پایان نامه رایگان درمورد طبقه بندی اطلاعات، روش های طبقه بندی، تجزیه و تحلیل آماری، ماشین بردار پشتیبان

شود. تابع MNF توانایی کاهش بعد و کاهش نوفه را دارد .

شکل (3-5) دیاگرام مراحل تبدیل MNF در نرم افزار ENVI (Green,1988)

3-8-3 روش های تعیین عضو خالص (Endmember)
بسیاری از الگوریتم های طبقه بندی در تصاویر فراطیفی برای شروع پردازش نیاز به وارد کردن مشخصه های طیفی عضوها (به هرکلاس یا عارضه ای که در تصویر فراطیفی طبقه بندی یا آشکارسازی شود عضو گویند) دارند. 4 روش کلی برای تعیین مشخصه های طیفی عضوهای تشکیل دهنده یک تصویر فراطیفی وجود دارد.
1-جمع آوری واقعیت زمینی تصویر با اندازه گیری مشخصه های طیفی عضوهای تشکیل دهنده تصویر با استفاده از دستگاههای طیف سنج میدانی.
2-اگر بتوان پیکسل های خالص که شامل تنها یک عضو می باشد را شناسایی کرد و طیف آن را بدست بیاوریم می توان از آن به عنوان طیف مرجع یا endmember استفاده نمود که این روش دانش کافی از صحنه تشکیل دهنده تصویررا می طلبد.
3-می توان برای هر عضو با استفاده از میانگین گیری از پیکسل هایی که در منطقه مورد نظر(ROI ) قرار دارند مشخصه طیفی میانگین ایجاد کرد.
4-ارائه مشخصه طیفی بر اساس یک دیاگرام پخش n بعدی که در این روش endmember های بدست آمده دقیق تر و از روشهای دیگر بهتر می باشد. بعد از اعمال الگوریتم PPI حجم داده هایی که مورد پردازش قرار می گیرند کاهش پیدا می کند. هر چند این امکان هنوز وجود دارد که تعداد خیلی کمی از پیکسل های غیر خالص به عنوان کاندیدای تعیین کلاسهای طیفی در طی انتخاب به صورت خودکار وجود داشته باشند. برای تصحیح کلاسهای طیفی انتخاب شده و مهمتر از آن برچسب دهی آنها به عنوان واقعیت های زمینی این امر لازم است که به صورت بصری پیکسل ها در یک فضایN بعدی کنترل و انواع مختلف آن تعیین شود. این کار را با استفاده از دو و یا تعداد بیشتری از تصاویر ویژه MNF جهت ساختن نمودار پراکندگی N بعدی انجام می دهیم. تمام پیکسل هایی که قبلا بوسیله PPI انتخاب شده بودند بصورت ابرهای پیکسلی در یک فضای طیفی n بعدی نمایش داده می شوند. با گردش متقابل و کنترل بوسیله پردازشگر تصویر در فضای طیفی کلاس های طیفی خالص (ROI) از ابرهای پیکسلی استخراج می شود و این کلاس های طیفی به عنوان مرجع در مراحل بعدی پردازش استفاده می شوند. (Bordman.J.W.,and F.A kruse,1994)

