پروژه پردازش تصاویر ماهواره ای جهت طبقه بندی بافت گیاهی

پروژه پردازش تصاویر ماهواره ای جهت طبقه بندی بافت گیاهی

چـكـيــده

براساس تحقيقات به عمل آمده در چشم انسان ويژگيهايي چون لبه، بافت و رنگ در تشخيص اجسام اهميت دارند در اين بين مشخصه بافت به علت دارا بودن اطلاعات کلي از جسم مورد مطالعه، داراي ارزش بيشتري است. از اين رو مطالعه بافت در مواردي چون ناحيه بندي خودکار آن وکلاس بندي اين نواحي از مهمترين مسائل تجزيه و تحليل بافت تصاوير است و يکي از مهمترين کاربرد هاي آن در تجزيه و تحليل بافتهاي ماهواره ای مي باشد. در اين ناحيه بندي هاي خودکار ابتدا نياز به استخراج ويژگيهاي بافت است تا به گونه اي انجام شود که تفاوت بين بافتهاي مختلف زياد تر و شباهت درون بافتي بيشتر شود. اين طبقه بندي نيازمند دانستن نوع بافت مورد مطالعه، نويزهاي محيطي و بر چسب صحيح بافت است. جهت رسيدن هدف نهايي اين پایان نامه دريافت يک تصوير ماهواره ای، ناحيه بندي آن و برچسب زدن هر کلاس است. در ابتدا برای تصاویر برچسب دار داده هایی که بیشترین وابستگی به بافت تصویر را دارند مشخص نمودیم و ویژگی های آنرا استخراج نمودیم. سپس از ویژگی های خالص به عنوان داده های آموزش استفاده نمودیم. 

از چهار تصویر ۳ تصویر به عنوان آموزش و یک تصویر به عنوان تست استفاده شد. در این پژوهش به کمک روش ترکیب طبقه بند ها ویژگی ها به دقت میانگین 89 درصد، صحت ۶۸ درصد و  اعتبار۷۸ درصد دست یافتیم.



واژگان کليدي: بافت تصویر - تصاویر ماهواره ای - طبقه بندی ترکيبی - شناسایی مراتع - گیلان




پیش پردازش به کمک نرم افزار GIS Arc view‌انجام شد
نتایج شبیه سازی:




  1. پیشـگفـتـار

در اين پژوهش طبقه بندي تصاوير ماهواره ای در گروه های مختلف تصویری از ويژگي هاي بافتي تصوير استفاده شد؛ لذا در ابتدا استخراج ويژگي و طبقه بندي روي تصاوير بافتي از پايگاه داده Brodatz انجام شد و سپس از تصاوير ماهواره ای، ويژگي هاي بافتي استخراج شد. پس از استخراج ويژگي از نرم افزار MATLAB جهت انتخاب ويژگي، کاهش ويژگي و جهت طبقه بندي اوليه از SPSS استفاده شد و نتايج به فرم زير مي باشد. در این فصل به ارائه نتایج و تحلیل نتایج شبیه سازی، پیشنهادات کارهای آتی می پردازیم. 

جدول ‏51 مقايسه روش‌هاي پیاده­سازي شده در اين پايان­نامه

طبقه بندي

استخراج ويژگي

بيز

شبکه عصبی

دقت 

صحت

دقت 

صحت

PSD

78.3

78.2

77.2

66.6

GLCM

66.6

76.6

77.2

79.2

GLRLM

78.25

78.0

78

78.3

فیلتر موجک گابور

88.0

85

87.3

87.3

PCA All features

83.0

89.3

90.2

88.3

ترکیب طبقه بند ها

90.3 دقت

89.9 صحت








نتیجه حاصل ترکیب به صورت زیر است


جدول ‏52 مقايسه روش ارائه شده با ديگر روش‌هاي طبقه ­بندي مبتني بر ويژگي بافتي

دقت 

اعتبار

روش

88.24

91.8

Rahil Garnavi و همکاران [38] طبقه­ بند LMT (2010) 

90.1

86.27

Walvick و همکاران [39] طبقه ­بند RF (2010) 

0.91

85.21

Patwardhan و همکاران [40] طبقه­ بند RF (2003) 

90.3

89.9

در این پژوهش


در جدول زیر مقایسه بر حسب معیار های طبقه­ بندی ارائه شده است.

روش اول که در مقاله اول به آن اشاره شده است، روش وفقی بر پایه­ی مؤلفه‌های حوزه­ی فرکانس می­باشد. هزینه زمانی در این روش بسیار بالا می باشد.

روش دوم که جواب سریع­تر و بهتری دارد با استفاده از ادغام در دو مرحله تصمیم و ویژگی صورت گرفته است.

  1. شبـکه پیشنهادی

با توجه به شبیه سازی های فصل قبل و سیستم‌های فوق سیستمی که کمترین مقدار MSE در تست را دارد به عنوان سیستم خروجی انتخاب می‌گردد. این سیستم طبقه بندی با بهره گیری از PCA بر روی تمام ویژگی ها و تعداد 50 نرون به عناون لایه میانی با بیشترین دقت و اعتبار بالای 85 درصد به عنوان سیستم شبکه پیشنهادی این رساله است. 

