بخشی از مقاله
چکیده
هدف این مقاله کشف راه و تشخیص آن از عوارض مشابه راه در تصاویر بزرگمقیاس ماهوارهای بر اساس روشی مبتنی بر شبکهی عصبی نظارتشده با دو لایهی میانی میباشد. ورودی شبکه، مقادیر RGB پیکسلها و خروجی آن اعتقاد شبکه به تعلق پیکسل مورد بررسی به شبکهی راه در قالب مقداری کمی در بازه ی 0 و 1 میباشد. ابتدا نمونههای آموزشی برای عارضهی راه و پسزمینه به شبکه معرفی میشوند.
پس از آموزش شبکه و اعمال آن بر کل تصویر، شبکه ی راه موجود در تصویر کشف میشود. نتایج حاصل از راههای کشف شده مقداری نوفه دارد که برای حذف این نوفهها از پارامتر بافت زاویهای مساحت استفاده می شود. سپس نتیجهی کار با یک تصویر مرجع - استخراج دستی راه - ارزیابی میگردد. همچنین کشف راه با روش طبقهبندی "کمترین فاصله" انجام شده و با نتایج حاصل از این مقاله، مقایسه میگردد. نتایج حاصل، کارایی بالای الگوریتم بکار رفته در مقاله را در کشف راه و جداسازی آن از عوارض دارای مشابهت طیفی، نشان میدهد.
-1 مقدمه
با گسترش تکنولوژی سنجشازدور حجم وسیعی دادههای مکانی در دسترس قرار گرفتهاند. به منظور استفادهی بهینه از پتانسیل اطلاعات اخذ شده توسط سنجندههای ماهوارهای، استخراج اتوماتیک عوارض بعنوان نیازی جدی در سنجش از دور مطرح میباشد. در گذشته استخراج عوارض به صورت دستی صورت میپذیرفت که مستلزم صرف وقت و هزینهی زیادی بود، بنابراین تلاش برای توسعهی الگوریتمهای اتوماتیک استخراج عوارض آغاز شد.
اطلاعات کافی از شبکهی راهها برای اهداف مسافتیابی، مدیریت ترافیک، مدیریت بحران و مقابله با حوادث ناگهانی و ...، نیازی ضروری میباشد. از اینرو استخراج اتوماتیک عارضهی راه به عنوان ابزاری برای ایجاد، نگهداری و بههنگامرسانی پایگاه دادهی حمل و نقل مورد توجه خاص محققین سنجش از دور قرار گرفته است. در این راستا استخراج اتوماتیک عارضهی راه در سه دههی اخیر توسعهی بسیاری یافته است. برای نمونه J.B.Mena حدود 250 منبع با این عنوان معرفی کرده است .[5] همچنین J.B.Mena , J. A.Malpica نیز طیف گستردهای از این روش ها را معرفی کردهاند .[6]
توسعهی یک الگوریتم کلی برای شناسایی راه مشکل است، زیرا خصوصیات راه برای تصاویر مناطق مختلف - شهری، نیمه شهری و روستایی - ، متفاوت است. از طرفی اغلب تصاویر شامل اطلاعات ناقص و مبهم بسیاری میباشند. هرگاه بخواهیم فاکتورهایی مانند قدرت تفکیک تصویر، وجود عوارض همگون شبیه راه مانند رودخانهها و سایهها - در تصاویر بزرگ مقیاس - و ... را نیز درنظر بگیریم، شناسایی راه بسیار پیچیده میشود.
به طور کلی روشهای استخراج عارضهی راه به دو دستهی اتوماتیک و نیمهاتوماتیک1 تقسیمبندی میشوند .[10] روشهای اتوماتیک آن دسته روشهایی هستند که در آنها درکلیهی مراحل استخراج از الگوریتمهای کامپیوتری استفاده میشود. روشهای نیمهاتوماتیک آن دسته روشهایی هستند که در آنها از مهارت تفسیر انسان در کنار یک یا چند الگوریتم کامپیوتری استفاده میشود.
تکنیکهای استخراج راه به شدت به نوع زمینهی تصاویری که راه در آن قرار دارد - در واقع به عوارضی که راه را احاطه نموده اند - ، وابسته میباشند. به عنوان مثال در مناطق شهری، وجود ساختمانها، ماشینها و درختان در مجاورت راه، استخراج راه از تصاویر ماهوارهای را با مشکل مواجه میکند بنابراینعملاً الگوریتم کاملاً اتوماتیک وجود ندارد و الگوریتمهای توسعهیافته تنها در جهت افزایش درجهی اتوماسیون آشکارسازی راه توسعه داده شدهاند.
