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

چکیده:
یک شیء، پیکسلهای یک ناحیه است که ویژگیهای طیفی و مکانی آنها همگون است. طبقهبندی شیءگرا عبارت اسـت از استخراج ویژگیهای تصویر بوسیله مدلسازی همبستگیهای مکانی جهت بدستآوردن اشیاء (ناحیـه بنـدی ) و تخصـیصکل پیکسلهای درون شیء به یک کلاس بـا اسـتفاده تـوام از اطلاعـات محتـوایی بدسـت آمـده (ماننـد : شـکل، انـدازه) و مدلسازی همبستگیهای طیفی (اطلاعات پیکسلها) جهت طبقهبندی. طبقهبندی شیءگـرا دارای مزایـایی چـون افـزایشدقت طبقهبندی توسط طبقهبندیکننده های ساده بـه علـت داشـتن اطلاعـات مفیـدتر نسـبت بـه طبقـهبنـدی کننـده هـای پیکسل گرا وکاهش حجم اطلاعات ارسالی، افزایش سرعت در طبقهبندی، کـاهش میـزان حافظـه مـورد نیـاز بـا دسترسـیتصادفی به علت فشردهسازی تصویر میباشد.
مسئله اصلی مورد تحقیق در این پایاننامه، ارائه الگوریتمهایی است که علاوه بر افزایش دقت طبقهبنـدی بـه میـزان قابـلتوجه، شیء بامعنی نیز ایجاد کنند. در این راستا، دو طبقه بندی شیءگرا یکی بر اساس ادغام بر مبنـای ویژگـیهـای آمـاری همراه پیشپردازش مکانی و دیگری بر مبنای گراف پیشنهاد گردیده است. در الگوریتمهای پیشنهادی، تعداد باندهای مـورداستفاده جهت ناحیهبندی از سه باند به n باند گسترش یافته (استفاده از تمامی اطلاعـات موجـود در بانـدها) و شـرط ادغـامجهت بهبود ناحیهبندی اصلاح شده است. بدین منظور، پس از هموارکردن تصویر، آن را به کمک یکی از ایـن دو الگـوریتمناحیهبندی کرده و سپس تصویر ناحیهبندی شده را طبقه بندی میکنیم. متوسط بردار ویژگی ناحیه مـورد نظـر را بـه عنـواننماینده آن ناحیه جهت طبقهبندی انتخاب و کل ناحیه را به یک کلاس اختصاص میدهیم. طبقهبندی مورد استفاده در ایـنتحقیق، طبقهبندیکننده حداکثر احتمال میباشد.
با بکارگیری تصاویر واقعی چنـدطیفی جهـت آزمـایش کـارآیی الگـوریتمهـای پیشـنهادی، در مقایسـه بـا الگـوریتمهـای
NSECHO و SECHOو FNEAو AMICAو SRM+MHR ، مشخص گردید بهترین نقشه مکان- مرجع ویژگیهای
شیء، متعلق به الگوریتم اصلاحشدهی ادغام بر مبنای ویژگیهای آماری همـراه پـیشپـردازش مکـانی اسـت. ایـن نقشـه، بر مبنای ارزیابی شهودی نسبت به کل الگوریتمهای مطرحشده است و بامعنی بودن اشیاء حاصلشده به عنوان معیار کیفـی از این نقشه برداشت میشود. بالاترین میزان افزایش دقت طبقهبندی نسبت به حالت پیکسل گـرا، بـه عنـوان معیـار کیفـی
متعلق به الگوریتم AMICA به میزان ۹/۳ % است و الگوریتم پیشنهادی ادغـام بـر مبنـای ویژگـیهـای آمـاری همـراه پیشپردازش مکانی در مرتبه بعدی قرار دارد. الگوریتم اصلاح شدهی ادغام بر مبنای ویژگیهای آماری همراه پیشپردازش مکانی توانسته است دقت طبقهبندی را به میزان ۳۳/۲ % افزایش دهد. همچنین از نقطه نظر تعداد اشـیاء ، بـه عنـوان یکـیدیگر از معیارهای کمی، تعداد اشیاء در AMICA 1193 شیء یا فشرده سازی به میـزان ۸۱/۲۵ % اسـت. ایـن در حـالیاست که الگوریتم پیشنهادی ادغام بر مبنای ویژگیهای آماری همراه پیشپردازش مکانی، دارای ۹۸۲ شیء یا فشردهسازی
به میزان۳۶/۳۱ % است. به عنوان نتیجهگیری از کل معیارهای کمی و کیفی، ادعـا مـیشـود الگـوریتم ادغـام بـر مبنـای ویژگیهای آماری همراه پیشپردازش مکانی بهتر از سایر الگوریتمهای مطرحشده، عملکرده است.