شکل (3-6) دیاگرام پخشn بعدی جهت انتخاب اعضای نهایی

3-8-4 اجرای اندیس خلوص پیکسل(50PPI)
این الگوریتم جهت پیدا کردن پیکسل هایی که خلوص بیشتری دارند در تصاویر چند طیفی یا فراطیفی استفاده می شود. به طور معمول این روش در مورد پیکسل های مخلوط شده استفاده می شود. PPI با تصویر سازی تکراری نمودار پراکنش N بعدی داده ها در یک نمودار تصادفی محاسبه می شود. بدین معنی که وقتی الگوریتم بخواهد پیکسل های خالص را جدا کند نمودار پراکنش دو باند مختلف را ترسیم و پیکسل هایی را که در انتها و اطراف نقاط پراکنش قرار می گیرند را به عنوان پیکسل های خالص جدا می کند. برای این منظور بایستی تصاویر رتبه بالای MNF جهت ورودی الگوریتم PPI استفاده شود . حال در یک تصویرN باندی برای نیل به این هدف مجبوریم n*(n+1) حالت را تکرار کنیم که کار بسیار دشواری است. الگوریتم PPI این کار را انجام داده ودر هر بار تکرار پیکسل های انتهایی را ذخیره می کند و این کار را تا زمانی که تمام مقایسه ها انجام شود و یا تعداد تکرارهای مشخص شده به اتمام برسد انجام میدهد. نتیجه این آنالیز بین 0 تا n متغیر است که هر چه عدد بزرگتر باشد نشان دهنده خالص تر بودن پیکسل مورد نظر است.(کریک،1994)

شکل (3-7) دیاگرام مراحل الگوریتم PPI در نرم افزار ENVI (Bordman.J.W.,and F.A kruse,1994)

3-9 طبقه بندی و آشکار سازی اهداف
یکی از روش های رقومی پر کاربرد استخراج اطلاعات از تصاویر ماهواره ای طبقه بندی می باشد. منظور از طبقه بندی اطلاعات ماهواره ای ، تفکیک مجموعه های طیفی مشابه و تقسیم بندی تصاویر به گروه ها یا طبقاتی است که در هر طبقه، طیف ها با یک ارزش واحد قرار می گیرند (زبیری ، 1385). اساس کار طبقه بندی اطلاعات، بر مقایسه ارزش طیفی پیکسل های تصویر با نمونه هایی است که مفسر آن ها را معرفی کرده یا با کلاس ها یا با طبقات اولیه ای است که به طور خودکار هنگام تفسیر رقومی، تشکیل می شوند. به این ترتیب ، پیکسل هایی که ارزش طیفی آن ها از نظر آماری، اختلاف معنی داری ندارند، در یک گروه یا طبقه طیفی قرار می گیرند. (رضایی ، 1389)
طبقه بندی را از دیدگاه های مختلف، می توان به چند روش کلی تقسیم نمود، که عبارتند از : طبقه بندی نظارت شده و طبقه بندی نظارت نشده[S.J13]: طبقه بندی نظارت شده نیاز به نمونه های آموزشی، تعداد و نوع کلاس ها دارد. در طبقه بندی نظارت نشده نیازی به تعیین این پارامترها نیست اما تعداد کلاس ها و یک معیار تفکیک پذیری باید مشخص شود .طبقه بندی سخت و طبقه بندی نرم : در طبقه بندی سخت، خروجی برای یک پیکسل تنها برچسب یک کلاس خواهد بود، اما در طبقه بندی نرم خروجی برای یک پیکسل لیستی از برچسب کلاس ها خواهد بود که معمولا با روش های فازی این خروجی به دست می آید . طبقه بندی پارامتریک و طبقه بندی غیر پارامتریک : تمام روش های این دو د یدگاه جز طبقه بند نظارت شده محسوب می شوند . در طبقه بندی پارامتریک برای چگونگی توزیع احتمال نمونه ها یک پیش فرض در نظر گرفته می شود . بر اساس پیکسل های معلوم معرفی شده، پارامترهای مختلفی را محاسبه کرده و بر اساس آن ها در مورد مابقی پیکسل ها تصمیم گیری می کند . در ط
بقه بندی غیر پارامتریک هیچ فرضی برای آن، لحاظ نمی شود. تنها بر اساس معیارهایی که از مقادیر پیکسل های معلوم به دست می آیند تصمیم گیر ی می کند. طبقه بندی پیکسل مبنا و طبقه بندی شی مبنا : در طبقه بندی پیکسل مبنا پردازش بر روی تصویر به صورت پیکسل به پیکسل اعمال می شود، اما در طبقه بندی شی مبنا ابتدا تصویر به چندین شی قطعه بندی شده سپس از الگوریتم های طبقه بندی استفاده می شود (فاطمی،1385) .
براساس یک دسته بندی دیگر الگوریتم های آشکارسازی طیفی در قالب چهار دسته زیر دسته بندی می شوند :
کلاسیک (طبقه بندی متوازی السطوح ، طبقه بندی بیشترین شباهت وفاصله Mahalanobis مبتنی بر ماتریس همبستگی).
اندازه گیری های قطعی مثل SAM و BEC و… .
اندازه گیری های غیر قطعی (آماری) مثل الگوریتم دیورژانس اطلاعات طیفی SID.
آشکارسازی زیر پیکسل مثل الگوریتم کمینه سازی مقید انرژی CEM (داود اکبری، 1387).
به طور کلی برای طبقه بندی اطلاعات ماهواره ای از دو روش اصلی استفاده می شود که عبارتند از طبقه بندی با نظارت 51و طبقه بندی بدون نظارت52 .

