بخشی از مقاله
چکیده
یکی از موارد مهم در قطعهبندي1 تصاویر ماهوارهاي سنجش از دور2 در روشهاي نظارت شده کلاسهبندي3، پیکسلهاي داراي برچسب میباشند. در این روشها کمبود پیکسلهاي داراي برچسب یک مشکل اساسی براي قطعهبندي تصاویر ماهوارهاي بوده و در نتایج اثرگذار میباشد. بنابراین روشهاي مختلف سعی در کاهش تعداد نقاط داراي برچسب دارند.
در این پژوهش از یک ماشین بردار پشتیبان4 براي کلاسهبندي پیکسلها به انواع مختلف پوشش استفاده شده است. در ابتدا SVM با استفاده از یک دسته نقاط داراي برچسب طراحی شده و در ادامه به دنبال برچسب بقیه پیکسلها میگردد. در اینجا آموزش فعال به منظور کمینه کردن تعداد دادههاي داراي برچسب براي استفاده در کلاسیفایر SVM با چندین مرتبه تکرار بکار گرفته شده است. در نهایت این الگوریتم روي تصاویر ماهوارهاي Landsat 7ETM+ اجرا شده و نتایج بدست آمده از آن و الگوریتمهاي دیگر با واقعیت مقایسه گردیده است.
-1 مقدمه
قطعهبندي عبارت است از روند تقسیم کردن فضاي یک تصویر به نواحی همجنس معنادار بدون روي هم افتادگی. موفقیت یک سیستم پردازش تصویر وابسته به کیفیت قطعهبندي میباشد. آستانهگذاري درجات خاکستري و کلاسهبندي پیکسلها دو روش عمده قطعه بندي تصاویر ماهوارهاي میباشد .[7] در روش آستانهگذاري سعی در تعیین حدود آستانه {T1,T2,…,Tk} میباشد بطوریکه پیکسلهاي با درجات خاکستري در محدوده [Ti,Ti+1 - مربوط به ناحیه i ام میباشند
در روش کلاسهبندي پیکسلی نواحی همجنس با استفاده از کلاسهبندي فضاي ویژگی چند باندي تعیین میشوند. طبیعت چند طیفی اکثر تصاویر سنجش از دور کلاسهبندي پیکسلی را گزینه مناسبتري جهت قطعهبندي اینگونه تصاویر میسازد.
اولین مسئله در کلاسهبندي نظارت شده پیکسلها، پیکسلهاي خالص داراي برچسب میباشد که فقط میتواند با جمعآوري دادههاي زمینی و روشهاي پر هزینه فراهم شود. امروزه از آموزشهاي فعال به عنوان الگوهاي مشهور جهت کاهش دادههاي اولیه در مقیاسهاي بزرگ یاد میشود
در اینجا به جاي آموزش با استفاده از نمونههاي تصادفی، آموزشگر توانایی انتخاب نمونههاي آموزشی خود را دارد. این مسئله بصورت تکراي انجام میشود و خروجی این مرحله بعنوان ورودي مراحل بعد استفاده میشود. در عمل چندین روش براي آموزش فعال وجود دارد که براي مثال میتوان به تکنیک خطاي بدست آمده، نمونه برداري عدم قطعیت و کاهش فضاي ویژگی اشاره نمود.
از آنجاییکه یک کلاسیفابر SVM با استفاده از یک دسته کوچک از بردارهاي پشتیبان مشخص شده و به آسانی میتواند در مراحل آموزش به روز گردد بنابراین SVM ها براي آموزش فعال مناسب هستند. یکی از کارآمدترین روشهاي آموزش SVM فعال برچسب گذاري با تکرار دادههاي نزدیک به فوق صفحههاي جداکننده میباشد 3]و.[4 این روش نسبت به انتخاب تصادفی نقاط سرعت بیشتري به کار میدهد.
در این پژوهش یک روش کلاسهبندي پیکسلی بر اساس الگوریتم SVM بیان میشود. در ابتدا یک SVM متعارف با استفاده از یک دسته کوچک از نمونههاي داراي برچسب طراحی میشود. SVM با استفاده از کرنل RBF متعاقباً بصورت فعال شروع به برچسب گذاري نمونههاي بدون برچسب خواهد کرد. این روش برچسب گذاري فعال در مقایسه با دیگر روشهاي متعارف SVM نیاز به داده آموزشی کمتري دارد و همچنین از کیفیت بالاتري برخوردار است. این الگوریتم روي چهار باند آبی- سبز- قرمز و مادون قرمز نزدیک یک تصویر Landsat 7ETM+ اجرا گردید. براي مقایسه کارآیی و دقت این الگوریتم نتایج آن با نتایج الگوریتمهاي مشابه مورد مقایسه قرار گرفت.
