طبقه بندی تصاویر در سنجش از دور – بخش اول
اهداف و فواید طبقه بندی تصاویر:
استخراج عوارض و تشخیص آنها
امکان مقایسه
استفاده آسان و بهینه از اطلاعات
تعریف data و information
تبدیل data اخذ شده از تصاویر ماهواره ای “information” به نحوی که بتوان از آنها استفاده آسان شود را طبقه بندی عوارض گویند.
Dataها در تصاویر ماهواره ای اطلاعاتی هستند که بصورت یک بردار n مولفه ای از هر پیکسل تصویر بدست می آیند.در این روش با انتقال از فضای تصویر (فضای واقعی یا زمینی) یک تبدیل انجام می گیرد که در طی آن درجه خاکستری موجود در پیکسلی ها بر روی تصویر دارای یک label خاص می گردند. این labelها برای هر عارضه کد خاص خود را دارد، مثلا در یک تصویر دارای عوارض آب، خاک ، درخت و … که برای هر کدام یک کد اختصاصی میدهد (مثلا آب کد ۱ ، خاک کد ۲ و …) که با همین کد بندی می توان عوارض را کلاسه بندی نمود و درصد موجود بودن آن عارضه در تصویر را شناسایی کنیم که در این کلاسه بندی می توان درصد شباهت پیکسل با کدها را نشان داد.
طبقه بندی تصاویر ماهواره ای
Hard classification: در این طبقه بندی تصویر یک لایه اطلاعاتی است که در آن به تفسیر هر پیکسل بگونه ای پرداخته می شود که مثلا این پیکسل آب است و با خاک است و به احتمال وبا درصد هر کلانسی در پیکسل نمی پردازد.
Soft classification یا sub classification: در این طبقه بندی تصویر به چند لایه اطلاعاتی تبدیل می شود که در هر لایه احتمال اینکه این پیکسل می تواند مربوط به چه چیزی باشد با درصد بیان می شود. مثلا مانند شکلی در لایه اطلاعات احتمال اینکه این پیکسل آب باشد ، با درصد در لایه آب بیان می شود و در لایه خاک احتمال اینکه این پیکسل خاک باشد ، با درصد بیان می شود، به همین ترتیب در لایه های مختلف این پیکسل تفسیر می شود.
نوع و روش دیگر طبقه بندی تصاویر ماهواره ای بر اساس روش های نظارت شده و نظارت نشده است.
روش نظارت نشده
در این طبقه بندی نوع و مکان انواع پوشش های زمینی (land-cover types) که قرار است به عنوان کلاس تعیین شوند ، معمولا از قبل شناخته شده نیستند.دلیل این امر این است که اطلاعات زمینی مرجع یا وجود ندارند و یا عوارض سطح زمین در صحنه تصویر برداری شده ، خوب تعریف نشده اند.بنابراین از کامپیوتر خواسته می شودکه پیکسل های دارای خصوصیات طیفی مشابه از لحاظ برخی معیار های آماری معین را در یک خوشه واحد گروه بندی کند.سپس ، کاربر خوشه های طیفی را بر چسب گذاری کرده و آنها را ترکیب کرده و در کلاس های اطلاعات قرار می دهد.
مراحل کار :
1- مشخص کردن تعداد کلاسه ها
در این مرحله تعداد کلاسه ها را برای تصاویر موجود تعیین کرده و برای هر کلاس تعریف شده یک مرکز را به عنوان میانگین کلاس با استفاده از روی منحنی کلاس تعریف می کنیم.
سپس سیستم با استفاده از الگوریتم های آماری تعداد پیکسل های مربوط به هر کلاس را مشخص می کند. مثلا ،
100 پیکسل مربوط به کلاس 1
211 پیکسل مربوط به کلاس 2
2- تغییر مراکز کلاس ها (میانگین کلاس ها) ← طبقه بندی مرحله بعدی
3- میانگین جدید ← طبقه بندی جدید ، که بر می گردد به مرحله اول و بررسی می کنند که در هر یک از کلاسه ها فاصله از میانگین بهبود یافته یا خیر.
این کار آنقدر تکرار می شود تا زمانی که میانگین تغییر زیادی نداشته باشد. مهمترین روشی که برای انجام این طبقه بندی توصیه می شود روش ISO data و یا روش K-Means است.
بدون دیدگاه