واژگان کلیدی: سنجش از دور، چند طیفی، دقت مکانی، طبقهبندی شیءگرا، طبقهبندی بر مبنای حداکثر احتمال

مقدمه:
جهت افزایش دقت طبقهبندی در تصاویر سنجش از دور، دو نوع از الگوریتمها توسعه یافتهاند. نوع اول از الگوریتمها، سـعیدر بالابردن دقت طبقهبندی، با افزایش پیچیدگی طبقهبندیکننده میکنند، در حالیکـه در نـوع دوم، سـعی مـیکننـد دقـتطبقهبندی را با ناحیهبندی تصویر و سپس استفاده از طبقهبندیکنندههای ساده افزایش دهند.
یکی از ملزومات توسعه هر فناوری از جمله فناوری چندطیفی، اقتصادیبودن آن میباشد. به بیان دیگـر اطلاعـات مطلـوبباید با حداقل هزینه در اختیار مصرفکنندگان قرار گیرد، اما این امر با تعیین دقیق وضعیت در تضاد است. به عنـوان مثـال، برای تعیین مناطق سالم و دچار آفت ِ نوع خاصی از غله در یک مزرعه کشاورزی به مسـاحت چنـدین هـزار هکتـار، دقـت
مکانی بالا لازم است. تحقق چنین امری نیازمند هزینـه زیـادی اسـت کـه مصـرفکننـده بایـد آن را بپـردازد. بنـابر ا یـن، روشهای اقتصادیتر دیگری که نیاز به دقت مکانی بالا نداشته باشد، موردنیاز بوده و در این راستا از اطلاعـات مکـانی (از
قبیل شکل، ارتباط با مناطق همسایه یا مجاور و بافت) موجود در شیء که منبع مهمی بـرای طبقـه بنـدی تصـویر بـهشـمار میآید، برای مقایسه و طبقهبندی استفاده میشود. حتی اگر مصرف کننده از تصـاویر بـا دقـت مکـانی بـالا اسـتفاده کنـد،معمولاً با افت دقت طبقهبندی مواجه میشود. چراکه دقت طبقهبندی وابسته به قدرت شناخت شکل و رنگ و بافت در کنار ویژگیهای طیفی دیگر توسط ماشین است. در واقع، نبود ویژگیهای مکانی منجر بـه خطاهـای متعـددی مـیشـود . عـدماستفاده از ویژگیهای مکانی در کنار ویژگیهای طیفی در روشهای شناخت الگو، منجر بـه عـدم شـناخت مـوثر، در انـواعگوناگون پوشش زمین با خواص طیفی مشابه یا طبقهبندی پوششهای مشابه با پاسخهای طیفی متفاوت و در نتیجه با افت دقت طبقهبندی میشود. این مسئله در بخش ۴-۱ به تفضیل مورد بررسی قرار گرفته است.
ناحیهبندی تصویر را می توان به عنوان فرایند تقسیم تصویر به نواحی همگون بدوناشتراک به گونهای کـه هـیچ دو ناحیـهمجاوری شرط ادغام با یکدیگر را ارضاء نکنند و تمامی پیکسلهای مشابه، توسط نواحی، با شـرط مـورد نظـر پوشـش دادهشوند، تعریف نمود. اکثر روشهای ناحیهبندی مانندآشکارسازهای لبه، شکلشناسی ریاضـی، تحلیـل بافـت، خـالصسـازیطیف، شبکههای عصبی، شبکههای بیز، منطق فازی و روشهای چند مقیاسی چون پیرامید، موجک و فرکتـال ، توپولـوژیواضحی از شیء تولید نمیکنند. از طرف دیگر، در تصاویر سنجش از دور، موقعیـت هـای ی بـا دقـت پـایین و بـالا توامـاً رخ میدهند (هرگاه یک شیء از تعداد زیادی از پیکسلهای منحصربفرد در عوض اشیاء تشکیل شود، آن شیء را با دقـت بـالامینامند و اگر یک تک پیکسل از تعداد زیادی از اشیاء کوچـک تـر تشـکیل شـود، آن شـیء را بـا دقـت پـایین مـینامنـد ) به عنوان مثال، تصویر پوشش گیاهی جنگل با دقت۱متر را در نظر میگیریم. اگر تاج هر درخت ۱۰ متر قطـر داشـته باشـد،هر تاج به عنوان یک شیء از تعداد زیادی از پیکسلها ساخته شده است. در اینجا، هر ۱ متـر پیکسـل جزئـی از تـاج یـکدرخت است یا با دقت بالا است. با این وجود، هر یک متر پیکسل ترکیبی از انعکاسهای تعداد زیادی برگ و شاخه است یا
نسبت به این اجزاء منحصر بفرد خـود، بـا دقـت پـایین اسـت. در نتیجـه ، تصـاویر سـنجش از دور چنـد مقیاسـی هسـتند.