در میان روشهای مختلفی که برای استخراج راه پیشنهاد شده است، کشف راه توسط شبکههای عصبی مصنوعی دقت بالا و نتایج امیدوارکنندهای حاصل نموده است. با توجه به اینکه در این روش هیچ پیشفرضی در مورد توزیع دادهها وجود ندارد، پیادهسازی شبکههای عصبی جهت کشف راه در تصاویر بزرگمقیاس فضایی توجه بیشتری را به خود جلب کرده است [1] و .[7] در تصاویر بزرگ مقیاس ماهوارهای و هوایی، راه به صورت یک منطقهی سطحی همگون میباشد و لذا در این تصاویر راهها به سختی از ساختمانها، پارکینگها و سایهها قابل تشخیص هستند.
با توجه به خصوصیات و تواناییهای اطلاعات مجاورت، ویژگی بافت میتواند کمک قابل توجهی در حل مشکلات استخراج راه مانند سایه انداختن ساختمانها بر راه، مشابهت انعکاس طیفی بین سقف ساختمانها و کف راهها و ... داشته باشد. بدین منظور در این مقاله از شبکههای عصبی در کنار اطلاعات بافت زاویهای جهت کشف و شناسایی راه از تصاویر بزرگمقیاس ماهوارهای استفاده شده است. هدف اصلی این تحقیق بررسی و ارزیابی کارایی روش کشف راه به کمک شبکهی عصبی در کنار اطلاعات بافت زاویهای میباشد.
این مقاله شامل شش قسمت است: پس از مقدمهای که از نظر گذشت، در بخش دوم پس از مروری مختصر بر شبکهی عصبی، نحوهی پیادهسازی شبکهی عصبی در این مقاله تشریح میگردد . در بخش سوم بافت زاویهای شرح داده شده و علت استفاده از پارامتر مساحت مورد بررسی قرار میگیرد. در بخش چهارم الگوریتم "کمترین فاصله" به عنوان یکی از روشهای کلاسیک شناسایی راه از عوارض تشریح میگردد. در بخش پنجم نتایج پیادهسازی الگوریتم موردنظر به همراه ارزیابی بصری و کمی و پیشنهادات اصلاحی جهت بهبود الگوریتم ارائه میگردد و در بخش ششم نتیجهگیری کلی مولف از الگوریتم ارایه شده است.
-2 شبکه عصبی مصنوعی:2
- 1-2 مروری بر شبکههای عصبی
شبکه ی عصبی مصنوعی الهامگرفته از سیستم عصبی انسان میباشد. شبکههای عصبی از واحدهای پردازش سادهای به نام نرون3 ساخته میشوند. هر شبکهی عصبی از یک لایهی ورودی، یک یا چند لایهی میانی و یک لایهی خروجی تشکیل میشود. ارتباط بین لایهها با یک سری وزنها صورت میگیرد. - شکل.1 ساختار یک شبکه عصبی - .
هر چه تعداد نرونهای لایهی میانی بیشتر باشد، شبکه قادر به حل مسایل پیچیدهتر است .[2] دو مرحلهی اصلی در اعمال یک طبقهبندی کننده ی شبکهی عصبی وجود دارد: آموزش و فراخوانی . منظور از آموزش شبکهی عصبی یافتن وزنهای بهینهی ارتباط دهندهی نرونها استکه معمولاً از روشهای تکراری به دست میآید .[7] این پروسه معمولاً از طریق نمونههای آموزشی انجام میشود که شامل نمونه های ورودی-خروجی شناخته شده است که این نوع آموزش، یک روش نظارت شده میباشد.
الگوریتم پس انتشار خطا4، الگوریتم معمول آموزش است و در آن در یک روش تکراری تصحیحات پارامترهای وزن محاسبه شده و به مقادیر قبلی اضافه میشوند و این روند تکراری تا رسیدن به خطای مطلوب ادامه مییابد و پس از محاسبهی وزنهای بهینه، شبکه، آمادهی فراخوانی میشود. منظور از فراخوانی، واکنش شبکهی عصبی بر پایهی آنچه که آموزش دیده است، میباشد .[7]
تعداد تکرار در مرحلهی آموزش نیز مسالهی مهمی می باشد، اگر شبکه بیش از آنچه لازم است آموزش ببیند، نمونه های آموزشی توسط شبکه به خاطر سپرده می شوند و توانایی تشخیص پائین می آید، بنابراین شرط خاتمه باید به درستی جهت خودداری از "آموزش بیش از حد"5 تعیین شود، بدین منظور هر شبکه با چندین تعداد تکرار آموزش داده میشود تا بهترین شرایط خاتمهی تکرار را پیدا کند .[7] مهمترین مساله در ارتباط با استفاده از شبکههای عصبی مصنوعی این است که، دادههای مناسب برای ورودی شبکه را با توجه به نوع اطلاعاتی که باید از تصویر ورودی استخراج شود، انتخاب کنیم، زیرا توانایی تشخیص شبکه، بستگی زیادی به پارامترهای ورودی دارد.
