مطالب تخصصی

طبقه بندی شی گرا در سنجش از دور – اصول و کاربردها

طبقه بندی شی گرا
احمد نجفی
نوشته شده توسط احمد نجفی

در این مقاله هدف این هست که به توضیح شیءگرایی و طبقه بندی شی گرا در سنجش از دور  بپردازیم و روش های مختلف شیءگرایی، ساختار شیءگرایی و کاربردهای آن را مورد بررسی قرار دهیم. پس با ما همراه باشید. شیء گرایی لغتی است که امروزه در صنعت نرم افزار باب شده است.

شرکت ها به سرعت حرکت می کنند تا خود را با این تکنولوژی سازگار کنند و آن را در برنامه های موجود خود وارد نمایند. در حقیقت بیشتر برنامه ها امروزه با شی گرایی توسعه می یابند. متد شی گرایی یک راه متفاوت مشاهده برنامه هاست.

با متد شیء گرایی شما یک برنامه را به قطعات بسیار کوچک یا آبجکت‌هایی تقسیم می‌کنید که تا اندازه‌ای مستقل از یکدیگر می‌باشند. به آن مانند ساختمانی از بلوک‌ها نگاه کنید. به محض اینکه تعدادی آبجکت‌ های اساسی را در دنیای کامپیوتر ساختید یا بدست آوردید می توانید به سادگی آنها را کنار هم بگذارید تا برنامه های جدید را ایجاد نمائید.

دیدگاه شی‌گرایی (Object Oriented) از اواسط دهه ۱۹۷۰ تا اواخر ۱۹۸۰ در حال مطرح شدن بود.
در این دوران تلاش‌های زیادی برای ایجاد روش‌های تحلیل و‌طراحی شی‌گرا صورت پذیرفت. در نتیجه این تلاش‌ها بود که در طول ۵ سال یعنی ۱۹۸۹تا ۱۹۹۴، تعداد متدلوژی‌های شیءگرا از کمتر از ۱۰ متدلوژی به بیش از ۵۰ متدلوژی رسید.

تکثیر متدلوژی‌ها و زبان‌های شی‌گرایی و رقابت بین این‌ها به حدی بود که این دوران به عنوان “جنگ متدلوژی‌ها ” لقب گرفت. از جمله متدلوژی‌های پر کاربرد آن زمان می‌توان ازShlayer- Mellor ، Coad-yourdan ، Fusion ،OMT ،OOSE ، Booch  و غیره نام برد.

فراوانی و اشباع متدلوژی‌ها و روش‌های شی‌گرایی و نیز نبودن یک زبان مدل سازی استاندارد ، باعث مشکلات فروانی شده بود. از یک طرف کاربران از متدلوژی‌های موجود خسته شده بودند، زیرا مجبور بودند از میان روش‌های مختلف شبیه به هم که تفاوت کمی در قدرت و قابلیت داشتند یکی را انتخاب کنند.

مطالعه میکنم  روش های طبقه بندی تصاویر در سنجش از دور (پیکسل پایه - شی پایه)

بسیاری از این روش‌ها ، مفاهیم مشترک شی‌گرایی را در قالب‌های مختلف بیان می‌کردند که این واگرایی و نبودن توافق میان این زبان‌ها ، کاربران تازه‌کار را از دنیای شی‌گرایی زده می‌کرد و آنها را از این حیطه دور می‌ساخت . عدم وجود یک زبان استاندارد ، برای فروشندگان محصولات نرم افزاری نیز مشکلات زیادی ایجاد کرده بود.


ارکان شیءگرایی

Object:

تعریف عمومی:

در دنیای واقعی هر مفهوم مادی یا معنایی را شی می گوییم

تعریف در حوزه شی گرایی:

الف – یک شی یک نمونه از یک کلاس است
ب – یک شی متشکل از سه مولفه است

  • Attributes: یکتایی که آن شی را از سایر اشیا متمایز می کند مثل: کد کتاب، شماره
  • State: مجموعه مقادیری که آن شی را مشخص می‌کند
  • Behavior: می‌گویند مجموعه عمل‌  های قابل اعمال روی شی

انواع ارتباط اشیا:

بین اشیا سه گونه رابطه هست

  • یک به یک: خیلی کم هستند
  • یک به چند: خیلی مهم هستند. مطرح ترین نوع رابطه به شمار می آیند
  • چند به چند: حضورشان در سیستم کامپیوتری ممنوع است

Class

تعریف بصورت عام  یک مجموعه همگون از اشیا به لحاظ ساختار و رفتار کلاس روشی برای بسته بندی نوع داده مجرد است. در کلاس امکان بسته بندی و محصور کردن Encapsulation  مجموعه ای از داده ها است. روال های پردازش کننده، این داده ها را به صورت یک بسته فراهم می کند.

