انواع روش های طبقه بندی در سنجش از دور
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.