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؟
[divider]
طبقه بندی بدون نظارت
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.
مراحل طبقه بندی بدون نظارت:
تولید دسته ها
تخصیص کلاس به دسته ها
[divider]
طبقه بندی نظارت شده
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
[divider]
طبقه بندی آنالیز تصویر شی-مبنا یا شی گرا
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
