اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
آموزش طبقه بندی تصاویر ماهواره ای با روش های یادگیری ماشین با Python
دوره طبقه بندی تصاویر ماهواره ای با روش های یادگیری ماشین در محیط Python یک دوره کاربردی در زمینه طبقه بندی تصاویر ماهواره ای می باشد. در این دوره از 0 تا 100 به نحوه طبقه بندی تصاویر ماهواره ای و همچنین ارزیابی دقت طبقه بندی پرداخته شده است. همچنین سعی شده است با زبان ساده روش های یادگیری ماشین…
دوره طبقه بندی تصاویر ماهواره ای با روش های یادگیری ماشین در محیط Python یک دوره کاربردی در زمینه طبقه بندی تصاویر ماهواره ای می باشد. در این دوره از 0 تا 100 به نحوه طبقه بندی تصاویر ماهواره ای و همچنین ارزیابی دقت طبقه بندی پرداخته شده است.
همچنین سعی شده است با زبان ساده روش های یادگیری ماشین را بر روی تصاویر ماهواره ای یاد داد و خروجی مطلوب با دقت بسیار بالا را دریافت نمود. همچنین از تصاویر ماهواره ای لندست 9 و سنتینل 2 برای این آموزش استفاده شده است. از طرفی برنامه نویسی به صورتی می باشد که برای تصاویر ماهواره ای مختلف پاسخگو باشد. به گونه ای که فقط با دادن تصویر به عنوان ورودی بقیه مراحل به صورت خودکار انجام شود. همچنین در نهایت به ارزیابی دقت با روش های مختلف پرداخته شده و نقشه نهایی طبقه بندی شده از پایتون دریافت می شود.
همچنین از داده های ماهواره ای بومی و بافت بالا استفاده شده است تا بتوانیم بر روی تصاویر با پیچیدگی های طبیعی بالا دقت بالا را دریافت کنیم. خروجی نهایی طبقه بندی را میتوان در شکل زیر مشاهده نمود.
ویژگی های آموزش
- مدرس: هادی امامی
- تخصص: کارشناس سنجش از دور و برنامه نویس در زمینه پردازش تصاویر ماهواره ای
- موضوع: طبقه بندی تصاویر ماهواره ای
- نرم افزار Google Colab, Python
- مدت زمان آموزش: بیش از 4 ساعت
- فرمت آموزش: ویدئوی MP4
- داده تمرینی: دارد
- مخاطب: علاقه مندان سنجش از دور
- پیش نیاز: آشنایی مقدماتی با python
تهیه آموزش:
به منظور تهیه این آموزش بر روی دکمه زیر کلیک کنید:
قسمتی از تدریس مدرس:
معرفی مدرس
- هادی امامی
- کارشناس سنجش از دور و پردازش تصاویر ماهواره ای
- دارنده مدرک کارشناسی ارشد سنجش از دور از دانشگاه بهشتی
- دارنده مدرک علوم کامپیوتر از دانشگاه هاروارد آمریکا
- نخستین مدرس تخصصی آموزش های برنامه نویسی در سنجش از دور
- طراح و مدرس بیش از ۲۰ آموزش تخصصی سنجش از دور
- برگزارکننده ده ها کارگاه آموزشی تخصصی در زمینه سنجش از دور
- مشاور شرکت های مختلف در زمینه سنجش از دور
عناوین آموزشی
عنوان این محصول آموزشی به شرح زیر است:
- نصصب و فراخوانی پکیج های مورد نیاز
- تنظیمات نمودارها و پلات ها
- نحوه اتصال گوگل درایو به گوگل کولب با هدف دسترسی به دیتاست ها
- نحوه Assign کردن کلاس ها به متغییر
- فراخوانی داده ها به محیط کدنویسی
- نوشتن تابع با هدف جداسازی اطلاعات مختلف از تصاویر و باندها
- نحوه فراخوانی شیپ فایل ها و دیتاست ها به محیط برنامه نویسی
- نحوه تبدیل شیپفایل به دیتافریم
- نحوه جداسازی مقادیر پیکسل های همپوشانی شده با شیپفایل ها
- استخراج اطلاعات (متادیتا) ی تصاویر ماهواره ای و شیپفایل ها
- ساخت یک دیتاست با هدف وارد کردن به مدل
- ایجاد Test , Train با هدف وارد کردن به مدل
- تنظیم پارامترهای مدل با هدف یادگیری
- کدنویسی با هدف اجرای مدل SVM بر روی دیتاست
- محاسبه دقت کلی طبقه بندی تصاویر ماهواره ای
- محاسبه Confusion Matrix بر روی داده های ورودی
- محاسبه Precision, recall, f1-score, support بر روی داده های ورودی
- نحوه گرفتن هیستوگرام باندهای تصاویر ماهواره ای
- نحوه پلات کردن Confusion Matrix به صورت گرافیکی
- تبدیل مقادیر Confusion Matrix به درصد
- گرفتن مختصات تصاویر ماهواره ای با هدف اخذ خروجی
- آموزش کامل نحوه تغییر ابعاد یک تصویر.
