دانشكده تحصیلات تكمیلی
“M.Sc” پایان نامه برای دریافت درجه كارشناسی ارشد
مهندسی برق – مخابرات
عنوان:
طبقه بندی شی گرا اطلاعات طیفی و مكانی در تصاویر سنجش از دور چند طیفی
برای رعایت حریم خصوصی اسامی استاد راهنما،استاد مشاور و نگارنده درج نمی شود
تکه هایی از متن به عنوان نمونه :
چكیده:
یک شیء، پیكسلهای یک ناحیه است كه ویژگیهای طیفی و مكانی آنها همگون است. طبقه بندی شیءگرا عبارت است از استخراج ویژگیهای تصویر بوسیله مدلسازی همبستگیهای مكانی جهت بدست آوردن اشیاء (ناحیه بندی) و تخصیص كل پیكسلهای درون شیء به یک كلاس ب ا استفاده توام از اطلاعات محتوایی بدست آمده (مانند: شكل، اندازه) و مدلسازی همبستگیهای طیفی (اطلاعات پیكسلها) جهت طبقه بندی. طبقه بندی شیءگر ا دارای مزایایی چون افزایش دقت طبقه بندی توسط طبقه بندی كننده های ساده به علت داشتن اطلاعات مفیدتر نسبت به طبقه بندی كننده های پیكسل گرا وكاهش حجم اطلاعات ارسالی، افزایش سرعت در طبقه بندی، كاهش میزان حافظه مورد نیاز با دسترسی تصادفی به علت فشرده سازی تصویر میباشد.
مسئله اصلی مورد تحقیق در این پایان نامه، ارائه الگوریتم هایی است كه علاوه بر افزایش دقت طبقه بندی به میزان قابل توجه، شیء بامعنی نیز ایجاد كنند. در این راستا، دو طبقهبندی شیءگرا یكی بر اساس ادغام بر مبنای ویژگی های آماری همراه پیش پردازش مكانی و دیگری بر مبنای گراف پیشنهاد گردیده است. در الگوریتم های پیشنهادی، تعداد باندهای مورد استفاده جهت ناحیه بندی از سه باند به n باند گسترش یافته (استفاده از تمامی اطلاعات موجود در باندها) و شرط ادغام جهت بهبود ناحیه بندی اصلاح شده است. بدین منظور، پس از همواركردن تصویر، آن را به كمك یكی از این دو الگوریتم ناحیه بندی كرده و سپس تصویر ناحیه بندی شده را طبقه بندی میكنیم. متوسط بردار ویژگی ناحیه مورد نظر را به عنوان نماینده آن ناحیه جهت طبقه بندی انتخاب و كل ناحیه را به یک كلاس اختصاص میدهیم. طبقه بندی مورد استفاده در این تحقیق، طبقه بندی كننده حداكثر احتمال میباشد.
با بكارگیری تصاویر واقعی چندطیفی جهت آزمایش كارآیی الگوریتم های پیشنهادی، در مقایسه با الگوریتم های NSECHO و SECHO و FNEA و AMICA و SRM+MHR، مشخص گردید بهترین نقشه مكان – مرجع ویژگی های شیء، متعلق به الگوریتم اصلاح شده ی ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مكانی است. این نقشه، بر مبنای ارزیابی شهودی نسبت به كل الگوریتمهای مطرح شده است و بامعنی بودن اشیاء حاصل شده به عنوان معیار كیفی از این نقشه برداشت میشود. بالاترین میزان افزایش دقت طبقه بندی
نسبت به حالت پیكسل گرا، به عنوان معیار كیفی متعلق به الگوریتم AMICA به میزان 3/9% است و الگوریتم پیشنهادی ادغام بر مبنای ویژگی های آماری همراه پیش پردازش مكانی در مرتبه بعدی قرار دارد. الگوریتم اصلاح شده ی ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مكانی توانسته است دقت طبقه بندی را به میزان 2/33% افزایش دهد. همچنین از نقطه نظر تعداد اشیاء ، به عنوان یكی دیگر از معیارهای كمی، تعداد اشیاء در AMICA 1193 شیء یا فشرده سازی به میزان 25/81% است. این در حالی است كه الگوریتم پیشنهادی ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مكانی، دارای 982 شیء یا فشرده سازی به میزان 31/36% است. به عنوان نتیجه گیری از كل معیارهای كمی و كیفی، ادعا می شود الگوریتم ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مكانی بهتر از سایر الگوریتم های مطرح شده، عملكرده است.
