0

وبلاگ

سامانه آموزش سیستم اطلاعات جغرافیایی و سنجش از دور مقالات دانش محور آنالیز تصویر شئی گرا (OBIA)

آنالیز تصویر شئی گرا (OBIA)

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

ممکن است این مطالب نیز برای شما مفید باشد :

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

به اشیا فکر کنید نه پیکسل ها

چقدر جالب خواهد بود اگر بتوان همه عوارض موجود در یک تصویر را تنها با یک کلیک رقومی سازی نمود ؟ این حالت همانند جادوگری جذاب است. برای اینکه این فرایند انجام گیرد نیاز به اجرای دو پروسه طبقه بندی و قطعه بندی است که در مبحث آنالیز شئی گرای تصویر یا OBIA قرار می گیرد. در این نوشته قصد داریم ببینیم که OBIA چیست و چطور مورد استفاده قرار می گیرد و چطور می تواند موثرتر و دقیق تر انجام گیرد.

قطعه بندی (Segmentation) کلیدی در طبقه بندی (Classification) می باشد

ادراک بصری انسان تقریبا همیشه از الگوریتم های بینایی ماشین یا کامپیوتری بهتر عمل می کند. برای مثال چشمان شما رودخانه را می تواند شناسایی کند. اما کامپیوتر انتظار می رود نتواند بین رودخانه و دریاچه تمایز و تشخیص قائل گردد. شاید اینگونه نباشد شما چطور فکر می کنید ؟ روش های قدیمی طبقه بندی تصاویر پیکسل-پایه یک کلاس پوشش اراضی را به هر پیکسل اختصاص می دهد. همه پیکسل ها دارای ابعاد مشابه هستند، شکل یکسانی دارند و هیچ درکی از نواحی پیرامون خود ندارند. در هر صرت OBIA تصاویر را به گروههای کوچکی از پیکسل ها قطعه بندی یا گروه بندی می کند تا یک شئی برداری ایجاد گردد. به جای تشخیص سلول به سلول در قطعه بندی به صورت خودکار تصاویر به قطعاتی قطعه بندی و رقومی سازی می شوند.

آنالیز تصویر شئی گرا فرایندی است که در آن پیکسل های مشابه در یک گروه قطعه بندی می شوند

چیزی که قطعه بندی انجام می دهد در اصل تکرار چیزی است که چشم انسان انجام می دهد. اما با این اشیا قطعه بندی شده، از خواص طیفی، هندسی و فضایی استفاده می شود تا آنها را به کلاسهای پوشش اراضی طبقه بندی نمایند.

طبقه بندی OBIA از شکل، ابعاد و خواص طیفی اشیا برای طبقه بندی آنها استفاده می کند

از طرف دیگر زمانی که از تکنیک های طبقه بندی قدیمی استفاده می کنید معمولا نتایج طبقه بندی به صورت مجزا و منفصل و نقطه ای است. دو اصل بنیادین در OBIA وجود دارد که شامل موارد زیر می شود :

  • قطعه بندی یا Segmentation: تجزیه تصویر به اشیایی که نماینده عوارض سطح تصویر می باشند.
  • طبقه بندی یا Classification: طبقه بندی این اشیا با استفاده از شکل، سایز و ویژگی های مکانی و طیفی

ایجاد اشیا معنادار با استفاده قطعه بندی (Segmentation)

