خانه > آموزش > RS > روشهای طبقه بندی تصاویر رقومی در سنجش از دور

روشهای طبقه بندی تصاویر رقومی در سنجش از دور

image-classification-techniques-remote-sensing_620x330

طبقه بندی تصویر در سنجش از دور چیست؟

   تکنیک­های طبقه بندی تصویر دیجیتال، پیکسل­ها را به منظور نشان دادن پوشش­های مختلف اراضی، گروه بندی میکنند. پوشش زمین میتواند جنگلی، شهری، کشاورزی و سایر انواع پوششی باشد. سه روش اصلی طبقه بندی تصویر وجود دارد.

روش­های طبقه ­بندی تصویر در سنجش ا ز دور

طبقه­ بندی تصویر بدون نظارت

طبقه ­بندی تصویر نظارت شده

آنالیز تصویر شی-مبنا

   پیکسل ها کوچکترین واحد نمایش داده شده در یک تصویر هستند. طبقه­ بندی تصویر، شاخص­های آماری انعکاس را برای هر پیکسل به صورت مجزا، مورد استفاده قرار می­دهد. تکنیک­های طبقه ­بندی نظارت نشده و نظارت شده تصویر دو روش متداول طبقه ­بندی تصاویر هستند. اگرچه اخیراً روش شی-مبنا هرچه بیشتر در حال تغییر روش­های پایه است.

تفاوت بین روش نظارت شده و بدون نظارت چیست؟

 

طبقه بندی بدون نظارت

unsupervised-classification   پیکسل­ها بر اساس ویژگیهای انعکاسی­شان گروهبندی می­شوند. این گروه­ها “دسته یا خوشه” نامیده می­شوند. کاربر تعداد دسته ­ها و باند مورد نظر برای استفاده را تعیین می­کند و بر اساس این اطلاعات نرم­ افزار طبقه­ بندی تصویر، دسته­ ها را تولید می­کند.

الگوریتم های خوشه بندی تصویر مختلفی  وجود دارد مانند K-means و ISODATA.

   کاربر به صورت دستی هر دسته را با یک نوع پوشش زمین تطبیق می­دهد. اغلب اتفاق می­افتد که چندین دسته یک کلاس پوشش اراضی را نشان می­دهند. در این حالت کاربر این دسته ­ها را با یکدیگر ادغام می­کند. این روش طبقه­ بندی تصویر بدون نظارت معمولا زمانی مورد استفاده قرار می­گیرد که هیچ­گونه نمونه آموزشی در دسترس نیست.

unsupervised-diagramمراحل طبقه ­بندی بدون نظارت:

تولید دسته­ ها

تخصیص کلاس به دسته ­ها

طبقه بندی نظارت شده

supervised-classification-ikonos   کاربر تعدادی نمونه برای هر کلاس پوششی اراضی در تصویر دیجیتال انتخاب می­کند که “نمونه آموزشی” نامیده می­شوند. نرم افزار طبقه بندی تصویر از نمونه ­های آموزشی برای شناسایی کلاس پوشش زمین در تمام تصویر استفاده می­کند. طبقه بندی پوشش اراضی بر اساس امضای طیفی تعریف شده در نمونه ­های آموزشی صورت می­گیرد. بدین ترتیب که نرم افزار طبقه ­بندی تصویر تعیین می­کند که هر کلاسی به کدامیک از کلاس­ها در نمونه ­های آموزشی بیشترین شباهت را دارد.

متداول­ترین الگوریتم های طبقه بندی نظارت شده، طبقه ­بندی حداکثر احتمال و طبقه بندی حداقل فاصله می­باشند.

مراحل طبقه ­بندی نظارت شده:

انتخاب نمونه ­های آموزشی

تولید فایل امضای طیفی

طبقه ­بندی

supervised-diagram

طبقه­ بندی آنالیز تصویر شی-مبنا یا شی گرا

obia-classification   پردازش سنتی پیکسل مبنا تولید پیکسل­های طبقه­ بندی شده مربع می­کند. طبقه ­بندی شی-مبنا بسیار متفاوت است و در آن اشیا در مقیاس و شکل­های مختلف تولید می­شوند. این پردازش “قطعه ­بندی چند رزولوشنی” نامیده می­شود. این روش با گروه بندی پیکسل­ها، اشیاء همگن تصویر را تولید می­کند. اشیاء با مقیاس های مختلف در یک تصویر به طور همزمان تولید می­شود. این اشیاء نسبت به روش سنتی قطعه­ بندی پیکسل مبنا معنی دارتر هستند زیرا  می­توانند بر اساس بافت، زمینه و هندسه طبقه ­بندی شوند.

   آنالیز تصویر شی-مبنا استفاده از چندین باند را برای طبقه ­بندی و قطعه­ بندی چند رزولوشنی میسر می­کند. به عنوان مثال، مادون قرمز، ارتفاع و یا فایل های شکل موجود به طور همزمان می تواند برای طبقه بندی اشیاء تصویر مورد استفاده قرار بگیرد. لایه ­های مختلف می­توانند مفهوم مشترکی با یکدیگر داشته باشند. این زمینه می­تواند به صورت همسایگی، نزدیکی، یا فاصله بین لایه ­ها باشد.

   طبقه ­بندی نزدیکترین همسایگی (NN) مشابه طبقه ­بندی نظارت شده است. پس از قطعه ­بندی چند رزولوشنی، کاربر برای هر کلاس پوشش زمین، تعدادی نمونه آموزشی مشخص می­کند و بدین ترتیب شاخصه ­های آماری برای طبقه­ بندی اشیا تصویر تعریف می­شود.

سپس نرم افزار آنالیز و طبقه ­بندی شی-مبنا، اشیا تصویر را بر اساس شباهت آنها به نمونه ­های آموزشی و آماره­های تعریف شده طبقه بندی می­کند.

مراحل طبقه­ بندی نزدیکترین همسایگی شی-مبنا :

انجام قطعه­ بندی چند رزولوشنی

انتخاب نمونه ­های آموزشی

تعریف شاخصه ­های آماری

طبقه­ بندی

object-based-diagram

درباره غزال داودبیگی


کارشناس مهندسی عمران-نقشه برداری
کارشناس ارشد سنجش از دور

دیدگاهتان را ثبت کنید

آدرس ایمیل شما منتشر نخواهد شدبخشهایی که علامت دارند ضروری هستند. لطفاً آنها را تکمیل نمایید. *

*

*

code

theme