پیکسلهای آمیخته خود مشکل دیگری است که سـبب اغتشاشـات در لبـههـای تصـویر مـیشـود . بنـاب ر ایـن، هـر روش ناحیهبندیای برای تحلیل تصاویر پیچیده چندطیفی مناسب نیست. روش پیشنهادی به همـراه بلـوک دیـاگرام مربوطـه، در بخش ۱-۳ بیان شده است.
در این پایاننامه، پس از مروری بر تصاویر چندطیفی و طبقهبندی آنها در فصل دوم، به بیان تصویر به وسیله شیء بجـایپیکسل در فصل سوم میپردازیم. فصل چهارم به طبقهبندی شیءگرا اختصاصیافته است. سه روش پیشنهادی معرفی شده در فصل پنجم به قرار ذیل هستند:
الف) ادغام بر مبنای ویژگیهای آماری همراه پیشپردازش مکانی.
‌ب) ادغام بر مبنای ویژگیهای آماری به صورت چند مقیاسی.
‌ج) ادغام بر مبنای گراف.
فصل ششم، به نتیجهگیری از کل کار و پیشنهادات تخصیصداده شده است.

نتیجهگیری
اکثر روش های طبقهبندی تصاویر چندطیفی بر مبنای اطلاعات طیفی در شناسایی الگوهای پیچیـده موجـود در سـطوح بـامشکل مواجه هستند. این امر بدین دلیل میباشد که اطلاعات مکانی که به توصیف ساختارها و اشـیاء مـیپردازنـد مـدنظر قرار نگرفتهاند. در واقع، تغییرات طیفی در ویژگیهای مربوط به سطوح، با افزایش دقت مکانی، افـزایش مـییابـد . افـزایشتغییرات طیفی بین کلاسی یا حتی نویز یا تغییرات ذاتی در ویژگی هـای پیکسـلهـای درون یـک کـلاس، سـبب کـاهشتفکیکپذیری کلاسها از لحاظ آماری بوسیله روش های طبقهبندی بر مبنای پیکسل میشود. در نتیجه دقـت طبقـه بنـدی کاهش مییابد و نتایج طبقهبندی با طبقهبندیشدن برخی پیکسلها به صورت منحصربفرد از پیکسلهای همسایهشان اثـرلختگی را از خود نشان میدهد.
در این تحقیق از اطلاع ات مکانی هم به عنوان اطلاعات مکمل استفاده شد. اضافهکردن اطلاعات مکـانی از قبیـ ل شـکل،ارتباط با مناطق همسایه یا مجاور و بافت، در کنار اطلاعات طیفی پیکسـل هـا ، یـا ”اطلاعـات طیفـی- مکـانیِ گـروههـایپیکسل“ در جهت حذف یا کمکردن تغییرات پیکسلها و همچنین پیکسلهای پرت و آمیخته و دارای سـایه بکـار مـیرود.
توانایی تشخیص انواع گوناگون پوشش زمین با خواص طیفی مشابه یا طبقه بندی پوششهای مشابه بـا پاسـخهـای طیفـیمتفاوت و جوابهای یکنواختتر و همگونتر و در نتیجه تفسیر بهتر و عدم نیاز بـه متخصـص در زمینـه تشـریح تصـویر از جمله مزایای این روش است.
در فصل سوم، با مروری بر روشهای ناحیهبندی مشاهده شد که میتوان این روشها را از سه دیدگاه متفاوت بررسی کـرد .
اکثر این روشها به علت حساسیت در مقابل نویز و ناحیهبندی اضافه، جهـت تحلیـل تصـاویر پیچیـده چنـدطیفی مناسـبنیستند. همچنین سعیگردید در بررسی مختصر به ناحیهبندی از دیدگاه هستانشناسی پرداخته شود.
هرچند ماهوارههایی با دقت بالای مکانی اطلاعات بیشتری نسبت به انواع پیشین خود دارند، دقت مکـانی بهتـر بـه معنـیافزایش دقت و صحت طبقهبندی نیست. افزایش تغییرات طیفی بین کلاسی سبب کاهش تفکیک پذیری کلاسها از لحاظ آماری بوسیله روش های طبقهبندی بر مبنای پیکسل میشود.
