\
طبقه بندی تصویر در سنجش از دور چیست؟
طبقه بندی تصویر فرآیند اختصاص کلاسهای پوشش زمین به پیکسل ها است. به عنوان مثال ، کلاس ها شامل آب ، شهر ، جنگل ، کشاورزی و چمنزارها هستند.
3 .روش اصلی طبقه بندی تصویر در سنجش از دور:
- طبقه بندی تصویر بدون نظارت
- طبقه بندی تصویر نظارت شده
- تجزیه و تحلیل مبتنی بر شی
طبقه بندی تصویر بدون نظارت و نظارت دو روش رایج است. با این حال ، طبقه بندی مبتنی بر شی محبوبیت بیشتری پیدا کرده است زیرا برای داده های با وضوح بالا مفید است.
طبقه بندی بدون نظارت
در طبقه بندی بدون نظارت ، ابتدا پیکسل ها را بر اساس خصوصیات آنها به “خوشه” دسته بندی می کند. سپس ، هر خوشه را با یک کلاس پوشش زمین طبقه بندی می کنید.
به طور کلی ، طبقه بندی بدون نظارت اساسی ترین تکنیک است. از آنجا که برای طبقه بندی بدون نظارت به نمونه هایی نیاز ندارید ، این یک روش آسان برای تقسیم بندی و درک یک تصویر است.
دو مرحله اساسی برای طبقه بندی بدون نظارت عبارتند از:
- خوشه ها را ایجاد کنید
- کلاسها را اختصاص دهید
با استفاده از نرم افزار سنجش از دور ، ابتدا “خوشه ها” ایجاد می کنیم. برخی از الگوریتم های معمول خوشه بندی تصویر عبارتند از:
- Kmean
- ISODATA
پس از انتخاب الگوریتم خوشه بندی ، تعداد گروه هایی را که می خواهید ایجاد کنید شناسایی می کنید. به عنوان مثال ، می توانید 8 ، 20 یا 42 خوشه ایجاد کنید. خوشه های کمتر بیشتر شبیه پیکسل درون گروه ها هستند. اما خوشه های بیشتر تنوع درون گروه ها را افزایش می دهد.
برای اینکه روشن شود ، این خوشه های طبقه بندی نشده هستند. مرحله بعدی اختصاص کلاسهای پوشش زمین به صورت دستی به هر خوشه است. به عنوان مثال ، اگر می خواهید پوشش گیاهی و غیر گیاهی را طبقه بندی کنید ، می توانید آن دسته ها را انتخاب کنید که بهترین آنها را نشان دهند.
طبقه بندی نظارت شده
در طبقه بندی نظارت شده ، شما نمونه های نمایندگی را برای هر کلاس پوشش زمین انتخاب می کنید. سپس نرم افزار از این “سایت های آموزشی” استفاده کرده و آنها را روی کل تصویر اعمال می کند.
سه مرحله اساسی برای طبقه بندی تحت نظارت عبارتند از:
- مناطق آموزشی را انتخاب کنید
- ایجاد امضای طیفی
- طبقه بندی کردن
برای طبقه بندی تصویر تحت نظارت ، ابتدا نمونه های آموزشی ایجاد می کنید. به عنوان مثال ، شما مناطق شهری را با علامت گذاری در تصویر مشخص می کنید. سپس ، شما می توانید نماینده سایت های آموزشی را در کل تصویر اضافه کنید.
برای هر سرزمین بالاتر از کلاس ، شما نمونه های آموزشی را ادامه می دهید تا زمانی که نمونه های نمایندگی برای هر کلاس داشته باشید. به نوبه خود ، این یک امضای طیفی ایجاد می کند ، که تمام نمونه های آموزشی اطلاعات طیفی را ذخیره می کند.
سرانجام ، آخرین مرحله استفاده از امضای طیفی برای اجرای طبقه بندی است. از اینجا ، شما باید الگوریتم های طبقه بندی مانند:
- حداکثر احتمال
- حداقل مربعات
- مولفه های اصلی
- ماشین بردار پشتیبانی (SVM)
- خوشه ایزو
همانطور که در چندین مطالعه نشان داده شده است ، SVM یکی از بهترین الگوریتم های طبقه بندی در سنجش از دور است. اما هر گزینه مزایای خاص خود را دارد که می توانید آنها را خودتان آزمایش کنید.
تجزیه و تحلیل تصویر مبتنی بر شی (OBIA)
طبقه بندی نظارت شده و بدون نظارت مبتنی بر پیکسل است. به عبارت دیگر ، پیکسل های مربعی ایجاد می کند و هر پیکسل دارای یک کلاس است. اما طبقه بندی تصویر مبتنی بر شی ، پیکسل ها را به شکل وکتور نماینده با اندازه و هندسه گروه بندی می کند.