داده های داخل یک کلاس به وسیله کلاس محافظت می گردد. به گونه ای که پردازش داده های خصوصی یک کلاس از طریق روال های دخلی آن امکان پذیر است. داده های یک کلاس را متغیرهای کلاس و روال های آن را روش نامیده اند. برای مثال کلاس انسان ها یک کلاس قابل تعریف است. در این کلاس خصوصیات مشترک انسان ها تعریف می گردد و هیچ انسان خاصی را نشان نمی دهد. کلاس یک نوع است.

شی گرایی در سنجش از دور

شی گرایی در سنجش از دور

Inheritance یا ارث بری

پدر و فرزندی را در نظر بگیرید . هر پدری مشخصات فردی به خصوصی دارد . فرزند وی می تواند همه خصوصیات او را به ارث برد و خصوصیت های دیگری نیز داشته باشد که پدرش ندارد . این یعنی ارث‌بری!

وراثت عملی است که یک شی می تواند مشخصه های شی دیگری را به دست آورد. به همین دلیل از مفهوم دسته بندی سلسه مراتبی پشتیبانی می کند.

بدون استفاده از وراثت، هر شی به طور مجزا بایستی تمام مشخصه های خودش را تعریف کند. با استفاده از وراثت شی، فقط نیاز به تعریف مشخصه هایی دارد که در داخل آن کلاس منحصر به فرد هستند.

این سبب می شود که صفات عمومی را از پدرشان به ارث ببرند. بنابراین مکانیزم وراثت به یک شی امکان می دهد تا نمونه خاص از یک حالت عمومی تر باشد.


طبقه‌بندی شیءگرا

تصاویر دیجیتال از پیکسل‌هایی تشکیل شده که مقدار تابش (یعنی نور) را که از بخشی از طیف‌الکترومغناطیسی منعکس شده‌ است ثبت می‌کند. به طور کلی، پیکسل‌ها قابل مشاهده نیستند، فقط در سطوح زوم بسیار نزدیک است که معمولا به عنوان یک سری از مربع‌ها به چشم انسان ظاهر می‌شود.

به فرض مثال تصویر زیر را در نظر بگیرید که از یک محدوده در ایران ثبت شده است. تصویر سمت راست را در نظر بگیرید که مربوط به محدوده‌ای از شمال ایران بوده و در آن جنگل‌ها و سطوح آبی و حتی شهر مشخص می باشد.

در تصویر سمت چپ حالت زوم شده آن را مشاهده می کنیم که در سطح پیکسل مشخص می باشد به چه صورت است. یعنی از کنار هم چیده شدن پیکسل‌ها با یک مقدار خاص که رفتار طیفی آن را مشخص می کند، پدیده های سطح زمین مشخص می شوند.

شی گرایی در تصاویر ماهواره ای

شی گرایی در تصاویر ماهواره ای

اخیرا یک تکنیک تجزیه‌ و‌ تحلیل مبتنی بر تصویر توسعه یافته است که مزیت های مختلفی نسبت به روش های سنتی در سطح پیکسل را دارا می باشد.

در حالی که تجزیه و تحلیل تصاویر مبتنی بر پیکسل، بر تجزیه و تحلیل اطلاعات هر پیکسل استوار است در تجزیه و تحلیل شیءگرایی بر اساس اطلاعات یک سری پیکسل های مشابه به هم از نظر ساختارهای مختلف که مجموع این پیکسل ها و اطلاعات آنها شیء نامیده می شود، انجام می شود.

به طور خاص، اشیاء تصویری، گروهی از پیکسل‌ هایی هستند که بر اساس اندازه‌گیری خواص‌ طیفی (به عنوان مثال، رنگ، اندازه، شکل و بافت) مشابه یکدیگر هستند.

خب با این اوصاف باید از آبجکت، تعریف جامع تری را ارائه دهیم.

آبجکت جمعی از پیکسل‌ها می باشد که خصوصیات مشترک دارند. مجموعه‌ای از پیکسل‌ها که از لحاظ اطلاعات آماری و شکل‌هندسی و ویژگی‌های‌ساختاری باهم یکسان هستند. به این نکته نیز باید توجه کرد که در طبقه‌بندی شیءگرا نیز اساس، پیکسل می باشد اما به شکل و نحوی دیگر

در طبقه های بندی های که شیءگرا نیستند اطلاعات طیفی اصولا بیشترین اهمیت را داشته و در اکثر موارد کل کار بر اساس این اطلاعات بود. اما در روش های شیءگرا همان طور که از اطلاعات طیفی استفاده می شود از اطلاعاتی مثل بافت، اندازه، شکل و سایز هر یک از آبجکت‌ ها استفاده می شود به منظور بالابردن دقت طبقه‌بندی.

درحالت کلی می توان اینطور بیان کرد که روش‌های شیءگرا این اجازه را به ما می دهد که از مزیت‌ها و اطلاعات حقیقی و واقعی موجود در تصویر به صورت کامل استفاده کنیم. این اطلاعات شامل جنبه‌های طیفی، مکانی، معنایی، مورفولوژی و هندسی را شامل می شوند. در نهایت این اطلاعات در قالب یک قطعه یا سگمنت نمایش داده می شوند.

