بخشی از مقاله
چکیده
در سالهای اخیر، با پیشرفت فنآوری سنجش از دور، امکان جمعآوری دادههای تصویری فراطیفی و با توان تفکیک مکانی بالا فراهم شده است. یکی از موفقیتآمیزترین کاربردهای تصاویر فراطیفی، طبقهبندی و تولید نقشه پوشش زمین است. به طور کلی دو روش عمده نظارت شده و نظارت نشده برای طبقهبندی ارائه شده است. روشهای نظارت شده در مقایسه با روشهای نظارت نشده همواره به نتایج بهتری در طبقهبندی تصاویر سنجش از دوری منجر میگردند. از این رو در این تحقیق، از روشهای نظارت شده SAM، SID و یک روش ترکیبی از آنها به نام SID-SAM جهت طبقهبندی تصاویر فراطیفی Hyperion استفاده شده است. الگوریتم SID-SAM از مزایای هر دو الگوریتم SAM و SID جهت انجام طبقهبندی تصویر استفاده میکند. بررسی های انجام شده در این تحقیق نشان دادهاند الگوریتم SID-SAM به نتایجی شبیه به نتایج دو الگوریتم SID و SAM منجر میگردد، به طوری که دقت طبقهبندی SID-SAM فقط حدود 1/2 درصد از SAM و حدود 0/2 درصد از SID بیشتر شده است.
واژههای کلیدی: طبقهبندی، SAM، SID، SID-SAM، تصاویر فراطیفی
-1 مقدمه
بهرهگیری از فنآوری سنجش از دور و انواع تصاویر ماهوارهای در طی سالهای اخیر به عنوان یکی از مهمترین منابع جمعآوری اطلاعات به منظور مطالعه و پایش منابع زمینی و بهرهبرداری بهینه از آنها، توجه بسیاری از کارشناسان و متخصصان علوم مختلف از جمله زمینشناسی، معدن، محیط زیست، هواشناسی، کشاورزی، هیدرولوژی و غیره را به خود جلب نموده است.یکی از انواع دادههای سنجش از دور که از توان تفکیک طیفی بسیار بالایی برخوردار میباشد، تصاویر فراطیفی هستند. در سنجش از دور فراطیفی یا تصویربرداری طیفسنجی تاکید، بیشتر روی توان تفکیک طیفیاست، اگر چه بعضاً ممکن است عوامل دیگر نیز در مقایسه با سنجندههای چندطیفی بهتر باشد .[1]
فراطیفی، اطﻻعاتنسبتاً زیادی جهت شناسایی و تشخیص مواد فراهم میآورند .[2] از این رو، این دادههای تصویری دارای توانمندی طبیعی بهتری برای استخراج اطلاعات دقیق و جزئی، پیرامون ماهیت فیزیکی پدیدههای زمینی در مقایسه با دیگر دادههای سنجش از دور، مثل تصاویر چند طیفی هستند .[2]روشهای پردازش دادههای تصویری متنوعند و محققین سعی در ارائه روشهای بهینه و کارا برای استخراج اطلاعات از این دادهها داشتهاند. در سالهای اخیر، روشهای نوین پردازش تصویر جهت استفاده از توانمندیهای دادههای تصویری فراطیفی، ابداع و معرفی شدهاند.
یکی از روشهای اصلی استخراج اطلاعات از تصاویر سنجش از دوری، طبقهبندی است. با توجه به این که سنجندههای فراطیفی، تصاویر را در صدها باند طیفی باریک و پیوسته ثبت میکنند، برای پیکسلهای مربوط به مواد مختلف روی سطح زمین، مقادیر مختلف و متنوعی از درجات خاکستری تولید میگردد. از این رو یکی از موفقیتآمیزترین کاربردهای تصاویر فراطیفی، طبقهبندی و تولید نقشه پوشش زمین است .[3] روشهای طبقهبندی را بر این اساس که آیا از اطلاعات غیرتصویری نیز برای آنالیز تصویر کمک میگیرند و یا منحصراً طبقهبندی را بر اساس دادههای تصویری انجام میدهند به روشهای نظارت شده و نظارت نشده تقسیمبندی میکنند.