در اینجا مراحل انجام طبقه بندی تجزیه و تحلیل تصویر مبتنی بر شی وجود دارد:
- تقسیم بندی چند وضوح را انجام دهید
- مناطق آموزشی را انتخاب کنید
- آمار را تعریف کنید
طبقه بندی کردن
تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) با گروه بندی پیکسل ها ، یک تصویر را تقسیم بندی می کند. تک پیکسل ایجاد نمی کند. در عوض ، اشیایی را با هندسه های مختلف تولید می کند. اگر تصویر درستی داشته باشید ، اشیا می توانند آنقدر معنی دار باشند که دیجیتال سازی را برای شما انجام دهد . به عنوان مثال ، نتایج تقسیم بندی زیر ساختمان ها را برجسته می کند.
- الگوریتم متداول تقسیم بندی عبارتند از:
- تقسیم بندی چند وضوح در شناخت
- تغییر میانگین قطعه در ArcGIS
در طبقه بندی Object-based Analysis Image (OBIA) ، می توانید از روش های مختلفی برای طبقه بندی اشیا استفاده کنید. به عنوان مثال ، می توانید از موارد زیر استفاده کنید:
شکل: اگر می خواهید ساختمانها را طبقه بندی کنید ، می توانید از آماری مانند “مناسب مستطیل شکل” استفاده کنید. این هندسه یک جسم را به شکل مستطیل آزمایش می کند.
بافت :بافت یکدست بودن یک شی است. به عنوان مثال ، آب بیشتر همگن است زیرا بیشتر آبی تیره است. اما جنگل ها سایه دارند و مخلوطی از سبز و سیاه هستند.
طیف : می توانید از مقدار متوسط خواص طیفی مانند مادون قرمز نزدیک ، مادون قرمز موج کوتاه ، قرمز ، سبز یا آبی استفاده کنید.
همسایگان جغرافیایی: اشیا بین همسایگان دارای فاصله نزدیک و فاصله هستند.
طبقه بندی نزدیکترین همسایه: طبقه بندی نزدیکترین همسایه (NN) مشابه طبقه بندی تحت نظارت است. پس از تقسیم بندی چند وضوح ، کاربر سایت های نمونه ای را برای هر کلاس پوشش زمین شناسایی می کند. بعد ، آنها آماری را برای طبقه بندی اشیا image تصویر تعریف می کنند. سرانجام ، نزدیکترین همسایه اشیا را بر اساس شباهت آنها به سایتهای آموزش و آمار تعریف شده طبقه بندی می کند.
روندهای سنجش از دور
در سال 1972 ، Landsat-1 اولین ماهواره ای بود که بازتاب زمین را با وضوح 60 متر جمع کرد. در این زمان ، طبقه بندی بدون نظارت و نظارت ، دو روش طبقه بندی تصویر موجود بود. برای این وضوح مکانی ، کافی بود.
با این حال ، OBIA به عنوان یک روش پردازش تصویر دیجیتال ، رشد چشمگیری داشته است.
طبقه بندی مبتنی بر شی
در طول سالها ، تقاضای فزاینده ای برای داده های سنجش از دور وجود داشته است. صدها برنامه سنجش از دور وجود دارد . به عنوان مثال ، امنیت غذایی ، محیط زیست و امنیت عمومی تقاضای زیادی دارند. برای پاسخگویی به تقاضا ، تصاویر ماهواره ای با وضوح بالاتر در دامنه وسیع تری از فرکانس ها هدف گذاری شده اند.
روندهای سنجش از دور:
- همه جا بیشتر
- وضوح مکانی بالاتر
- دامنه وسیع تری از فرکانس ها
اما تصاویر با وضوح بالاتر پوشش بهتر زمین را تضمین نمی کنند. تکنیک های طبقه بندی تصویر مورد استفاده عامل بسیار مهمی برای دقت بهتر است.
انتخاب روشهای طبقه بندی تصویر
فرض کنیم شما می خواهید آب را در یک تصویر با وضوح بالا طبقه بندی کنید.
شما تصمیم دارید همه پیکسل های دارای NDVI کم را در آن تصویر انتخاب کنید. اما این امر همچنین می تواند پیکسل های دیگر تصویر را که آب نیستند ، نادرست طبقه بندی کند. به همین دلیل ، طبقه بندی مبتنی بر پیکسل مانند طبقه بندی بدون نظارت و نظارت ، جلوه نمکی و فلفلی می دهد.
انسان ها به طور طبیعی اطلاعات مکانی را در گروه ها جمع می کنند. تقسیم بندی چند وضوح این کار را با گروه بندی پیکسل های همگن در اشیا انجام می دهد. ویژگی های آب پس از تقسیم بندی چند وضوح به راحتی قابل تشخیص هستند. اینگونه انسانها ویژگیهای فضایی را تجسم می کنند.
