طبقه بندی شی گرا اطلاعات طیفی و مکانی در تصاویر سنجش از دور چند طیفی – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:149
قالب بندی:word قابل ویرایش

نحوه خرید

طبقه بندی شی گرا اطلاعات طیفی و مکانی در تصاویر سنجش از دور چند طیفی – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

چكيده:
يك شيء، پيكسلهاي يك ناحيه است كه ويژگيهاي طيفي و مكاني آنها همگون است. طبقهبندي شيءگرا عبارت اسـت از استخراج ويژگيهاي تصوير بوسيله مدلسازي همبستگيهاي مكاني جهت بدستآوردن اشياء (ناحيـه بنـدي ) و تخصـيصكل پيكسلهاي درون شيء به يك كلاس بـا اسـتفاده تـوام از اطلاعـات محتـوايي بدسـت آمـده (ماننـد : شـكل، انـدازه) و مدلسازي همبستگيهاي طيفي (اطلاعات پيكسلها) جهت طبقهبندي. طبقهبندي شيءگـرا داراي مزايـايي چـون افـزايشدقت طبقهبندي توسط طبقهبنديكننده هاي ساده بـه علـت داشـتن اطلاعـات مفيـدتر نسـبت بـه طبقـهبنـدي كننـده هـاي پيكسل گرا وكاهش حجم اطلاعات ارسالي، افزايش سرعت در طبقهبندي، كـاهش ميـزان حافظـه مـورد نيـاز بـا دسترسـيتصادفي به علت فشردهسازي تصوير ميباشد.
مسئله اصلي مورد تحقيق در اين پاياننامه، ارائه الگوريتمهايي است كه علاوه بر افزايش دقت طبقهبنـدي بـه ميـزان قابـلتوجه، شيء بامعني نيز ايجاد كنند. در اين راستا، دو طبقه بندي شيءگرا يكي بر اساس ادغام بر مبنـاي ويژگـيهـاي آمـاري همراه پيشپردازش مكاني و ديگري بر مبناي گراف پيشنهاد گرديده است. در الگوريتمهاي پيشنهادي، تعداد باندهاي مـورداستفاده جهت ناحيهبندي از سه باند به n باند گسترش يافته (استفاده از تمامي اطلاعـات موجـود در بانـدها) و شـرط ادغـامجهت بهبود ناحيهبندي اصلاح شده است. بدين منظور، پس از همواركردن تصوير، آن را به كمك يكي از ايـن دو الگـوريتمناحيهبندي كرده و سپس تصوير ناحيهبندي شده را طبقه بندي ميكنيم. متوسط بردار ويژگي ناحيه مـورد نظـر را بـه عنـواننماينده آن ناحيه جهت طبقهبندي انتخاب و كل ناحيه را به يك كلاس اختصاص ميدهيم. طبقهبندي مورد استفاده در ايـنتحقيق، طبقهبنديكننده حداكثر احتمال ميباشد.
