طبقه‌بندی تصویر

طبقه‌بندی را می‌توان یک فرآیند تصمیم‌گیری دانست که درآن داده‌های تصویری به فضای کلاس‌های مشخص و تعریف شده‌ای انتقال می‌یابند(fatemi, 2001). هدف کلی از طبقه‌بندی تصویر، طبقه‌بندی خودکار کلیه پیکسل‌های موجود در تصویر بر حسب نوع پوشش زمینی و یا موارد مشابه آن می‌باشد. معمولا برای طبقه‌بندی تصاویر، الگوهای رفتار طیفی و ویژگی‌های استخراج شده آن، در هر پیکسل داده‌های چند طیفی، به عنوان مبنای عددی طبقه‌بندی به کار گرفته می‌شود(توماس م لیسلند، 1387).

روش­های مختلف آشکارسازی تغییرات

روش­های مختلف شناسایی و تعیین تغییرات می­تواند بر اساس کاربرد مورد نظر، ایده­ی الگوریتم و ورودی­های آن دسته­بندی شود. یکی از مهم­ترین و کلی­ترین دسته­بندی­ها، این روش­ها را به روش­های نظارت شده و بدون نظارت تقسیم­بندی می­کند. دسته­بندی دوم روش­های پیکسل مبنا و ویژگی مبنا را از هم جدا می­کند.

الگوریتم­های نظارت شده و بدون نظارت

با توجه به در اختیار داشتن یا نداشتن داده­های زمینی، روش­های شناسایی تغییرات به روش­های نظارت شده و بدون نظارت تقسیم می­شوند. روش نظارت شده معمولا بر پایه­ی طبقه­بندی نظارت شده است که برای فرآیند یادگیری الگوریتم نیازمند یک مجموعه از داده­های مرجع زمینی است. مقایسه­ی نقشه­های طبقه­بندی بر اساس مقایسه­ی پیکسل به پیکسل یا خوشه به خوشه انجام می­شود و تغییرات پوششی تعیین می­گردد. روش­های نظارت شده می­توانند نوع تغییرات را مشخص کنند و معمولا نیاز به تصحیحات رادیومتریک ندارند. ولی جمع­آوری و تهیه­ی داده­های زمینی اغلب زمان­بر و پرهزینه است و در بعضی موارد اصلا امکان­پذیر نیست. از طرفی، دقت نتایج بدست آمده به شدت به دقت روش­های طبقه­بندی و دقت داده­های زمینی وابسته است.

در مقابل، استفاده­ی از روش­های بدون نظارت در بسیاری از کاربردهای تشخیص تغییرات مورد تقاضای کاربران مختلف است. روش­های بدون نظارت با مقایسه­ی مستقیم دو تصویر تغییرات را شناسایی می­کند و عموما نیازی به اطلاعات اضافی نیست. بیشتر روش­های بدون نظارت بر اساس تشکیل تصویر تفاضل و پیاده­سازی الگوریتم­های مختلف پردازشی روی این تصویر توسعه یافته­اند. با انجام پردازش­ها و انتخاب حد آستانه­ی مناسب، نواحی تغییر و بدون تغییر از هم جدا می­شوند و نقشه تغییرات بدست می­آید.

 الگوریتم­های پیکسل مبنا و ویژگی مبنا

روش­های تشخیص تغییرات بر اساس ورودی الگوریتم شناسایی به دو دسته­ی پیکسل مبنا و ویژگی مبنا تقسیم می­شود. روش­های پیکسل مبنا از روش­های متداول برای شناسایی تغییرات به شمار می­­آیند و بر اساس مقایسه­ی پیکسل به پیکسل دو تصویر که مربوط به یک منطقه­ی مشترک زمینی هستند کار می­کنند و تغییرات مقادیر یا شدت پیکسل­ها را مشخص می­کند. معمولا فرآیند شناسایی تغییرات روی تصویر تفاضل اعمال می­شود و با اعمال حد آستانه و یا روش­های دیگر جداسازی، نواحی تغییر و بدون تغییر از هم جدا می­شوند.

