به وبلاگ PARALLAX-SURVEY خوش آمدید

Remote Sensing & GIS & Surveying

به وبلاگ PARALLAX-SURVEY خوش آمدید

Remote Sensing & GIS & Surveying

به وبلاگ PARALLAX-SURVEY خوش آمدید

وبلاگ شخصی محمد بهجت منش اردکان
کارشناس ارشد مهندسی سنجش ازدور
استفاده از مطالب وبلاگ
با ذکر منبع اشکالی ندارد

طبقه بندی موضوعی

انواع روش های طبقه بندی در سنجش از دور

دوشنبه, ۶ مهر ۱۳۹۴، ۰۶:۲۴ ب.ظ

جمع آوری و ترجمه : محمد بهجت منش


انواع روش­های طبقه­بندی:

v    نظارت شده و نظارت نشده

·        طبقه بندی نظارت نشده (Unsupervised Classification)

زمانی که اطلاعات و امکانات کافی از منطقه به منظور شناسایی کاربری و پوشش اراضی وجود نداشته باشد و امکان بر آورد میانگین انحراف معیار طبقات و حتی تعداد طبقات مانند طبقه­بندی نظارت شده وجود ندارد از طبقه­بندی نظارت نشده استفاده می­شود. این روش طبقه­بندی به عهده خود کامپیوتر و نرم افزار گذاشته می­شود و به این دلیل به آن طبقه­بندی نظارت نشده گفته می­شود. در این طبقه­بندی به ازای تعداد طبقات قابل تشخیص، توسط کامپیوتر طبقه­بندی صورت می­گیرد که به آن­ها طبقات طیفی گفته می­شود. این روش می­تواند قدم اولیه­ای برای تعیین تعداد طبقات طیفی برای طبقه­بندی نظارت شده باشد در این صورت طبقه­بندی نظارت شده باکارایی بیشتری انجام می­گیرد. این روش دارای الگوریتم­های متفاوتی است.

در مقابل روش طبقه­بندی نظارت شده، طبقه­بندی نظارت نشده قرار دارد. الگوریتم Isodata یا K-means از جمله آنها است.

·        طبقه­بندی نظارت شده (Supervised Classification)

این نوع طبقه­بندی بر پایه مشخصات طیفى کلاس­هاى معلوم در تصویر انجام می­گیرد. المان­هاى اصلى در این روش، نمونه­هاى آموزشى [1]هستند که هرکدام معرف یک کلاس می­باشند. پس از مشخص شدن این نمونه­ها، نرم افزار مربوطه طبقه­بندی تصویر را بر پایه آن­ها انجام می­دهد. با استفاده از این نمونه­ها مشخصات آمارى مربوط به DN (Digital Number) هرپیکسل از تصویر در هر باند انتخاب شده، بدست می­آید.

این مشخصات شامل مقدار مینیمم، ماکزیمم، میانگین، انحراف معیار، واریانس، کواریانس و غیره می­باشد. در نهایت طبقه­بندی تصاویر بر پایه این المان­ها انجام می­گیرد.

طبقه­بندی نظارت شده که از اطلاعاتی در مورد نحوه توزیع کلاس­ها برای پردازش استفاده می­کند. برای این کار داده­های آموزشی استفاده می­شوند که دامنه مقادیر پیکسل برای کلاس مورد نظر را توصیف می­کنند. کل تصویر بصورت پیکسل به پیکسل بررسی می­شود تا اینکه کلاس­ها تعیین شوند. بدیهی است که برای تعیین اینکه پیکسل به کدام کلاس تعلق دارد نیاز به قوانین خاصی است. ساده­ترین آنها جعبه طبقه­بند کننده است. الگوریتم فاصله اقلیدسی و الگوریتم بیشترین شباهت از دیگر الگوریتم­های طبقه­بندی نظارت شده هستند.

مشخصات نمونه­هاى آموزشى

تعداد پیکسل­ها : چندین محدوده با حداقل ۱۰۰ پیکسل براى هر کلاس لازم می­باشد .

اندازه: محدوده­ها باید آنقدر بزرگ باشند که بتوانند اطلاعات با دقت بالا در مورد هر کلاس در بر داشته باشند، البته نه تا حدى بزرگ که تفاوت بین کلاس­ها قابل تشخیص نباشد .

شکل: در مورد شکل نمونه­ها ، محدودیتى وجود ندارد.

تعداد: بستگى به تعداد کلاس­ها دارد.

موقعیت: محدوده­هاى انتخابى باید با فاصله مناسب از کناره­هاى تصویر قرار بگیرند تا در موقع کلاسه­بندى، پیکسل­هاى لبه تصویر داخل نشوند.

یکنواختى: داده­ها باید توزیع فراوانى نرمال، براى هر باند طیفى داشته باشند.


 

v    طبقه­بندی بصری

در این روش مفسر می­تواند با توجه به مشخصات مختلف مثل شکل، اندازه، بافت، تن، رنگ و موقعیت و اطلاعات را تفسیر کند. این روش یکی از متداول­ترین روش­های تفسیر اطلاعات، جهت بازیابی تغییرات نیز می­باشد. مهمترین محدودیت این روش خسته کننده بودن آن می­باشد و اگر مناطقی دارای تغییرات شدید و جزئی باشد مفسر نمی­تواند محدوده آنها را مشخص کند.

v    پارامتریک و غیرپارامتریک

·        پارامتریک

 بر اساس پیکسل­های معلوم معرفی شده پارامترهای آماری مختلفی را محاسبه کرده و بر اساس آنها در مورد مابقی تصمیم می­گیرند. مثل بیشترین شباهت یا احتمال(maximum likelihood)  و کمترین فاصله  (minimum distance)، و معمولا حساسیت کمتری نسبت به حضور نویز یا خطا در تصاویر دارند.

·        ناپارامتریک

بدون محاسبه پارامترهای آماری و فقط بر اساس معیارهای بدست آمده از مقادیر پیکسل­های معلوم می­باشد. مثل طبقه­بندی جعبه­ای (box classification) و نزدیکترین همسایه­ها (K nearest neighbor) و اولین همسایه (single nearest neighbor) در صورتیکه انتخاب داده­های تمرینی مناسب باشد جواب­های بهتری ارائه می­دهند.

v    متداول و پیشرفته

·        متداول (پیکسل پایه)

روش­هایی که از قبل بوده و اکنون نیز استفاده می­شود، مثل بیشترین شباهت و کمترین فاصله.

خصوصیات: اطلاعات طیفی در آن­ها نقش دارد و از اطلاعات جانبی استفاده نمی­کنند. دارای الگوریتم ساده و سرعت پردازش بالا و در نتیجه سریع هستند ولی دقت در سطح پایین و متوسط می­باشد.

·        پیشرفته

شامل روش­های  شبکه­های عصبی - دانش پایه یا دانش بنیان طبقه­بندی فازی - مدل پایه

خصوصیات: از اطلاعات غیرطیفی و جانبی بیشتری استفاده می­کنند - دارای دقت بالا و طبقه­بندی متنوع تر و دارای روش­های ریاضی پیچیده­تر هستند.

معمولا پیاده­سازی آسانی نداشته و نیاز به داده­های خاص دارند که این مسئله باعث شده با استقبال عمومی مواجه نشوند.

v    براساس پیکسل و جزء پیکسل

·        بر اساس پیکسل (Hard Classifier): در مقیاس پیکسل عمل می­کنند

·        جزء پیکسل (Soft  Classifier): در مقیاس کوچکتر از پیکسل عمل می­کنند (Fuzzy Classification)

تمام یک پیکسل به یک کلاس نسبت داده نمی­شود مثل پیکسل­های مرزی

این روش­ها بدنبال محاسبه سهم هر کلاس در پیکسل (روش تجزیه خطی) یا مقدار تعلق پیکسل به هر کلاس (روش فازی) است.

یکی از مسائلی که باعث شده تا از این روش­ها بطور وسیع استفاده نشود نیاز به داده­های با ابعاد بالا نظیر داده­های فراطیفی است

این روش­ها هیچ­گونه تصمیم­گیری در مورد برچسب دهی پیکسل­ها نکرده و آن­را بعهده مراحل پس پردازش طبقه­بندی می­گذارند.



[1] Training Area

نظرات  (۰)

هیچ نظری هنوز ثبت نشده است
ارسال نظر آزاد است، اما اگر قبلا در بیان ثبت نام کرده اید می توانید ابتدا وارد شوید.
شما میتوانید از این تگهای html استفاده کنید:
<b> یا <strong>، <em> یا <i>، <u>، <strike> یا <s>، <sup>، <sub>، <blockquote>، <code>، <pre>، <hr>، <br>، <p>، <a href="" title="">، <span style="">، <div align="">
تجدید کد امنیتی