بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
طبقه بندی تصاویر ماهواره ای با بکارگیری ویژگی های بافت و استفاده از روش های مبتنی بر شبکه های عصبی
چکیده
یکی از تکنیک های مهم درتفسیرتصاویر سنجش از دور، طبقه بندی تصاویر است که کاربرد زیادی در بررسی تغییرات زمین دارد. مسئله مهم تعیین یک روش طبقه بندی با دقت مناسب برای تصاویر ماهواره ای با قدرت تفکیک مکانی بالا می باشد؟
با افزایش تعداد باند های تصاویر سنجش از دور، الگوریتم های استخراج ویژگی مانند تحلیل مؤلفه های اصلی، تحلیل مؤلفه های مستقل، نگاشت جستجوگر، استخراج ویژگی با مرز تصمیم گیری، تحلیل ممیز و تبدیل موجک به منظور کاهش تعداد ویژگی ها و بهبود طبقه بندی مورد استفاده قرار گرفته اند. اما این الگوریتم ها به دلیل افزایش تعداد منابع اطلاعاتی، حجم داده ها و محدود بودن تعداد نمونه های آموزشی در تصاویر ابرطیفی، بازدهی مطلوبی ندارند. در این تحقیق برای حل این مشکل، پس از بررسی طبقه بندی تصاویر ماهواره ای با استفاده از ویژگی بافت، روشی مبتنی بر ماشین بردار پشتیبان ارایه گردیده است. در واقع ماشین بردار پشتیبان پس از یک طبقه بندی اولیه، با استفاده از کلاس هر پیکسل و همسایه هایش به صورت سلسله مراتبی تصمیم گیری می کند. تصمیم گیری در هر یک از سطوح بوسیله یک ماشین بردار پشتیبان انجام می شود. نتایج نشان می دهد که صحت طبقه بندی داده های ابرطیفی با استفاده از این الگوریتم بسیار مطلوب بوده و مشکل محدود بودن تعداد نمونه های آموزشی تا حد قابل توجهی جبران شده است.
کلمات کلیدی: طبقه بندی تصویر، شبکه عصبی و الگوریتم SVM
.1 مقدمه
با استفاده از طبقه بندی تصاویر عضویت یک پیکسل به یک کلاس تعیین می شود ؟به طور کلی طبقه بندی شامل دو روش کلی طبقه بندی نظارت نشده و طبقه بندی نظارت شده می باشد ؟در روش طبقه بندی با نظارت، نوع و مکان برخی از انواع پوشش های زمین مثل منطقه شهری، کشاورزی، آب و از قبیل آن شناخته شده هستند ؟این شناخت از ترکیبی از کار میدانی، تفسیر عکس های هوایی، تجزیه و تحلیل نقشه ها و تجربه ی شخصی قابل حصول است ؟لازم است کاربر مکان های مخصوصی را در داده های تصویری که نماینده مناطق یکدستی از پوششهای زمین که شناخته شده هستند را معین کند ؟این مکان ها را به دلیل خصوصیات طیفی آنها در آموزش الگوریتم طبقه بندی برای تهیه نقشه نهایی، معمولا مناطق آموزشی می نامند ؟در طبقه بندی بدون نظارت، نوع و مکان انواع پوشش های زمین که قرار است به عنوان کلاس تعیین شوند، معمولا از قبل شناخته شده نیستند ؟دلیل این امر در این است که اطلاعات زمینی مرجع یا وجود ندارد و یا عوارض سطح زمین در صحنه تصویر برداری شده، خوب تعریف نشده اند؟ بنابراین از الگوریتم خواسته می شود که پیکسل های دارای خصوصیات طیفی مشابه از لحاظ برخی معیارهای آماری معین را در یک خوشه واحد گروه بندی کند؟سپس، کاربرخوشه های طیفی را برچسب گذاری کرده و آنها را ترکیب کرده و در کلاس های اطلاعات قرار می دهد؟
.2 ارائه روش پیشنهادی
مراحل اجرای الگوریتم کلی برنامه به صورت زیر می باشد:
(1 خواندن تصویر موجود در پایگاه داده آموزش شبکه عصبی (2 تبدیل تصویر از RGB به Gray Level
(3 اعمال فیلتر میانگین 3 3 (4 تشکیل بردار ویژگی تصویر ورودی
(5 کنار هم قرار دادن کل بردار ویژگیها در کنار هم و تشکیل بردار ویژگی نهایی (6 تشکیل بردار هدف (7 ساخت شبکه عصبی
(8 آموزش شبکه عصبی با بردار ویژگی نهایی و بردار هدف
3. مراحل انجام مطالعه