اشیا در تصاویر دارای چندین مرحله می باشند یا در اصطلاح دارای چند بخش می باشند که در زیر آن ها را نمایش خواهیم داد.

اشیاء تصویری

  • اشیای اولیه که شامل کوچیکترین عضو یک شی هست که میتوان از پیکسل‌ها یاد کرد که به اشیا اولیه معروفند. پیکسل‌ها گفتیم اساس کار هستند در پردازش تصویر و بسیاری از پردازش‌ها را میتوان بر این اشیای اولیه، مثل فیلترها و تبدیل و …. را بر این اشیای اولیه پیاده نمود.

  • اشیا در سطح قطعه که در این روش پیکسل ها به فضای آبجکت انتقال داده می شوند و از حالت پیکسلی خارج می شوند به صورتی که هر آبجکت میانگین تمام پیکسل هایی است که در داخل آن قرار دارند.
  • اشیا در سطح فراآبجکت که در این روش آبجکت ها به یک مرحله بالاتر انتقال داده می شوند و دوباره قطعه بندی به مرحله اجرایی می رسد.
  • زیرآبجکت ها که در این مرحله قطعات دوباره قطعه بندی شده و حالت زیرآبجکت پیدا می کنند همانند شکل زیر:


چند لینک کاربردی:

آموزش استخراج درختان و پوشش گیاهی و طبقه بندی آن ها با استفاده از ترکیب اطلاعات لیدار و تصاویر ماهواره‌ای و هوایی
محصول آموزشی روش تهیه نقشه کاربری اراضی شهری با استفاده از طبقه بندی شی گرا
آموزش طبقه بندی تصاویر ماهواره ای با شاخص های طیفی در ایکاگنیشن
آموزش طبقه بندی به روش آستانه گذاری در نرم افزار eCognition


مراحل OBIA

به منظور به دست آوردن اطلاعات مفید از یک تصویر، فرآیند تقسیم بندی یا قطعه بندی یک تصویر به اشیاء اولیه صورت می پذیرد که در این مرحله هنوز طبقه بندی صورت نگرفته است.

این مرحله یک مرحله اولیه برای تحلیل و پردازش سایر مراحل تصویری می باشد.

هدف از قطعه­ بندی، تقسیم یک تصویر به بخش­ های پیوسته ­ای است که به طور ایده آل مطابق با عوارض روی زمین می ­باشند.

بر اساس این تعریف:

قطعه­ بندی بیشتر توزیع مکانی مقادیر پیکسل­ ها را برای تشخیص عوارض در نظر دارد؛ در صورتی که طبقه­ بندی، خصوصیات طیفی را برای تشخیص عوارض در نظر می­ گیرد و پیکسل بدون در نظر گرفتن محل آن در تصویر طبقه­ بندی می ­شود.

در قطعه­ بندی تصویر؛ پیکسل­ هایی که در کنار هم بر اساس معیاری به یکدیگر شبیه هستند به عنوان یک قطعه از تصویر در نظر گرفته می­ شوند و بنابراین از این جهت، محل قرار­گیری یک پیکسل در تصویر اهمیت دارد.

قطعه ­بندی موثر یک مرحله­ ای مهم در کاربردهای بینایی ماشین سنجش از دور و اصولا کاربردهایی است که در آن­ها تشخیص اشیاء تصویری مدنظر می ­باشد. قطعه بندی کاملا اتوماتیک تصاویر هوایی ماهواره­ ای روندی کاملا دشوار بوده و گاها بر حسب نوع عارضه و شرایط طبیعی موجود شناسایی محدوده صحیح همه عوارض و قطعات تصویری در دسترس نخواهد بود.

قطعه­ بندی معمولا با روش ­های مختلفی انجام می­ شود روش­ های عمده قطعه ­بندی رو به طور کلی می توان به دو بخش از بالا به پایین و از پایین به بالا تقسیم نمود.

طبقه بندی شی گرا

طبقه بندی شی گرا

قطعه بندی از بالا به پایین

تقسیم بندی از بالا به پایین به معنی بر اشیا به اشیای کوچکتر است. در این نوع قطعه بندی نیاز نیست که از کل تصویر به عنوان یک شی آغاز شود. این نوع قطعه بندی روش های مختلفی را دارا می باشد که در زیر به توضیح هر کدام چرداخته می شود.

به طور کی می توان گفت که در این نوع قطعه بندی کاربر می داند که چه اطلاعاتی را باید از تصویر استحراج کند.

روش های مختلف قطعه بندی از بالا به پایین به شرح زیر می باشد:

۱- قطعه بندی شطرنجی

این قطعه ­بندی ساده ­ترین نوع قطعه ­بندی می­ باشد. در قطعه ­بندی شطرنجی (Chessboard segmentation) کل تصویر و اشیاء آن به قطعات مساوی مربع تقسیم می ­شوند. کاربر می­ تواند اندازه مربعات را تعیین کند. این روش به منظور تقسیم اشیاء انجام می ­پذیرد و تصویر را به قطعات مساوی شکل تقسیم می ­کند.