روش­های ویژگی مبنا معمولا روی بردار تفاضل بردارهای توصیف­گر در دو زمان مختلف کار می­کنند و بردار تغییرات را محاسبه می­کنند. توصیف­گرهای متنوعی با توجه به انواع مختلف داده­های سنجش از دور قابل استخراج هستند که می­توانند وارد الگوریتم­های شناسایی تغییرات شوند. روش­های ویژگی مبنا می­توانند با استخراج شئ­ها وارد الگوریتم­های تعیین تغییرات شوند. این روش­ها با تمایز تغییرات اشیائ متناظر کار می­کنند و بیشتر برای تشخیص تغییرات ناشی از ساخت و سازها در مناطق شهری استفاده می­شوند. این روش­ها حساسیت کمتری نسبت به نویز دارند ولی استخراج اشیا و نحوه­ی خوشه­بندی تصاویر از جمله چالش­های این روش­ها هستند و باعث می­شود نتایج با خطا همراه شوند.

تصاویر ماهواره‌ای به عنوان یکی از مهم‌ترین منابع داده‌ای در زمینه پیش‌بینی آب و هوا، پایش محیط زیست، کشاورزی، مدیریت منابع آب و … استفاده می‌شوند. طبقه‌بندی تصاویر ماهواره‌ای به این معناست که این تصاویر بر اساس خصوصیات و ویژگی‌های مختلفی که در آنها وجود دارد، به دسته‌های مختلفی تقسیم می‌شوند. در ادامه به بررسی برخی از روش‌های طبقه‌بندی تصاویر ماهواره‌ای و ویژگی‌های مهمی که در آنها استفاده می‌شود، پرداخته می‌شود:

1- طبقه‌بندی محلی:

در این روش، تصاویر ماهواره‌ای به قطعات کوچک‌تری تقسیم شده و سپس به صورت جداگانه برای هر قطعه، یک برچسب (label) یا دسته (class) تعیین می‌شود. این روش به خصوص برای تشخیص و شناسایی ویژگی‌های خاصی مانند شناورها، کشتزارها، جنگل‌ها و … استفاده می‌شود.

2- طبقه‌بندی شیءگرا:

در این روش، تصاویر ماهواره‌ای بر اساس وجود شیء‌های مختلف مانند خودرو، ساختمان‌ها، درختان و … طبقه‌بندی می‌شوند. در این روش، هدف این است که به طور دقیق شیء‌های مختلف در تصویر تشخیص داده شوند و برچسبی (label) به آنها اختصاص داده شود.

3- طبقه‌بندی شیءگرا با استفاده از شبکه‌های عصبی:

در این روش، شبکه‌های عصبی برای طبقه‌بندی شیء‌های موجود در تصاویر ماهواره‌ای استفاده می‌شود. این روش به خصوص برای طبقه‌بندی شیء‌هایی با اندازه و شکل‌های مختلف مناسب است.

4- تشخیص تغییرات:

در این روش، تصاویر ماهواره‌ای برای تشخیص تغییرات و ردیابی تحولات مختلفی مانند تغییرات کشت و برداشت، تغییرات منابع آبی، تغییرات جنگل‌ها و … استفاده می‌شوند.

ویژگی‌های مهمی که در طبقه‌بندی تصاویر ماهواره‌ای مورد استفاده قرار می‌گیرند، شامل موارد زیر است:

1- ویژگی‌های فضایی:

این ویژگی‌ها شامل مواردی مانند طول و عرض جغرافیایی، ارتفاع و زاویه دید ماهواره‌ای هستند.

2- ویژگی‌های طیفی:

این ویژگی‌ها به تغییرات رنگی و نوری در تصاویر ماهواره‌ای توجه می‌کنند و برای تمایز بین اشیاء و ویژگی‌های مختلف در تصاویر مفید هستند.

3- ویژگی‌های مکانی:

این ویژگی‌ها به وجود الگوهای مختلف در تصاویر ماهواره‌ای توجه می‌کنند و برای تشخیص و شناسایی اشیاء و الگوهای مختلف در تصاویر مفید هستند.

طبقه‌بندی تصاویر ماهواره‌ای به عنوان یکی از روش‌های مهم در جمع‌آوری داده‌ها و پیش‌بینی‌های مربوط به آب و هوا، محیط زیست و … بسیار مهم است و با استفاده از ویژگی‌های مختلف می‌توان این تصاویر را به دسته‌های مختلفی تقسیم کرد و از آنها برای تحلیل و پیش‌بینی‌های مختلف استفاده کرد.

بدون دیدگاه

دیدگاهتان را بنویسید