مقاله کاربرد پردازش تصویر خوشه بندی به روش K - MEANS و شبکه های عصبی برای خوشه بندی و طبقه بندی آفات گیاهان

بخشی از مقاله

چکیده  

هدف در این مقاله تشخیص آفت گیاهان با استفاده از پردازش تصویر و همچنین خوشه بندی آفات با استفاده از الگوریتم k-means و شبکه های عصبی می باشد  .نتایج مطالعات و تحقیقات انجام شده برای ارائه ی روشی به صرفه در شناسایی آفات با استفاده از  الگوریتم های پردازش تصویر می باشد

مقدمه

پردازش تصاویر امروزه بیشتر به موضوع پردازش تصویر دیجیتال گفته می شود که شاخه های از دانش رایانه است که با  پردازش سیگنال دیجیتال که نماینده تصاویر گرفته شده با دوربین دیجیتال یا پویش شده توسط پویشگر هستند سر و کار  دارد. پردازش تصاویر دارای دو شاخه عمده بهبود تصاویر و بینایی ماشین است

بهبود تصاویر در برگیرنده روش هایی چون  استفاده از فیلتر محوکننده و افزایش تضاد برای بهتر کردن کیفیت دیداری تصاویر و اطمینان از نمایش درست آنها در  محیط مقصد ”مانند چاپگر یا نمایش گر رایانه“ است ، در حالی که بینایی ماشین به روش هایی می پردازد که به کمک آنها  می توان معنی و محتوای تصاویر را درک کرد تا از آنها در کارهایی چون رباتیک و محور تصاویر استفاده  شود .

در  معنای  خاص آن پردازش تصویر عبارت است از هر نوع پردازش سیگنال که ورودی یک تصویر است مثل عکس یا صحنه های از  یک فیلم

خروجی پردازشگر تصویر می تواند یک تصویر یا یک مجموعه از نشان های ویژه یا متغیرهای مربوط به تصویر  باشد

اغلب تکنیک های پردازش تصویر شامل برخورد با تصویر به عنوان یک سیگنال دو بعدی و به کار بستن تکنیک های استاندارد پردازش سیگنال روی آنها می باشد.پردازش تصویر اغلب به پردازش دیجیتالی تصویر اشاره می کند ولی  پردازش نوری و آنالوگ تصویر هم وجود دارند

تمرکز اصلی در این مقاله بشتر روی کاربرد پردازش تصویر در کشاورزی ،  در زمینه ی تشخیص آفات و بیماری های گیاهان می باشد

کاربردی که نسبت به دیگر کاربردهای پردازش تصویر کمتر  به آن توجه شده است ؟ پردازش تصویر در کشاورزی بیشتر به منظور تسهیل در کار کشاورزی و افزایش مقدار تولید با  استفاده از شناسایی و از بین بردن آفات قبل از مرحله ی تکثیر و آسیب زیاد به محصول انجام می شود

برای تشخیص  آفات گیاهی با استفاده از پردازش تصویر از الگوریتم هایی مانند ْ خوشه بندی   - k_means - فیلتر کردن تصویر ، جمع و  تفریق تصویر استفاده می شود

روش مورد استفاده  برای عملی کردن این کار به این صورت است که کشاورز طی دوره  های زمانی مشخص تصاویری از قسمت های مختلف مزرعه گرفته و آن را برای متخصص ارسال می کند. متخصص  تصاویر را با استفاده از روش های ارائه شده  مورد برسی قرار داده ، نتیجه را به کشاورز بر می گرداند 

مقدمه ای بر خوشه بندی

خوشه بندی را میتوان به عنوان مهم ترین مسئله در یادگیری بدون نظارت در نظر گرفت . خوشه به مجموعه ای از داده ها گفته میشود که به هم شباهت داشته باشند . در خوشه بندی سعی میشود تا داده ها به خوشه هایی تقسیم شوند که شباهت بین داده های درون هر خوشه حداکثر و شباهت بین داده های درون خوشه های متفاوت حداقل شود

خوشه بندی در مقابل طبقه بندی در طبقه بندی هر داده به یک طبقه ”کلاس“  از پیش مشخص شده تخصیص می یابد ولی در خوشه بندی هیچ اطلاعی از  کلاس های موجود درون داده ها وجود ندارد و به عبارتی خود خوشه ها نیز از داده ها استخراج می شوند

در شکل -1 تفاوت بین خوشه بندی و طبقه بندی بهتر نشان داده شده است

شکل: a : 1  در طبقه بندی با استفاده یک سری اطلاعات اولیه داده ها به دسته های معلومی نسبت داده می شوند. درخوشه بندی داده ها با توجه به الگوریتم انتخاب شده به خوشه هایی نسبت داده می شوند .

