بخشی از مقاله
چکیده
در این مقاله الگوریتمی براي طبقهبندي تصاویر سنجش از دور پیشنهاد شده است. الگوریتمهاي معمول طبقهبندي تصاویر سنجش از دور یک مرحلهاي میباشد و در صورتی که خروجی این الگوریتمها از یک حد آستانه براي یک پیکسل بیشتر باشد برچسپ کلاس نامشخص براي پیکسل در نظر گرفته میشود اما الگوریتم پیشنهادي قادر است که تصویر را در سطحهاي مختلف طبقهبندي کرده و در صورتی که از یک حد آستانه در کلاسهبندي استفاده شود ترکیبی از چند برچسپ کلاس بجاي برچسپ کلاس نامشخص براي پیکسلهایی که از حد آستانه بیشتر هستند در نظر گرفته شود لذا خروجی با دقت بالاتري بدست خواهد آمد.
اساس الگوریتم ترکیب طبقهبندي درخت تصمیم گیري و تئوري بیز میباشد که بر اساس الگوریتم طبقهبندي بیشترین شباهت، برچسپ هر پیکسل را در سطحهاي مختلف تعیین میکند. الگوریتم ارائه شده بر روي یک تصویر شبیهسازي شده شامل سه باند و یک تصویر ماهواره لندست شامل شش باند تست شد، نتایج حاصل از هر دو تصویر نشان میدهد که الگوریتم پیشنهادي براي طبقهبندي پوشش زمین با استفاده از تصاویر ماهوارهاي چند باندي سنجش از دور مناسب میباشد.
-1 مقدمه
یکی از روشهاي پرکاربرد استخراج اطلاعات از تصاویر سنجش از دور طبقهبندي میباشد که به کاربران امکان تولید انواع اطلاعات مختلف مانند نقشههاي پوششی، نقشههاي کاربري کشف، نقشه تغییرات و ... را میدهد. در واقع طبقهبندي یک تصویر پروسهاي اجرائی براي شناسایی کلاسهاي طیفی مختلف و ارتباط بین انواع پوشش زمینی خاص است. براي این منظور معمولا از دادههاي سنجش از دور استفاده میشود.
در این حالت پدیدههاي گوناگون ترکیبهاي مختلفی از مقادیر عددي را در تصویر بر اساس انعکاس طیفی ذاتی و خصوصیات بازتابندگی در تصویر ایجاد میکنند . - Lillesand, Kiefer, 1994 - الگوریتمهاي طبقهبندي در حالت کلی به دو روش نظارت شده و نظارت نشده تقسیمبندي میشوند، در طبقهبندي نظارت شده از دادههاي آموزشی براي هر کلاس که غالبا بر اساس نقشههاي حقیقی زمین و عملیات میدانی تهیه شدهاند استفاده میشود. در روش نظارت نشده مرحله آموزش وجود ندارد و الگوریتم بر اساس خوشهبندي طبقهبندي را انجام میدهد.
همچنین براي آنالیز دادههاي سنجش از دور براي طبقهبندي پوشش زمین چند روش سیستم خبره وجود دارد. مدلهاي رایج براي ارائه دانش در این روشها میتواند مدل مبتنی بر قواعد1، فریم پایه2 و معماري تخته سیاه3 هستند - Kartikeyan et al. 1995 - و . - Swain, Hauska, 1997 - در این مطالعه الگوریتمی براي طبقهبندي پوشش زمین با استفاده از دادههاي سنجش از دور که بر مبناي سیستم خبره میباشد پیشنهاد شده است. در الگوریتم پیشنهادي براي ارائه دانش از مدل مبتنی بر قواعد و براي کامل کردن الگوریتم یک شیوه آماري جدید براي تصمیمگیري ارائه میشود.
در واقع الگوریتمهاي طبقهبندي معمول تصاویر سنجش از دور بصورت یک مرحلهاي می- باشند در چنین الگوریتمهایی در صورت استفاده از یک حد آستانه براي خروجی الگوریتم پیکسلهایی از تصویر طبقهبندي نخواهند شد و برچسپ کلاس نامشخص براي این پیکسلها در نظر گرفته میشود اما الگوریتم پیشنهادي بجاي در نظر گرفتن برچسپ کلاس نامشخص ترکیبی از برچسپ کلاسها را در نظر میگیرد.
ادامه مقاله به این صورت است که در بخشهاي دوم و سوم به ترتیب جزئیات الگوریتم و ساختار الگوریتم توضیح داده شده است. براي تست الگوریتم از تصویر شبیهسازي شده که شامل پنج کلاس مختلف در سه باند آبی، قرمز و سبز و یک تصویر ماهواره لندست بعنوان یک داده سنجش از دور استفاده شده و دقت الگوریتم مورد ارزیابی قرار گرفت. جزئیات و نتایج بدست آمده از دو تصویر در بخش چهارم و در نهایت نتیجهگیري و پیشنهادات در بخش پنجم آورده شده است.
-1 -2 الگوریتم طبقه بندي درخت تصمیم گیري
روشهاي طبقهبندي معمولی مانند کمترین فاصله، بیشترین شباهت و … روشهاي یک مرحلهاي نامیده میشوند و براي هر پیکسل فقط یک برچسپ را تعیین میکنند. برخلاف این روشها، روشهاي چند مرحلهاي یا سلسله مراتبی قادر هستند که برچسپ هر کلاس را در چندین مرحله تصمیمگیري تعیین کنند. شکل 1 طبقهبندي چندین مرحلهاي درخت تصمیمگیري را نشان میدهد. همان طور که مشاهده میشود، تصویر در سطوح مختلف طبقهبندي شده است. لذا به همین دلیل خطاي تجمعی مینیمم میشود که این موضوع یکی از مهمترین مزایاي این روش میباشد، علاوه براین استفاده از الگوریتمهاي مختلف در هر مرحله از دیگر مزایاي این روش میباشد.
سه المان کلیدي موجود در این روش عبارتند از:
- ساختار ایدهال براي درخت
- انتخاب زیر مجموعه ایدهال براي هر کلاس
- انتخاب طبقهبندي کنندهها در هر مرحله
ساختار ایدهال درخت در کاهش فضاي طبقهبندي، حداقل کردن تعداد گرهها، کنترل در همپوشانی بین کلاسها و کنترل تعداد شاخهها نقش مهمی را ایفا میکند. به همین جهت طراحی یک طبقهبندي کننده درخت تصمیم گیري پیچیده است. براي تصمیم- گیري در تعیین نوع کلاس یک پیکسل چندین روش وجود دارد که بعنوان مثال میتوان روشهاي زیر را نام برد: استفاده از دانش طیفی - Kartikeyan et al. 1995 - 1 و - Ton et al. 1991 - ، استفاده از دانش مکانی - Matsuyama, 1987 - و تفسیر در سطح پایین . - Nazif, A. M. Levine - در این مطالعه یک روش آماري بر اساس تئوري بیز، طبقهبندي بیشترین شباهت، و تست کردن فرضیههاي آماري ارائه شده است.
-2 -2 الگوریتم تصمیمگیري بر مبناي سیستم خبره
فرض کنید که هدف، طبقهبندي تصویر به چهار کلاس 1}، 2، 3، {4 است - شکل . - 1 هر پیکسل در فضاي تصویر میتواند به یکی - یا بیشتر براي پیکسلهاي ترکیبی - از ترکیبهاي سه کلاس تعلق گیرد.
1-2-2 مکانیزم استنتاج
تعیین کلاس هر پیکسل در یک فرآیند تکراري انجام میپذیرد. هر یک از این تکرارها شامل سه مرحله میباشد که در ادامه به بررسی آنها میپردازیم:
مرحله اول - انتخاب فرضیه مناسب براي تست
مرحله دوم - بررسی درستی فرضیه بر اساس دانش استفاده شده
مرحله سوم - آنالیز فرضیه پذیرفته شده براي تصمیمگیري در مرحله بعد این فرآیند تکراري تا رسیدن به یکی از دو شرط زیر باید ادامه پیدا کند.
.i هر پیکسل تنها به یک کلاس تعلق گیرد. براي مثال در شکل 1 هر پیکسل باید در یکی از چهار کلاسهاي {1}، {2}، {3} و {4} قرار گیرد. در این حالت یک نتیجه قطعی بدست میآید.
.ii در صورتی که نتوان کلاس پیکسل را به صورت قطعی تعیین نمود و در صورت تکرار حالت جدیدي بدست نیاید. در این حالت پیکسل به دو یا چند کلاس تعلق دارد. این حالت به دلیل نبود دانش کافی و یا وجود پیکسلهاي ترکیبی بوجود خواهد آمد.