- نحوه خروجی گرفتن درست از تصاویر ماهواره ای
- نحوه نرمال سازی مقادیر باندها
- نحوه نمایش خروجی طبقه بندی
کاربرد
کاربرد این محصول آموزشی در زمینه نحوه طیقه بندی تصاویر ماهواره با زبان پایتون می باشد. در این آموزش تصویر ورودی میتواند هر تصویری باشد و خروجی نهایی تصویر طبقه بندی شده می باشد. همچنین از جمله کاربردهای این دوره می توان به:
- سنجش از دور کشاورزی
- نحوه طبقه بندی کاربری های مختلف
- آشنایی با روش های طبقه بندی
- آشنایی با نحوه پیش پردازش و پردازش داده های ماهواره ای
- آشنایی با روش های اعتبار سنجی تصاویر ماهواره ای
تهیه آموزش:
به منظور تهیه این آموزش بر روی دکمه زیر کلیک کنید:
آموزش های دیگر از مدرس:
آموزش جامع پردازش داده های مکانی و تصاویر ماهواره ای با برنامه نویسی R
آموزش پردازش تصاویر ماهواره ای در پایتون – اولین و کامل ترین پکیج در ایران
آموزش جامع طبقه بندی شی گرا با نرم افزار ایکاگنیشن
آموزش پردازش تصاویر ماهواره ای در پایتون – اولین و کامل ترین پکیج در ایران
نوشته های مرتبط :
آموزش های رایگان پیشنهادی :
آموزش ساخت DEM در ArcGIS به زبان ساده
2,868 بازدید
آموزش ابزارهای مهم Editor در GIS به صورت کاربردی
1,526 بازدید
نحوه تشخیص لکه‌های نفتی با تصاویر ماهواره ای
1,135 بازدید
21 دیدگاه. ارسال دیدگاه جدید
سلام. آیا در این دوره اموزش داده شده است چگونه تصاویر سنتینل به صورت تصاویر رنگی ایجاد کنیم(ترکیب باند ها)
سلام وقتتون بخیر باشه. بله کامل شرح داده شده
سلام
فقط یک روش (SVM) امورش داده شده؟ بقیه مدلهای یادگیری ماشین چی؟
سلام وقتتون بخیر باشه. روش های یادگیری ماشین در نحوه ایجاد مدل ها تفاوتی ندارند. شما مفهوم کار رو یاد بگیرین تمامی روش ها رو میتونید اجرا کنید. اگر svm رو خوب درک کنید میتونید تمامی مدل هارو دقیقا به همون صورت اجراشون کنید بر روی تصاویرتون
سلام وقتتون بخیر. کاش در مورد فایل temp_sample بیشتر توضیح داده میشد. من متوجه تفاوتش با sample نشدم.