با بكارگيري تصاوير واقعي چنـدطيفي جهـت آزمـايش كـارآيي الگـوريتمهـاي پيشـنهادي، در مقايسـه بـا الگـوريتمهـاي
NSECHO و SECHOو FNEAو AMICAو SRM+MHR ، مشخص گرديد بهترين نقشه مكان- مرجع ويژگيهاي
شيء، متعلق به الگوريتم اصلاحشدهي ادغام بر مبناي ويژگيهاي آماري همـراه پـيشپـردازش مكـاني اسـت. ايـن نقشـه، بر مبناي ارزيابي شهودي نسبت به كل الگوريتمهاي مطرحشده است و بامعني بودن اشياء حاصلشده به عنوان معيار كيفـي از اين نقشه برداشت ميشود. بالاترين ميزان افزايش دقت طبقهبندي نسبت به حالت پيكسل گـرا، بـه عنـوان معيـار كيفـي
متعلق به الگوريتم AMICA به ميزان 9/3 % است و الگوريتم پيشنهادي ادغـام بـر مبنـاي ويژگـيهـاي آمـاري همـراه پيشپردازش مكاني در مرتبه بعدي قرار دارد. الگوريتم اصلاح شدهي ادغام بر مبناي ويژگيهاي آماري همراه پيشپردازش مكاني توانسته است دقت طبقهبندي را به ميزان 33/2 % افزايش دهد. همچنين از نقطه نظر تعداد اشـياء ، بـه عنـوان يكـيديگر از معيارهاي كمي، تعداد اشياء در AMICA 1193 شيء يا فشرده سازي به ميـزان 81/25 % اسـت. ايـن در حـالياست كه الگوريتم پيشنهادي ادغام بر مبناي ويژگيهاي آماري همراه پيشپردازش مكاني، داراي 982 شيء يا فشردهسازي
به ميزان36/31 % است. به عنوان نتيجهگيري از كل معيارهاي كمي و كيفي، ادعـا مـيشـود الگـوريتم ادغـام بـر مبنـاي ويژگيهاي آماري همراه پيشپردازش مكاني بهتر از ساير الگوريتمهاي مطرحشده، عملكرده است.

واژگان كليدي: سنجش از دور، چند طيفي، دقت مكاني، طبقهبندي شيءگرا، طبقهبندي بر مبناي حداكثر احتمال

مقدمه:
جهت افزايش دقت طبقهبندي در تصاوير سنجش از دور، دو نوع از الگوريتمها توسعه يافتهاند. نوع اول از الگوريتمها، سـعيدر بالابردن دقت طبقهبندي، با افزايش پيچيدگي طبقهبنديكننده ميكنند، در حاليكـه در نـوع دوم، سـعي مـيكننـد دقـتطبقهبندي را با ناحيهبندي تصوير و سپس استفاده از طبقهبنديكنندههاي ساده افزايش دهند.
يكي از ملزومات توسعه هر فناوري از جمله فناوري چندطيفي، اقتصاديبودن آن ميباشد. به بيان ديگـر اطلاعـات مطلـوببايد با حداقل هزينه در اختيار مصرفكنندگان قرار گيرد، اما اين امر با تعيين دقيق وضعيت در تضاد است. به عنـوان مثـال، براي تعيين مناطق سالم و دچار آفت ِ نوع خاصي از غله در يك مزرعه كشاورزي به مسـاحت چنـدين هـزار هكتـار، دقـت
مكاني بالا لازم است. تحقق چنين امري نيازمند هزينـه زيـادي اسـت كـه مصـرفكننـده بايـد آن را بپـردازد. بنـابر ا يـن، روشهاي اقتصاديتر ديگري كه نياز به دقت مكاني بالا نداشته باشد، موردنياز بوده و در اين راستا از اطلاعـات مكـاني (از
قبيل شكل، ارتباط با مناطق همسايه يا مجاور و بافت) موجود در شيء كه منبع مهمي بـراي طبقـه بنـدي تصـوير بـهشـمار ميآيد، براي مقايسه و طبقهبندي استفاده ميشود. حتي اگر مصرف كننده از تصـاوير بـا دقـت مكـاني بـالا اسـتفاده كنـد،معمولاً با افت دقت طبقهبندي مواجه ميشود. چراكه دقت طبقهبندي وابسته به قدرت شناخت شكل و رنگ و بافت در كنار ويژگيهاي طيفي ديگر توسط ماشين است. در واقع، نبود ويژگيهاي مكاني منجر بـه خطاهـاي متعـددي مـيشـود . عـدماستفاده از ويژگيهاي مكاني در كنار ويژگيهاي طيفي در روشهاي شناخت الگو، منجر بـه عـدم شـناخت مـوثر، در انـواعگوناگون پوشش زمين با خواص طيفي مشابه يا طبقهبندي پوششهاي مشابه با پاسخهاي طيفي متفاوت و در نتيجه با افت دقت طبقهبندي ميشود. اين مسئله در بخش 4-1 به تفضيل مورد بررسي قرار گرفته است.