- چه زمانی باید از پیکسل (طبقه بندی بدون نظارت و نظارت) استفاده کنید؟
- چه زمانی باید از طبقه بندی مبتنی بر شی استفاده کنید؟
طبقه بندی تصاویر ماهواره اییوضوح مکانی: کم | متوسط | بالا
همانطور که در این مقاله نشان داده شده است ، هنگام انتخاب روش های طبقه بندی تصویر ، وضوح مکانی یک عامل مهم است.
وقتی وضوح مکانی کم دارید ، هر دو روش طبقه بندی تصویر مبتنی بر پیکسل و شیel ، عملکرد خوبی دارند.
اما وقتی وضوح مکانی بالایی داشته باشید ، OBIA نسبت به طبقه بندی سنتی مبتنی بر پیکسل برتر است.
بدون نظارت در مقابل طبقه بندی نظارت شده در مقابل شی
ارزیابی دقت دقت روشهای طبقه بندی تصویر
یک مطالعه موردی از دانشگاه آرکانزاس طبقه بندی مبتنی بر شی بر اساس پیکسل را مقایسه کرد . هدف مقایسه تصاویر با وضوح مکانی بالا و متوسط بود.
به طور کلی ، طبقه بندی مبتنی بر شی object از هر دو روش طبقه بندی پیکسل بدون نظارت و نظارت بر عملکرد بهتری برخوردار است. از آنجا که OBIA هم از اطلاعات طیفی و هم از زمینه استفاده می کرد ، از دقت بالاتری برخوردار بود. این مطالعه نمونه خوبی از برخی از محدودیت های تکنیک های طبقه بندی تصویر مبتنی بر پیکسل است.
رشد طبقه بندی مبتنی بر شی
پیکسل ها کوچکترین واحدی هستند که در یک تصویر نشان داده می شوند. طبقه بندی تصویر از آمار بازتاب برای هر پیکسل استفاده می کند.
در پیشرفت فناوری و در دسترس بودن تصاویر با وضوح فضایی بالا ، رشد زیادی شده است. اما تکنیک های طبقه بندی تصویر نیز باید مورد توجه قرار گیرد. کانون توجه در حال تجزیه و تحلیل تصویر مبتنی بر شی برای ارائه محصولات با کیفیت است.
با توجه به نتایج جستجوی Google Scholar ، تمام تکنیک های طبقه بندی تصاویر رشد مداوم تعداد انتشارات را نشان داده است. اخیراً ، طبقه بندی مبتنی بر شی رشد زیادی داشته است.
این نمودار نتایج جستجوی سالانه Google Scholar را با استفاده از عبارت جستجو “AllinTitle:” نمایش می دهد.
Warning: ltrim() expects parameter 1 to be string, object given in /home/gisland1/public_html/wp-includes/formatting.php on line 4494
آموزش GISآموزش Rsارزش طیفی پیکسل های تصویرارزیابی دقتاشکارسازی تغییراتاقتصاد سنجش از دورالگوریتم های هوش مصنوعیبارز سازی عوارضباندهای طیفیپایش ماهواره ای زمینپردازش تصاویرپردازش شی گرا تصاویرپروژه ها و فعالیت های اجرایی در سنجش از دورتصاویر ماهواره لندستتصاویر ماهواره های چندطیفیتصاویر ماهواره های فراطیفیتصاویر هواییتصحیحات تصاویر ماهواره ایتکنيک طبقه بندي داده هاي سنجش از دورتوصیفگرهای بهینهجابجایی تصادفی پیکسل هاداده ها و سنجنده هاداده های چند زمانهداده های ماهواره ایروش پیکسل مبناروش شی گرا یا شی مبنا (OBIA)روش طبقه بندی تصاویرروشهای طبقه بندی تصاویر ماهواره ایسعید جوی زادهسنجش از دورسنجش از دور ماهواره ایشبکه عصبی مصنوعیشناسایی تغییرات در تصاویر ماهواره ایشیرازضریب کاپاطبقه بندي تصاوير ماهواره ايطبقه بندی تصویرطبقه بندی تصویر در سنجش از دورطبقه بندی نظارت شدهطبقه بندی نظارت نشدهفرآیند تحلیل سلسله مراتبیکاربردهای سنجش از دورکاربری اراضیلندستماسک باینریمكانيسم تصميم گيري كميمکانیابیموسسه چشم انداز شیرازنقاط کنترل زمینینقشه بردارینقشه رقومینقشه کاربري اراضينقشه های کاربردینقشه های موضوعیهمبستگي بين داده هاي طيفيواریوگرام
9 نظرات