زمانی که یک تصویر را قطعه بندی می کند در این فرایند، پیکسل ها در کنار یکدیگر گروه بندی شده تا اشیا یا Object هایی ایجاد شود. این فرایند در اصل عوارض موجود بر روی زمین در یک تصور را بخش بندی نموده دقیقا همان طور که چشم ما آنها را به واحدهایی تفکیک نموده و از این طریق شناسایی و درک می کند. در تصویر زیر با قدرت تفکی مکانی 50 سانتیمتری، الگوریتم ها قطعه بندی چند رزولوشنه، تصاویر را به بخش ها یا قطعاتی تقسیم بندی می کنند. بر اساس تنظیمات مربوط به فشردگی و ابعاد یا شکل، این اوین مرحله یا گام در OBIA می باشد. چطور می توانید بزرگی عوارض و اشیا تشخیص داده شده را تعیین نمود ؟ برای این مورد، یک فاکتور مقیاس وجود دارد که می توانید از آن طریق اشیایی با ابعاد و در مقیاس مورد نظر که دارای شباهت و نزدیکی بیشتری با عوارض مد نظر شما باشد، تعیین کنید. در ضمن امکان ایجاد وزن برای لایه هایی که قصد قطعه بندی آنها را داریم، وجود دارد. این بدین معنا است که تنها مجبور نیستیم قطعه بندی را بر اساس باندهای قرمز، آبی و یا سبز انجام دهیم. در ضمن امکان قطعه بندی مدل رقومی ارتفاعی یا DEM و یا DSM و یا NIR و یا حتی LiDAR نیز وجود دارد.

قطعه بندی تصویر چند رزولوشنه در نرم افزار E-cognition

همین طور در نرم افزار ArcGIS بخش Segment Mean Shift متد جایگزینی برای آنالیزها و تحلیل های شئی گرا است. در هر صورت در آنجا امکانات و تنظیماتی به اندازه E-cognition در اختیار ندارید. برای مثال شما نمی توانید وزن برای چندین لایه تعیین کنید هنگامی که پروسه را اجرا می کنید. چیزی که می توانید انجام دهید تنظیم جزئیات مربوط به اطلاعات مکانی و طیفی به اضافه حداقل سایز پیکسل ها است.

قطعه بندی در نرم افزار ArcGIS با استفاده از الگوریتم Segment Mean Shift

طبقه بندی عوارض پوشش اراضی

بعد از آنکه تصویر قطعه بندی شد، اکنون زمان طبقه بندی هر شئی می باشد. اکنون شما قادر به طبقه بندی هستید زیرا هر شئی دارای اطلاعات آماری مرتبط با آن شئی می باشد. برای مثال می توانید اشیا را بر اساس هندسه، مساحت، رنگ، شکل، بافت، مجاورت و بسیاری موارد دیگر طبقه بندی کنید. البته این تنظیمات در نرم افزار ArcGIS دارای محدودیت هایی است ولی در نرم افزار eCognition امکانات بیشتری در این زمینه وجود دارد. در این مثال اطلاعات آماری بسیار زیادی برای طبقه بندی ساختمان ها وجود دارد ما از کدام اطلاعات آماری باید استفاده کرد ؟

هر شئی را OBIA دارای اطلاعات آماری مرتبط با آن شئی می باشد. در سمت راست اطلاعات شئی تصویر برای ساختمان انتخاب شده می باشد که مربوط به ویژگی های طیفی، شکل و ابعاد آن می باشد

مسلما روش بهینه ای برای طبقه بندی عوارض پوشش زمین با استفاده از روش OBIA وجود ندارد. اما تحلیلگران این حوزه، به طور مکرر از این اطلاعات آماری برای طبقه بندی پوشش زمین با استفاده از OBIA بهره می برند:

  • آب مسطح و همکار است، آبها در چاله ها تجمع می یابند، دارای دمای پائینی هستند و دارای جذب مادون قرمز نزدیک بالایی هستند.
  • درختان دارای نوسان ارتفاعی هستند، و همچنین دارای انعکاس مادون قرمز نزدیک بالایی هستند.
  • ساختمان ها اکثرا به شکل چهارگوشه و یا زاویه دار می باشند، دارای ارتفاع زیادی هستند و دارای شیب زیادی می باشند.
  • علفزارها یا زمین های پوشیده از گیاهان مرتعی و علفی دارای ارتفاع کی هستند، نسبتا صاف و هموار می باشند و دارای انعکاس مادون قرمز نزدیک متوسطی می باشند.
  • جاده ها انعکاس نور بسیار زیادی دارند، دارای سطح صاف و هموار هستند و دارای شدن تور زیادی بوده و دارای مقادیر پائین یا منفی NDVI می باشند.

