بخشی از مقاله
چکیده
در این مقاله روشی دانش مبنا با ترکیب دو روش طبقهبند ي ماشین بردار پشتیبان و درختتصم یم گی ري - SVM-DT - براي تلفیق دانش در سه سطح: دانش حاصل از تصویر، دانش اولیه و دانش خبره براي تصاویر با قدرت تفکیک مکانی بالا ارائهشده است. دانش حاصل از تصویر - طیفی و مکانی - بهعنوان ویژگیهاي ورودي براي طبقه بندي کننده SVM به کار گرفته میشود. دانش اولیه براي توازن تعداد دادهها ي آموزشی درطبقهبند ي کننده SVM به کار میرود.
درنهایت دانش خبره نیز در دو مرحله ایجاد طرح درختی و همچنین انتخاب ویژگی هاي بهینه درروش پیشنهادي استفاده می شود. تصویر سنجنده WorldView-2 با 8 باند طیفی و یک باند پانکروماتیک مربوط به شهر اهواز با 8 کلاس براي پیادهسازي در نظر گرفتهشده است. تلفیق باندها، استخراج بافت و شاخص هاي مخصوص این تصویر ازجمله پیش پردازشها يانجام شده م یباشد. براي بررسیتأث یر دانش هاي مختلف درروش پیشنهادي 6 طبقه بندي کننده در آزمایش ها مقایسه شده است. نتایج نشان میدهد درمجموع تأثیر دانشهاي مختلف بر دقت طبقهبندي مثبت است.
-1 مقدمه
یکی از مهترین کاربردهای تصاویر با قدرت تفکیک مکانی بالا طبقهبندی میباشد. اگر خروجی طبقهبندی مطابق استانداردهای اطلاعات مکانی و با دقت مناسب باشد میتواند بهعنوان ورودی بسیاری از سیستمهای تحلیلی مکانی ازجمله نقشههای پوششی، نقشهی تغییرات کاربری و ... به کار رود. روشهای طبقهبندی میتواند از چندین دیدگاه موردبررسی قرار گیرد. نظارتشده1 و نظارتنشده2، پارامتریک و غیر پارامتریک، سخت و نرم - فازی - ، پیکسل مبنا یا زیر پیکسل و یا عارضه مبنا. روشهای طبقهبندی که در سال های اخیر برای بهبود نتایج بیشتر موردبررسی قرارگرفتهاند روشهای پیشرفته همچون شبکه عصبی، مجموعه فازی، سیستمهای خبره و دانشمبنا3 بودهاند.
یکی از مهمترین مشکلات روشهایی که در بالا به آنها اشاره شد پیچیدگی محاسباتی و همچنین عدم استفاده از سایر دانشهای در دسترس برای طبقهبندی است. بهمنظور جبران این نقص روشهای دانشمبنا مطرح گردیدند . [4-1] روش کار در طبقهبندی دانشمبنا بر اساس دانش خبره4 است؛ که هر کلاس قواعد طبقهبندی خاص خود را دارد و بهصورت ترتیبی اعمال میشوند.
این روش طبقهبندی شامل دو مرحله است. مرحله اول ایجاد دانش و مدل و تشکیل قواعد پایه، مرحله دوم تشکیل طرح طبقهبندی بهصورت درختی1 در سطوح مختلف .[ 7-5 ,1 ] یکی از مشکلات روش های دانشمبنای متداول عدم ثبات در تعیین حدود در گرهها میباشد. یکی از اهداف این تحقیق حل این مشکل است. در مباحث شناسایی الگو روشی ترکیبی از ماشین بردار پشتیبان2 و طبقهبندی درخت تصمیمگیری3 برای طبقهبندی دادهها ارائهشده است .[12-8] - SVM-DT -
این روش هم مکانیسم جداساز قدرتمندی بین کلاس ها دارد مانند SVM و هم از پیچیدگیهای محاسباتی کمتری برخوردار است و دانش خبره را در فرآیند طبقهبندی به کار میگیرد مانند . - DT - اگرچه این طبقهبندی کننده ویژگیهای منحصربهفردی دارد اما کمتر در طبقهبندی دادههای سنجشازدور بهکاررفته است. در این مقاله روش طبقهبندی SVM-DT برای استفاده در طبقهبندی تصاویر با قدرت تفکیک مکانی بالا توسعه داده میشود.
