بخشی از مقاله
چکیده
اطلاعات حاصل از طبقه بندي تصویر از پرکاربردترین اطلاعات در سنجشازدور و سایر زمینهها نظیر برنامهریزي شهري, مدیریت منابع طبیعی و ... به شمار میآید. روشهاي طبقهبندي تصویر به دو صورت پ یکسل مبنا و شی مبنا تقسیمبندي میشوند. روشهاي شی مبنا به دلیل امکان استفاده از اطلاعات هندسی، مجاورت و مفهومی, علاوه بر اطلاعات طیفی, نسبت به روشهاي پیکسل مبنا میتوانند در مناطق شهري پرتراکم دقت بالاتري را ارائه دهند.
در این تحقیق بهمنظور طبقهبندي تصویر از منطقه شهري باقدرت تفکیک مکانی بالا از یک روش شی گرا استفاده شده است. تصویر موردنظر پس از پردازش به همراه اطلاعات بافتی وارد مرحله قطعهبندي گردیده و در چهار سطح مختلف قطعهبندي میگردد. سپس بهترین سطح قطعهبندي انتخاب و طبقهبندي میشود. ارزیابی دقت طبقهبندي بهدستآمده براي بهترین سطح قطعهبندي برابر با دقت کلی 0,96 و ضریب کاپاي 0,92 بدست آمد.
-1مقدمه
طبقه بندي تصاویر در سنجش از دور با دو رویکرد، طبقه بندي پیکسل مبنا و طبقه بندي شی مبنا تقسیم بندي میشود. در سالهاي اخیر جهت دستیابی به دقت قابلقبول و بهبود طبقهبندي، روشهاي شی مبنا موردتوجه محققان قرارگرفته است. حجم ویژگیهاي معرف یک کلاس در آنالیز طبقهبندي شیگرا، بسیار وسیعتر از تعداد ویژگیهاي به کار گرفتهشده در آنالیز طبقهبندي به روش پیکسل مبنا میباشد و به همین دلیل ضعف اطلاعات موجود در یک پیکسل، توانائی تفسیر ﻣﻔﻬﻮﻣﯽ تصویر از طریق روشهاي بر مبناي به کارگیري پیکسلها بسیار ضعیف میباشد.[1]
طبقه بندي شیگرا، شامل دومرحله اصلی می باشد . در مرحله اول،قطعه بندي براساس ادغام پیکسلهاي تصویر، براي تشکیل اشیا، است. در این مرحله از قطعه بندي با یک مقیاس، حضور یک شی کلاسی و اندازه یک شی که نتیجه طبقه بندي را تحت تأثیر قرار میدهد، تعیین میشود. درمرحله دوم، طبقهبندي بر مبناي اشیا - نه تک پیکسلها - انجام میشود. در مقاله ارائه شده توسط [2] روشی شیء مبنا جهت تحلیل و توصیف ساختار، صحنهي شهري در سطح پارسل توسط تصاویر هوایی و داده لیدار ارائه داده شد. در سال 2012 ، Meng و همکارانش [3] روشی جهت شناسایی ساختمان از داده لیدار و تصاویر هوایی به منظور آنالیز کاربري اراضی پیشنهاد دادند.
در مقاله [4] با استفاده از طبقهبندي شیءگرا، هر یک از کلاس ها به طور جداگانه و یک به یک با استفاده از تصاویر نیم-متري GeoEye-1 و لیدار جهت طبقهبندي پوشش اراﺿﯽ طبقه بندي شدند. در سال 2008،[5] Zhou and Troy با استفاده از یک شبکه سلسلهمراتبی سه سطحی به طبقهبندي تصویر در سطوح مختلف پرداختند. هدف از این مقاله، مقایسه و ارزیابی روشهاي مختلف طبقه بندي توسط روش شیء مبنا می باشد. در این راستا چارچوب مقاله به شرح زیر است: بخش دوم، مروري بر الگوریتمهاي مورد استفاده در تحقیق، بخش سوم، مشخصات منطقه مورد مطالعه و در بخش چهارم روش تحقیق بیان شده است.