با توجه به اینکه، روشهای نظارت شده در مقایسه با روشهای نظارت نشده همواره به نتایج بهتری در طبقهبندی تصاویر سنجش از دوری منجر میگردند، در این پژوهش از روشهای نظارت شده به منظور طبقه بندی تصاویر فراطیفی استفاده گردیده است. البته توجه به این نکته ضروری است که جمعآوری دادههای آموزشی در روشهای نظارت شده یک مسئله مهم محسوب میشود و نیازمند صرف هزینه و زمان میباشد.روشهای متداول طبقهبندی نظارتشده عبارتند از: متوازی السطوحٌ، حداقل فاصله اقلیدسیٍ، حداقل فاصله ماهالانوبیسَ، بیشینه شباهتُ، نگاشتکننده زاویه طیفیِ - SAM - و دیورژانس اطلاعات طیفیّ . - SID -
با توجه به این که در میان روشهای فوق، SAM و SID از جمله الگوریتمهایی هستند که بیشتر در استخراج اطلاعات از دادههای فراطیفی کاربرد دارند، در این مقاله نیز، از این دو روش و یک روش ترکیبی از آنها به نام SID-SAM، جهت طبقهبندی تصاویر فراطیفی استفاده شده است.این مقاله شامل چهار بخش است. در بخش اول، به مقدمهای کوتاه دربارهی مفاهیم اولیه، انگیزه و هدف تحقیق و روش کار پرداخته شده است. در بخش دوم، مبانی نظری روشهای طبقهبندی SAM، SID و SID-SAM بیان میشود. بخش سوم، در برگیرندهی پیادهسازی روشهای طبقهبندی و ارزیابی نتایج آنها خواهد بود. در آخر، در بخش چهارم، نتیجهگیریها ارائه میشود.
-2 طبقهبندی تصاویر فراطیفی
در اینجا، منظور از طبقهبندی، نسبت دادن یک برچسب یا یک کلاس، به هر پیکسل از تصویر است. در این پژوهش، از 3 روش طبقهبندی نظارت شده SAM، SID و SID-SAM به منظور طبقهبندی تصاویر فراطیفی استفاده شده است. مبانی نظری این 3 روش در ادامه توضیح داده شده است.
1؛-2 نگاشتکننده زاویه طیفی - SAM -
نگاشتکننده زاویه طیفی - SAM - ، یک متریک شباهت طیفی است که برای اولین بار در سال 1993 توسط Kruse et al. مطرح گردید .[4] در آنالیز تصاویر چندطیفی و فراطیفی در بسیاری از موارد، از SAM برای اندازهگیری شباهت طیفی بین بازتاب طیفی پدیدهها استفاده شدهاست .[5]الگوریتم طبقهبندی طیفی SAM بر پایه قواعد فیزیکی است که از یک زاویه -nبعدی برای اندازهگیری شباهت بین بردار طیفی هر پیکسل و بردار طیفی مرجع یک کلاس استفاده میکند. این الگوریتم، شباهت طیفی بین دو بردار طیفی را با محاسبه زاویه بین آنها تعیین کرده و آنها را به عنوان بردارهایی در فضایی که بعد آن برابر با تعداد باندها است، تلقی میکند. در حالت ساده، با در نظر گرفتن بردارهای طیفی -2باندی برای دو ماده متفاوت، فاصله اقلیدسی و زاویه طیفی را میتوان در فضای دوبعدی به شکل - 1 - نشان داد.
زاویه دو بعدی فوق را میتوان به فضای -nبعدی تعمیم داد. هر چه زوایه بین دو طیف کوچکتر باشد، آن دو طیف به هم نزدیکتر هستند. زاویه طیفی، به ضرایب Gain نامعلوم، حساس نیست، زیرا فقط به »جهت« بردارهای طیفی وابسته است و مستقل از »طول« آنها میباشد. بنابراین، زاویه طیفی در برابر تغییرات روشنایی ناشی از توپوگرافی و سایهها نسبتا مقاوم است .[4]فاصله اقلیدسی، بردارهای طیفی را به صورت نقاطی در یک فضای -nبعدی در نظر میگیرد و فاصله فضایی بین آنها را در آن فضا اندازهگیری میکند. تفاوت عمده فاصله اقلیدسی در مقایسه با زاویه طیفی این است که فاصله اقلیدسی به »طول« بردارهای طیفی وابسته است و اختلاف روشنایی بین دو بردار را در نظر میگیرد، در حالی که زاویه طیفی در ازای تغییرات روشنایی بدون تغییر میباشد .[6]
روش طبقهبندی SAM، با استفاده از ضرب داخلی، زاویه بین بردار طیفی هر پیکسل و بردار طیفی مرجع یک کلاس را محاسبه کرده و به عنوان یک اندازهگیری شباهت مورد استفاده قرار میگیرد. زاویه طیفی بین بردار طیفی مرجع ⃗ و بردار طیفی پیکسلی ⃗ به صورت زیر محاسبه میشود:اگر بردارهای طیفی به صورت بردارهای یکه نرمالایزه شوند، رابطه بین فاصله اقلیدسی - ED - با زاویه طیفی به صورت زیر بیان می شود:
