تشخیص الگو در سنجش از دور و پردازش تصاویر ماهواره ای

تشخیص الگو یا Pattern Recognition چیست ؟

تشخیص الگو، شاخه ای از یادگیری ماشین است که بر روی تشخیص الگوها و روندهای موجود در داده ها متمرکز است. تشخیص الگو، دارای همپوشانی و روابط میانی با شاخه های علمی یادگیری ماشین (Machine Learning) و داده کاوی (Data Mining) است و از بسیاری از روش ها و متدهای این شاخه های علمی نیز به وفور بهره می برد.

تشخیص الگو در سنجش از دور به دو گروه اصلی طبقه بندی می شود و شامل روش های تشخیص الگوهای تصاویر ماهواره ای بر اساس روش های یادگیری نظارت شده (Supervised Learning) و نظارت نشده (Unsupervised Learning) می باشد. در بخش یادگیری نظارت شده با مفهوم طبقه بندی یا Classification مواجه خواهیم شد و در بخش یادگیری نظارت نشده با خوشه بندی یا Clustering رو به رو می شویم. روش های طبقه بندی نظارت شده خود می تواند شامل روش های پارامتریک و ناپارامتریک گردد. در گراف زیر این نوع دسته بندی نمایش داده شده است.

طبقه بندی (Classification) در مقابل خوشه بندی (Clustering)

طبقه بندی و خوشه بندی دو نوع روش یادگیری هستند که اشیا را با استفاده از یک یا چند مؤلفه در گروه هایی قرار می دهد. این پروسه در ابتدا و در ظاهر به نظر شبیه می آید اما بین آنها از نقطه نظر داده کاوی و تشخیص الگو، تفاوت هایی وجود دارد. اولین تفاوت بین طبقه بندی و خوشه بندی، آن است که طبقه بندی در بخش تکنیک های نظارت شده مورد استفاده قرار می گیرد به طوری که برچسب های از پیش تعیین شده بر اساس ویژگی ها و خواص به نمونه ها اختصاص داده می شود اما در مقابل خوشه بندی در روش های یادگیری غیر نظارت شده مورد استفاده قرار می گیرد در جاییکه نمونه های مشابه بر اساس مشخصات و ویژگی هایشان گروه بندی شده و در یک گروه قرار می گیرند.

طبقه بندی انواع روش های خوشه بندی

خوشه بندی به روش های مختلفی انجام می گیرد ولی به طور کلی روش های خوشه بندی بر اساس هدف، همپوشانی و سلسله مراتب یا سطوح خوشه بندی به سه دسته کلی تقسیم می شوند. در هر یک از حالات سه گانه فوق، حالات دیگری نیز متصور است که در ادامه به توضیح بیشتری در مورد آنها پرداخته می شود:

1- طبقه بندی روش های خوشه بندی بر اساس هدف

روش های خوشه بندی بر اساس هدف قابل تفکیک و تجزیه هستند. به طوری که در شکل بعدی ملاحظه می شود، روش های خوشه بندی بر اساس هدف به دو بخش پلیتتیک و مونوتتیک تقسیم می شوند. در روش های خوشه بندی پلیتتیک اعضای خوشه ها شبیه یکدیگر هستند و فاصله بین عناصر تعیین کننده عضویت در هر خوشه می باشد. در صورتی که در روش های مونوتتیک، اعضایی که در هر خوشه قرار می گیرند دارای ویژگی های مشترکی هستند.

2- طبقه بندی روش های خوشه بندی بر اساس همپوشانی بین خوشه ها

روش های طبقه بندی بر اساس همپوشانی خوشه ها به دو حالت خوشه بندی نرم (Soft Clustering) و خوشه بندی سخت (Hard Clustering) تقسیم می شوند. در طبقه بندی نرم درجه ای از مشارکت هر یک از عناصر در خوشه ها وجود دارد که می تواند کم و یا زیاد باشد ولی در مقابل در خوشه بندی سخت عناصر یا اعضا یا به یک خوشه تعلق دارند و یا عضو آن نیستند و امکان حالات بینابینی وجود نخواهد داشت به همین دلیل به نام خوشه بندی سخت از آنها یاد می شوند.

3- طبقه بندی روش های خوشه بندی بر اساس سطوح و یا سلسله مراتبی بودن

بر اساس سطوح خوشه بندی، روش های خوشه بندی را می توان به دو گروه سلسله مراتبی (Hierarchical) و مسطح (Flat) تقسیم بندی کرد. در حالت خوشه بندی سلسله مراتبی که به نام رده بندی یا Taxonomy نیز از آن یاد می شود عناصر در چندین طبقه یا گروه به صورت سلسله مراتبی قرار می گیرند. در روش خوشه بندی مسطح عناصر و یا اعضا تنها در یک سطح طبقه بندی و یا گروه بندی می شوند.

روش های پارامتریک در مقابل ناپارامتریک

روش های طبقه بندی یا Classification که بر مبنای یادگیری نظارت شده عمل می کنند، به دو گروه پارامتریک (Parametric) و ناپارامتریک (non-parametric) تقسیم می شوند. در روش های ناپارامتریک، از پیش فرض ها و فرضیات چندان استفاده ای نمی کنند و این مسئله قدرت و توان یادگیری مدل ها و روش ها را افزایش می دهد و انعطاف و میدان عمل بیشتری به روش ها و مدل ها می دهد. در نتیجه این نوع از روش های طبقه بندی تصاویر ماهواره ای اختیار عمل بیشتری در استفاده از داده های آموزشی یا Training data دارند. در مقابل در روش های پارامتریک با استفاده از فرضیات و تعیین پیش فرض ها توسط ناظر، فرایند یادگیری به شدت ساده سازی می گردد اما این وضعیت دامنه یادگیری روش ها و مدل ها را کاهش می دهد و اختیار عمل و درجه آزادی روش ها و مدل ها کاهش می یابد. در نتیجه حجم و میزان محاسبات کاهش یافته، درجه سادگی مدل ها افزایش می یابد در مقابل، توان و دامنه یادگیری نیز به تبع کاهش می یابد که نقطه ضعف اینگونه روش ها محسوب می گردد.