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