وبلاگ

:
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 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 ب

ه 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 دور چند مقیاسی هستند. پیكسلهای آمیخته خود مشكل دیگری است كه سبب اغتشاشات در لبه های تصویر می شود. بنابراین، هر روش ناحیه بندی ای برای تحلیل تصاویر پیچیده چندطیفی مناسب نیست. روش پیشنهادی به همراه بلوك دیاگرام مربوطه، در بخش 1-3 بیان شده است.
در این پایان نامه، پس از ی بر تصاویر چندطیفی و طبقه بندی آنها در فصل دوم، به بیان تصویر به وسیله شیء بجای پیكسل در فصل سوم میپردازیم. فصل چهارم به طبقه بندی شیءگرا اختصاص یافته است. سه روش پیشنهادی معرفی شده در فصل پنجم به قرار ذیل هستند:
الف) ادغام بر مبنای ویژگیهای آماری همراه پیش پردازش مكانی.
ب) ادغام بر مبنای ویژگیهای آماری به صورت چند مقیاسی.
ج) ادغام بر مبنای گراف.
فصل ششم، به نتیجه گیری از كل كار و پیشنهادات تخصیص داده شده است.