فصل پنجم: پردازش تصوير
	پردازش تصوير- طبقه بندي نظارت شده

طبقه بندي نظارت شده يا Supervised classification يكي از روشهاي متداول طبقه بندي تصوير است كه مبتني بر نمونه گيري است. فرايند كار به دو بخش تقسيم مي شود: مرحله اول آموزش كامپيوتر با استفاده از معرفي يكسري نمونه ها از كلاسهاي موجود در نقشه  است و مرحله دوم تصميم گيري كامپيوتر براي كليه اطلاعات موجود در تصوير و تعميم اطلاعات ورودي مشابه خواهد بود.

 در مرحله اول كلاسهاي موجود بر اساس واقعيتهاي زميني (Ground truth) يا محلهائي كه متعلق به يك كلاس خاص، تعريف خواهند شد. اين اطلاعات مي تواند از يك نقشه موجود و يا نمونه گيري بدست آيد.  يك مجموعه نمونه يا Sample Set ايجاد مي شود كه ارتباط بين دامنه كلاسها را با باندها در مناطق محلهاي آموزش تعريف مي كند.

در اين بخش از دروس آنلاين ايران هيدرولوژي بيايد ادامه كار را با يك مثال از سه باند موجود از تصاوير اسپات در مثالهاي همراه Ilwis پيگيري كنيم. يك ليست نقشه براي ايجاد تركيب رنگ از فايلهاي Spotb1، Spotb2 و Spotb3 ايجاد نمائيد.از منو فايل Create> Sample Set را انتخاب نمائيد. يك دامنه جديد تعريف نمائيد كه موارد زير را در بر گيرد:

كد	نوع پوشش	كلاس
w	آب	water
f	جنگل	forest
gl	علفزار	grass land
c1	محصول زراعي	crop1
c2	محصول زراعي	crop2
c3	محصول زراعي	crop3

 پس از آنكه تمام كلاسها را وارد كرديد دكمه تائيد را بفشاريد تا به پنجره آماري نمونه ها برسيد:

روي قسمتي كه مي دانيد جنگل است كليك كنيد و آنقدر آنرا بزرگ كنيد تا به مربعات پيكسلي برسيد. در اين حالت نوع پوشش زمين را  براي نقاط نمونه تعريف كنيد. در صورت لزوم مي توانيد دكمه Ctrl را پائين نگه داريد تا چند سلول با هم انتخاب شوند.

از دكمه Feature Spaces كه با آيكون مشخص شده  استفاده كنيد تا رنگهاي تفكيك شده را در فضاي عوارض ملاحظه نمائيد. فضاي عوارض نموداري است كه مقدار DN هارا در يك باند با باند ديگر مقايسه مي كند. اين موضوع براي امكان تفكيك عملي پديده ها اهميت مي يابد. چنانچه تعداد نمونه ها به اندازه كافي نباشد طبقه بندي نظارت شده به خوبي انجام نمي شود. اين مهم براي هر سه حالت تركيب رنگ مي بايست چك شود.هرچه تعداد نمونه ها بيشتر باشد بهتر است اما معمولاً تعداد نقاط نمونه  بين 30 تا 100 باشد. پس از آنكه نمونه ها معرفي شد دكمه را فشاريد و پنجره را ببنديد.

  از Operation list گزينه Classify را انتخاب كنيد. نام نمونه را مشخص كنيد و يكي از حالات روش طبقه بندي را انتخاب نمائيد:

• Box Classifier:  اين روش ساده ترين روش طبقه بندي است. در اين روش در فضاي دوبعدي جعبه هاي مستطيلي دور نمونه ها براي هر كلاس تعريف مي شود. در فضاي سه بعدي اين جعبه ها شكل بلوك به خود مي گيرند. با استفاده از رويكرد حداقل-حداكثر موقعيت و انحراف معيار بدست آمده براي هر عارضه، اندازه جعبه ها دقيقاً حول بردار عوارض تعيين مي شود. كاربر مي تواند با استفاده از Multiplication factor (عامل ضرب ) اندازه ها را تغيير دهد. در بخشهائي كه فضاي عوارض همپوشي دارد اولويت با كوچكترين جعبه خواهد بود. عوارضي كه بردار آنها خارج از جعبه ها قرار گيرد نامشخص Unknown شناخته خواهند شد.

• Minimum Distance to Mean:يا روش «حداقل فاصله تا متوسط» ابتدا متوسط را براي هر كلاس محاسبه مي كند و فضاي عوارض بر حسب اختلاف با ميانگين اختصاص داده مي شود. عوارضي كه بردار آنها اختلاف فاحشي با ميانگينها دارد نامشخص Unknown شناخته خواهند شد. در صورت تمايل مي توان يك آستانه نيز براي حداكثر فاصله مشخص نمود.

• Minimum Mahalanobis Distance: در اين روش برحسب ماتريس واريانس-كواريانس هر كلاس و فاصله ارزش هر پيكسل با ميانگين هر كلاس طبقه بندي صورت مي گيرد. در اين حالت كمترين فاصله با  هر كلاس به عنوان نام طبقه تعيين مي شود.

• Maximum Likelihood: اين روش  آماري فرض مي كند بردار عوارض هر كلاس از تابع توزيع تجمعي نرمال تبعيت كند. از نمونه ها براي برآورد پارامترهاي توزيع استفاده مي شود و  مرزهاي كلاسها مشخص مي شود.

نام نقشه خروجي را نيز وارد نمائيد، اكنون كامپيوتر بر اساس آموزشي كه ما توسط نمونه ها به او داده بوديم ياد مي گيرد كه چگونه تصوير را براي ما طبقه بندي كند.

توجه: © به موجب قانون حقوق مولفين، كليه  حقوق مادي و معنوي اين اثر الکترونيکي براي نويسنده  (خدايار عبداللهي) محفوظ است.  هرگونه كپي برداري، نقل قول، تبديل به قالب هاي ديگرو... بدون ذكر منبع ممنوع است. در اختيار گذاشتن  رايگان اين اثر صرفاً  براي استفاده هاي علمي بوده  و توزيع تجاري آن بدون مجوز صاحب اثر غير قانوني مي باشد.

آغازفصل| فهرست|بازگشت | صفحه اصلي