مقایسه طبقه بندی تصاویر ماهواره ای بر اساس الگوریتم های پیکسل مبنا و شی گرا

یکی از روش های قدرتمند در ارتباط با تولید نقشه های موضوعی استفاده از روش های طبقه بندی پیکسل مبنا از طریق چند باند طیفی متفاوت است. با این حال در این روش ها نیز محدودیت هایی وجود  دارد که باید نسبت آن مطلع بود. بصورت کلی ساختار الگوریتم طبقه بندی پیکسل مبنا را میتوان در دو مرحله خلاصه سازی کرد: خوشه های طیفی ایجاد شده در فضای ویژگی و اختصاص داده شدن هریک از پیکسل ها به یک کلاس.

خوشه های طیفی همان کلاس هایی هستند که مستقیما از فضای ویژگی با باند های بکاربرده شده در فرایند طبقه بندی لینک میشوند. در عین حال ارتباط آنها با هریک از پدیده هایی که در سطح زمین نیز وجود دارد برقرار میشود. به عبارت دیگر  هریک از خوشه های طیفی ایجاد شده نماینده ای از یک پدیده در سطح زمین است. در فرایند طبقه بندی هریک از کلاس های طیفی میتواند با استفاده از چندین نمونه کلاس نمایش داده شود. با این حال تغییر پذیری داخلی در مقادیر داخلی خوشه ها نیز خود میتواند به شناسایی پدیده های بیشتر کمک نماید. به عنوان مثال در این رابطه میتوان به پوشش علف اشاره داشت. علف در عین حال که خود میتواند به عنوان یک کلاس و خوشه در نظر گرفته شود، میتوان بر اساس انواع علف های موجود  که دارای ویژگی های متفاوتی نیز هستند کلاس های مختتلفی را نیز در این رابطه تعریف نمود. با این حال گاهی دو پوشش علفی در دو منطقه با وجود آنکه از نوع یکسانی برخوردار هستند اما بدلیل تغییرات محیطی و  زاویه تابش خورشیدی از اطلاعات طیفی گوناگونی برخوردار میشوند. همچنین گاهی یک کلاسکاربری اراضی با چندین کلاس پوشش اراضی مقایسه میشود. البته این موضوع بیشتر در ارتباط با کلاس های کاربری زمین رخ میدهد تا در پوشش زمین. در جدول زیر شما میتوانید اطلاعاتی را در ارتباط با  رابطه میان کلاس های کاربری و پوشش اراضی  کسب نمایید. توجه داشته باشید که بین ستون ها میتواند رابطه یک به یک، یک به چند و چند به یک وجود داشته باشد.رابطه یک به چند میتواند بسیار مشکل آفرین باشد و تنها میتوان با استفاده از اضافه کردن داده ها ویا دانش در زمینه فرایند طبقه بندی حل شود. داده های اضافه شده در این رابطه شاملسایر تصاویر ماهواره ای، داده های زمین مکان به مانند نقشه های توپوگرافی، نقشه های جاده ها و داده های تاریخی میشوند. اضافه کردن این داده ها به نتایج معمولا با استفاده از وارد سازی پردازش های مبتنی بر  سیستم های خبره امکان پذیر است. نمونه بارز چنین امری در اضافه کردن اطلاعات شیب و جهت شیب در فرایند طبقه بندی است که با استفاده از آنها میتوان بسیاری از خطاها در نواحی و مکان ها کوهستانی را تصحیح و برطرف کرد.

یکی دیگر از محدودیت های موجود در روش طبقه بندی پیکسل مبنا آن است که هر پیکسل تنها به یک کلاس اختصاص داده میشود. در زمان  استفاده از داده های توان تفکیک مکانی بالا چنین امری چندان مشکل ساز نخواهد بود. با این حال زمانی که از داده های با توان تفکیک مکانی پایین استفاده میشود مشکلات عدیده ای در این رابطه شکل میگیرد. بدلیل آنکه مقدار انرژی ثبت شده برای یک پیکسل میانگین انرژی است که از تمامی پدیده های موجود در آن منتشر شده است. پیکسل هایی که پوشش دهنده چند پدیده هستند به عنوان یک پیکسل مخلوط شناخته میشوند. پیکسل های مخلوط همواره در فرایند طبقه بندی مشکلاتی را ایجاد مینمایند(به شکل زیر توجه کنید). در پیکسل های مخلوط در شرایطی که یک پیکسل حاوی پدیده های مختلفی است اما به یک پدیده خاص منتسب میشود.

