بخشی از مقاله
چکیده
در تصاویري که داراي تعداد باند کم هستند براي بالا بردن دقت در طبقهبندي میتوان از اطلاعات بافت استفاده نمود. هدف این مطالعه بهکارگ یري اطلاعات بافت براي استفاده درطبقه بند يتصاو یر ماهواره اي است. به این ترتیب که با استفاده از دو روش به کارگیري ماتریس هم رخداد و تبدیل موجک باندهاي جدی دي تولی د می شود. تصویر به صورت مجزا با استفاده از این باندها و به کمک دو روش ماشین بردار پشتیبان و بیشتر ین احتمال طبقه بندي شده است.
نتایج نشان می دهند، زمانی که از باندهايتصو یر و باندهاي روش ماتریسهم رخداد استفاده شده است دقت نسبت به حالتی که هری ک جداگانه درطبقه بند بهي کار گرفته شده اند افزایش یافته است. این نتیجه در مورد هر دو روش طبقه بندي بردار پشتیبان و بیشترین احتمال صادق است. از طرفی زمانی که باندهاي حاصل از تبدیل موجک با باندهاي تصویر برايطبقه بند يبه روش بردار پشتیبان استفاده شدند دقت کلی افزایش یافت.
-1 مقدمه
بافت، یک ویژگی سطح است که اطلاعات ترکیبی از نظم، نرمی و زبري سطح ارائه میدهد. در تصاویر رقومی بافت تصویر، تغییرات محتویات درجه خاکستري را انعکاس میدهد. در چند سال اخیر، با گسترش مجموعه دادههاي تصاویر رقومی، طبقهبندي خودکار بر مبناي بافت در کاربردهاي مختلف در تصاویر پزشکی، سنجشازدور ، طبقهبندي و قطعهبندي نقش کلیدي بازي می کند. روشهاي طبقهبندي خودکار بر مبناي بافت شامل دو گام می شود: - 1 استخراج ویژگی، که یک مجموعه ویژگی از تصویر موردمطالعه استخراج میکند . - 2 طبقهبندي، از ویژگیهاي بافت در طبقهبندي استفاده میشود. فرض اساسی در این سیستمها این است که تصاویري که باید طبقهبندي شوند با تصاویري که براي آموزش استفاده می شوند، شبیه اند.
بهعنوانمثال در درجات خاکستري چرخش تصویر مشابهاند. این فرض باید حتماً وجود داشته باشد، هرچند بعید است در کاربردهاي عملی شرایط نور و زاویه دید نقطه در لحظه تصویربرداري یکسان باشد. بنابراین در سالهاي گذشته توجه زیادي بهروشهاي طبقهبندي خودکار بافت و ثابتشده است. هدف این مقاله استفاده از ویژگیهاي بافت براي طبقهبندي تصاویر ماهواره اي با تعداد باند کم است. براي این منظور به دو شیوهي استفاده از تبدیل موجک و روش ماتریس هم رخداد اقدام به استخراج دادههاي ﺑﺎﻓﺖ از تصویر شده است و طبقهبندي با استفاده از این باندها به کمک دوطبقه بندي کنندهي بردار پشتیبان1 - SVM - و بیشترین احتمال صورت پذیرفته است. بنابراین مراحل زیر را میتوان در پیادهسازي این مقاله در نظر گرفت
• استخراج ویژگیهاي بافت از تصویر با استفاده از تبدیل موجک.
• استخراج ویژگیهاي بافت با استفاده از ماتریس هم رخداد.
• طبقهبندي بهروشهاي SVM و بیشترین احتمال براي باندهاي حاصل از مراحل بالا و باندهاي تصویر بهصورت جداگانه.
• طبقهبندي بهروشهاي SVM و بیشترین احتمال براي تلفیق باندهاي تصویر و باندهاي حاصل از تبدیل موجک.
• طبقهبندي به روش SVM و بیشترین احتمال براي تلفیق باندهاي تصویر و باندهاي حاصل از ماتریس هم رخداد.
• طبقهبندي به روش SVM و بیشترین احتمال براي تلفیق کلیهي باندهاي محاسبهشده. ساختار مطالعه در ادامه به این صورت است که در بخش دوم، به معرفی و بررسی طبقهبندي کننده هاي SVM بیشترین احتمال میپردازیم. همچنین بافت، تبدیل موجک و ماتریس هم رخداد معرفی خواهند شد. در بخش سوم نحوهي پیاده سازي مطرح خواهد شد. در بخش چهارم، نتایج موردبحث و بررسی قرار میگیرند. نهایتا در بخش پنجم نتیجه گیري و پیشنهادها براي مطالعات آینده ارائه خواهد شد.