سلام وقتتون بخیر. فایل temp در واقع یک فایل خالی بود ک ما اومدیم و اطلاعات رو در داخلش قرار دادیم . البته باید بگم ک میتونین بدون اون فایل هم کار رو پیش ببرین و هیچ مشکلی نداره. اما طبق روال کار پیش رفتیم. موفق باشین
خیلی ممنونم ازتون. اگر کدمون مقدار باندهارو اشتباه بخونه مثلا همه رو صفر بخونه. مشکل از کجا میتونه باشه؟
احتمالش خیلی کمه. مگر اینکه خودتون تو کد دستکاری کنین. حتما دوباره چک کنید
با سلام
جناب امامی بنده از چه طریقی میتونم با شما در تماس باشم. لطفا ادرس ایمیل یا هر روشی رو که براتون امکانش هست بفرمایید من سوالی از خدمتتون داشتم.
سپاسگزارم
سلام وقت بخیر. با ایمیل زیر در ارتباط باشیم.
Hadiemami.rs@gmail.com
سلام امیدوارم که صحتمند و سلامت باشید. بعد در قسمت دیتا زمینی یا همان شیپ فایل (Sample) هیچ توضیح ندادید که چی گونه جمع آوری کردید. سوال من این است که شما همین Sample دیتا را توسط GPS گرفتید؟ یا اینکه در نرم افزار دیگری مثل QGIS ایجاد کردید؟ اگر در این قسمت توضیح بدهید خوش حال می شوم.
با سلام و وقت بخیر. در مورد دیتای زمینی باید خدمتتون عرض کنم که من این دیتارو صرفا جهت آموزش بکار بردم و از صحت این دیتا هم اطمینان دارم. هرکسی برای اهداف خود دیتای متفاوتی جمع آوری میکند و من صرفا برای آموزش دیتا جمع آوری میکنم و همواره سعی دارم با این حال دیتای معتبر جمع کنم. ممنونم ازتون
سلام وقت جناب امامی
ممنونم بابت آموزش های خوبتون
بنده میخواستم انتخاب ویژگی رو به کد شما اضافه کنم امکانش هست که بنده رو راهنمایی کنید .سپاس
سلام وقتتون بخیر خسته نباشید. میتونید از روش PCA استفاده کنید برای اینکار. برای اهداف ما مناسب تر و پیاده سازیشم راحتتره. باتشکر
سلام وقت بخیر آقای امامی من نقاط کنترل خودم رو که معرفی میکنم به سیستم و میخوام ارزش هر نقطه در باند مورد نظر برداشت بشه برای طبقه بندی بهم خطا میده .
امکانش هست یک پل ارتباطی به بنده معرفی کنید تا بتونم کد ها رو واستون بفرستم و نگاه بهشون بندازین سپاس
سلام مصطفی عزیز. در تلگرام به بنده پیام بدین
@Hb1374
سلام وقت شما بخیر ایا از این اموزش می توان برای طبقه بندی تصاویر دانلود شده الودگی هوا نیز استفاده کرد. تصاویر از ماهواره سنتینل و مادیس هست روش کار که فرقی ندارد.
سلام وقتت بخیر دوست عزیز. طبقه بندی ماهیتش به یک صورت هست و تفاوتی ندارد. به همین دلیل میتوان در کاربردهای مختلف ازش استفاده کرد. و در این اموزش نیز به ماهیت طبقه بندی پرداخته شده است. موفق باشین
سلام مهندس
بنده یک نقشه خروجی تک باندی دارم و میخوام طبقه بندی رو روی این تصویر تک باند انجام بده
آیا در معرفی باندها نیاز هست کد هارو تغییر بدم یا روند همین هست
سلام مهندس
تصویر بنده یک تصویر خروجی تک باند هست برای طبقه بندی آیا در قسمت معرفی باند ها در کد ها باید تغییراتی اعمال کرد
سلام و عرض ادب خدمت شما. باید خدمتتون عرض کنم که تصویر تک باندی نیاز به طبقه بندی نداره.بلکه بهتره اون رو کلاسه بندی کنین .بهتره از arcgis ایتفاده کنین