در میان خصوصیات مختلفی که اشیاء یک تصویر دارند، مثل رنگ، شکل یا حرکت، بافت یکی از خصوصیات بارز اشیاء تصویر، هم از دیدگاه چشم انسان و هم از دیدگاه پردازش تصویر می باشد ؟بافت یک تصویر به توزیع مکانی مقادیر درجه خاکستری بستگی دارد و شامل اطلاعاتی راجع به چین خوردگی، منظم بودن ، Uniformity، contrast و غیره است ؟آنالیز بافت امکانات جالبی برای تشخیص ناهمگونی ساختاری کلاس ها را ارائه می دهد؟
انواع مختلف روش های بافت ها را می توان به چهار دسته روشهای آماری، روشهای ساختاری، روشهای مبتنی بر مدل و روش های تبدیل تقسیم کرد؟ ماتریس هم وقوع درجات خاکستری “GLCM” که در این مطالعه استفاده شده است یکی از روش های متداول استخراج پارامتر های بافت از تصاویر است؟ وابستگی GLCM به جهت ویژگی مهم آن برای تمایز اشیاء در جهت های خاص است ؟ روابط ٌ تا َ نشان دهنده نحوه محاسبه پارامترهای بافت را نشان می دهد؟
معمولا روش های طبقه بندی هنگام ترکیب با ویژگی های آماریGLCM بهتر عمل می کنند ؟طبقه بندی بافت در کلاس های با پاسخ های طیفی ترکیبی افزایش صحت را به دنبال دارد( مانند مناطق آیش و مناطقی که تراکم گیاهی تعیین کننده است.[1]
.4 استفاده از شبکه عصبی
-1 شبکه عصبی MLP
بعد از محاسبه ماتریس GLCM حال بایستی استخراج ویژگی از این ماتریس کنیم. برای هر تصویر یک بردار ویژگی بدست می آید که متناظر با همان تصویر می باشد. بردارهای ویژگی که از هر تصویر بدست آمده ، تشکیل بردار کلی را می دهند. این بردار کلی در قسمت آموزش شبکه عصبی مورد استفاده قرار می گیرد.[2]
می توان شبکه های عصبی را بر اساس شیوه پردازش اطلاعات در آنها، به دو گروه، شبکه های پیش خور (Feed Forward) و شبکه های بازگشتی((Recurren تقسیم کرد .[3]
یکی از پرکاربردترین و کارآمدترین شبکه ها، شبکه پس انتشار((Back Propagation است ؟شبکه های Feed Forward معمولا دارای یک یا چند لایه مخفی از نورون ها می باشند ؟ بدین معنی که نورن ها در ساختاری لایه لایه چیده می شوند و نورون های هر لایه اتصالاتی کامل به لایه ی بعد دارند[4]؟
شبکه عصبی MLP مورد استفاده در شکل زیر نشان داده شده است :
یکی از پارامترهای مهم در شبکه عصبی MLP تعداد نرون در لایه مخفی می باشد. برای یافتن تعداد نرون مناسب در لایه مخفی ، تعداد نرون در لایه مخفی را از 1 تا 13 افزایش داده ایم و مقدار درصد دسته بندی را حساب کرده ایم، بیشترین مقدار برای شش نرون در لایه مخفی بود. شکل 4 نتیجه حاصل از تغییر نرون ها در لایه مخفی را نشان می دهد :
بیشترین درصد دسته بندی برای 6 نورون در لایه مخفی برابر 82.9 درصد و کمترین درصد دسته بندی برای یک نورون در لایه مخفی برابر 63.8 درصد می باشد.
تغییرات مجذور مربعات خطا (MSE) در حین فرایند آموزش در شکل 5 نشان داده شده است:
-2شبکه تابع پایه شعایی((RBF
شبکه عصبی RBF بر خلاف شبکه های MLP که دارای لایه های متوالی متعددی هستند از سه لایه ثابت یک لایه ورودی و یک لایه مخفی و یک لایه خروجی تشکیل شده اند. ساختمان یک شبکه RBF در شکل 6 نشان داده شده است.
بر خلاف MLP، نرون های لایه مخفی در شبکههای RBF دارای تابع غیرخطی گوسی میباشد . ارتباط بین نرونهای لایه ورودی و لایه مخفی بسادگی شبکه MLP نمیباشد. نرونهای لایه مخفی، واحدهای چند بعدی هستند و بعد این نرونها، برابر تعداد ورودیهای شبکه است.آموزش RBF در دو بخش نظارت شده و بدون نظارت صورت میگیرد . روند آموزش به این صورت است که در ابتدا با یکی از روشهای خوشهبندی، پارامترهای تابع گوسی لایه مخفی، تنظیم میشوند و سپس وزنهای ارتباطی بین لایه مخفی و خروجی، به کمک یک الگوریتم یادگیری با نظارت، مانند روش بیشترین شیب در پس انتشار خطای استاندارد و یا روش گرادیان مزدوج و ...، تنظیم میگردند.