دانشهای مختلف متناسب با ویژگیهای مختلف داده WorldView-2 و منطقهی شهری استخراج و از آن ها در مراحل مختلف طبقهبندی کننده SVM-DT استفاده میشود. بهاینترتیب در این مقاله روشی جدید برای طبقهبندی دادههای با قدرت تفکیک مکانی بالا ارائهشده است که میتواند دانش را در سه سطح دانش اولیه4، دانش خبره و دانش حاصل از تصویر5به کار گیرد. در بخش دوم منطقهی موردمطالعه و داده مورداستفاده بررسی میشود. بخش سوم تئوری روش پیشنهادی را ارائه میدهد. بخش چهارم روند پیادهسازی را شرح میدهد. نتایج در بخش پنجم تحلیل میشوند. بخش پایانی نیز مربوط به نتیجهگیری میباشد.
-2 منطقه موردمطالعه، داده مورداستفاده و پیشپردازش
-1-2 منطقهي موردمطالعه
منطقه ی شهری در جنوب غربی شهر اهواز با مختصات جغرافیایی 31œ 17' 14" N و 48œ 46' 41" E بهعنوان منطقهی مورد آزمایش در روش پیشنهادی این مقاله انتخاب گردید. شکل 1 - الف - موقعیت این منطقه در محی گوگل ارث6 را نشان میدهد. این منطقه در کنارهی شهر قرار دارد و شامل آزادراه و راههای درونشهری و یک منطقهی منظم از بلوکهای ساختمانی میشود. جادههای در حال احداث، رودخانه، زمینهای بایر و فضای سبز از دیگر عوارض موجود در منطقه میباشد.
-2-2 دادههاي مورداستفاده
بهمنظور فراهم آوردن یک ورودی مناسب جهت استخراج لایههای اطلاعات شهری داشتن قدرت تفکیک مکانی بالا در تصویر انتخابی یکی از ویژگی های اصلی میباشد. از طرف دیگر داشتن یک داده با قدرت تفکیک مناسب طیفی نیز کمک میکند تا تمایز بین کلاس های نزدیک به هم بیشتر نمایان شود. از بین تصاویر سنجشازدوری با قدرت تفکیک مکانی بالا داده ی WorldView-2 با حفظ قدرت تفکیک مکانی میتواند اطلاعات را در 8 باند طیفی ذخیره کند. این داده بهعنوان داده مرجع در این تحقیق انتخاب گردید - شکل 1 - ب - - .
-3-2 پیشپردازش
بهمنظور آمادهسازی دادهی 3 WorldView-2 مرحله پیشپردازش انجام شد که نهاًیتا خروجی کار بهعنوان ورودی طبقهبندی کنندهی پیشنهادی تعیین میگردد.
- تلفیق باندهای پانکروماتیک و چندطیفی
قدرت تفکیک مکانی تصویر WorldView-2 در باند پانکروماتیک 0/5 متر و در باندهای چندطیفی 2 متر میباشد. تلفیق این دو باند میتواند قدرت تفکیک مکانی باندهای چندطیفی را به 0/5 متر افزایش دهد. روش موجک1 با توجه به قدرتش در حفظ اطلاعات طیفی برای استفاده انتخاب شد. نتیجه و خروجی این تلفیق تصویر با قدرت تفکیک مکانی 0/5 متر در 8 باندهای طیفی میباشد.
- تولید ویژگیهای بافت
مدل سازي ریاضی بافت تصویر با استفاده از روش هاي گوناگون صورت میگیردکه هرکدام از آنها بر اساس تعاریف مختلف ارائهشده از بافتم یباشد . در این مقاله یکی از این روشها ي آماري، ماتریس هم رخدادي2 درجه خاکستري - GLCM - استفاده شده است. با استفاده از این ماتریس ویژگیها ي میانگین، واریانس، همگنی، کنتراست، آنتروپی، عدم تشابه و گشتاور دوم استخراج و در طبقهبندي استفاده گردید.
- تولید شاخصها
روابط شاخصهاي خاص تصویر به شرح زیر است.
-3 روش پیشنهادي براي طبقهبندي
-1-3 مبانی طبقهبندي کننده SVM-DT
پایه و اساس طبقهبندی کننده SVM-DT یک معماری درختی است که برای تصمیمگیری در گرههای3 آن از طبقهبندی کننده دو کلاسه SVM استفاده میشود. این روش دو مزیت دقت بالای طبقهبندی در SVM و همچنین یک وضعیت محاسباتی مناسب و همراهی دانش خبره در DT را به همراه دارد.
