۸ نتیجه برای طبقه بندی
ایمان خسروی، مهدی آخوندزاده،
دوره ۲، شماره ۳ - ( ۹-۱۳۹۳ )
چکیده
یک تصویر تمام پلاریمتریک راداری (POLSAR) قابلیت فراهم‌کردن یک داده با فضای ویژگی ابعاد بالا را دارد. این حجم بالای اطلاعاتی میتواند دقت کلی طبقهبندی پوشش زمینی را افزایش دهد. اما افزایش ابعاد داده در صورت ناکافی بودن تعداد نمونههای آموزشی ممکن است باعث پیچیدهتر شدن طبقهبندی و رخ دادن پدیده نفرین ابعاد شود. یکی از راهکارهای حل این مشکل، استفاده از سیستمهای طبقهبندی چندگانه (MCS) است که توانایی تقسیم و غلبه بر حجم بالای داده در مقایسه با طبقهبندیکنندههای تکی را داراست. حتی برخی از روشهای MCS میتوانند با بهکارگیری طبقهبندیکنندههای ضعیف و ناپایدار همچون درخت تصمیم (DT) و شبکه عصبی (NN) به دقت بالایی در طبقهبندی ابعاد بالا دست یابند. هدف این مقاله نیز استفاده از چند روش مشهور MCS همچون آدابوست، بگینگ و جنگل‌های تصادفی به‌منظور بهبود دقت طبقهبندی پوشش زمینی از تصاویر POLSAR با ابعاد بالا است. دادههای استفاده شده در این مقاله، تصاویر راداری رادارست-۲ از منطقه سانفرانسیسکو و تصویر ایرسار از منطقه فلوولند است. برای طبقهبندی این دو تصویر، ۶۹ ویژگی پلاریمتریک از آنها استخراج شد. دو جداساز NN و DT بهعنوان طبقهبندی کننده پایه روشهای آدابوست و بگینگ انتخاب شد. در ادامه، روشهای MCS با طبقهبندیکنندههای تکی NN و DT مقایسه شد. نتایج، نشان از دقت کلی بیشتر روشهای MCS بین ۵%-۸% برای طبقهبندی تصویر اول و ۹% تا ۱۶% برای طبقهبندی تصویر دوم داشت. حتی دقت تولید کننده و دقت کاربر روشهای MCS در تمام کلاسها نسبت به طبقهبندی کننده‌های تکی بیشتر بود. بهگونهای که در برخی کلاسها این اختلاف بین ۲۰% تا حتی نزدیک به ۵۰% شد. این نتایج نشان داد که روشهای MCS در مقایسه با طبقهبندیکنندههای تکی نهتنها قادر به تولید دقت کلی بیشتر در طبقهبندی پوشش زمینی است، بلکه حتی کارایی و اعتمادپذیری نسبی بالاتری در تفکیک تکتک کلاسها دارد.
داود اکبری، عبدالرضا صفری، صفا خزائی،
دوره ۳، شماره ۱ - ( ۳-۱۳۹۴ )
چکیده
فن‌آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوشش‌های زمین و بررسی تغییرات آنها می‌باشد. با پیشرفت‌های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می‌کند. در این تحقیق سعی می‌گردد تاثیر کاهش ابعاد به کمک الگوریتم ژنتیک را در فرآیند طبقه بندی طیفی-مکانی تصاویر ابرطیفی بررسی شود. در میان الگوریتم‌های مختلف طبقه بندی طیفی-مکانی تصاویر ابرطیفی، تاکنون سه الگوریتم قطعه بندی واترشد، هرمی و جنگل پوشای مینیمم مبتنی بر نشانه در ترکیب با الگوریتم طبقهبندی ماشین بردار پشتیبان به بهترین نتایج دست یافته‌اند. در روش پیشنهادی ابتدا به کمک الگوریتم ژنتیک ابعاد تصویر ابرطیفی کاهش یافته سپس بر روی باندهای حاصل، سه الگوریتم قطعه بندی مذکور پیاده سازی گردید. در نهایت نقشه های قطعه بندی بدست آمده به کمک قانون تصمیم رای اکثریت با نقشه طبقه بندی ماشین بردار پشتیبان ترکیب شد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Telops و DC Mall پیاده سازی گردید، نتایج آزمایشات بدست‌آمده برتری استفاده از کاهش ابعاد در الگوریتم جنگل پوشای مینیمم مبتنی بر نشانه و استفاده از تمام باندهای تصویر در الگوریتم های واترشد و هرمی مبتنی بر نشانه را نشان میدهد.