۲- قطعه‌بندی درختی

این تقسیم ­بندی نیز شباهت بالایی به روش شطرنجی دارد با این تفاوت که می توان مربعات را با اندازه ­های مختلف به عنوان قطعه در نظر گرفت و در مواردی می­ توان یک مربع را به قطعات دیگر تجزیه نماید. این روش که به روش چهاردرخت (Quad tree-based segmentation) مرسوم است می تواند با استفاده از تفاوت رنگ در هر مربع با استفاده از پارامتر مقیاس آستانه­ گذاری را تعریف نماید.

پس از برش یک شبکه مربع اولیه، تقسیم بندی چهاردرخت بر اساس معیارهای زیر ادامه می­یابد.

۳- جداسازی بر اساس کنتراست

این روش از قطعه­ بندی های بسیار سریع می­ باشد که می­ تواند در مواقعی حتی در سریع­ ترین زمان مناطق را به نحوه قابل قبولی جداسازی کند. در این روش تعداد اشیاء تصویر معمولا کمتر از سایر روش ­ها می­ باشد. طبقه ­بندی پیکسل ها در یک لایه موضوعی درونی ذخیره می­ شود و هر پیکسل در یکی از کلاس ­های زیر طبقه­ بندی می­ شود.

  • فاقد شیء
  • اشیاء در لایه اول
  • اشیاء در لایه دوم
  • اشیا در هر دو لایه
  • نادیده گرفته شدن آستانه

 

۴- قطعه بندی Split

تقسیم ­بندی split کنتراست، شبیه به رویکرد تقسیم­ بندی چند آستانه (multi-threshold segmentation) است. جداسازی براساس کنتراست اشیاء تصویر را به اشیاء تاریک و روشن بر اساس مقدار آستانه که حداکثر کنتراست بین آن­ها را برقرار می­ سازد تقسیم می­ کند.

در ابتدای این روش تقسیم­ بندی شطرنجی به منظور تقسیم ­بندی بر روی هر مربع انجام می ­شود و سپس قطعه­ بندی مربوطه صورت می­ پذیرد.


پیشنهاد برای یادگیری طبقه بندی شی گرا با نرم افزار ایکاگنیشن


قطعه بندی از پایین به بالا

این نوع تقسیم ­بندی به معنی مونتاژ اشیا به منظور ایجاد اشیاء بزرگتر است.

روش­ های مختلف تقسیم ­بندی پایین به بالا به شرح زیر می ­باشد:

۱- تقسیم بندی چند مقیاسه

الگوریتم تقسیم­ بندی چند مقیاسه (Multiresolution Segmentation algorithm) به طور پیوسته پیکسل­ ها یا اشیا تصویر را ادغام می­ کند­.

این روش که مبنای آن بر اساس سری­ های فوریه می­ باشد تصویر را به بخش ­های مختلف تجزیه یا بخش می­ کنند. اساس این قطعه­ بندی به این صورت است که تصویر را به نواحی مختلف، براساس معیارهای هندسی و طیفی تقسیم می ­کند. به صورتی که هر شیء در داخل یک قطعه، دارای ویژگی­ های یکسانی است.

به فرض مثال یک قطعه متشکل از چندین پیکسل است که این پیکسل­ ها از لحاظ طیفی، رنگ، هندسه، شکل و … دارای شباهت­ های بالایی می ­باشد. این روش به عنوان مناسب­ ترین روش به منظور جداسازی مناطق همگن و انتخاب آن­ها به عنوان یک شیء عنوان می­ شود.

این روش می ­توان با انتخاب مقیاس ­ها، فشردگی و شکل مختلف، نتایج متفاوتی را دریافت کرد. از معایب این روش می­ توان به کند بودن پردازش آن اشاره کرد.

۲- تقسیم بندی چندآستانه ای و آستانه گذاری خودکار

این روش یکی از روش­ های جدید در بخش قطعه ­بندی است. این روش دامنه شیء تصویر را تجزیه نموده و بر اساس آستانه­ گذاری­ های مختلف، عمل طبقه ­بندی را انجام می­ دهد.

این آستانه گذاری­ ها می ­توانند بر روی پیکسل اعمال شوند و یا اینکه بر روی یک قطعه

آستانه ­ها می­ توانند به صورت خودکار انتخاب شوند و یا در صورت لزوم می­ توان به صورت دستی عمل آستانه گذاری را انجام داد. این الگوریتم ترکیبی از روش­ های مبتنی بر هیستوگرام و همگن­ سازی تقسیم بندی استفاده می کند.