-2مروري بر الگوریتمهاي مورد استفاده در تحقیق
-1-2روش K نزدیکترین همسایه
در این طبقهبندي کننده قاعده تصمیم بر مبناي نزدیکترین فاصله میباشد و برچسب پیکسل یا شی نزدیکترین فاصله از مرکز کلاس میباشد که با استفاده از فاصله اقلیدسی یا فاصله ماهالانوبیس محاسبه میگردد . هر کدام از این روشهاي اندازهگیري، میتواند تحت عنوان ضرائب عدم شباهت تعریف گردند، اگر تشابه دو شی i و j زیاد باشد این فاصله کوچک میشود . بردار طیفی میانگین یا مرکز کلاس، براي هر کلاس - به اضافه پارامترهاي واریانس-کوواریانس اگر از فاصله ماهالانوبیس به جاي فاصله اقلیدسی استفاده شود - از دادههاي آموزشی تعیین میگردند. یک پیکسل یا شی با برچسب نامشخص بعد از محاسبه فواصلش با مراکز کلاسها برچسبگذاري میشود . برچسب نزدیکترین کلاس به آن پیکسل یا شی اختصاص داده میشود .[6] این نوع طبقهبندي کننده از نظر رﯾﺎﺿﯽ ساده و از لحاظ محاسباتی بسیار مؤثر است .[7]
-2-2قطعه بندي
هدف از قطعهبندي، در واقع تقسیم یک تصویر به بخشهاي مختلفی است که به طور ایدهآل مطابق با عوارض روي زمین میباشد .[8] بر اساس این تعریف، قطعهبندي عمدتاً توزیع مکانی مقادیر پیکسلها را براي ﺗﺸﺨﯿﺺ عوارض در نظرمی گیرد. در طبقه بندي به روش هاي شی پایه ابتدا نیاز است تا تصویر به اشیاي کوچک تقسیم گردد؛ یا اصطلاحاً قطعهبندي گردد . قطعهبندي شامل طبقهبندي قطعهها نمیشود. قطعه بندي کننده تنها یک تصویر رابه اجزاي کوچکتر تقسیم میکند و هیچ عملیاتی به منظور شناسائی قطعهها و رابطه آنها با سایر قطعههاي دیگر انجام نمیپذیرد.[9]
• الگوریتم قطعهبندي چند مقیاسه1
قطعهبندي چند مقیاسه متوالیاً پیکسل ها یا اشیا تصویري موجود را با هم ادغام میکند. از اینرو یک الگوریتم طبقه بندي پائین به بالا بر پایه تکنیک ادغام نواحی دو به دو2 میباشد. ادغام دو به دوي محلی با سه دسته،Seed ، Candidateو Target از اشیاي تصویري متمایز میشوند. روند قطعه بندي با یک رویکرد بهترین برازش دو جانبه، با یک شی تصویري آغاز میشود که یک پیکسل میباشد و در طول چندین حلقه و تکرار جفت ها تا جائی که به حد آستانه همگنی محلی برسند با هم ادغام میشوند. شاخص همگنی با ترکیبی از همگنی طیفی و همگنی ساختاري تعیین میشود.
هدف ادغام دو به دوي محلی پیدا کردن بهترین candidate براي ادغام شونده محلی میباشد. براي تمامی کاندیداهاي ادغام، ساختارهاي نتیجه بالقوه - target - با جزئیات با ساختار ورودي seed - و - candidate مقایسه میشود. شکل 1انواع شیهاي تصویري در روند ادغام دو به دویی را نشان می دهد. قطعه بندي شامل پنج مرحله اصلی می باشد. مرحله اول، seed به دنبال بهترین جفت براي ادغام بالقوه با بهترین فیت میباشد.
در مرحله دوم، در صورت نبودن بهترین فیت دو جانبه، بهترین شی تصویري candidate، seed جدید میشود و بهترین فیت جستجو میشود. مرحله سوم، هنگامیکه بهترین فیت دو جانبه بود، شیهاي تصویري با هم ادغام میشوند . در مرحله چهارم، در هر حلقه، هر شی تصویري در سطح شی تصویر یکبار کنترل میشود و در نهایت حلقهها تا زمانی که امکان ادغام وجود داشته باشد ادامه مییابند. در شکل 2 روند مفهومی قطعه بندي چند مقیاسه نشان داده شده است.
