری قابل ارزیابی هست که هریک از پیکسلهای آن از یک برچسب عضویت به یک کلاس خاص برخوردار هستند. طبقه بندی تصویر بر اساس نمونههای هریک از کلاسها صورت میگیرد بااینحال برای ارزیابی کیفیت کلاسهای استخراج شده باید نتیجه بهدستآمده با استفاده از روشهای خاصی موردبررسی قرار بگیرد.
این روش اعتبار سنجی از طریق مقایسه نمونه های طبقه بندیشده با نمونه های صحیح - مرجع - بهدستآمده از نمونهبرداری زمینی - یا یک مرجع برتر - صورت بگیرد. در اثر این مقایسه یک ماتریس خطا ایجاد میشود که در آن فاکتورهای مختلفی در ارتباط با دقت محاسبه میشوند. نمونههای صحیح مرجع معمولاً از طریق روشهای زمینی استخراج میشوند؛ اما این در حالی است که تصاویر ماهوارهای توان تفکیک مکانی بالا و تصاویر هوایی نیز میتوانند بهعنوان مرجع دقیق در این زمینه موردتوجه قرار بگیرند. رهیافتهای مختلفی در ارتباط با نمونهبرداری درزمینه اعتبار سنجی نتایج طبقهبندی ارائه شده است.