۳- تقسیم ­بندی بر اساس تفاوت طیفی

این روش می­تواند قطعه ­بندی بر روی تصویر را بر اساس تشابهات طیفی انجام دهد. به این منظور که تشابهات طیفی در یک تصویر را به عنوان یک شیء در نظر می­ گیرد. این روش طراحی شده است که نتایج حاصل از تقسیم ­بندی موجود را تصحیح کند. این عمل را با ادغام اشیاء در تصویر طیفی مشابه تولید شده توسط تقسیم ­بندی های قبلی انجام می­ دهد.

در نهایت بعد از توضیح همه این موارد باید در نظر داشت که تنظیم همه پارامترها برای قطعه بندی کاملا به صورت سعی و خطا صورت می گیرد و بسته به تصویر و سطح منطقه می باشد.

به این منظور که در صورتی که منطقه یک محدوده همگن بوده و از پیچیدگی فراوانی برخوردار نباشد اصولا پارامترها را در مقیاس بزرگ انتخاب می کنند و نیاز به قطعه های کوچک نیست اما در مواردی که محدوده ناهمگن باشد اصولا قطعات را باید کوچک انتخاب کرد.

به این پارامتر که کوچکی و بزرگی قطعات را مشخص می کند Scale یا مقیاس گفته می شود که اصولا در اکثر روش ها موجود می باشد. اما به غیر از این پارامتر، دو ویژگی هم وجود دارد که بسیار اساسی بوده و باید در انتخاب ان ها دقت نمود. شکل و فشردگی

شکل هرچقد مقدارش به عدد یک نزدیک باشد قطعه ها را به همان صورت ریزتر در نظر می گیرد و ضریب فشردگی هم به فشردگیش اشاره می کند یعنی هرچقد بالاتر بگیریم قطعات به هم فشرده تر میشن و نمایش داده می شوند.

ضریب فشردگی۰٫۶ ریزتر است قطعه‌هاش نسبت به ضریب فشردگی۰٫۱ حالا باز این در همه مناطق صدق نمی کند. مناطقی وجود دارد فشردگی بالایی دارند تو این مناطق فشردگی ضریبش بهتر عمل میکند و بالعکس. و همینطور برای شکل. پس یه نتیجه ای که میشود از همه این بحث ها گرفت این است که اکثرا پارامترها به منطقه ما بستگی دارد.

مقیاس ۵۰ و شکل و فشردگی هردو ۰٫۵ – مقیاس ۲۰ و شکل و فشردگی هردو ۰٫۵

مقیاس ۴۰ – شکل ۰٫۲ و فشردگی ۰٫۸ مقیاس ۴۰ – شکل ۰٫۸ و فشردگی ۰٫۲


اصطلاحات معروف در پردازش شیءگرای تصاویر

Image Layer

تمامی تصاویر حداقل دارای یک image layer می­ باشند. به فرض مثال یک تصویر سیاه ­و­ سفید یک نمونه از یک تصویر دارای لایه است.

بارزترین و مشخص ترین لایه­ های تصویر، لایه­ های قرمز، سبز و آبی می ­باشد که با ترکیب آن­ها یک تصویر رنگی ایجاد می­ شود. علاوه بر این یک تصویر و یا لایه ­های تصویری شامل اطلاعاتی از قبیل شدت، بافت و … است که به درک بهتر پدیده­ های موجود در یک تصویر کمک می ­کنند.

همچنین می­توان از لایه­ هایی مثل مادون­ قرمز برای شناسایی عوارض زمینی نیز بهره جست. به این لایه­ ها می توان اصطلاح باند را اطلاق نمود. این لایه ­ها همچنین می­توانند شامل اطلاعات دیگری همچون مدل­ های جغرافیایی نیز باشند.

Image Data Set

این بخش از قسمت­های مختلفی همچون تصاویر دوبعدی، سه بعدی و … تشکیل شده است که به چند نوع از آن­ها اشاره می­ کنیم:

  • یک تصویر دوبعدی که به صورت شطرنجی است و دارای مختصات X,Y است که واحد آن بر مبنای وکسل می ­باشد.
  • یک تصویر سه ­بعدی که مجموعه­ ای از داده ­های دوبعدی را شامل می­ شود و مختصات X,Y,Z را دارا می­ باشد. عامل Z همان عاملی است که داده را از دوبعدی به سه بعدی تبدیل می­ کند و واحد آن برمبنای پیکسل است.
  • مجموعه داده­ های چهاربعدی که یک نوع دنباله زمانی از داده­ های سه­ بعدی هستند. داده ­های چهار بعدی شامل یک سری از فریم ­ها می ­باشد که هریک از فریم ­ها یک مجموعه سه­ بعدی می باشد. مختصات این داده علاوه بر Y.Z عامل T یا زمان را نیز در خود دارد و واحد آن بر مبنای وکسل می ­باشد.
  • مجموعه داده­ های سری زمانی، که شامل دنباله­ هائی از داده ­های دو بعدی است. که معمولا به نام فیلم شناخته می­ شوند. این سری داده­ ها دارای مختصات X,Y,T می­باشد و تشکیل­ یافته از یک سری پیکسل­ ها است.