ناحيهبندي تصوير را مي توان به عنوان فرايند تقسيم تصوير به نواحي همگون بدوناشتراك به گونهاي كـه هـيچ دو ناحيـهمجاوري شرط ادغام با يكديگر را ارضاء نكنند و تمامي پيكسلهاي مشابه، توسط نواحي، با شـرط مـورد نظـر پوشـش دادهشوند، تعريف نمود. اكثر روشهاي ناحيهبندي مانندآشكارسازهاي لبه، شكلشناسي رياضـي، تحليـل بافـت، خـالصسـازيطيف، شبكههاي عصبي، شبكههاي بيز، منطق فازي و روشهاي چند مقياسي چون پيراميد، موجك و فركتـال ، توپولـوژيواضحي از شيء توليد نميكنند. از طرف ديگر، در تصاوير سنجش از دور، موقعيـت هـاي ي بـا دقـت پـايين و بـالا توامـاً رخ ميدهند (هرگاه يك شيء از تعداد زيادي از پيكسلهاي منحصربفرد در عوض اشياء تشكيل شود، آن شيء را با دقـت بـالامينامند و اگر يك تك پيكسل از تعداد زيادي از اشياء كوچـك تـر تشـكيل شـود، آن شـيء را بـا دقـت پـايين مـينامنـد ) به عنوان مثال، تصوير پوشش گياهي جنگل با دقت1متر را در نظر ميگيريم. اگر تاج هر درخت 10 متر قطـر داشـته باشـد،هر تاج به عنوان يك شيء از تعداد زيادي از پيكسلها ساخته شده است. در اينجا، هر 1 متـر پيكسـل جزئـي از تـاج يـكدرخت است يا با دقت بالا است. با اين وجود، هر يك متر پيكسل تركيبي از انعكاسهاي تعداد زيادي برگ و شاخه است يا
نسبت به اين اجزاء منحصر بفرد خـود، بـا دقـت پـايين اسـت. در نتيجـه ، تصـاوير سـنجش از دور چنـد مقياسـي هسـتند.
پيكسلهاي آميخته خود مشكل ديگري است كه سـبب اغتشاشـات در لبـههـاي تصـوير مـيشـود . بنـاب ر ايـن، هـر روش ناحيهبندياي براي تحليل تصاوير پيچيده چندطيفي مناسب نيست. روش پيشنهادي به همـراه بلـوك ديـاگرام مربوطـه، در بخش 1-3 بيان شده است.
در اين پاياننامه، پس از مروري بر تصاوير چندطيفي و طبقهبندي آنها در فصل دوم، به بيان تصوير به وسيله شيء بجـايپيكسل در فصل سوم ميپردازيم. فصل چهارم به طبقهبندي شيءگرا اختصاصيافته است. سه روش پيشنهادي معرفي شده در فصل پنجم به قرار ذيل هستند:
الف) ادغام بر مبناي ويژگيهاي آماري همراه پيشپردازش مكاني.
‌ب) ادغام بر مبناي ويژگيهاي آماري به صورت چند مقياسي.
‌ج) ادغام بر مبناي گراف.
فصل ششم، به نتيجهگيري از كل كار و پيشنهادات تخصيصداده شده است.

