بخشی از مقاله
چکیده
پیشرفت سنجنده هاي جدید، پتانسیل بالایی براي طبقه بندي شهري را نشان میدهد . با این وجود، عملکرد روش هاي طبقهبندي مرسوم و قدیمی به علت پیچیدگی تفسیر تصویر، محدود بوده؛ و مطالعه روشهاي جدیدتر براي رفع این محدودیت ها بیشتر احساس می شود. از طرف دیگر، روش هاي جدید در بازشناسی الگو همانند جنگل تصادفی - RF1 - ، به عنوان یک الگوریتم یادگیري ماشینی جدید، توجه بسیاري را در زﻣﯿﻨﻪ طبقهبندي تصویر و بازشناسی الگو به خود جلب کرده است.
چندین تحقیق نیز مزایاي RF در طبقهبندي کاربري اراضی را نشان داده است. با این حال، تعداد کمی از این تحقیقات در زمینه شهري و استفاده از تصاویر ماهوارهاي جدید و لیدار تمرکز داشته است. در این تحقیق یک صحنه شهري با روشی جدید مبتنی بر تلفیق روش شی گرا و طبقه بندي RF براي بهبود طبقه بندي پیشنهاد شده و مورد بررسی قرار گرفته است. براي مقایسه از نتایج الگوریتم طبقه بندي شبکه هاي عصبی و بردارهاي ماشین پشتیبان استفاده شده است. نتایج این تحقیق نشان میدهد که روش پیشنهادي میتواند عملکرد طبقهبندي را از نظر دقت و سرعت بهبود بخشد.
-1 مقدمه
تفسیر بصري و الگوریتم هاي یادگیري ماشینی دو روش متداول براي استخراج اطلاعات از تصاویر ماهوارههاي و داده هاي سنجش از دور است، که هر یک داراي مزایا و معایبی می باشند. در برخی موارد استخراج اطلاعات از تصاویر ماهوارهاي و هوایی توسط عامل انسانی نتایج مطلوبتري نسبت به روشهاي خودکار یا نیمهخودکار تولید می کند. اما این روزها تولید اطلاعات توسط عامل انسانی و به روش هاي سنتی دیگر پاسخگوي نیازهاي موجود نیست و لازم است روشهاي خودکار و عاري از دخالت انسان توسعه داده شود. در این راستا پیوسته الگوریتم هاي یادگیري جدیدتري توسعه داده می شود تا این نیاز را برطرف سازد. در زمینه استخراج اطلاعات از تصاویر سنجش از دور به روش سنتی، مسائلی که بایستی مورد توجه واقع شود عبارتاند از:
-1 حجم زیاد و رشد سریع داده ها و تصاویر در سنجش از دور، -2 زمانبر بودن استخراج اطلاعات توسط انسان و از طرف دیگر -3 پیچیدگی عوارض براي تفسیر بصري و استخراج به وسیله چشم ممکن است باعث خطا گردد و در برخی موارد نیز استخراج اطلاعات به این روش غیرممکن میشود. راهحل این مسئله استفاده از الگوریتمهاي یادگیري ماشینی است که هدف نهایی آنها استخراج اطلاعات بدون دخالت انسان است. مهمتر ین کاري که الگوریتمهاي یادگیري ماشینی در سنجش از دور انجام می دهند طبقه بندي دادهها به کلاسهاي اطلاعاتی است.
الگوریتمهاي یادگیري ماشینی متداول در سنجش از دور مثل روشهاي طبقه بندي بیشینه شباهت - MLC - ، ماشین بردار پشتیبان - SVM2 - و شبکههاي عصبی مصنوعی - - ANN3 داراي مشکلاتی مثل -1 نیازمندي به دادههاي آموزشی زیاد و بدون خطا، -2 نیازمندي به تعیین بهینه و صحیح پارامترهاي آغازکننده، -3 محاسبات زیاد و - 4 دقت پایین در استخراج اطلاعات هستند. جنگل تصادفی - - RFیک الگوریتم یادگیري ماشینی جدید است که با ترکیب طبقه بندي کننده هاي درختی نتایج رضایت بخشی را در طبقه بندي تولید می کند هم چنین استفاده از این روش می تواند برخی از مشکلات مطرح در الگوریتم هاي قبلی را رفع کند.
در این تحقیق طبقهبندي هم به صورت پیکسل-مبنا و هم به صورت شی-مبنا با چند روش انجام میشود و نتایج هر یک مورد بحث و بررسی قرار می گیرد، تا در نهایت روشی مناسب از میان روش هاي بررسی شده براي طبقه بندي پوشش اراضی شهري با استفاده از تصاویر ابرطیفی ارائه گردد . از آنجا پوشش اراضی شهري پیچیده تر و مهمتر از پوشش اراضی طبیعی است در این تحقیق یک تصویر از یک صحنه شهري با عوارض مختلف مورد بررسی قرار گرفته است تا بتوانیم ارزیابی صحیحتري را به طور عملی از روشهاي طبقه بندي مختلف انجام دهیم.