Segmentation and classification

اولین گام در طبقه­ بندی­ های مبتنی بر شیء، قطعه ­بندی تصویر به واحدهائی با اطلاعات مشابه است که با بلوک­ های ساختمانی شناخته می­ شوند.

اولین مرحله برای طبقه­ بندی در نرم­ افزار، قطعه­ بندی تصویر می ­باشد که در نرم افزار ایکاگنیشن الگوریتم­ های مختلفی برای این کار وجود دارد. گام بعدی برچسب­ گذاری و یا تعریف قوانین بر اساس اطلاعات شکل، بافت، تن، رنگ و… می­ باشد. این کار اختیاری است اما در عین­ حال به بیشتر کردن دقت طبقه­ بندی در نهایت کار، کمک می ­کند.

عموما این روند به صورت سلسله مراتبی و برای انجام طبقه ­بندی­ های مبتنی برشیء، طی نمودن این مراحل ضرورت دارد.

Image Objects

یک شیء تصویر، یک گروه از پیکسل ­ها در یک تصویر یا نقشه است. هر عارضه ای یک فضای مشخص را در یک بخش از تصویر نمایش می دهد و اشیاء می توانند اطلاعات مربوط به این فضا را نمایش دهند. اولین شیءها در یک تصویر عموما به وسیله قطعه بندی تولید می شوند.

Image Object Hierarchy

یک ساختار داده که نتایج تجزیه و تحلیلی که از یک تصویر استخراج شده است را ترکیب می­ کند. این مفهوم در نمودار زیر نمایش داده شده است

مشخص بودن روابط بین باندهای تصویر و سطوح اشیاء تصویر در یک طبقه­ بندی مبتنی بر شیء بسیار مهم است.

لایه­ های تصویر نشان دهنده داده­ هایی هستند که در هنگام وارد­ کردن به نرم افزار در تصویر وجود دارند و سطوح شیء مبنا تصویر، اشیاء ذخیره شده­ ای می ­باشد که هرکدام از این شی ها نماینده یک نوع اطلاعات در تصویر است. همانطور که در شکل بالا مشاهده می ­شود تصویری از یک سطح پیکسل نمایش داده شده­ است و یک نمایش از یک سلول در تصویر است.

همانطور که مشخص است در بخش بالایی، سطح سلولی نمایش داده شده است که این سطح سلولی در بخش پایین خود به صورت هسته سلولی و یا ساختمان سلول مشخص است. در بخش پایین آن فضاهای موجود در هسته مشخص شده است و در زیرین ­ترین بخش یا مرحله نهائی به پیکسل­ های رنگی متفاوت می­ رسیم که در یک تصویر مشخص می­ شوند.

Image Object Domain

دامنه شیء در یک تصویر، یک فرآیند کلی را توضیح می­ دهد. به عبارت دیگر، اشیاء تصویر یا حتی پیکسل ­ها با الگوریتم ­ها ­سروکار دارند و این الگوریتم­ ها هستند که باعث استخراج ویژگی­ ها از اشیاء می شوند. به طور مثال هنگامی که اشیاء را بر اساس اندازه آن­ها انتخاب می­ کنیم، یک دامنه برای آن­ها ایجاد می­ شود.

نمودار زیر یک چرخه را نشان می­ دهد. چرخه ­ای که می­تواند تقسیم ­بندی طبقه­ بندی نامیده شود. مربع به چهار بخش تقسیم شده است و هرقسمت با نام ­های  A و B مشخص شده است.

همچنین قسمت B نیز خود به چهار بخش تقسیم شده ­است. در شکل زیر دامنه هریک از مراحل نیز نمایش داده شده ­است که ابتدا مرحله پیکسل و سپس مراحل بعدی با افزایش هر یک از مربع­ ها ذکر شده است.

اگر بخواهیم به صورت سلسله مراتب و سازمانی با اصطلاحاتی که بیشتر با آنها سر و کار داریم آشنا شویم به ترتیب عناوین صحنه، نقشه، پروژه و فضای کاری را خواهیم داشت.

Scene

در یک سطح عملی، صحنه ابتدایی ­ترین تعریف و سطح در سلسه مراتب Definiens است. یک صحنه یا به اصطلاح سین، یک تصویر دیجیتال با تمام اطلاعات همراه با آن است.

به عنوان مثال، در ساده ترین شکل، یک صحنه می­تواند یک تصویر JPEG از یک دوربین دیجیتال با اطلاعات ابرداده مرتبط (مانند اندازه، رزولوشن، مدل دوربین و تاریخ) باشد. در انتهای دیگر طیف یا در پیچیده ترین حالت، می­ توان آن را مجموعه تصاویر پزشکی چهار بعدی، با یک فایل مرتبط حاوی یک لایه موضوعی که دارای اطلاعات هیستولوژیک است عنوان نمود.

Map & Projects

تصاویر و داده­ های مربوط به صحنه مستقل از نرم ­افزار می ­باشند به این معنی که فرمت آن­ها و نحوه ویرایش و فراخوانی آنها مستقل از نرم ­افزار است.