نتيجهگيري
اكثر روش هاي طبقهبندي تصاوير چندطيفي بر مبناي اطلاعات طيفي در شناسايي الگوهاي پيچيـده موجـود در سـطوح بـامشكل مواجه هستند. اين امر بدين دليل ميباشد كه اطلاعات مكاني كه به توصيف ساختارها و اشـياء مـيپردازنـد مـدنظر قرار نگرفتهاند. در واقع، تغييرات طيفي در ويژگيهاي مربوط به سطوح، با افزايش دقت مكاني، افـزايش مـييابـد . افـزايشتغييرات طيفي بين كلاسي يا حتي نويز يا تغييرات ذاتي در ويژگي هـاي پيكسـلهـاي درون يـك كـلاس، سـبب كـاهشتفكيكپذيري كلاسها از لحاظ آماري بوسيله روش هاي طبقهبندي بر مبناي پيكسل ميشود. در نتيجه دقـت طبقـه بنـدي كاهش مييابد و نتايج طبقهبندي با طبقهبنديشدن برخي پيكسلها به صورت منحصربفرد از پيكسلهاي همسايهشان اثـرلختگي را از خود نشان ميدهد.
در اين تحقيق از اطلاع ات مكاني هم به عنوان اطلاعات مكمل استفاده شد. اضافهكردن اطلاعات مكـاني از قبيـ ل شـكل،ارتباط با مناطق همسايه يا مجاور و بافت، در كنار اطلاعات طيفي پيكسـل هـا ، يـا ”اطلاعـات طيفـي- مكـانيِ گـروههـايپيكسل“ در جهت حذف يا كمكردن تغييرات پيكسلها و همچنين پيكسلهاي پرت و آميخته و داراي سـايه بكـار مـيرود.
توانايي تشخيص انواع گوناگون پوشش زمين با خواص طيفي مشابه يا طبقه بندي پوششهاي مشابه بـا پاسـخهـاي طيفـيمتفاوت و جوابهاي يكنواختتر و همگونتر و در نتيجه تفسير بهتر و عدم نياز بـه متخصـص در زمينـه تشـريح تصـوير از جمله مزاياي اين روش است.
در فصل سوم، با مروري بر روشهاي ناحيهبندي مشاهده شد كه ميتوان اين روشها را از سه ديدگاه متفاوت بررسي كـرد .
اكثر اين روشها به علت حساسيت در مقابل نويز و ناحيهبندي اضافه، جهـت تحليـل تصـاوير پيچيـده چنـدطيفي مناسـبنيستند. همچنين سعيگرديد در بررسي مختصر به ناحيهبندي از ديدگاه هستانشناسي پرداخته شود.
هرچند ماهوارههايي با دقت بالاي مكاني اطلاعات بيشتري نسبت به انواع پيشين خود دارند، دقت مكـاني بهتـر بـه معنـيافزايش دقت و صحت طبقهبندي نيست. افزايش تغييرات طيفي بين كلاسي سبب كاهش تفكيك پذيري كلاسها از لحاظ آماري بوسيله روش هاي طبقهبندي بر مبناي پيكسل ميشود.
در فصل چهارم روشهاي مقابله با مشكل دقت بالا به عنـوان يكـي از مسـائل اساسـي تحليـل تصـاوير سـنجش از دور وچگونگي مواجه روشهاي مبتني بر پيكسل با اين مشكل بيان گرديد. سپس، به مـروري بـر برخـي از روشهـاي شـيءگرا پرداختيم.
همچنين در اين فصل مروري بر الگوريتم ECHO به عنوان الگوريتمي كه از ابتداي مطرحشدن آن تا كنون مـورد علاقـهبسياري از محققين بوده است، بررسي شد. اين الگوريتم به منظور ايجاد نواحي همگن بـه صـورت تقسـيم و تركيـب عمـل ميكند. از معايب آن ميتوان به تقسيم تصوير به سلولهاي مربعي با اندازه ثابت بصورت پيشفرض اشاره كرد. بنابر انـدازهثابت سلولها و اندازه متغير نواحي و مربعيبودن سلولها يك ناحيه نميتواند بـا انـدازه كـافي از سـلولهـا پوشـيده شـود.