روش های خوشه بندی

روش های خوشه بندی را می توان از چندین جنبه تقسیم بندی کرد

1 -خوشه بندی انحصاری   - Exclusive or Hard Clustering - و خوشه بندی با هم پوشی   - Overlapping or Soft Clustering - در  روش خوشه بندی انحصاری پس از خوشه بندی هر داده دقیقأ به یک خوشه تعلق می گیرد مانند روش خوشه بندی-K Means ولی در خوشه بندی با هم پوشی پس از خوشه بندی به هر داده یک درجه تعلق بازاء هر خوشه نسبت داده می  شود ؟ به عبارتی یک داده می تواند با نسبت های متفاوتی به چندین خوشه تعلق داشته باشد نمونه های از آن خوشه بندی  فازی است .  

- 2 خوشه بندی سلسله مراتبی   - Hierarchical - و خوشه بندی مسطح   - Flat - در روش خوشه بندی سلسله مراتبی ، به  خوشه های نهایی بر اساس میزان عمومیت آنها ساختاری سلسله مراتبی نسبت داده می شود ؟ مانند روش  Single Link ولی در خوشه بندی مسطح تمامی خوشه های نهایی دارای یک میزان عمومیت هستند مانند  K-Meansبه ساختار سلسله  مراتبی حاصل از روش های خوشه بندی سلسله  مراتبی دندوگرام   - Dendogram - گفته می شود  .با توجه با اینکه روش های خوشه بندی سلسله مراتبی اطلاعات بیشتر و دقیق تری تولید می کنند برای تحلیل داده های با جزئیات پیشنهاد می شوند ولی از طرفی چون پیچیدگی محاسباتی بالایی دارند برای مجموعه داده های بزرگ روش های خوشه بندی مسطح  پیشنهاد می شوند  .

روش خوشهبندی K-Means

این روش علیرغم سادگی آن یک روش پایه برای بسیاری از روشهای خوشهبندی دیگر - مانند خوشهبندی فازی - محسوب میشود . این روش ، روشی انحصاری و مسطح محسوب می باشد . برای این الگوریتم شکل های مختلفی بیان شده است . ولی همه آنها دارای روالی تکراری هستند که برای تعدادی ثابت از خوشه ها سعی در تخمین موارد زیر دارند :

·    بدست آوردن نقاطی به عنوان مراکز خوشه ها این نقاط در واقع همان میانگین نقاط متعلق به هر خوشه هستند .

·    نسبت دادن هر نمونه داده به یک خوشه که آن داده کمترین فاصله تا مرکز آن خوشه را دارا باشد .

در نوع ساده ای از این روش ابتدا به تعداد خوشه های مورد نیاز نقاطی به صورت تصادفی انتخاب میشود . سپس در داده ها با توجه با میزان نزدیکی - شباهت - به یکی از این خوشه ها نسبت داده میشوند و بدین ترتیب خوشه های جدیدی حاصل میشود . با تکرار همین روال میتوان در هر تکرار با میانگینگیری از داده ها مراکز جدیدی برای آنها محاسبه کرد و مجددأ داده ها را به خوشه های جدید نسبت داد . این روند تا زمانی ادامه پیدا میکند که دیگر تغییری در داده ها حاصل نشود . تابع زیر به عنوان تابع هدف مطرح است .

که معیار فاصله بین نقاط و cj مرکز خوشه j ام است . <""=span ""=> الگوریتم زیر الگوریتم پایه برای این روش
محسوب میشود :

.1    در ابتدا K نقطه به عنوان به نقاط مراکز خوشه ها انتخاب میشوند .

.2    هر نمونه داده به خوشه ای که مرکز آن خوشه کمترین فاصله تا آن داده را دار است ، نسبت داده میشود .

.3    پس تعلق تمام داده ها به یکی از خوشه ها برای هر خوشه یک نقطه جدید به عنوان مرکز محاسبه میشود .
     - میانگین نقاط متعلق به هر خوشه -

.4    مراحل <""=span ""=>2 و 3 تکرار میشوند تا زمانی که دیگر هیچ تغییری در مراکز خوشه ها حاصل نشود.