بخشی از مقاله
چکیده
اطلاعات حاصل از طبقه بندی تصویر از پرکاربردترین اطلاعات در سنجشازدور و سایر زمینهها نظیر برنامهریزی شهری, مدیریت منابع طبیعی و ... به شمار میآید. روشهای طبقهبندی تصویر به دو صورت پیکسل مبنا و شی مبنا تقسیمبندی میشوند. روشهای شی مبنا به دلیل امکان استفاده از اطلاعات هندسی، مجاورت و مفهومی, علاوه بر اطلاعات طیفی, نسبت به روشهای پیکسل مبنا میتوانند در مناطق شهری پرتراکم دقت بالاتری را ارائه دهند.
در این تحقیق بهمنظور طبقهبندی تصویر از منطقه شهری باقدرت تفکیک مکانی بالا از یک روش شی گرا استفاده شده است. تصویر موردنظر پس از پردازش به همراه اطلاعات بافتی وارد مرحله قطعه بندی گردیده و در چهار سطح مختلف قطعهبندی میگردد. سپس بهترین سطح قطعه بندی انتخاب و طبقهبندی میشود. ارزیابی دقت طبقهبندی بهدستآمده برای بهترین سطح قطعهبندی برابر با دقت کلی 0.96 و ضریب کاپای 0.92 بدست آمد.
-1مقدمه
طبقه بندی تصاویر در سنجش از دور با دو رویکرد، طبقه بندی پیکسل مبنا و طبقه بندی شی مبنا تقسیم بندی میشود. در سالهای اخیر جهت دستیابی به دقت قابلقبول و بهبود طبقهبندی، روشهای شی مبنا موردتوجه محققان قرارگرفته است. حجم ویژگیهای معرف یک کلاس در آنالیز طبقهبندی شیگرا، بسیار وسیع تر از تعداد ویژگیهای به کار گرفتهشده در آنالیز طبقهبندی به روش پیکسل مبنا میباشد و به همین دلیل ضعف اطلاعات موجود در یک پیکسل، توانائی تفسیر مفهومی تصویر از طریق روشهای بر مبنای به کارگیری پیکسلها بسیار ضعیف میباشد.
طبقه بندی شیگرا، شامل دومرحله اصلی می باشد. در مرحله اول،قطعه بندی براساس ادغام پیکسلهای تصویر، برای تشکیل اشیا، است. در این مرحله از قطعهبندی با یک مقیاس، حضور یک شی کلاسی و اندازه یک شی که نتیجه طبقهبندی را تحت تأثیر قرار میدهد، تعیین میشود. درمرحله دوم، طبقهبندی بر مبنای اشیا - نه تک پیکسلها - انجام میشود.
در مقاله ارائه شده توسط [2] روشی شیء مبنا جهت تحلیل و توصیف ساختار، صحنهی شهری 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 کاربری اراضی پیشنهاد دادند. در مقاله [4] با استفاده از طبقهبندی شیءگرا، هر یک از کلاسها به طور جداگانه و یک به یک با استفاده از تصاویر نیم-متری و لیدار جهت طبقهبندی پوشش اراضی طبقهبندی شدند. در سال 2008،[5] Zhou and Troy با استفاده از یک شبکه سلسلهمراتبی سه سطحی به طبقهبندی تصویر در سطوح مختلف پرداختند.
هدف از این مقاله، مقایسه و ارزیابی روشهای مختلف طبقه بندی توسط روش شیء مبنا می باشد. در این راستا چارچوب مقاله به شرح زیر است: بخش دوم، مروری بر الگوریتمهای مورد استفاده در تحقیق، بخش سوم، مشخصات منطقه مورد مطالعه و در بخش چهارم روش تحقیق بیان شده است.
-2مبانی تحقیق
-1-2روش K نزدیکترین همسایه
در این طبقهبندی کننده قاعده تصمیم بر مبنای 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 روشهای اندازهگیری، 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، برای هر کلاس - به اضافه پارامترهای واریانس-کوواریانس اگر از فاصله ماهالانوبیس به جای فاصله اقلیدسی استفاده شود - از دادههای آموزشی تعیین میگردند. یک پیکسل یا شی با برچسب نامشخص بعد از محاسبه فواصلش با مراکز کلاسها برچسبگذاری میشود. برچسب نزدیکترین کلاس به آن پیکسل یا شی اختصاص داده میشود .[6] این نوع طبقهبندی کننده از نظر ریاضی ساده و از لحاظ محاسباتی بسیار مؤثر است
-2-2قطعه بندی
هدف از قطعهبندی، در واقع تقسیم یک تصویر به بخشهای مختلفی است که به طور ایدهآل مطابق با عوارض روی زمین میباشد
بر اساس این تعریف، قطعهبندی عمدتاً توزیع مکانی مقادیر پیکسلها را برای تشخیص عوارض در نظرمی گیرد. در طبقهبندی به روشهای شی پایه ابتدا نیاز است تا تصویر به اشیای کوچک تقسیم گردد؛ یا اصطلاحاً قطعهبندی گردد. قطعهبندی شامل طبقهبندی قطعهها نمیشود. قطعهبندی کننده تنها یک تصویر رابه اجزای کوچکتر تقسیم میکند و هیچ عملیاتی به منظور شناسائی قطعهها و رابطه آنها با سایر قطعههای دیگر انجام نمیپذیرد.
• الگوریتم قطعهبندی چند مقیاسه
قطعهبندی چند مقیاسه متوالیاً پیکسلها یا اشیا تصویری موجود را با هم ادغام می کند. از اینرو یک الگوریتم طبقهبندی پائین به بالا بر پایه تکنیک ادغام نواحی دو به دو2 میباشد. ادغام دو به دوی محلی با سه دسته،Seed ، Candidateو Target از اشیای تصویری متمایز میشوند.روند قطعهبندی با یک رویکرد بهترین برازش دو جانبه، با یک شی تصویری آغاز میشود که یک پیکسل میباشد و در طول چندین حلقه و تکرار جفتها تا جائی که به حد آستانه همگنی محلی برسند با هم ادغام می شوند. شاخص همگنی با ترکیبی از همگنی طیفی و همگنی ساختاری تعیین میشود.
هدف ادغام دو به دوی محلی پیدا کردن بهترین candidate برای ادغام شونده محلی میباشد. برای تمامی کاندیداهای ادغام، ساختارهای نتیجه بالقوه - target - با جزئیات با ساختار ورودی seed - و - candidate مقایسه میشود. شکل 1انواع شیهای تصویری در روند ادغام دو به دویی را نشان می دهد.
شکل .1 انواع شیهای تصویری در روند ادغام دو به دو
قطعه بندی شامل پنج مرحله اصلی می باشد. مرحله اول، seed به دنبال بهترین جفت برای ادغام بالقوه با بهترین فیت میباشد. در مرحله دوم، در صورت نبودن بهترین فیت دو جانبه، بهترین شی تصویری candidate، seed جدید میشود و بهترین فیت جستجو میشود. مرحله سوم، هنگامیکه بهترین فیت دو جانبه بود، شیهای تصویری با هم ادغام میشوند. در مرحله چهارم، در هر حلقه، هر شی تصویری 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 بندی چند مقیاسه نشان داده شده است.