عبید شریفی، بهنام اصغری بیرامی، مهدی مختارزاده،
دوره ۹، شماره ۲ - ( ۷-۱۴۰۰ )
چکیده
سنجنده های ابرطیفی به واسطه اخذ تعداد زیادی از باندهای طیفی همواره دارای اهمیت خاصی در پایش پدیده های سطح زمین می باشند. طبقه بندی تصاویر ابرطیفی مهمترین روش پردازش داده های ابرطیفی می باشد که تا به حال تلاش های زیادی برای افزایش دقت آن صورت گرفته است. شبکه های عصبی پیچشی و ویژگی های مکانی در سال های اخیر جایگاه مهمی در بهبود دقت طبقه بندی تصاویر ابرطیفی داشته اند. در تحقیقات پیشین توجه زیادی به استفاده همزمان از قابلیت های روش های استخراج ویژگی مکانی در شبکه های عصبی پیچشی نشده است. به همین دلیل در مقاله حاضر یک معماری جدید از شبکه های عصبی پیچشی برای طبقه بندی تصاویر ابرطیفی معرفی شده است که به عنوان ورودی شبکه از بردار طیفی_مکانی حاصل از ترکیبات مختلف ویژگی های مکانی شامل پروفایل های مورفولوژی، بانک فیلترگابور و الگوی باینری محلی(LBP) با ویژگی های طیفی استخراج شده از روش تبدیل مولفه اصلی استفاده می کند. آزمایش های این مقاله که بر روی دو تصویر ابرطیفی حقیقی از دو منطقه کشاورزی و شهری صورت گرفته است، نشان از برتری روش پیشنهادی دارد. نتایج نهایی نشان می دهد که دقت کلی طبقه بندی با روش پیشنهادی می تواند در بهترین حالت ۲/۵ درصد از روش های رقیب بهتر باشد.
آقای مسعود سلیمانی، دکتر سارا عطارچی، خانم نرجس محمودی وانعلیا، خانم فریماه بخشی زاده، آقای حامد احمدی،
دوره ۹، شماره ۳ - ( ۹-۱۴۰۰ )
چکیده
در این مطالعه، جهت ارزیابی قابلیت های سری زمانی داده های تداخل‌سنجی رادار دریچه مصنوعی (InSAR) و یادگیری ماشین در تهیه نقشه پوشش زمین، داده های ماهواره سنتینل -۱ (شامل ۱۶ تصویر SLC با تفکیک زمانی تقریباً ۲۴ روزه) در بازه زمانی ۲۰۱۸ تا ۲۰۲۰ برای محدوده ای از شهرستان اهواز در استان خوزستان استفاده شدند. از طریق پردازش های InSAR، تعداد ۲۵ تصویر همدوسی بر اساس جفت تصاویر رادار در بازه های زمانی مختلف تولید گردیدند. پنج طبقه غالب پوشش زمین در منطقه شامل: اراضی ساخته شده، اراضی کشاورزی، پهنه های آبی، خاک لخت و پوشش گیاهی طبیعی متراکم، شناسایی و در نظر گرفته شدند. با استفاده از تصاویر قدرت تفکیک مکانی بالای گوگل ارث، در مجموع ۴۹۳۰ نمونه آموزشی با توزیع مکانی مناسب برای تمامی طبقات پوشش زمین اخذ گردید. تصاویر چندزمانه همدوسی بهعنوان ورودی طبقه‌بندی‌کننده ماشین بردار پشتیبان (SVM) استفاده شدند. فرایند آموزش و ارزیابی صحت کرنل های مختلف SVM به ترتیب با استفاده از ۸۰ و ۲۰ درصد نمونه های آموزشی صورت گرفت. بر اساس نتایج طبقه بندی، میزان صحت کلی در کرنل های خطی، چندجمله ای درجه دو، چندجمله ای درجه چهار، چندجمله ای درجه شش، تابع پایه شعاعی و سیگموئید به ترتیب برابر با ۶۰,۷، ۶۴.