اما برای ایجاد پروزه در نرم ­افزار و کار با صحنه­ ها در داخل پروژه، وابسته به نرم ­افزار و فرمتی که نرم ­افزار دارد می­ باشد.

فرمت عمومی پروژه ­های نرم افزار ایکاکنیشن فرمت dpr است. یک فرمت dpr جدا از یک صحنه و تمام اطلاعات اعم از اشیاء و داده ­ها و تصاویر را به صورت یک پروژه با فرمت خاص ذخیره می­ نماید. ایجاد یک پروژه همیشه باعث به وجود آمدن یک نقشه واحد می ­شود. که به عنوان نقشه اصلی شناخته می ­شود.

فضای­ کاری عموما در راس سلسله ­مراتب آماده ­سازی قرار دارد. فضای­ کاری اصولا پروژه­ ها در داخل خود ذخیره می­ کند. همچنین برای مدیریت تجزیه و تحلیل ­های پیچیده بسیار مفید است.


طبقه بندی شیءگرا = Object-Based (or Object-Oriented) Image Analysis Classification = OBIA

بعد از اینکه قطعه بندی بر روی تصویر پیاده سازی شد و مقیاس و رنگ و فشردگی مورد نظر اعمال شد، تصویر با اختصاص دادن هر شی به یک کلاس بر اساس ویژگی ها و معیارهای تعیین شده توسط کاربر طبقه بندی می شود.

طبقه بندی پرکاربردترین روش استخراج اطلاعات از تصاویر ماهواره ای هست.

ویژگی ها

تعریف ویژگی در حالت کلی برای یک تصویر دارای ساختارهای مختلفی می باشد.

ویژگی ها در OBIA را کاملا جدا از ویژگی ها در GIS در نظر بگیرید.

ویژگی ها در بحث شیءگرایی یک الگوریتم است و ویژگی های مختلفی مثل شکل، رنگ، اندازه، بافت و …را در اشیاء تصویری اندازه می گیرد و از آنها در طبقه بندی استفاده می کند. کارایی ویژگی های مختلف به طور گسترده‌ای متفاوت است، بسته به اهداف، اندازه شی، رنگ، بافت، و خواص شکل و محل در سلسله مراتب شی میتواند مورد استفاده قرار گیرد.

ویژگی ها اصولا محدودیت ها و مزیت ها را نمایش می دهند که از یک تصویر با آبجکت های مختلف چه اطلاعاتی قابل استخراج است. چه محدودیت هایی دارد و چه مزیت هایی دارد تصویری که در اختیار کاربر قرار دارد.

ویژگی‌ها را می توان به اشیاء تصویر، یک صحنه، یا یک کلاس اعمال کرد. در زیر ما چندین نمونه از ویژگی هایی را که می توان بر تصویر اعمال نمود ذکر نموده ایم.

  • Color: mean or standard deviation of each band, mean brightness, band ratios
  • Size: area, length to width ratio, relative border length
  • Shape: roundness, asymmetry, rectangular fit
  • Texture: smoothness, local homogeneity
  • Class level: relation to neighbors, relation to sub objects and super objects

روش های طبقه بندی

دو روش طبقه بندی رایج وجود دارد که به طور خلاصه در زیر توضیح داده شده است.

مناسب‌ ترین روش به اهداف، ویژگی‌های تصویر، دانش پیشین، و همچنین تجربه و اولویت کاربر بستگی دارد.

Nearest neighbor (NN)

طبقه بندی نزدیکترین همسایه، به جای اتکا بر یک پیکسل تنها، تعداد شواهدی که برای انتساب یک کلاس به پیکسل انتخاب می کند را در نظر می گیرد.

در واقع در این نوع طبقه بندی، کلاسی که اکثریت را در بین تعداد مشخصی (K) از پیکسل‌های معلوم حول پیکسل مجهول مورد نظر دارد را در نظر می گیرد و آن را به آن پیکسل مجهول نسبت می دهد. این الگوریتم شامل چند مرحله می­ باشد.

  • تعیین مقدار K: در مورد انتخاب مقدار K روش های مختلفی پیشنهاد شده است که هرکدام مزایا و معایت خاص خود را دارند. یکی از این روش ها محاسبه ریشه دوم کل پیکسل‌های معلوم به عنوان مقدار K است. مقدار همپوشانی طیفی داده‌ها، خصوصیات کلاس‌های تعریف‌شده و کیفیت داده‌ های مرجع موجود، همگی در تعیین مقدار K که در حقیقت دامنه همسایگی پیکسل مجهول را مشخص میکند، تاثیرگذار هستند.
  • تعیین کلاس K پیکسل مجهول پیکسل همسایه: در این مرحله از داده های تمرینی استفاده میشود و از این روش برای روش‌های طبقه‌بندی نظارت شده نیز میتوان استفاده نمود.برای یافتن پیکسل‌ها همسایه روش‌های مختلفی وجود دارد که ساده‌ترین آن استفاده از پارامتر فاصله است و در اکثر نرم افزارها موجود است.
  • محاسبه فراوانی هر کلاس در مجموعه K: مشخص میشود که حضور کدام کلاس در حول پیکسل مجهول قوی تر است. آخرین مرحله، انتساب کلاسی به پیکسل است که بیشترین فراوانی را دارد.