مقدمه:
جهت افزایش دقت طبقه بندی در تصاویر سنجش از دور، دو نوع از الگوریتمها توسعه یافته اند. نوع اول از الگوریتمها، سعی در بالا بردن دقت طبقه بندی، با افزایش پیچیدگی طبقه بندی كننده میكنند، در حالیكه در نوع دوم، سعی می كنند دقت طبقه بندی را با ناحیه بندی تصویر و سپس استفاده از طبقه بندی كننده های ساده افزایش دهند.
یكی از ملزومات توسعه هر فناوری از جمله فناوری چندطیفی، اقتصادی بودن آن میباشد. به بیان دیگر اطلاعات مطلوب باید با حداقل هزینه در اختیار مصرف كنندگان قرار گیرد، اما
این مطلب را هم بخوانید :
معرفی گوشی ۶.۱ اینچی Huawei Ascend Mate - استارت آپ های ایران - ارزش آفرینی برای ایده ها و کمک به استارتاپ ها
این امر با تعیین دقیق وضعیت در تضاد است. به عنوان مثال، برای تعیین مناطق سالم و دچار آفت نوع خاصی از غله در یک مزرعه كشاورزی به مساحت چندین هزار هكتار، دقت مكانی بالا لازم است. تحقق چنین امری نیازمند هزینه زیادی است كه مصرف كننده باید آن را بپردازد . بنابراین، روش های اقتصادی تر دیگری كه نیاز به دقت مكانی بالا نداشته باشد، موردنیاز بوده و در این راستا از اطلاعات مكانی (از قبیل شكل، ارتباط با مناطق همسایه یا مجاور و بافت) موجود در شیء كه منبع مهمی برای طبقه بندی تصویر به شمار می آید، برای مقایسه و طبقه بندی استفاده میشود. حتی اگر مصرف كننده از تصاویر با دقت مكانی بالا استفاده كند، معمولاً با افت دقت طبقه بندی مواجه میشود. چرا كه دقت طبقه بندی وابسته به قدرت شناخت شكل و رنگ و بافت در كنار ویژگیهای طیفی دیگر توسط ماشین است. در واقع، نبود ویژگیهای مكانی منجر به خطاهای متعددی می شود. عدم استفاده از ویژگیهای مكانی در كنار ویژگیهای طیفی در روش های شناخت الگو، منجر به عدم شناخت موثر، در انواع گوناگون پوشش زمین با خواص طیفی مشابه یا طبقه بندی پوشش های مشابه با پاسخهای طیفی متفاوت و در نتیجه با افت دقت طبقه بندی میشود. این مسئله در بخش 4-1 به تفضیل مورد بررسی قرار گرفته است.
ناحیه بندی تصویر را می توان به عنوان فرایند تقسیم تصویر به نواحی همگون بدون اشتراك به گونه ای كه هیچ دو ناحیه مجاوری شرط ادغام با یكدیگر را ارضاء نكنند و تمامی پیكسلهای مشابه، توسط نواحی، با شرط مورد نظر پوشش داده شوند، تعریف نمود. اكثر روش های ناحیه بندی مانند آشكارسازهای لبه، شكل شناسی ریاضی، تحلیل بافت، خالص سازی طیف، شبكه های عصبی، شبكه های بیز، منطق فازی و روش های چند مقیاسی چون پیرامید، موجك و فركتال، توپولوژی واضحی از شیء تولید نمیكنند. از طرف دیگر، در تصاویر سنجش از دور، موقعیت هایی با دقت پایین و بالا تواماً رخ میدهند (هرگاه یک شیء از تعداد زیادی از پیكسلهای منحصر بفرد در عوض اشیاء تشكیل شود، آن شیء را با دقت بالا مینامند و اگر یک تك پیكسل از تعداد زیادی از اشیاء كوچك تر تشكیل شود، آن شیء را با دقت پایین می نامند) به عنوان مثال، تصویر پوشش گیاهی جنگل با دقت 1متر را در نظر میگیریم. اگر تاج هر درخت 10 متر قطر داشته باشد، هر تاج به عنوان یک شیء از تعداد زیادی از پیكسلها ساخته شده است. در اینجا، هر 1 متر پیكسل جزئی از تاج یک درخت است یا با دقت بالا است. با این وجود، هر یک متر پیكسل تركیبی از انعكاسهای تعداد زیادی برگ و شاخه است یا نسبت به این اجزاء منحصر بفرد خود، با دقت پایین است. در نتیجه، تصاویر سنجش از