۷، ۶۷.۷، ۶۹.۹، ۶۶.۳ و ۵۹.۵ درصد و مقدار ضریب کاپا ۵۰.۸۸، ۵۵.۸۷، ۵۹.۶۲، ۶۲.۳۸، ۵۷.۸۷ و ۴۹.۳۸ درصد ارزیابی گردید. در نتیجه، بالاترین میزان صحت کلی و ضریب کاپا برای کرنل چندجمله ای درجه شش و کمترین میزان آن برای کرنل سیگموئید به دست آمد. بر اساس نتایج ارزیابی صحت کاربر و صحت تولیدکننده در تمامی کرنل ها، اراضی ساخته شده بالاترین میزان صحت (۹۳ - ۹۸.۵ درصد) و پوشش گیاهی متراکم کمترین میزان صحت (۱۱ - ۵۶.۲۵ درصد) را به خود اختصاص دادند. به‌طورکلی نتایج حاصل، بر پتانسیل بالای داده های InSAR جهت شناسایی طبقات پوشش زمین تأکید دارد. در این میان، تأثیر الگوریتم طبقه بندی نیز بر میزان کارایی داده ها حائز اهمیت است.
خانم سمیه محمودی، دکتر نجمه نیسانی سامانی، دکتر آرا تومانیان،
دوره ۹، شماره ۴ - ( ۱۲-۱۴۰۰ )
چکیده
امروزه با پیشرفت تکنولوژی، سنجندههای متعدد، تصاویر ابرطیفی با رزولوشن طیفی و مکانی بالا تهیه میکنند. تا کنون روشهای متعددی برای طبقهبندی تصاویر ابرطیفی ارائه شدهاند که هرکدام سعی دارند بر تعدادی از چالشهای محاسباتی و پردازشی دادههای ابرطیفی فائق آیند. کارایی شبکه های عصبی چندلایه به دلیل افزایش تعداد پارامترها همزمان با افزایش تعداد لایه ها ،که در موضوعات پیچیده همچون طبقه بندی تصاویر ابرطیفی ضروری است، بسیار کاهش پیدا می کند. در سالهای اخیر مفهوم یادگیری عمیق و به ویژه شبکههای عصبی کانولوشن، به دلیل تولید اتوماتیک ویژگیها و کاهش پارامترها نسبت به شبکههای عصبی چندلایهی پرسپترون با به اشتراک گذاشتن پارامترها در هر لایه، بسیار مورد توجه محققان در حوزهی شناسایی الگو قرار گرفته است. هدف کلی تحقیق پیش رو، ارائهی چارچوبی مبتنی بر مفاهیم یادگیری عمیق، به واسطهی توسعهی یک شبکه عصبی کانولوشن(CNN) برای طبقه بندی تصاویر ابرطیفی است. چارچوب مذکور شامل چهار مرحله است. مرحلهی اول) کاهش بعد با استفاده از روش زیرفضا، مرحلهی دوم) آمادهسازی ورودیهای CNN، مرحلهی سوم) غنیسازی دادههای آموزشی، مرحلهی چهارم) طراحی معماری CNN. پیادهسازی چارچوب پیشنهادی بر روی دادههای بنچ مارک دانشگاه پاویا، علیرغم بکارگیری تعداد محدودی دادهی آموزشی، موجب حصول صحت طبقهبندی ۹۸/۳ درصد شد.
