بخشی از مقاله
چکیده:
در این مقاله یک تصویر ماهواره اي بزرگ مقیاس که از IKONOS گرفته شده است با استفاده از روشهاي مبتنی بر شبکه عصبی مصنوعی مورد طبقه بندي قرار گرفته که در اینجا از یک شبکه با دو لایه میانی استفاده شده است. سپس نتیجه به دست آمده با دو روش بیشترین شباهت و کمترین فاصله از میانگین مورد مقایسه قرار گرفته است لازم به ذکر است براي اینکه مقایسه مناسب بین این سه روش انجام بگیرد داده هاي آموزشی و تصدیق براي هر سه روش به صورت یکسان در نظر گرفته شده است. در نتیجه مشاهده می شود که با طراحی یک شبکه عصبی مناسب می توان به یک دقت مناسب و بهتر از دو روش دیگر دست پیدا کرد.
-1مقدمه:
در اینجا به طور مختصر ابتدا در مورد طبقه بندي صحبت می شود.به طور کلی گروه بندي پیکسلهاي یک تصویر را به کلاسها یا دسته هایی براي تولید یک نقشه موضوعی کلاس بندي می نامیم. به وسیله کلاس بندي به هریک از پیکسلها یک بر چسب زده می شود که معرف آن گروه است .می توان روشهاي طبقه بندي را به صورت کلی به دو روش نظارت شده و نظارت نشده تقسیم بندي نمود. در روش نظارت شده کلاس بندي را بوسیله نمونه هاي یکنواختی که هریک از آنها معرف یک پوشش خاص از زمین می با شند انجام می گیرد، که به این نمونه ها داده هاي آموزشی می گویند.
در روش نظارت نشده کلاس بندي بر اساس اطلاعات طیفی که به طور اطلاعات پیش فرض در دسترس می باشند دسته ها مشخص و طبقه بندي انجام می گیرد. لازم به ذکر است که دو روش کلاس بندي بیشترین شباهت و کمترین فاصله از میانگین از نوع طبقه بندي به روش نظارت شده می باشند و طبقه بندي به روش شبکه عصبی هم به صورت نظارت شده قابل اجرا می باشد و هم به صورت نظارت نشده. لازم به ذکر است که در این مقاله حالت نظارت شده شبکه عصبی را در نظر گرفته شده است
-2روش اجرا:
انتخاب تعداد کلاسها:
اولین گام براي طبقه بندي به روش نظارت شده تعیین تعداد کلاسهاي مورد نظر می باشد که این انتخاب می توان بر اساس نوع پوشش یا عارضه هاي خاص انجام یگیرد. براي کلاس بندي به وسیله این سه روش از یک تصویر IKONOS که از اهرام مصر تصویر برداري شده است استفاده شده است. در اینجا از تصویري را که براي کلاس
بندي مورد استفاده قرار دادیم نمایش داده شده است که یک تصویر 126×121 می باشد.
شکل. - a - .1 تصویر اصلی ، . - b - نحوه انتخاب کلاسها ما در اینجا چهار کلاس را انتخاب نمودیم:
-1هرم
-2لبه پایینی هرم
-3خیابان
-4بناها یا زمینهاي اطراف هرم.
2-1 :داده ها:
می توان گفت عنصر حیاتی براي کلاس بندي مخصوصا به روش نظارت شده داده ها می باشند بوسیله داده هاي دقیق می توان انتظار یک طبقه بندي خوب را داشت و بر عکس.
براي جمع آوري داده ها روشهاي مختلفی به کار می رود که هر یک بستگی به کاربرد دارد. که می توان روشها را به این صورت بر شمرد:
-1 جمع آوري داده ها بوسیله انجام نقشه برداري زمینی.
-2جمع آوري بوسیله تصاویر دقیق ماهوارها.
-3 از طریق داده هاي فتو گرامتري.
-4 از نقشه هاي که قبلا تهیه شده اند
می توان اهمیت داده ها را به این طریق بیان کرد که اساس یک طبقه بندي را تشکیل می دهد. هر سه روش مورد بررسی به شدت احتیاج به داده ها ي آموزشی خوبی دارند. مخصوصا شبکه عصبی که براي آموزش شبکه به شدت محتاج داشتن داد هاي دقیق براي آموزش دادن شبکه می باشد. در این مقاله ما به اهمیت داده براي شبکه عصبی پی بردیم که هم دقت خود شبکه بندي به این داده ها وابسته است هم دقت کل کلاس بندي انجام گرفته شده در اینجا از داده هایی که در حضورشان در کلاس مورد نظر اطمینان کامل می رفت مورد استفاده قرا ر داده شده است.
می توان ذکر کرد که با داده هاي مناسب می توان به دقتهاي بهتري نیز رسید. در اینجا تعداد 130 داده ي آموزشی استفاده کرده که 22 داده از گروه اول ، 20 داده از گروه دوم ،41 داده از گروه سوم و 47 داده از گروه چهارم انتخاب نمودیم.لازم به ذکر است از آنجا که قصد مقایسه روشهاي طبقه بندي را داشتیم همین داده هاي آموزشی را براي سه روش استفاده نمودیم.
-3 طبقه بندي تصویر ماهواره اي با شبکه عصبی مصنوعی:
پردازش نمودن اطلاعات بر گرفته از سیستم عصبی که به وسیله بیشمار ارتباط بین عصب ها انجام میگیرد. از این روش ما براي آموزش داده هاي آموزشی براي انجام کلاس بندي استفاده می نماییم..[3] ساختار شبکه عصبی در شکل 2 آمده است.
شکل.2 ساختار شبکه عصبی در مورد ساختار شبکه عصبی بابد متذکر شد که داراي یک لایه ورودي ،دو لایه میانی و یک لایه خروجی می باشد.
ورودیها در اینجا مقادیر RGB پیکسلها می باشد بنابراین براي هر پیکسل سه ورودي وجود دارد. انتخاب یک لایه میانی نتوانست خطاي مناسبی براي مقدار مینیمم خطاي مربعات فراهم نماید بدین منظور از شبکه اي با دو لایه میانی استفاده شد و حالات مختلفی براي تعداد لایه هاي میانی استفاده شد تا مناسبترین تعداد نرون براي هر کدام از لایه هاي میانی انتخاب شود. گراف زیر مینیمم خطاي مربعات مختلفی از تعدا نرونهاي مشخص به دست آمده را نشان می دهد.
