انتخاب روشهای طبقه بندی تصاویر رقومی

سیر تحول داده های سنجش از دوری
در سال 1972، ماموریت لندست برای اولین بار آغاز شد. پروژه لندست بازتاب انرژی خورشیدی از زمین را اندازه گیری می کرد. طبقه بندی تصاویر ماهواره ای با استفاده از شاخصه های آماریِ انعکاس پیکسل های منفرد انجام شد. طبقه بندی نظارت نشده و نظارت شده دو روش طبقه بندی تصویر موجود در سال 1970 بود. میتوان به جرأت گفت که تجزیه و تحلیل شی-مبنای تصویر، یک روش رو به رشد برای طبقه بندی تصویر در پردازش تصاویر دیجیتال است.

image-classification-timeline3
در طول سال های بعدی نیاز رو به رشدی برای داده های سنجش از دوری به وجود آمد. اهداف خاصی با داده های مشاهداتی از زمین، تحت نظارت و پایش قرار گرفتند. امنیت غذایی، نگرانی های زیست محیطی، امنیت عمومی و مسائل بسیار دیگری مثالهایی از این نمونه هستند. در اکثر موارد، داده ها از ماهواره و عکسبرداری هوایی به دست آمدند. بازار جدید تصاویر ماهواره ای، توان تفکیک مکانی بالاتر در طیف وسیع تری از فرکانس را هدف قرار داده است.

زمینه های ارتقاء داده های سنجش از دوری عبارتند از :
– حضور بیشتر در همه جا
– توان تفکیک مکانی بالاتر
– طیف وسیع تری از فرکانس

البته باید توجه داشت که این بهبود در کیفیت داده های سنجش از دوری، استخراج عارضه دقیق تر را تضمین نمی کند، بلکه تکنیک های طبقه بندی تصویر مورد استفاده یک عامل بسیار مهم برای دقت بهتر میباشند.

remote-sensing-trends

water-obia
Water Object-Based Image Classification

انتخاب روش های طبقه بندی تصویر
تصور کنید آب آن عارضه ایست که میخواهیم از یک تصویر دیجیتال با رزولوشن مکانی بالا استخراج کنیم. یک کاربر ممکن است تصمیم بگیرد که تمام پیکسل های آبی تصویر را استخراج کند اما ممکن است پیکسل های دیگری از تصویر هم به اشتباه به عنوان آب طبقه بندی شوند. این همان دلیلی است که باعث میشود تصاویر طبقهبندی شده به روش نظارت شده و بدون نظارت به صورت نویز فلفل نمکی دیده شوند.
انسان به طور طبیعی اطلاعات مکانی را به صورت گروه گروه جمع می کند. سپس قطعه بندی چند رزولوشنی این وظیفه را با گروه بندی پیکسل های همگن و تبدیل آن ها به یک شی انجام میدهد. ویژگی های آب پس از تقسیم بندی چند رزولوشنی به راحتی قابل تشخیص است. این همان شیوه ای است که انسان عوارض مکانی را تجسم میکند و می بیند.

چه زمانی باید طبقه بندی پیکسل مبنا (نظارت شده و بدون نظارت) مورد استفاده قرار گیرد؟ وچه زمانی باید طبقه¬بندی شی-مبنا استفاده شود؟
توان تفکیک مکانی تصاویر یک عامل مهم در انتخاب روش طبقه بندی تصویر است.

Spatial Resolution: Low | Medium | High
Spatial Resolution: Low | Medium | High

توان تفکیک مکانی پایین و متوسط :

   در این حالت روشهای پیکسل مبنای سنتی و روش طبقه بندی شی-مبنا همگی به خوبی نتیجه می دهند.

توان تفکیک مکانی بالا :

   اشیا از چندین پیکسل ساخته میشوند. در این مورد، روش طبقه بندی شی-مبنا نسبت به روش های طبقه بندی پیکسل مبنا دارای برتری میباشد.

انتخاب روش های طبقه بندی تصویر
توان تفکیک مکانی پایین و متوسط : روشهای پیکسل مبنا / روش طبقه بندی شی-مبنا
توان تفکیک مکانی بالا : روش طبقه بندی شی-مبنا

مطالعه موردی دقت طبقه بندی پوشش اراضی شی-مبنا در برابر نظارت شده و نظارت نشده

یک مطالعه موردی از دانشگاه آرکانزاس، روش طبقه بندی شی-مبنا را با طبقه بندی پیکسل مبنا مقایسه کرده است. در این مطالعه تصویر هوایی مادون قرمز با توان تفکیک مکانی بالا و تصویر ماهواره ای با توان تفکیک مکانی متوسط مورد استفاده قرار گرفته است.

به طور کلی، طبقه بندی شی-مبنا نسبت به هر دو روش طبقه بندی پیکسل مبنای نظارت نشده و نظارت شده، در این مطالعه بهتر عمل کرد. دقت بالاتر به این واقعیت برمیگردد که طبقه بندی تصویر شی-مبنا مزیت استفاده از هر دو نوع اطلاعات طیفی و بافتی در تصاویر سنجش از دور را دارا میباشد. این مطالعه یک مثال خوب از برخی از محدودیت های تکنیک های طبقه بندی تصویر مبتنی بر پیکسل است.

رشد طبقه بندی شی-مبنا
پیشرفت تکنولوژی و دسترسی به تصاویر با توان تفکیک مکانی بالا از رشد بالایی برخوردار است. با این حال تکنیک های طبقه بندی تصویر نیز باید به عنوان یک نکته بسیار مهم در ارائه محصولات با کیفیت بالاتر در نظر گرفته شوند.
با توجه به نتایج جستجوی پژوهشگر گوگل، همه تکنیک های طبقه بندی تصویر، رشد مداومی در تعدادی از نشریات نشان داده اند و به تازگی، طبقه بندی شی-مبنا رشد بیشتری نشان داده است.
این نمودار نتایج جستجو سالانه پژوهشگر گوگل با استفاده از “All in Title” جستجوی عبارت را نشان میدهد.

The Growth of Image Classification Techniques for Publications
The Growth of Image Classification Techniques for Publications
این مطالب را نیز مطالعه کنید :
محصولات ویژه فروشگاه :
اشتراک در
اطلاع از
1 دیدگاه
تازه‌ترین
قدیمی‌ترین بیشترین رأی
بازخورد (Feedback) های اینلاین
مشاهده همه دیدگاه ها
فهرست