آشنایی با مرسوم ترین الگوریتم های طبقه بندی تصاویر ماهواره ای

242 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

الگوریتم های طبقه بندی بعد از برداشت نمونه های هریک از کلاس ها در فرایند طبقه بندی نظارت شده، طبقه بندی تصاویر با استفاده از الگوریتم های مختلف صورت میگیرد. در همین راستا الگوریتم های طبقه بندی مختلفی طراحی و استفاده شده است. انتخاب الگوریتم مناسب تابعی از هدف طبقه بندی، ویژگی های تصویر و نمونه های برداشت شده دارد.…

الگوریتم های طبقه بندی

بعد از برداشت نمونه های هریک از کلاس ها در فرایند طبقه بندی نظارت شده، طبقه بندی تصاویر با استفاده از الگوریتم های مختلف صورت میگیرد. در همین راستا الگوریتم های طبقه بندی مختلفی طراحی و استفاده شده است. انتخاب الگوریتم مناسب تابعی از هدف طبقه بندی، ویژگی های تصویر و نمونه های برداشت شده دارد. از سوی دیگر کاربر میتواند نسبت به تعیین کلاس ناشناخته و یا سایر نیز در نقشه خروجی اقدام نماید. در ادامه سه الگوریتم در ارتباط با طبقه بندی مورد بررسی قرار میگیرد. پیش از هرچیز الگوریتم طبقه بندی جعبه ای بدلیل سادگی توصیف میشود. با این حال در نمونه های عملی و تجربی روش طبقه بندی جعبه ای چندان مورد استفاده قرار نمیگیرد و بیشتر روش ها و الگوریتم هایی چون کمترین فاصله و بیشترین شباهت در این رابطه استفاده میشوند.

طبقه بندی جعبه ای:

این روش به عنوان ساده­ ترین روش طبقه بندی در نظر گرفته میشود. برای هریک از کلاس ها یک حد بالا و پایین برای مقادیر آن در نظر گرفته میشود. این حدها میتواند بر اساس کمترین و بیشترین مقادیر و یا میانگین و انحراف معیار تعیین شود. زمانی که از حد بالا و پایین استفاده میشود فضای جعبه مانندی در فضای ویژگی ایچاد میگردد(مانند شکل زیر). تعداد جعبه های بکاربرده شده تابعی از تعداد کلاس های تعریف شده است. در جریان فرایند طبقه بندی هر بردار ویژگی ایجاد شده توسط دو باند ورودی چک میشود تا جعبه دیگری در آن قرار نگرفته باشد. پیکسل هایی که در هریک از جعبه ها قرار میگیرند یک برچسب گرفته  که نشان دهنده اختصاص داشتن آن پیکسل به  یک کلاس مشخص است. در عین حال آن دسته از پیکسل­ های دیگری که در داخل هریک از جعبه ها قرار نمیگیرند به عنوان کلاس تعریف نشده در نظر گرفته میشوند. نقص موجود در این روش همپوشانی ایجاد شده بین جعبه های هر کلاس است.

 

1

طبقه بندی کمترین فاصله به میانگین

این روش طبقه بندی مبتنی بر فاصله ای است که مرکز خوشه ها از یکدیگر در فضای ویژگی دارند. در این الگوریتم فاصله اقلیدسی هریک از پیکسل ها با مرکز خوشه ها محاسبه میشود و سپس آن پیکسل به کلاسی اختصاص می یابد که  از کمترین فاصله تا مرکز آن برخوردار باشد. برای درک بهتر این موضوع به شکل زیر توجه نمایید. یکی از مهم ترین مشکلاتی که در این روش طبقه بندی وجود دارد  آن است که برخی از پیکسل هایی که در فاصله بسیار دوری از مرکز خوشه قرار دارند نیز ممکن است به یک کلاس اختصاص پیدا کنند. البته این مشکل را میتوان با تعریف حدآستانه برای فاصله پیکسل ها از مرکز خوشه ها جبران نمود. همانطور که در شکل زیر مشخص است حدآستانه فاصله تا مرکز خوشه با استفاده از یک دایره نشان داده شده است. عیب دیگر این روش طبقه بندی آن است که تغییر پذیری کلاس ها را در نظر نمیگیرد. برخی از خوشه ها کوچک و متراکم شده و در حالی که برخی دیگر بزرگ و پراکنده. اما این در حالی است که طبقه بندی بیشترین شباهت این ویژگی را برای کلاس ها و خوشه های تعریف شده در فضای ویژگی را در نظر دارد.

 

1

طبقه بندی بیشترین شباهت

طبقه بندی بیشترین شباهت تنها بر مرکز خوشه ها متمرکز نیست بلکه در این رابطه  شکل، اندازه و جهت خوشه ها نیز در نظر گرفته میشود. این امر با استفاده از محاسبه فاصله آماری بر اساس میانگین و انحراف معیار و ماتریس کواریانس خوشه ها انجام میشود. فاصله آماری یک مقدار احتمالی است. احتمال مشاهده پیکسل x که مرتبط با یک خوشه است. یک پیکسل به خوشه ای اختصاص پیدا میکند که از بالاترین احتمال شباهت و الحاق به آن برخوردار باشد. بسیاری از سیستم های طبقه بندی کننده بر اساس منطق بیشترین شباهت فرض بر این دارند که داده ها از یک توزیع نرمال برخوردار است. همچنین روش بیشترین شباهت امکانی را فراهم می آورد که بتوان برای فاصله حدآستانه ای را بر اساس بیشترین مقدار احتمال تعریف نمود. میانگین بیضی ایجاد شده برای حریم هریک از خوشه ها در مرکز آن تعیین شده و نشان دهنده مقادیری استکه از بالاترین درجه و احتمال عضویت برای آن کلاس برخوردار هستند. بر همین اساس هرچه از مرکز بیضی دورتر شده و به حاشیه میرویم درجه احتمال عضویت آن پیکسل ها به کلاس مورد نظر نیز کاهش پیدا میکند. برای درک بهتر این موضوع به شکل زیر توجه نمایید.

 

1

نوشته های مرتبط :

آموزش های رایگان پیشنهادی :

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

فهرست