بنابر اين، برخي پيكسلها از دو ناحيه متفاوت ميتوانند در يك سلول واقع شده و ناهمگن تشخيص داده شوند. لزوم تعيـين
آستانه صحيح توسط كاربر و حساسيت الگوريتم به اين مقدار از ديگر معايب آن است. همچنـين تلاشـي جهـت بكـارگيريبافت تصوير (استفاده از تغييرات مقادير ميان همسايگيها) در طبقه بندي نمينمايد. نكته قابل ذكر ديگر، نتيجه ناحيـهبنـديالگوريتم ECHO است كه با مروري بر نقشه نواحي ايجاد شده، مخصوصاً در NSECHO مشاهده مـيشـود كـه تصـويرواضحي از نواحي واقعي تشكيلدهنده در صحنه موردنظر ارائه نميدهد و نواحي به اندازه كافي گسترش نمييابند. از طـرفديگر، وابستگي الگوريتم به جهت پيمايش و اثر آن در شكل و اندازه نواحي از مشكلات ديگر آن است.
الگوريتم AMICA،جهت حل معايب الگوريتم ECHO، بويژه عدم توجه به ويژگي بافت مطرح شد، از طرفي ديگر آستانه را به صورت خودكار تعيين ميكند. ولي همچنان وابستگي الگوريتم به جهت پيمـايش و اثـر آن در شـكل و انـدازه نـواحي مشاهده ميشود. همچنين، داراي اشكال استفاده از پنجره براي تخمين ويژگيهاي اشياء است. اسـتفاده از پنجـره معايـبخود را دارد كه به تفضيل بيان شد. اين الگوريتم نسبت به NSECHO هم تعداد اشياء كمتري دارد و هم دقت طبقـه بنـديبالاتر به ميزان 7/2% نسبت به آن را دارد. همچنين بالاترين افزايش نسبت بـه الگـوريتم مبتنـي بـر پيكسـل و نسـبت بـه الگوريتمهاي NSECHO و SECHO را دارا است.
FNEA، الگوريتمي كه در نرمافزار ecognition پيادهسازي گرديده است و در مقالات و كارهاي تحقيقـاتي مـورد اسـتفادهقرار ميگيرد داراي معايبي چون زمان طولاني اجراي الگوريتم و پيچيدگي است. پارامترهاي فراواني كه توسط كاربر بايد به طور صحيح مشخص شوند از ديگر اشكالات آن است. نتايج حاصل از ناحيهبندي و طبقهبندي، مويد اين مطلب اسـت كـهفشردهسازي با كاهش حدود 08/0% در دقت طبقهبندي، به ميزان 84/29% بدست ميآيد.
مقايسه الگوريتم AMICA با FNEA با استفاده از نمودارهاي 5-2و 5-3 و جدولهاي مربوط، نشان ميدهـد كـه تعـداداشياء تصوير از 1193 به 1032، به ترتيب، كاهش يافته است ولي الگوريتم AMICA داراي اين مزيـت اسـت كـه دقـت طبقهبندي را نسبت به حالت پيكسلگرا به ميزان 9/3% افـزايش داده اسـت، ايـن در حـالي اسـت كـه در FNEA دقـت طبقهبندي 08/0% كاهش يافته است.
الگوريتم SRM كه براي حداكثر سه باند طراحي شده بود، توسط آقاي لي و سايرين به n باند تعميم يافت ولي فاقد كيفيت لازم جهت مطالعه تصاوير پيچيدهتر است. البته اين عيب در الگوريتم توسط استفاده از الگوريتم FNEA و مطـرح شـدن آن به صورت چند مقياسي پنهان ميشود و در كل معايبي مانند ناحيهبندي اضافه را دارد. وابستگي به جهت پيمايش تصوير از ديگر معايب آن است. شايد بتوان بزرگترين ايراد الگوريتم فوق را در تعداد پارامترهـاي زيـادي كـه در تركيـب دو الگـوريتمFNEA و SRM بايد به درستي تعيين شوند، بيان كرد. در نتيجه نميتوان بهترين جواب را يافت.