  1.  جنبه نوآوری پژوهش

نو آوری اول این پژوهش ویژگی های جدید فرکانسی به کمک فیلتربانک پیشنهادی در حوزه فرکانس استخراج گردید.

نوآوری دوم، ترکیب ویژگی های مستخرج به کمک PCA می باشد.

نوآوری سوم، ترکیب طبقه بند های بیزین و شبکه عصبی به کمک روش ادغام است.

  1. محـــاسن پژوهـش

  1. این شبیه سازی به علت بهره گیری از شبکه عصبی بهبود داده شده در Matlab بسیار کند می باشد اما دقت شناسایی آن بسیار بالا است. 
  2. در ادامه بهره گیری از شبکه عصبی بازخوردی باعث همبستگی داده ها می شود. 
  3. MSE محاسبه شده نسبت به سایر پژوهش ها بسیار پایین تر است. در صورت ترکیب این روش با روش های الگوریتم دیگر مطمئنا دقت بالاتر می رود.
    1. معـایب پژوهـش

  4. به علت عدم بهره گیری از نقشه های دقیق Arcview GiS باعث تقریبی شدن آنها شده است. این عامل بر دقت شبیه سازی بسیار موثر می باشد. لذا بهره مند بودن داده های روز بسیار حائز اهمیت است.
  5. استفاده از شبکه عصبی به تنهایی جهت یافتن کمینه MSE نیاز به شبیه سازی تمام شبیه سازی ها با نرون های یک تا 100 و ورودی یک تا 35 دارد که بسیار زمان آموزش را طولانی می نماید. بهره گیری از سیستم ترکیبی می تواند این زمان و MSE نهایی را کمینه نماید.
    1. پیـشـنـهادهـا

با توجه به مطالب اشاره شده می توان پیشنهادات را به صورت زیر دسته بندی نمود:

  1. بهره گیری از شبکه عصبی تلفیقی با سایر شبکه های هوشمند نظیر الگوریتم مورچه یا فازی و ..
  2. استفاده از تغییرات نمایش ویژگی جهت بهبود ارزش ویژگی ها مانند PCA یا LDA یا ICA
  3. بهره گیری از روش های مدرن در آموزش نظیر یادگیری عمیق.
    1. نتیـجه گیـری

در اين پايان­نامه، روش‌هاي مختلف استخراج ويژگي بافت مورد ارزيابي قرار گرفت. برخي از روش­ها مانند تبديل فوريه جهت طبقه­ بندي تصاوير بافتي Brodatz جواب قابل قبولي داشت اما براي طبقه ­بندي تصاوير هوایی و ماهواره ای مناسب نبود و نيازمند اصلاح در استخراج ويژگي مي­باشد. بعد از استخراج ويژگي ها به علت زياد بودن ويژگي ها از ادغام بدون کاهش ويژگي استفاده شد. در ادامه معيار فيشر داده‌های با انرژي اطلاعاتي بالا را انتخاب نمود و در قسمت استخراج ويژگي در تست، از محاسبه­ی باقي ويژگي هايي که در جهت طبقه ­بندي اطلاعاتي را اضافه نمي کنند، جلوگيري شده است. در نهايت از ادغام ويژگي ها مبتني بر PCA  به همراه کاهش ويژگي استفاده شده است. طبقه­ بندي با روش نهایی داراي سرعت طبقه­ بندي قابل قبول و دقت 92 درصد با تعداد 10 مولفه اصلي مي‌باشد. در اين آناليز فيشر برخي از ويژگي هاي مختلف استخراج شده از روش‌هاي مختلف داراي انطباق زيادي مي‌باشند، در نتيجه در ارزش اطلاعاتي ويژگي ها و دقت طبقه ­بندي تأثيري نداشتند. 

در طبقه ­بندي پايگاه هاي بافت، همواره به جواب­هاي بهتري مي رسيم. دليل اين امر علاوه بر فاصله زياد ويژگي ها مي تواند در مواردي نظير عدم قطعيت عضويت تصوير به گروه خاص، وجود زير طبقاتي از بافت در گروه­ها باشد. در صورت تشخيص اين زير­گروه­ها دقت و اعتبار طبقه­ بندي افزايش خواهد يافتدر این پژوهش از شبکه عصبی بهره گیری شده است. هرچقدر تعداد نرون ها بيشتر باشد عملكرد شبكه دقيق تر خواهد بود. در این ساختار نوع شبكه عصبي چند لايه (MLP) از نوع Forward Feed ( پيش خور ) با الگوريتم پس انتشار خطا (Propagation Back)، تابع انتقال (محرك) لايه هاي مياني تابع لگاريتم ( سيمگوئيد غيرخطي ) و تابع انتقال لايه خروجي خطي و تابع آموزشي گراديان نزولي، نرخ یادگیری 008/ و epochs برابر 1000 انتخاب شده است. 

Search projects

Recent Posts