-2 ماشینهاي بردار پشتیبان
ماشینهاي بردار پشتیبان یک کلاس عمومی آموزشی، الهام گرفته از تئوري آموزش آمار میباشند .[8]
با فرض یکسري داده آموزشی الگوریتم آموزش SVM سطح جدا کننده کلاسها را محاسبه میکند. این سطح، فوق صفحه بهینه و نقاط نزدیک به آن بردارهاي پشتیبان نامیده میشوند. بنابراین این الگوریتم با استفاده از فوق صفحه بهینه بدست آمده فضا را به دو کلاس تقسیم میکند. براي مسائل با تعداد بیشتر از دو کلاس الگوریتم میتواند در چند مرحله و بصورت یک کلاس با سایر کلاسها به صورت دو کلاسه انجام شود.
-3 آموزش بردارهاي پشتیبان بصورت فعال
یکی از محدودیتهاي طراحی الگوریتم SVM نیاز به حل برنامههاي درجه دوم5 شامل یک ماتریس حجیم l×l که l تعداد نقاط در مجموعه داده - تعداد پیکسلها - است، میباشد .[5] با توجه به اینکه اکثر مسائل درجه دوم معمولی پیچیدگی زیادي دارند، طراحی SVM نیاز به حافظه بسیار زیاد و مدت زمان طولانی جهت حل یک مجموعه داده بزرگ را دارد. رویکردهاي زیادي براي مقابله با این نقص وجود دارد که معمولاً به کاهش تعداد نقاط لازم داراي برچسب جهت طراحی SVM برمیگردند.
بعضی از این رویکردها با توجه به این مسئله که حل مسائل SVM در صورتی که نقاط مطابق با ضرایب لاگرانژ صفر در مسائل QP حذف گردند، یکسان عمل میکنند. بنابراین مسائل درجه دوم بزرگ میتوانند به سريهاي کوچکتر درجه دوم شکسته شوند و در هر مرحله یک مسئله درجه دوم که شامل ضرایب لاگرانژ غیرصفر نقاط از مرحله قبل میباشد حل شده و تعداد دیگري از نقاط برچسب گذاري میشوند. الگوریتم SVM فعال استفاده شده در این پژوهش نیز برهمین اساس عمل میکند یعنی در هر مرحله نقاط داراي اطلاعات بیشتر که بدون برچسب هستند برچسبگذاري میشوند. هدف در اینجا کمینهکردن تعداد نقاط آموزش میباشد. روش انجام در ادامه توضیح داده شده و فلوچارت الگوریتم در شکل 1 آورده شده است.
-4 طراحی الگوریتم
فرض x={x1,x2,…,xd} بیانگر یک پیکسل از یک تصویر داراي d باند باشد. در اینجا xi بیانگر درجه خاکستري پیکسل x در باند i ام میباشد. A={x1,x2,…,xl1} مجموعه پیکسلهایی است که داراي برچسب کلاس میباشند و برچسب کلاس آنها مشخص است و B={x1,x2,…,xl2} مجموعه پیکسلهایی هستند که برچسب کلاس آنها نامعلوم است. معمولاً l2>l1 میباشد - چون تعداد پیکسلهاي نامعلوم بیشتر از پیکسل-هاي معلوم است - . با استفاده از مجموعه A بردارهاي پشتیبان و فوق صفحه بهینه بدست آمده و سپس مجموعه پیکسلهاي B با استفاده از فوق صفحه کلاسهبندي میشوند. در هر مرحله از تعداد پیکسلهاي B کاسته و به A اضافه میشود.
شکل .1 فلوچارت الگوریتم
مراحل آموزش به شرح زیر میباشد:
در اولین مرحله با استفاده از دادههاي اولیه داراي برچسب، بردارهاي پشتیبان و فوق صفحههاي بهینه جداکننده تعیین میشود. با توجه به تعداد کلاسها الگوریتم چند بار بصورت دو کلاسه اجرا میشود. سپس فوق صفحهها روي نقاط بدون برچسب قرار داده شده و نسبت به برچسب گذاري آنها اقدام میشود.
در اینجا نقاطی که فقط یک بار در طرف مثبت یکی از فوق صفحهها - در طرف مثبت یک فوق صفحه و در طرف منفی بقیه فوق صفحهها - قرار گرفتهاند با توجه به فوقصفحه مربوطه برچسب گذاري میشوند. همچنین نقاطی که در طرف مثبت بیش از یک فوق صفحه یا در طرف منفی تمام فوق صفحهها قرار گرفتهاند بدون برچسب باقی خواهند ماند