یکی از روش هاي جدید طبقه بندي، RF است که با الگوریتم بسیاري سادهاي به کمک تلفیق چند طبقه بنديکننده پایه ساده کار میکند و تعیین پارامترهاي آن بسیار ساده اس ت .[1] مطالعات قبلی انجام شده درباره RF قابلیتهاي کاربردي از این روش را معرفی کردهاند. مزایاي مطرح شده این روش و سادگی آن، انگیزه اصلی استفاده از این روش جهت طبقهبندي تصاویر ابرطیفی در این تحقیق است.
برخی محققین در کارهاي قبلی نشان دادهاند که قطعهبندي تصویر و طبقهبندي شی -گرا میتواند دقت طبقه بندي را بالا ببرد . [7- 3] در برخی تحقیقات نیز براي طبقه بندي تصاویر چند طیفی، طبقه بندي شی-گرا پیشنهاد شده است 3]، .[4 در مورد تصاویر ابرطیفی، با توجه به محاسبات بالاي قطعهبندي و تولید ویژگی هاي شی گرا و تعداد بالاي باندهاي تصاویر ابرطیفی، سؤال دیگري که در اینجا مطرح میشود این است که قطعه بندي و تولید ویژگی هاي شی گرا براي بهبود طبقه بندي تصاویر ابرطیفی تا چه حد دقت کار را بالا می برد و آیا طبقه بندي شیءگراي تصاویر ابرطیفی از نظر محاسباتی و زمان طبقه بندي به صرفه است. براي پاسخ به این چنین سؤالاتی انجام یک تحقیق و مطالعه ضروري است. تحقیق براي پاسخ به مسائل مذکور ارائه میشود که مقایسه با تحقیقات قبلی داراي ویژگیهاي جدیدي است. این ویژگیها عبارتاند از:
• استفادهازطبقهبنديRF به منظور طبقهبندي تصاویر ابرطیفی با تلفیق داده لیدار،
• قطعهبندي وتولید ویژگیهاي شیگرا ازتصاویر ابرطیفی ولیداروطبقهبندي آنهاباالگوریتمRF
• حذف باندهاي کم اهمیت تصویرابرطیفی وطبقهبندي بااستفاده ازباندهاي مناسب باکمک.RF
-2 دادهها و منطقه مورد مطالعه
براي پیاده سازي روش پیشنهادي از استفاده شد. روش پیشنهادي در این تحقیق در یک منطقه شهري با استفاده از یک تصویر ابر طیفی با 144 باند به همراه داده لیدار در فرمت رستر پیادهسازي و مورد ارزیابی قرار گرفت. کلاس هاي هدف جهت طبقه بندي شامل 15 کلاس: - 1 چمن سبز، - 2 چمن تحت استرس، - 3 چمن مصنوعی، - 4 درخت، - 5 خاك، - 6 آب، - 7 مسکونی، - 8 تجاري، - 9 جاده، - 10 بزرگراه، - 11 راه آهن ، - 12 پارکینگ نوع یک، - 13 پارکینگ نوع دو، - 14 پیست دو میدانی و - 15 طبقه بندينشده، می باشد. داده هاي مورد استفاده از آدرس اینترنتی [4] اخذ گردید. در شکل 1 و 2 نمایی از داده هاي به کار برده شده نشان داده شده و مشخصات کلی دادهها نیز در جدول 1 گفته شده است.
-3 روش طبقهبندي و ویژگیهاي به کار رفته
یک طبقه بندي شی -مبنا - OBC4 - از دو مرحله اصلی تشکیل می شود. نخست، ﻗﻄﻌﻪ بندي تصویر پیکسلها را به صورت اشیا باهم دیگر ادغام می کند . در این مرحله از قطعه بندي با یک مقیاس، حضور یک شی کلاسی؛ و اندازه یک شی را که نتیجه طبقه بندي را تحت تأثیر قرار میدهد، را تعیین میشود. سپس طبقهبندي بر مبناي اشیا - نه تک پیکسل ها - انجام می شود . ثابت شده که روش OBC قادر است عملکرد خوبی براي دادههاي چند-منبعی فراهم کند.
روش هاي OBC مزایایی براي طبقه بندي پوشش اراضی شهري با دادههاي سنجش از دور چندطیفی فراهم می کنند .[6] قطعه بندي تصویر در مرحله آغازي روشهاي OBCممکن است پیکسل هاي مربوط به کلاس هاي مختلف را در یک کلاس گروهبندي کند که باعث کاهش صحت طبقه بندي می شود .[8] علاوه بر این براي استفاده از روش هاي OBC جهت جستجوي تکراري پارامترهاي قطعهبندي که اهمیت حیاتی در نتایج طبقهبندي نهایی دارند، بایستی دانش اولیه از محدوده مورد مطالعه در دست باشد.