در فصل چهارم روشهای مقابله با مشکل دقت بالا به عنـوان یکـی از مسـائل اساسـی تحلیـل تصـاویر سـنجش از دور وچگونگی مواجه روشهای مبتنی بر پیکسل با این مشکل بیان گردید. سپس، به مـروری بـر برخـی از روشهـای شـیءگرا پرداختیم.
همچنین در این فصل مروری بر الگوریتم ECHO به عنوان الگوریتمی که از ابتدای مطرحشدن آن تا کنون مـورد علاقـهبسیاری از محققین بوده است، بررسی شد. این الگوریتم به منظور ایجاد نواحی همگن بـه صـورت تقسـیم و ترکیـب عمـل میکند. از معایب آن میتوان به تقسیم تصویر به سلولهای مربعی با اندازه ثابت بصورت پیشفرض اشاره کرد. بنابر انـدازهثابت سلولها و اندازه متغیر نواحی و مربعیبودن سلولها یک ناحیه نمیتواند بـا انـدازه کـافی از سـلولهـا پوشـیده شـود.
بنابر این، برخی پیکسلها از دو ناحیه متفاوت میتوانند در یک سلول واقع شده و ناهمگن تشخیص داده شوند. لزوم تعیـین
آستانه صحیح توسط کاربر و حساسیت الگوریتم به این مقدار از دیگر معایب آن است. همچنـین تلاشـی جهـت بکـارگیریبافت تصویر (استفاده از تغییرات مقادیر میان همسایگیها) در طبقه بندی نمینماید. نکته قابل ذکر دیگر، نتیجه ناحیـهبنـدیالگوریتم ECHO است که با مروری بر نقشه نواحی ایجاد شده، مخصوصاً در NSECHO مشاهده مـیشـود کـه تصـویرواضحی از نواحی واقعی تشکیلدهنده در صحنه موردنظر ارائه نمیدهد و نواحی به اندازه کافی گسترش نمییابند. از طـرفدیگر، وابستگی الگوریتم به جهت پیمایش و اثر آن در شکل و اندازه نواحی از مشکلات دیگر آن است.
الگوریتم AMICA،جهت حل معایب الگوریتم ECHO، بویژه عدم توجه به ویژگی بافت مطرح شد، از طرفی دیگر آستانه را به صورت خودکار تعیین میکند. ولی همچنان وابستگی الگوریتم به جهت پیمـایش و اثـر آن در شـکل و انـدازه نـواحی مشاهده میشود. همچنین، دارای اشکال استفاده از پنجره برای تخمین ویژگیهای اشیاء است. اسـتفاده از پنجـره معایـبخود را دارد که به تفضیل بیان شد. این الگوریتم نسبت به NSECHO هم تعداد اشیاء کمتری دارد و هم دقت طبقـه بنـدیبالاتر به میزان ۷/۲% نسبت به آن را دارد. همچنین بالاترین افزایش نسبت بـه الگـوریتم مبتنـی بـر پیکسـل و نسـبت بـه الگوریتمهای NSECHO و SECHO را دارا است.
FNEA، الگوریتمی که در نرمافزار ecognition پیادهسازی گردیده است و در مقالات و کارهای تحقیقـاتی مـورد اسـتفادهقرار میگیرد دارای معایبی چون زمان طولانی اجرای الگوریتم و پیچیدگی است. پارامترهای فراوانی که توسط کاربر باید به طور صحیح مشخص شوند از دیگر اشکالات آن است. نتایج حاصل از ناحیهبندی و طبقهبندی، موید این مطلب اسـت کـهفشردهسازی با کاهش حدود ۰۸/۰% در دقت طبقهبندی، به میزان ۸۴/۲۹% بدست میآید.
مقایسه الگوریتم AMICA با FNEA با استفاده از نمودارهای ۵-۲و ۵-۳ و جدولهای مربوط، نشان میدهـد کـه تعـداداشیاء تصویر از ۱۱۹۳ به ۱۰۳۲، به ترتیب، کاهش یافته است ولی الگوریتم AMICA دارای این مزیـت اسـت کـه دقـت طبقهبندی را نسبت به حالت پیکسلگرا به میزان ۹/۳% افـزایش داده اسـت، ایـن در حـالی اسـت کـه در FNEA دقـت طبقهبندی ۰۸/۰% کاهش یافته است.
