خوشه بندی و طبقه بندی نظارت نشده

طبقه بندی نظارت نشده

طبقه بندی نظارت شده نیاز به دانش در ارتباط با منطقه مورد نظر دارد. درصورتی که دانش شما در ارتباط با منطقه مورد مطالعه زیاد نباشد و یا اینکه با کلاس های موجود در منطقه آشنایی  ندارید، باید از طبقه بندی نظارت نشده استفاده کنید. در طبقه بندی نظارت نشده الگوریتم های خوشه ­بندیبرای توزیع پیکسل ها در فضای چند بعدی و ایجاد دسته پیکسل­های مختلف استفاده میشوند.

روش های طبقه بندی نظارت نشده مختلفی وجود دارد هدف اصلی آنها آن است که به بهینه ترین شکل ممکن بتوانند اطلاعات طیفی متفاوت را دسته­ بندی نمایند. شباهات طیفی بین پیکسل ها مانع از این میشود که بتوان خوشه ها را به درستی و به راحتی از یکدیگر تفکیک نمود. در یکی از مرسوم ترین رهیافت هاکاربر بیشترین تعداد خوشه های ممکن را برای یک تصویر تعیین میکند. بر همین اساس سیستم رایانه برای هریک از کلاس ها اطلاعات آماری مختلفی را تعریف میکند. به عنوان مثال از فاکتور میانگین به عنوان مرکز خوشه در فضای ویژگی استفاده میشود. سپس هر پیکسل در فضای ویژگی که از کمترین فاصله با مرکز خوشه ها داشته باشد به آن خوشه الحاق میشود. در این مرحله هر پیکسل یک برچسب برای آن کلاس در نظر گرفته میشود. سپس فرایند محاسبه تکرار میشود و بصورت مداوم مرکز خوشه ها مورد محاسبه مجدد قرار میگیرد تا آنکه بهترین خوشه­ بندی ممکن شکل گیرد. فرایند خوشه بندی زمانی متوقف میشود که در حین انجام پردازش های متوالی مرکز خوشه و خوشه ایجاد شده هیچ تغییری نکند (آنالیز حساسیت). در این راستا با استفاده از یک حدآستانه میتوان خوشه هایی که کمتر از یک تعداد پیکسل خاص دارند را حذف نمود. بعد از پایان یافتن فرایند خوشه­ بندی میزان شباهت و تفکیک پذیری خوشه ها از یکدیگر با استفاده از معیارهای  میانگین فاصله درون خوشه ای و دیورژانس محاسبه میگردد. تلفیق خوشه­ ها به منظور کاستن از برخی از خوشه های غیر ضروری و بدون کاربرد انجام میگیرد تا نتیجه بدست آمده از گویایی بیشتری در این رابطه برخوردار باشد. درصد و میزان تلفیقی که در این زمینه صورت میگیرد تابعی از حدآستانه تعیین شده توسط کاربر است. در این فرایند طبقه بندی کاربر میتواند بیشترین فاصله بین خوشه ها (کلاس ها) فاصله بین مرکز دو خوشه ، شعاع خوشه  و حداقل تعداد پیکسل های موجود در یک خوشه را تعیین نماید. تحلیل میزان پراکنش خوشه ها در حول میانگین بوسیله میانگین انحراف معیار هریک از باندهای طیفی ثبت شده تعیین میشود. هرچقدر خوشه های ایجاد شده درد فضای ویژگی باریک تر باشند احتمال تفکیک پذیری آنها در فضا ی ویژگی بیشتر خواهد شد.تحلیل نزدیکی خوشه ها در فضای ویژگی از طریق اندازه گیری فاصله بین مرکز آنها تعیین میشود. درصورتی که فواصل بین مرکز خوشه ها کمتر از حد آستانه مورد نظر باشد ، با یکدیگر تلفیق میشوند. عموما آخرین خوشه بدست آمده از تکرار محاسبات بهترین است. برای درک هرچه بهتر این موضوع به شکل زیر توجه نمایید.

پس از شکل گیری خوشه­ ها در فضای ویژگی اطلاعات آماری آنها استخراج شده و سپس از این اطلاعات برای طبقه بندی نهایی تصویر اصلی استفاده میشود.