با توجه به نمودار 5-2، از جمله مزاياي بسيار مهم آن ميتوان بـه كمتـرين تعـداد اشـياء از بـين 8 الگـوريتم اشـاره كـرد . همچنين با توجه به جدولهاي نتايج طبقهبندي پيكسلگرا و طبقهبنـدي نـواحي چنـد مقياسـي تركيبـيFNEA و SRM (جدولهاي 5-5 و 5-7) حدود 5/0% افزايش در دقت طبقهبندي وجود دارد.
يكي از الگوريتم پيشنهادي، الگوريتم اصلاح شدهي SRM است كه داراي مزايايي چون انعطافپذيري بهتر بـا اسـتفاده ازسهيمكردن اطلاعات در كليه باندها با ارزش مساوي، پيچيدگي كمتر نسبت به ساير الگوريتمهاي شرح داده شـده، سـرعتطبقهبندي، عدم وابستگي به جهت پيمايش و تنها يكبار پيمايش تصوير كه مناسـب جهـت كاربردهـاي بـي درنـگ اسـت.
همانگونه كه قبلاً گفته شد، الگوريتم SRM بر روي بيش از 18 تصوير جواب قابل قبول داشته است.
همچنين اهميت و نقش برجسته پيشپردازش مكاني، از مواردي است كه ميتوان به آن اشاره كرد. جهت نقـش و اهميـتآن، كافي است كه نتايج طبقهبندي و تعداد اشياء حاصل شده و همچنين نقشه مكان- مرجع ويژگيهاي شيء به ترتيـب درنمودارهاي 5-2 و 5-3 و شكل 5-6 مورد بررسي قرار گيرد.
بهترين نقشه مكان- مرجع ويژگيهاي شيء، از ديد ارزيابي شهودي نسبت به كل الگوريتمهاي مطرح شده و بامعني بـودناشياء حاصل شده، متعلق به الگوريتم اصلاحشدهي SRM همراه پيشپردازش مكاني و الگوريتم اصـلاح شـده ي SRM بـهصورت چند مقياسي است. گفتن اين نكته خالي از لطف نيست كه اكثر روشهاي پيشپردازش مكاني در مـورد تصـاوير بـادقت بالاو يا داراي پيكسلهاي آميخته و نظاير آن، تاثيري كم يا منفي در نتيجه ناحيهبندي و طبقـه بنـدي را دارنـد. نتـايجحاصل نشان ميدهد كه استفاده از پيشپردازش فوق به طور قابل توجهي دقت طبقـه بنـدي را افـزايش مـي دهـد . بهتـرينالگوريتم شبيهسازي شده از لحاظ دقت طبقهبندي مربوط به الگوريتم اصلاحشـده ي SRM همـراه پـيش پـردازش مكـاني است. بالاترين افزايش نسبت به الگوريتم مبتني بر پيكسل و نسبت به الگوريتمهاي تركيب دو الگـوريتمFNEA و SRM به صورت چند مقياسي، FNEA و الگوريتم اصلاح شدهي SRM به صورت چند مقياسي را دارا است.
الگوريتم پيشنهادي ديگر، گراف است كه پس از تعداد اشياء تركيب دو الگوريتم FNEA و SRM، داراي كمترين تعداد اشياء نسبت به تمامي الگوريتمهاي مطرح شده است.
در فرايند ناحيهبندي از اطلاعات مكاني استفاده شده است و هر ناحيه بيش از يك پيكسل دارد. در نتيجه، بجاي اسـتفاده ازاطلاعات طيفي يك پيكسل در فرايند طبقهبندي، از اطلاعات طيفي چندين پيكسـل اسـتفاده مـي شـود. از آنجـايي كـه بـامتوسطگيري طيفي چند پيكسل، نسبت سيگنال به نويز چندين برابر ميشود، دقت طبقهبندي بهبود يافته است.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت