اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
پیش پردازش تصاویر و طبقه بندی شی گرایی به روش ماشین لرنینگ
در این محصول به آموزش کار با تصاویر ماهواره ای به روش ماشین لرنینگ پرداخته شده است. در این آموزش کاربر به سادگی با مفاهیم اولیه پیش پردازش تصویر و آماده سازی داده برای پیاده سازی مدل ماشین لرنینگ آشنا خواهید شد و همچنین قبل از توضیح هر بخش ابتدا به بخش تئوری آن و سپس به بحث عملی و…
در این محصول به آموزش کار با تصاویر ماهواره ای به روش ماشین لرنینگ پرداخته شده است. در این آموزش کاربر به سادگی با مفاهیم اولیه پیش پردازش تصویر و آماده سازی داده برای پیاده سازی مدل ماشین لرنینگ آشنا خواهید شد و همچنین قبل از توضیح هر بخش ابتدا به بخش تئوری آن و سپس به بحث عملی و کدنویسی آن پرداخته می شود تا کاربر درک کاملی از هر دو بخش به ویژه کدنویسی داشته باشد.
در این آموزش تمام کدنویسی ها با زبان برنامه نویسی پایتون انجام شده است و توضیحات مربوط به پکیج های موردنیاز برای پردازش و طبقه بندی تصویر به صورت ساده و قابل فهم بیان شده است. به علاوه، توضیح مختصری از روش های ماشین لرنینگ پرداخته شده است و یکی از معروف ترین این روش ها به نام جنگل های تصادفی برای طبقه بندی تصویر ماهواره ای مورد استفاده قرار می گیرد.
مشخصات محصول:
- مدرس: معصومه واحدی
- تخصص: کارشناس ارشد مهندسی محیط زیست – ارزیابی و آمایش سرزمین
- موضوع: آموزش تجزیه و تحلیل تصویر مبتنی بر شی با پایتون
- نرم افزار و زبان: برنامه نویسی / پایتون
- مخاطب: علاقه مندان به برنامه نویسی در حوزه سنجش از دور
- نوع آموزش: ویدیویی، کد نویسی
- پاورپوینت: دارد
- داده های تمرینی: ندارد
- پیش نیاز: آشنایی مقدماتی با پایتون
تهیه محصول:
به منظور تهیه این محصول آموزشی بر روی دکمه زیر کلیک کرده و پس از پرداخت، بلافاصله فایل های آموزشی را دانلود نمایید.
توضیحات محصول:
کاربرد این محصول آموزشی در زمینه پیش پردازش تصاویر و طبقه بندی شی گرایی با استفاده از روش ماشین لرنینگ است. پیش از مرحله طبقه بندی تصاویر، شما نیاز به استخراج اطلاعات خواهید داشت که در این محصول با استفاده از یک تکنیک کاربردی به آن پرداخته شده است.
بصورت کلی با استفاده از این محصول شما می توانید تکنیک های لازم برای طبقه بندی تصویر شی گرایی و آماده سازی تصویر با استفاده از زبان برنامه نویسی پایتون را فراگرفته و با مدل ماشین لرنینگ نیز آشنا شوید.
علاوه بر این تجزیه و تحلیل دادههای مشکل و پیچیده به یکی از سریع ترین بخش‌های فناوری اطلاعات و یکی از موارد اصلی استفاده از پایتون تبدیل شده است. اکثریت کتابخانههای مورد استفاده در علم داده و یادگیری ماشین، از رابط‌های پایتون استفاده می‌کنند و آن را به محبوب ترین زبان برنامه نویسی رابط فرمان سطح بالا برای کتابخانههای یادگیری ماشین تبدیل کرده است که در این آموزش چگونگی استفاده از روش های ماشین لرنینگ در طبقه بندی تصاویر ماهواره ای آموزش داده شده است.
نمونه تدریس مدرس:
عناوین آموزشی:
عناوین آموزشی به شرح زیر می باشند:
- بخش اول: معرفی دوره آموزشی
- بخش دوم: دانلود تصویر ماهواره ای از منطقه مورد مطالعه
- بخش سوم: آشنایی با محیط کاری و آموزش نصب آن و کتابخانههای موردنیاز
- بخش چهارم: ایجاد دادههای آموزشی و تست در نرم افزار QGIS
- بخش پنجم: فراخوانی تصویر با استفاده از ابزار پایتون
- بخش ششم: قطعه بندی (Segmentation) تصویر با پایتون (پارت ۱)
- بخش هفتم: قطعه بندی (Segmentation) تصویر با پایتون (پارت ۲)
- بخش هشتم: اطلاعات آماری برای قطعههای تصویر با پایتون
- بخش نهم: جدا کردن دادههای تست و آموزشی
- بخش دهم: رسترایز کردن دادههای آموزشی شیپ فایل
- بخش یازدهم: تخصیص طبقه بندی به تصویر Segmentation
- بخش دوازدهم: طبقه بندی تصویر با استفاده از روش جنگل تصادفی (Random Forest)
- بخش سیزدهم: Confusion Matrix برای بررسی صحت طبقه بندی مدل جنگل تصادفی
تهیه محصول:
به منظور تهیه این محصول آموزشی بر روی دکمه زیر کلیک کرده و پس از پرداخت، بلافاصله فایل های آموزشی را دانلود نمایید.
آموزش های زیر را نیز بببینید:
نوشته های مرتبط :
آموزش های رایگان پیشنهادی :
محاسبه سرعت باد در سامانه گوگل ارث انجین
122 بازدید
آموزش جامع و رایگان ENVI با امیرحسین احراری
2,541 بازدید
آموزش دانلود تصاویر سنتینل ۳
1,282 بازدید
14 دیدگاه. ارسال دیدگاه جدید
با سلام و عرض ادب خانم واحدی آیا کدهای آموزش هم همراه آموزش قرار داده شده؟ سوال بعدی آیا با تصاویر ماهواره ای دیگر مانند سنتینل یا لندست این آموزش کار شده در غیر اینصورت با تصاویر لندست و سنتینل هم میشه با آموزش شما طبقه بندی کرد؟
ممنون میشم راهنمایی فرمایید.
سلام
وقت شما بخیر
برای کسانی که مجموعه را تهیه کرده اند، کدهای آموزش با ایمیل ارسال خواهد شد. شما می توانید ایمیل خالی به آدرس vahedi.m1993@gmail.com با عنوان “Image processing-OBIA” برای بنده ارسال کنید تا کد را در اختیار شما قرار دهم.
در رابطه با تصاویر دیگر، شما می توانید از این آموزش استفاده کنید ولی دقت طبقه بندی کمتر خواهد شد. خودم با تصویر لندست انجام دادم و مشکلی نیست، ولی بهتر این هست که اگر تصویر رزولوشن بالای آن منطقه را هم دارید با تصویر لندست هنگام نمونه برداری مطابقت دهید تا دقت طبقه بندی بالاتر شود.
موفق باشید
سلام و عرض ادب
چطور اینکار رو انجام بدیم چون من میخوام از تصویر لندست با سری زمانی در مقیاس بزرگ انجام بدم و توی واحدهای سگمنت سازی مشکل دارم
با سلام احترام
برای خواندن تصویر با کتلبخانه gdal
module ‘gdal’ has no attribute ‘open’
error بالادریافت کردم ورژن جی دل تغییر دادم نشد
سلام
وقت شما بخیر
نکته اول اینکه gdal.Open، حتما O باید به صورت حرف بزرگ نوشته شود.
اگر این نکته را رعایت کردید، به جای import gdal ، آن را از کتابخانه osgeo ایمپورت کنید. به این صورت:
from osgeo import gdal
موفق باشید
سلام خانم واحدی برای دریافت کدهای این آموزش فرموده بودید ایمیل بزینم بنده ایمیل خیلی وقت پیش ایمیل زدم ولی کدها رو نفرستادید ممنون میشم کدهای آموزش را برام ارسال کنید.