در پست های قبلی قرار داده شده در سایت شما با منطق استفاده از الگوریتم های مختلف در زمینه طبقه بندی تصاویر ماهواره ای آشنا شدید.  بر همین اساس انتخاب یک الگوریتم مناسب در این زمینه  تابعی است از دانش کاربر در ارتباط با محدوده مورد مطالعه و همچنین داده های در دسترسی که به عنوان مهمترین فاکتورهای آن در نظر گرفته میشوند. بدون آگاهی داشتن در ارتباط با پوشش ها و کاربری های مختلف سطح  زمین طبقه بندی نظارت نشده میتواند دیدمناسبی در ارتباط با کلاس های مختلف منطقه مورد مطالعه ایجاد نماید. اما در صورتی که اطلاعات کافی در این زمینه موجود باشد به همراه اطلاعات زمینی و یا سایر منابع و مراجع، طبقه بندی نظارت شده میتواند به شکل بهتری عمل کند. با این حال هر دوی این روش ها طبقه بندی را بر اساس اطلاعات طیفی انجام میدهند اما با افزایش پیدا کردن توان تفکیک مکانی مشکلات عدیده ای در زمینه طبقه بندی نظارت شده بر اساس اطلاعات طیفی در تصویر ایجاد میشود. به عنوان مثال یک ساختمان از مواد و ترکیبات مختلفی تشکیل شده و از لحاظ طیفی حاوی اطلاعات بسیار متغیری است و نمونه های برداشتی در روش های نظارت شده خیلی نمیتوانند در افزایش دقت طبقه بندی موثر و کاربردی باشند. همچنین در محیط شهری عوارض و پدیده های بسیار زیادی هستند که از لحاظ ویژگی های طیفی شباهت بسیار زیادی دارند و عملا جداسازی آنها از یکدیگر صرفا بر اساس اطلاعات طیفی امکان پذیر نیست. در همین راستا برای چنین مناطقی استفاده از الگوریتم های شی گرا به جای پیکسل مبنا توصیه میشود. روش های طبقه بندی شی گرا مبتنی بر قطعه بندی تصاویر هستند. در این روش به جای آنکه هر یک پیکسل به یک کلاس بر  اساس ویژگی های طیفی اختصاص پیدا کند ،  تصویر به بخش های مختلفی قطعه بندی شده که از لحاظ طیفی همگون و دارای ویژگی های مشابهی هستند به گونه ای که هر قطعه یک پدیده را پوشش میده از جمله  ساختمان ها، راهها، پوشش های گیاهی و غیره. در عین حال میتوان با استفاده از داده های ثانویه (وکتورهای GIS) نسبت به قطعه بندی هرچه بهتر تصویر و افزایش دقت طبقه بندی شی گرا کمک کرد. در طبقه بندی شی گرا فرض اصلی بر آن است که کلاس ها صرفا بر اساس اطلاعات طیفی جدا نمیشوند بلکه اطلاعات هندسی از جملهشکل ، اندازه، الگو و بافت نیز در این رابطه مورد توجه است. طبقه بندی شی گرا امکانی را فراهم می آورد تا بتوان با تعریف روابط پیچیده تر بین پدیده های مختلف نسبت به شناسایی آنها به شکل مطلوبی اقدام نمود. به عنوان مثال دو پدیده از لحاظ ویژگی های طیفی مشابه اما از لحاظ اطلاعات بافت و الگو متفاوت از یکدیگر هستند و بر همین اساس میتوان آنها را از یکدیگر متمایز نمود. روش طبقه بندی شی  گرا برای تصاویر توان تفکیک مکانی بالا بسیار مناسب و کاربردی هستند. با این حال در فرایند طبقه بندی شی گرا نیز با استفاده از  اطلاعات داده های ثانویه میتوانند در افزایش دقت هرچه بیشتر موثر باشند از جمله اطلاعات ارتفاعی، نقشه خاک، وکتور بلوک های شهری و غیره را میتوان در این زمینه معرفی نمود.

نویسنده: امیرحسین احراری