Membership function

  • در این روش میتوان از آستانه گذاری های مختلف به منظور طبقه بندی استفاده نمود.
  • اشیاء تصویر را به کلاس ها با استفاده از آستانه ویژگی مشخص شده توسط کاربر، جدا می کند.
  • عموما نتایج بهتری نسبت به NN دارند.
  • کلاس ها به راحتی با استفاده از چندین آستانه از هم جدا می شوند.
  • از تمامی ویژگی ها می توان به منظور جداسازی پدیده های مختلف استفاده نمود

مزایای طبقه بندی شی گرا

Multiple scales

این مزیت به کاربر اجازه می دهد که بیش از یک نوع تجزیه و تحلیل را بر روی تصاویر و پدیده های موجود در تصاویر بتوان ارائه نمود و در مقیاس های مختلف بتوان روش های گوناگونی را بکار برد.

همچنین می توان سطوح تقسیم بندی و قطعه بندی مختلفی را بر روی تصاویر پیاده سازی نمود. در تجزیه و تحلیل تصویر مبتنی بر پیکسل فرض می‌شود که در یک پیکسل که دارای مقداری برای خود است هیچ پدیده ای را نمی توان تشخیص داد به صورت واحد. در حالی که در صورتی که این پیکسل ها به صورت قطعه در کنار هم جمع شوند تعیین کننده یک شیء در یک تصویر می باشند.

Spatial relationships

اشیاء را می توان با استفاده از روابط فضایی خود با اشیا مجاور یا همسایه های خود طبقه بندی کرد. به فرض مثال هنگامی که در حال طبقه بندی یک نوع پوشش درختی هستیم درصورتی که از وضعیت همسایه های آن و مجاورت آن اطلاع داشته باشیم می توان بقیه قسمت ها را نسبت به همین مجاورت نیز طبقه بندی نمود.

Information filter

OBIA قادر به فیلترکردن اطلاعات بی‌معنی و تکه‌ تکه کردن اطلاعات دیگر به یک شی واحد است.

این به همان نحوی است که چشم انسان اطلاعاتی را فیلتر می‌کند که مغز نیاز به تجزیه و تحلیل و پردازش آنها ندارد. به فرض مثال ما در یک بخشی از طبقه بندی بر روی یک سری پارامترها زوم داریم که می توان با استفاده از یک سری قوانین فقط ویژگی ها را بر روی این بخش اعمال نمود.

یا به عنوان مثال، پیکسل ها در یک تصویر فیلتر شده و گروه‌ بندی می‌شوند تا یک الگوی مشابه مانند یک باغ وحش یا کاشت درخت را نشان دهد.

Fuzzy logic

OBIA اطلاعات معنی دارتری را از تجزیه و تحلیل تصویر مبتنی بر شیء با اجازه دادن به لبه‌ها یا مرزهای بین طبقات مختلف تعریف می کند.

به فرض مثال در یک تصویر اگر درخت در داخل یک چمن زار باشد نرم افزار مربوطه کاملا آن را تشخیص داده و آن را بولدتر می کند تا بهتر مشخص شود که یک پدیده ای در داخل این بخش وجود دارد که متفاوت تر از ساختار محدوده است.

مقادیر عضویت کلاس ها در طبقه بندی شیء گرا به این صورت است. مقدار عضویت یک پیکسل به یک کلاس متفاوت است از ۰٫۰ (بدون عضویت) تا ۱٫۰ (۱۰۰٪ کامل عضویت در یک کلاس). یک شی در eCognation ممکن است عضو ۸۰٪ در کلاس بوته و ۲۰٪ عضویت در کلاس علف زار باشد. این یک رویکرد واقع گرایانه تر می باشد که نشان می دهد یک پدیده در چه وضعیتی قرار دارد.


نرم افزارهای مورد استفاده در زمینه شیءگرایی

  1. eCognition

بدون شک قوی ترین نرم افزار در زمینه پردازش شیءگرای تصاویر، نرم افزار eCognition است که با استفاده از ویژگی ها و مجموعه قوانین که بسیار زیاد و کامل می باشد به بهترین شکل ممکن به تجزیه و تحلیل شیءگرای تصاویر ماهواره ای می پردازد.

مطالعه میکنم  آموزش نرم افزار ecognition - آموزش نرم افزار ایکاگنیشن - طبقه بندی شی گرا
  1. ENVI
  2. ArcGIS
  3. Matlab

تهیه کننده: هادی امامی – کارشناس ارشد سنجش از دور

   

دیدگاهتان را بنویسید