تکنیک های طبقه بندی تصویر در سنجش از دور (اینفوگرافیک)


\

 

طبقه بندی تصاویر

طبقه بندی تصاویر

طبقه بندی تصویر در سنجش از دور چیست؟

طبقه بندی تصویر فرآیند اختصاص کلاسهای پوشش زمین به پیکسل ها استبه 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 استبا 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 کندسپس ، هر خوشه را با یک کلاس پوشش زمین طبقه بندی می کنید.

به طور کلی ، طبقه بندی بدون نظارت اساسی ترین تکنیک استاز 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
طبقه بندی تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای

با استفاده از نرم افزار سنجش از دور ، ابتدا “خوشه ها” ایجاد می کنیمبرخی از الگوریتم های معمول خوشه بندی تصویر عبارتند از:

 

طبقه بندی تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای

  • Kmean
  • ISODATA

پس از انتخاب الگوریتم خوشه بندی ، تعداد گروه هایی را که می خواهید ایجاد کنید شناسایی می کنیدبه عنوان مثال ، می توانید 8 ، 20 یا 42 خوشه ایجاد کنیدخوشه های کمتر بیشتر شبیه پیکسل درون گروه ها هستنداما خوشه های بیشتر تنوع درون گروه ها را افزایش می دهد.

برای اینکه روشن شود ، این خوشه های طبقه بندی نشده هستندمرحله بعدی اختصاص کلاسهای پوشش زمین به صورت دستی به هر خوشه استبه 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 کنیدسپس 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
طبقه بندی تصاویر ماهواره ایی

طبقه بندی تصاویر ماهواره ایی

برای طبقه بندی تصویر تحت نظارت ، ابتدا نمونه های آموزشی ایجاد می کنیدبه عنوان مثال ، شما مناطق شهری را با علامت گذاری در تصویر مشخص می کنیدسپس ، شما می توانید نماینده سایت های آموزشی را در کل تصویر اضافه کنید.

طبقه بندی تصاویر ماهواره ایی

طبقه بندی تصاویر ماهواره ایی

برای هر سرزمین بالاتر از کلاس ، شما نمونه های آموزشی را ادامه می دهید تا زمانی که نمونه های نمایندگی برای هر کلاس داشته باشیدبه 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 استاز 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 استاما 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 استبه عبارت دیگر ، پیکسل های مربعی ایجاد می کند و هر پیکسل دارای یک کلاس استاما 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

طبقه بندی تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای

تجزیه و تحلیل تصویر مبتنی بر شی (OBIA) با گروه بندی پیکسل ها ، یک تصویر را تقسیم بندی می کندتک پیکسل ایجاد نمی کنددر عوض ، اشیایی را با هندسه های مختلف تولید می کنداگر 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.

طبقه بندی تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای

  1. 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 کنیدبه عنوان مثال ، می توانید از موارد زیر استفاده کنید:

شکلاگر می خواهید ساختمانها را طبقه بندی کنید ، می توانید از آماری مانند “مناسب مستطیل شکل” استفاده کنیداین هندسه یک جسم را به شکل مستطیل آزمایش می کند.

بافت :بافت یکدست بودن یک شی استبه عنوان مثال ، آب بیشتر همگن است زیرا بیشتر آبی تیره استاما 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 جغرافیاییاشیا بین همسایگان دارای فاصله نزدیک و فاصله هستند.

طبقه بندی تصاویر ماهواره ایی

طبقه بندی تصاویر ماهواره ایی

طبقه بندی نزدیکترین همسایه: طبقه بندی نزدیکترین همسایه (NN) مشابه طبقه بندی تحت نظارت استپس از تقسیم بندی چند وضوح ، کاربر سایت های نمونه ای را برای هر کلاس پوشش زمین شناسایی می کندبعد ، آنها آماری را برای طبقه بندی اشیا image تصویر تعریف می کنندسرانجام ، 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 کرددر این زمان ، طبقه بندی بدون نظارت و نظارت ، دو روش طبقه بندی تصویر موجود بودبرای این وضوح مکانی ، کافی بود.

با این حال ، OBIA به عنوان یک روش پردازش تصویر دیجیتال ، رشد چشمگیری داشته است.

طبقه بندی تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای

طبقه بندی مبتنی بر شی

در طول سالها ، تقاضای فزاینده ای برای داده های سنجش از دور وجود داشته استصدها برنامه سنجش از دور وجود دارد به عنوان مثال ، امنیت غذایی ، محیط زیست و امنیت عمومی تقاضای زیادی دارندبرای 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 کنندتکنیک های طبقه بندی تصویر مورد استفاده عامل بسیار مهمی برای دقت بهتر است.

طبقه بندی تصاویر ماهواره ای

طبقه بندی تصاویر ماهواره ای

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 کنیداما این امر همچنین می تواند پیکسل های دیگر تصویر را که آب نیستند ، نادرست طبقه بندی کندبه 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 کنندتقسیم بندی چند وضوح این کار را با گروه بندی پیکسل های همگن در اشیا انجام می دهدویژگی های آب پس از تقسیم بندی چند وضوح به راحتی قابل تشخیص هستنداینگونه 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 ایی

طبقه بندی تصاویر ماهواره اییوضوح مکانی: کممتوسط ​​| 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

طبقه بندی تصاویر ماهواره ای

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 استاز آنجا که OBIA هم از اطلاعات طیفی و هم از زمینه استفاده می کرد ، از دقت بالاتری برخوردار بوداین 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 شوندطبقه 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 استاما تکنیک های طبقه بندی تصویر نیز باید مورد توجه قرار گیردکانون 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 استاخیراً ، 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.

 

 

سنجش از دور


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

دیدگاهتان را بنویسید