الگوریتم SRM که برای حداکثر سه باند طراحی شده بود، توسط آقای لی و سایرین به n باند تعمیم یافت ولی فاقد کیفیت لازم جهت مطالعه تصاویر پیچیدهتر است. البته این عیب در الگوریتم توسط استفاده از الگوریتم FNEA و مطـرح شـدن آن به صورت چند مقیاسی پنهان میشود و در کل معایبی مانند ناحیهبندی اضافه را دارد. وابستگی به جهت پیمایش تصویر از دیگر معایب آن است. شاید بتوان بزرگترین ایراد الگوریتم فوق را در تعداد پارامترهـای زیـادی کـه در ترکیـب دو الگـوریتمFNEA و SRM باید به درستی تعیین شوند، بیان کرد. در نتیجه نمیتوان بهترین جواب را یافت.
با توجه به نمودار ۵-۲، از جمله مزایای بسیار مهم آن میتوان بـه کمتـرین تعـداد اشـیاء از بـین ۸ الگـوریتم اشـاره کـرد . همچنین با توجه به جدولهای نتایج طبقهبندی پیکسلگرا و طبقهبنـدی نـواحی چنـد مقیاسـی ترکیبـیFNEA و SRM (جدولهای ۵-۵ و ۵-۷) حدود ۵/۰% افزایش در دقت طبقهبندی وجود دارد.
یکی از الگوریتم پیشنهادی، الگوریتم اصلاح شدهی SRM است که دارای مزایایی چون انعطافپذیری بهتر بـا اسـتفاده ازسهیمکردن اطلاعات در کلیه باندها با ارزش مساوی، پیچیدگی کمتر نسبت به سایر الگوریتمهای شرح داده شـده، سـرعتطبقهبندی، عدم وابستگی به جهت پیمایش و تنها یکبار پیمایش تصویر که مناسـب جهـت کاربردهـای بـی درنـگ اسـت.
همانگونه که قبلاً گفته شد، الگوریتم SRM بر روی بیش از ۱۸ تصویر جواب قابل قبول داشته است.
همچنین اهمیت و نقش برجسته پیشپردازش مکانی، از مواردی است که میتوان به آن اشاره کرد. جهت نقـش و اهمیـتآن، کافی است که نتایج طبقهبندی و تعداد اشیاء حاصل شده و همچنین نقشه مکان- مرجع ویژگیهای شیء به ترتیـب درنمودارهای ۵-۲ و ۵-۳ و شکل ۵-۶ مورد بررسی قرار گیرد.
بهترین نقشه مکان- مرجع ویژگیهای شیء، از دید ارزیابی شهودی نسبت به کل الگوریتمهای مطرح شده و بامعنی بـودناشیاء حاصل شده، متعلق به الگوریتم اصلاحشدهی SRM همراه پیشپردازش مکانی و الگوریتم اصـلاح شـده ی SRM بـهصورت چند مقیاسی است. گفتن این نکته خالی از لطف نیست که اکثر روشهای پیشپردازش مکانی در مـورد تصـاویر بـادقت بالاو یا دارای پیکسلهای آمیخته و نظایر آن، تاثیری کم یا منفی در نتیجه ناحیهبندی و طبقـه بنـدی را دارنـد. نتـایجحاصل نشان میدهد که استفاده از پیشپردازش فوق به طور قابل توجهی دقت طبقـه بنـدی را افـزایش مـی دهـد . بهتـرینالگوریتم شبیهسازی شده از لحاظ دقت طبقهبندی مربوط به الگوریتم اصلاحشـده ی SRM همـراه پـیش پـردازش مکـانی است. بالاترین افزایش نسبت به الگوریتم مبتنی بر پیکسل و نسبت به الگوریتمهای ترکیب دو الگـوریتمFNEA و SRM به صورت چند مقیاسی، FNEA و الگوریتم اصلاح شدهی SRM به صورت چند مقیاسی را دارا است.
الگوریتم پیشنهادی دیگر، گراف است که پس از تعداد اشیاء ترکیب دو الگوریتم FNEA و SRM، دارای کمترین تعداد اشیاء نسبت به تمامی الگوریتمهای مطرح شده است.
در فرایند ناحیهبندی از اطلاعات مکانی استفاده شده است و هر ناحیه بیش از یک پیکسل دارد. در نتیجه، بجای اسـتفاده ازاطلاعات طیفی یک پیکسل در فرایند طبقهبندی، از اطلاعات طیفی چندین پیکسـل اسـتفاده مـی شـود. از آنجـایی کـه بـامتوسطگیری طیفی چند پیکسل، نسبت سیگنال به نویز چندین برابر میشود، دقت طبقهبندی بهبود یافته 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

آخرین مطالب

مطالب مرتبط