می توانید مجموعه ای از قواعد (Rulesets) را تعیین کنید که شامل مجموعه ای از قواعد از پیش تعریف شده برای قطعه بندی و طبقه بندی عوارض تصویر می باشند. مشابه Model Builder در نرم افزار ArcGIS شامل چندین مرحله می باشد تا فرایند به طور کامل به پایان برسد. در عوض نرم افزار eCognition دارای روش طبقه بندی نزدیک ترین همسایه می باشد به طوری که می توانید طبقه بندی را بر اساس نمونه های از پیش تعیین شده، انجام دهید.

تصاویر بارزتر = طبقه بندی تصویر پیشرفته تر

در سال 1972، لندست 1 منجر به ایجاد یک انقلاب در روش مشاهده و پایش سطح زمین شد.با کاهش مقررات دولت ایالات متحده در مورد داده های ماهواره ای با وضوح بالا، روند صعودی در تصاویر واضح تر مشاهده می شود.این فقط ماهواره‌هایی مانند Worldview یا Planet Labs نیست، بلکه استفاده از LiDAR و هواپیماهای بدون سرنشین مانند DJI نیز شاهد رشد هستند. و روشی که ما تصاویر را طبقه‌بندی می‌کنیم از طبقه‌بندی تصاویر بدون نظارت به یک طبقه‌بندی تصویر مبتنی بر شیء پیچیده‌تر تبدیل شده است.

 

وقتی یک پیکسل شامل چندین ساختمان در سین تصاویر Landsat-1 بود، نیازی به تجزیه و تحلیل تصویر مبتنی بر شی وجود نداشت. با این حال، نسل جدید داده های با وضوح بالا نیاز به تجزیه و تحلیل تصویر مبتنی بر شی دارد. به عنوان مثال، سین تصویرLandsat-1 نمی تواند بین ساختمان ها از پارک ها رمزگشایی کند. در این مورد، طبقه‌بندی بدون نظارت و نظارت کافی بود. اما اکنون، داده‌های با وضوح بالا را با استفاده از OBIA برای پوشش زمین معنی‌دارتر تقسیم‌بندی و طبقه‌بندی می‌کنید. این روند در جامعه سنجش از دور است. در غیر این صورت، تکنیک‌های طبقه‌بندی تصویر سنتی، طبقه‌بندی با پیکسل هی پراکنده و نقطه ای و منفصل ناخواسته را ارائه می‌کنند.

Unsupervised classification with unwanted speckle classification

آنالیز تصویر شئی گرا (Object-based image Analysis - OBIA)

 OBIA با بیولوژیست های سلولی شروع شد که تصاویر را اسکن می نمودند. GEOBIA (تحلیل تصویر مبتنی بر شیء جغرافیایی) آن را از منشأ پزشکی آن متمایز می‌کند. تصاویر واضح تر، باندهای طیفی بیشتر، و انفجاری در جمع آوری داده ها می تواند به حل مشکلات امروز در این زمینه کمک کند.

 

برای درک همه این اطلاعات، به OBIA یا تجزیه و تحلیل تصویر مبتنی بر شی نیاز داریم تا برخی از کارها را برای ما خودکار کند. هر روز که می گذرد، ماهواره ها حجم زیادی از داده ها را در مدار جمع آوری می کنند. اما اگر در مورد استفاده از این حجم داده ها اطلاعی نداشته باشیم چه فایده ای دارد؟ OBIA در مورد تولید انبوه است. شما یک مجموعه قوانین ایجاد می کنید، آن را اجرا می کنید و طبقه بندی خود را در صورت لزوم ویرایش می کنید.

ممکن است این مطالب نیز برای شما مفید باشد :

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

برچسب ها:

مطالب زیر را حتما مطالعه کنید

معرفی هفت منبع داده اقلیمی رایگان جهانی

چرخش قطبی در مقابل چرخش خورشید آهنگ

تعامل انرژی در سنجش از دور : انعکاس، جذب و گسیل انرژی

معرفی 6 منبع رایگان داده های لیداری

آشنایی با SAR با استفاده از مثال

برنامه لندست : 50 سال آرشیو از تصاویر سطح زمین

دیدگاهتان را بنویسید

Copy Protected by Chetan's WP-Copyprotect.

با عضویت در خبرنامه از آموزش های جدید رایگان در ایمیل خود مطلع شوید