3-9-1 طبقه بندی بدون نظارت
در روش نظارت نشده با توجه به مفاهیم ریاضی طبقه بندی تصویر براساس تجزیه و تحلیل خوشه ای به صورت خودکار انجام می پذیرد. در این نوع طبقه بندی کاربر می تواند در حد معرفی تعداد کلاس ها و نیز تعداد دفعات تکرار الگوریتم برای کلاس بندی، در انجام عملیات دخالت داشته باشد. از مقایسه طبقات طیفی تفکیک شده با مدارک و نقشه های مشابه ، طبقات مورد نظر شناسایی می شوند و حتی در برخی از موارد که مدارکی برای شناسایی چنین مناطقی در اختیار نیست ، با بازدیدهای میدانی شناسایی پدیده انجام می شود.

3-9-2 طبقه بندی با نظارت
در طبقه بندی نظارت شده، کاربر با توجه به شناخت و آگاهی از عوارض و پدیده های زمینی مناطقی را به عنوان نواحی آموزشی (Training Areas) مشخص می سازد ، پس از آن برنامه ی رایانه ای با تجزیه و تحلیل آماری ارزش ها و پیکسل های موجود در هر کلاس وبا توجه به الگوریتم مشخص شده ، تک تک پیکسل های موجود در تصاویر را با اطلاعات آماری همه کلاس ها مقایسه کرده و برای هریک در تصویر خروجی مقداری را بر می گزیند و هر پیکسل را در نهایت به یکی از نمونه های معرفی شده نسبت می دهد . به جز تعداد اندکی که در هیچ طبقه ای جا نمی گیرند.
مهم ترین الگوریتم هایی که در روش نظارت شده مورد استفاده قرار می گیرند عبارتند از نزدیک ترین فاصله از میانگین، شبکه های موازی ، استفاده از حداکثر احتمال و نگاشت زاویه طیفی (رضایی، 1388).
3-9-3 روشهای کلاسیک
الگوریتمهای فوق عموماً در تصاویر چندطیفی مورد استفاده قرار گرفته که جهت بررسی دقت آن ها در تصاویر سنجنده هایپریون روش طبقه بندی بیشترین احتمال بررسی و پیاده سازی شده است .(اکبری ، 1387)

3-9-4 اندازه گیریهای قطعی
در دسته اندازه گیریهای قطعی از روشهای قطعی مانند فاصله و زاویه، جهت اندازه گیری تشابه بین دو بردار استفاده می شود (اکبری ، 1387) . در این تحقیق از دو الگوریتم SAM و BEC به عنوان روش های طبقه بندی اندازه گیری های قطعی استفاده گردید .