سحر ابراهیمی، دکتر حمید عبادی، دکتر امیر آقابالائی،
دوره ۱۱، شماره ۱ - ( ۳-۱۴۰۲ )
چکیده
در دو دهه اخیر از میان مدهای مختلف تصویربرداری تصاویر رادار با روزنه مجازی (SAR)، مد پلاریمتری فشرده (CP) بسیار مورد توجه واقع شده است. از جمله این مزایا میتوان به کاهش پیچیدگی سیستم تصویربرداری، کاهش حجم و نرخ داده و همچنین عرض نوار برداشت بزرگتر اشاره نمود. وجود چنین مزایایی باعث میشود که این داده ها برای پایش اهداف در مقیاسی وسیع، به عنوان مثال طبقه بندی جنگل، مفید واقع شوند. اکثر روشهای ارائه شده برای طبقهبندی جنگل با استفاده از این مد بر پایه استخراج ویژگی از تصور عمل میکنند. دقت این روشها به تمایز ویژگیهای استخراج شده بستگی دارد. در این میان، شبکه های یادگیری عمیق مرحله استخراج ویژگی را تا حد زیادی خودکار نموده و به نتایج چشمگیری به خصوص در امر طبقه بندی دست یافته اند. در این تحقیق قابلیت شبکه های یادگیری عمیق با استفاده از دادههای CP در طبقه بندی جنگل مورد بررسی قرار میگیرد. منطقه مطالعاتی در این تحقیق جنگل پتاواوا واقع در ایالت آنتاریو کشور کانادا و دادههای مورد استفاده داده های شبیه سازی شده CP، دادههای تمام پلاریمتری (FP) و نیز دادههای بازسازی شده از CP (PQ) اخذ شده از سنجنده رادارست – ۲ در باند C هستند. شبکه عمیق مناسب به منظور استخراج خودکار ویژگیها طراحی شده و طبقه بندی بر روی دادههای CP، FP و PQ انجام میگیرد. نتایج حاصل از طبقهبندی مدها با یکدیگر و همچنین با طبقه بندی کننده ویشارت و ماشین بردار پشتیبان (SVM) مقایسه و ارزیابی شدند. نتایج این تحقیق نشان میدهند که استفاده از شبکه های یادگیری عمیق، دقت حاصل از طبقه بندی را در بهترین مد CP به ۸۲/۰۱ % و در بهترین مد PQ به ۸۲/۶۸% میرساند. دقت نتایج حاصل از روش پیشنهادی، در مدهای pi/۴، DCP و CTLR از مدهای CP نسبت به روش SVM به ترتیب حدود ۵%، ۸% و ۵% و نسبت به روش ویشارت به ترتیب ۱۵%، ۲۰% و ۱۶% بهبود یافته است. همچنین در مدهای PQ_DCP و PQ_CTLR نیز نسبت به هر دو روش SVM و ویشارت افزایش دقت به چشم میخورد.
مهندس علیرضا طاهری دهکردی، مهندس روح الله گودرزی، دکتر محمدجواد ولدان زوج،
دوره ۱۲، شماره ۱ - ( ۳-۱۴۰۳ )
چکیده
کشاورزی به عنوان یکی از ارکان اصلی تامین امنیت غذایی جامعه، از اهمیت ویژه ای در تصمیم گیریهای کلان کشور به ویژه وضع سیاست های مربوط به واردات و صادرات برخی محصولات برخوردار است. لذا تعیین سطح زیر کشت محصولات کشاورزی در هر سال زراعی امری حیاتی به نظر می رسد. تقسیم بندی اراضی کشاورزی برمبنای سیستم زراعت در طول سال زراعی، میتواند برآورد دقیق تری از سطح زیرکشت محصولات پاییزه و بهاره در اختیار قراردهد. چراکه در این نقشه ها، مساحت اراضی دوکشت با دو محصول پیاپی پاییزه و بهاره متوالی، دو مرتبه در نظر گرفته میشوند. این تحقیق با هدف طبقه بندی اراضی کشاورزی به کلاسهای تک کشت بهاره، پاییزه، یونجه و اراضی دوکشت، به توسعه یک روش تصمیم گیری سلسله مراتبی دانش مبنا پرداخته است. در روش توسعه داده شده، با اعمال حدآستانه های متفاوت در سری زمانی شاخص گیاهی تفاضل نرمال شده (NDVI) مستخرج از تصاویر سنتینل-۲، اراضی کشاورزی در چندین مرحله به صورت سلسله مراتبی به کلاس های هدف طبقه بندی می شوند. کلیه روند پیشنهادی، با استفاده حداکثری از تصاویر ماهواره ای و پردازش های برخط، در سامانه گوگل ارث انجین و متناسب با قابلیت های برنامه نویسی این بستر، پیاده سازی شده است. روش پیشنهادی در یک منطقه مطالعاتی واقع در شهرستان شهرکرد مورد بررسی قرارگرفته که در نهایت با دقت کلی ۹۷/۲۷% در مقایسه با دو روش نزدیکترین همسایگی با دقت کلی ۹۳/۷۶% و درخت تصمیم گیری با دقت کلی ۹۴/۳۲% عملکرد بهتری از خود ارائه داده است. همچنین نتایج نهایی حکایت از مشابهت بالای نقشه تولید شده توسط روش پیشنهادی و روش ماشین بردارپشتیبان دارند. هرچند که روش ماشین بردارپشتیبان با دقت کلی ۹۷/۸۴% با اختلاف جزئی، دقت بالاتری از روش ارائه شده بدست آورده اما روش ارائه شده در عین سادگی، قابل درک بودن و استفاده از ویژگی های منحنی رفتار زمانی اراضی کشاورزی، در سالهای زراعی متفاوت بدون نیاز به آموزش مجدد قابلیت به کارگیری دارد.
سید احمد علیزاده مقدم، مهدی مختارزاده،
دوره ۱۲، شماره ۲ - ( ۶-۱۴۰۳ )
چکیده
تصاویر ابرطیفی منبع غنی از داده های سنجش از دور محسوب میشوند که در مطالعات مختلفی از جمله کشاورزی، مدیریت و طبقه بندی پوشش/کاربری اراضی بکار گرفته میشوند. با این حال، ابعاد بالای فضای ویژگی و تعداد محدود نمونه های آموزشی از چالش های اصلی در طبقهبندی این تصاویر و استخراج اطلاعات از آنها بشمار می رود. بدین ترتیب، استفاده از روشهای کاهش ویژگی به دو شکل انتخاب ویژگی و استخراج ویژگی از اهمیت بالایی برخوردار است. روشهای کاهش ویژگی به دو دسته نظارت شده و بدون نظارت تقسیم میشوند، که روشهای بدون نظارت به دلیل عدم نیاز به داده های آموزشی کاربردی تر هستند. در این مطالعه روشی بدون نظارت مبتنی بر خوشه بندی باندها در فضای پدیده اجزای خالص (EPBC) ارائه شده است. در این روش پس از تخمین بعد مجازی تصویر و استخراج اجزای خالص، فضای پدیده اجزای خالص تشکیل شده و باندها در این فضا به روش K-Means خوشه بندی میگردند و در نهایت میانگین وزندار هر خوشه به عنوان یک ویژگی استخراج میشود. نتایج نهایی بدست آمده از طبقه بندی دو تصویر ابرطیفی نشان میدهد که دقت کلی طبقه بندی به روش بیشترین شباهت با ویژگی های استخراج شده از روش ارائه شده در بهترین حالت برای تصویر کاجهای هندی برابر ۶۶/۷۵ درصد و برای تصویر دانشگاه پاویا برابر ۷۱/۸۹ درصد بوده است، که نسبت به روشهای آنالیز مولفه های اصلی (PCA)، تبدیل کسر نویز کمینه (MNF) و آنالیز مولفه های مستقل (ICA) به عنوان روش های بدون نظارت و روش آنالیز تفکیک پذیری خطی (LDA) به عنوان روش نظارت شده عملکرد بهتری داشته است.