سلام وقت شما بخیر
برای شما ارسال کردم، بله دو بار ایمیل از طرف شما دریافت کردم و هر دو بار براتون کد را ارسال کردم.
الان مجددا میفرستم لطفا ایمیل تان را بررسی کنید اگر به دست شما نرسید لطفا اطلاع دهید
ممنون
مجددا ایمیلم را می نویسم:
vahedi.m1993@gmail.com
با سلام آیا با این آموزش می توان مدلسازی آینده تصاویر ماهواره ای و تغییراتی که در آنایجاد می شود را نشان داد طبق یک سری زمانی مشخص و پیش بینی آینده؟؟
سلام وقت بخیر
در این آموزش از روش جنگل تصادفی (Random Forest) برای طبقه بندی استفاده شده است. من یک توضیح کلی راجع به این روش بدم که جنگلهای تصادفی، مثل اکثر روشهای ML، از زمان آگاهی ندارند. در واقع این روش مشاهدات را مستقل و توزیع شده یکسان می دانند. پس فرضی که در داده های سری زمانی وجود دارد را نقض می کند. علاوه بر این، جنگلهای تصادفی یا روشهای مبتنی بر درخت تصمیم، قادر به پیش بینی روند نیستند. بنابراین، آنها نمی توانند مقادیری را که خارج از محدوده مقادیر هدف در مجموعه آموزشی هستند، پیش بینی کنند. ولی با چند ترفند می تونیم پیش بینی سری های زمانی را با جنگل های تصادفی انجام دهیم یعنی یک سری پیش پردازش ها لازم هست تا بتوان به هدفی که می خواهید برسید که در این ویدیو گفته نشده است.
لینک های مختلفی در گوگل وجود دارد که بیتشر شما را راهنمایی می کند. به نظر من شما با توجه به دیتاستی که دارید می تونید بهترین تصمیم را برای انتخاب مدل تون بگیرید.
موفق باشید
سلام
ممنون از راهنمایی خوبتون
به نظر شما من به چه صورت و با استفاده از چه ابزاری در ماشین لرنینگ و چه ماژولی میتونم این روند(مدلسازی پیش بینی آینده تصاویر ماهواره ای) را پیاده سازی کنم ممنون میشم راهنمایی کنید؟؟
سلام وقت بخیر
ببخشید خیلی دیر پیام شما را دیدم
در رابطه با “مدلسازی پیش بینی آینده تصاویر ماهواره ای” به فاکتورهای زیادی بستگی دارد برای انتخاب مدل. مثلا اگر زمان را دخیل کنید از مدل های سری زمانی استفاده کنید (هم مدل شبکه عصبی هست و هم مدل های سنتی). یکم دقیق تر توضیح بدید تسک شما پیش بینی چه روندی هست تا بتونم دقیق تر راهنمایی کنم.
سلام خانم واحدی
وقت بخیر
در منطقه ای شاخص های طیفی مختلفی برای جداسازی آب و خاک انجام شده است. حال میخواهم دقت شاخص ها را ارزیابی کنم. میتونم تصویر خروجی اعمالی از شاخص طیفی را طبق آموزش شما طبقه بندی RFانجام بدم و صحت آن را از طریق نمونه برداری با شاخص های طیفی دیگر اعمالی مقایسه کنم و ضرایب صحت سنجی را بدست بیارم؟
سلام آقای نوروزپور
وقت شما بخیر
شما میخواهید طبقه بندی آب و خاک را از تصویر شاخص طیفی به دست بیارید؟ اگر یک تصویر چند بانده دارید، بله شما می تونید از مدل RF گفته شده در این ویدیو استفاده کنید و حتی صحت آن را هم بدست آورید.
برای این قسمت که فرمودید “صحت آن را از طریق نمونه برداری با شاخص های طیفی دیگر اعمالی مقایسه کنم”، منظور شما این است چند تصویر مختلف از شاخص های طیفی دارید و می خواهید برای هر کدام طبقه بندی موضوعی را بدست آورید و دقت را ارزیابی کنید؟ اگر هدف شما این است، شما می توانید از این آموزش استفاده کنید.
موفق باشید
واحدی