3-9-5 اندازه گیریهای آماری
در روش اندازه گیریهای آماری با استفاده از ویژگی های تصویر و تعریف بعضی از خصوصیات طیفی مانند احتمال، دیورژانس و آنتروپی، میزان شباهت بین بردار هدف مورد نظر و هر پیکسل تصویر تعیین می گردد (اکبری ، 1387) .که به عنوان نمونه جهت پیاده سازی این روش از الگوریتم SID استفاده به عمل آمد .

3-9-5-1 استفاده از حداکثر احتمال(Maximum Likelihood)
در این روش میزان کمی واریانس و هم بستگی ارزش های طیفی باند های مختلف برای مناطق نمونه محاسبه می شود و از همین خاصیت برای ارتباط یک پیکسل طبقه بندی نشده به یکی از گروهها یا نمونه های طیفی نیز استفاده می شود. به بیان دیگر، برای بررسی نحوه توزیع ارزش های طیفی و احتمال آماری ارتباط یک پیکسل با یکی از گروه های نمونه، از ماتریس واریانس و بردار میانگین، که خود، واریانس و هم بستگی ارزش های طیفی را تعریف می کنند استفاده می شود. این روش از سایر روش های موجود برای طبقه بندی دقیق تر است(زبیری و مجد ، 1380).
با توجه به شکل (3-8) سطوح بیضوی مورد نظر،وضعییت تعلق یک پیکسل به یک گروه طیفی خاص را مشخص می کند و به تعبیری، در این روش از عوامل آماری واریانس و همبستگی استفاده می شود .

شکل (3-8) طبقه بندی به روش MLC (علوی پناه ، 1382)

3-9-5-2 نقشه بردار زاویه طیفی (SAM53)
نقشه بردار زاویه طیفی به عنوان یک روش طبقه بندی هدایت شده شیوه ای کارآمد برای مقایسه طیف تصاویر نسبت به طیف استاندارد یا طیف مرجع است. الگوریتم این روش ، مشابهت بین دو طیف را به وسیله ی زاویه طیفی بین آن دو محاسبه می کند . شکل (3-9) در واقع با تبدیل طیف ها به بردار در فضایی به ابعاد تعداد باندها، زاویه بین دو بردار محاسبه می شود. در این روش برای محاسبه زاویه ، جهت بردار ها اهمیت دارد و نه طول آنها و به همین علت میزان روشنایی پیکسل در طبقه بندی آن تاثیری ندارد . هر چه مقدار زاویه (بین 0 تا 1) کمتر باشد شناسایی دقیق تر خواهد بود. در صورتی که مقدار زاویه یک باشد کل تصویر به عنوان پدیده مورد نظر شناسایی می شود. به عنوان مثال برای مقایسه یک پیکسل، طیف پیکسل مورد نظر با طیف همان پیکسل در بین طیف های مرجع بر روی دو باند در یک محور مختصات رسم می گردد. سپس نقاط به دست آمده به مبدا رسم می شود و زاویه بین دو خط به دست آمده
به عنوان زاویه شناسایی پیکسل شناخته می شود. برای به دست آوردن زاویه α بین دو بردار (به دست آمده از طیف نقاط تصویرt و مرجعr استفاده میشود)

α=cos^(-1)⁡[(r ⃗.t ⃗)/(‖r ⃗ ‖.‖t ⃗ ‖ )]

که بدین صورت نیز می تواند نوشته شود :
α=cos^(-1)⁡[(∑_(i=1)^nb▒t_i r_i)/([∑_(i=1)^nb▒t_i^2 ]^(1/2) [∑_(i=1)^nb▒r_i^2 ]^(1/2) )]

در این فرمول :
nb : تعداد باند ها
t_i : طیف مورد آزمایش
r_i : طیف مرجع

شکل (3-9 ) زاویه بین بردار های طیف مورد آزمایش و طیف استاندارد در روش SAM

3-9-5-3 ماشین بردار پشتیبان (SVM54)
یک روش سلسله مراتبی است که تنها به

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *