0

وبلاگ

سامانه آموزش سیستم اطلاعات جغرافیایی و سنجش از دور مقالات دانش محور راهنمای طبقه بندی نزدیکترین همسایه در e-Cognition

راهنمای طبقه بندی نزدیکترین همسایه در e-Cognition

ما را در شبکه های اجتماعی دنبال کنید

Follow us on Social Networks

Instagram: giscoders

طبق بندی نزدیک ترین همسایه (Nearest Neighbor) در eCognition

بعد از مطالعه این مطلب، شما می توانید طبقه بندی بهتری از لایه های پوشش زمین ایجاد کنید. که دلیل آن یادگیری تکنیک موثر و کارآمدتر نزدیکترین همسایه در تحلیل های شئی گرای تصاویر می باشد.

طبقه بندی نزدیکترین همسایه یک الماس پنهان در طبقه بندی شئی گرای تصاویر می باشد. تقریباً در بسیاری از شرایط هیچ چیزی به این اندازه توانایی طبقه بندی داده های سنجش از دوری با قدرت تفکیک مکانی بالا را ندارد.

طبقه بندی نزدیکترین همسایه (NN) چیست ؟

طبقه بندی شئی گرای نزدیکترین همسایه یک تکنیک فوق قوی در طبقه بندی نظارت شده محسوب می شود. دلیل این موضوع آن است که شما قادر خواهید بود از مزایای اشیای هوشمند تصویر به همراه قطعه بندی چند طیفی به صورت ترکیبی در یک ساختار طبقه بندی نظارت شده بهره ببرید.

قطعه بندی با رزولوشن چندگانه چیست ؟

قطعه بندی با رزولوشن چندگانه (MRS) کار رقومی سازی و یا Digitizing را انجام می دهد. مغز انسان به صوت طبیعی داده های مکانی را به گروههای تجمیع می کند. به همین ترتیب، اشیای منطقی در تصاویر پیدا شده و از این طریق تصاویر برداری سازی می شوند. برای مثال MRS شیای باریک و ضحیم جاده ها را پیدا می کند. در مورد ساختمان ها، MRS اشیای مربعی و یا مستطیلی در مقیاس های مختلف را یافته و ایجاد می کند.

اشیا قطعه بندی با رزولوشن چندگانه

چنین چیزی با استفاده از رویکرد سلول به سلول امکان پذیر نیست

مثالی از طبقه بندی نزدیکترین همسایه

طبقه بندی نزدیکترین همسایه به شما امکان می دهد که برای هر کلاس پوشش زمین به صورت مثال، نمونه هایی را انتخاب کنید. شما به لحاظ آماری یک آستانه برای طبقه بندی تعیین می کنید و نرم افزار بقیه بخش های تصویر را بر اساس آن طبقه بندی می کند.

لایه های طبقه بندی شئی گرای تصویر

طبقه بندی نزدیکترین همسایه = قطعه بندی با رزولوشن چندگانه + طبقه بندی نظارت شده

اکنون که یک فضای کلی از این موضوع ترسیم شده است، به سراغ جزئیات مربوط به طبقه بندی ندیکترین همسایه می رویم. این مثال از باندهای زیر استفاده می کند:

باند قرمز، سبز و آبی، مدل رقومی ارتفاع تاج لیداری و شدت نور لیدار

1 - اجرای قطعه بندی با رزولوشن چندگانه

انسان به صورت طیعی، داده های مکانی را به گروههایی تجمیع می کند. اگر اثرات نقطه ای را در لایه های پوشش زمین مشاهده می کنید، احتمالا به دلیل استفاده از رویکرد طبقه بندی پیکسل به پیکسل می باشد.

قطعه بندی با رزولوشن چندگانه دلیلی است که چرا آنالیز شئی گرای تصاویر ظهور کرده تا در طبقه بندی داده های مکانی با رزولوشن بالا مورد استفاده قرار گیرد. MRS اشیای همگن و حساب شده ای از پلیگون های برداری ایجاد می کند.

طبقه بندی پیکسل-پایه پوشش اراضی (Land Cover)

می توان، جاده ها، ساختمان ها، علفزارها و درختان را به صورت اشیایی بعد از اجرای قطعه بندی با رزولوشن چندگانه مشاهده نمود. این دلیلی است که قطعه بندی با رزولوشن چندگانه دارای ارزش بیشتری از طبقه بندی پیکسل به پیکسل است.

تمرین: در درخت فرایند، الگوریتم قطعه بندی با رزولوشن چندگانه را اضافه کنید (بر روی پنجره درخت فرایند راست کلیک کنید > Append New را انتخاب کنید > الگوریتم قطعه بندی با رزولوشن چندگانه را انتخاب کنید)

این مثال از آستانه های زیر استفاده می کند :

  • Scale: 100
  • Shape: 0.1
  • Compactness: 0.5

تمرین: قطعه بندی را اجا کنید (در پنجره درخت فرایند > بر روی الگوریتم قطعه بندی با رزولوشن چندگانه کلیک کنید > سپس بر روی اجرا یا Execute کلیک کنید)

Scale: قدرت تفکیک مکانی مربوط به قطعه بندی با رزولوشن چندگانه را تعین کنید. مقادیر بالاتر منجر به ایجاد عوارض بزرگتر می شود.

Shape: مقادیر بالاتر که در بخش shape وارد می کنید بدین معنا است که مقادیر کمتری به رنگ ها در خلال قطعه بندی اختصاص داده می شود.

Compactness : مقادر بالاتر Compactness بدین معنا است که عوارض مجاور بیشتری بعد از قطعه بند باقی خواهند ماند. بهترین پیشنهاد در تعین این مقدار آزمون و خطا است. با تغییر مقادیر Scale، Shape و Compactness حالت بهینه قطعه بندی اشا را می توانید پیدا کند. به عنوان یک قاعده کلی در پروسه قطعه بندی معمولاً شما به دنبال ایجاد اشیایی با حداکثر ابعاد ممکن هستید به طوری که بتواند تمایز و تشخیص درستی بین عوارض و اشیا مختلف ایجاد نمود.

2 - انتخاب نواحی آموزشی

اکنون باید نرم افزار را آموزش دهیم از طریق انتساب کلاس ها با عوارض. ایده کلی آن است که این داده های نمونه برای کلاس بندی و طبقه بندی کل تصویر مورد استفاده قرار می گیرد. اما چراباید طبقه بندی اجرا شود ؟ کلاس های پوشش زمین چیست ؟

تمرین: در پنجره سلسله مراتبی Class، برای ساختمان ها، علفزارها، سطوح سنگفرش و درختان کلاس های را ایجاد کنید (بر روی پنجره سلسله مراتبی کیک راست کنید > گزینه Insert Class را بزنید > و نام کلاس را تغییر دهید و سپس بر روی Ok کلیک کنید.

تمرین: ابتدا باید نمونه ها را در تصویر قطعه بندی شده انتخاب کنید. جعبه ابزار Samples را اضافه کنید (از طریق مسیر View > Toolbars) کلاس را انتخاب نموده و بر روی objects دابل کلیک کنید تا نمونه های آموزشی یا Samples را به داده های آموزشی یا Trainning Set اضافه کنید.

نمونه های آموزشی پوشش زمین را تعیین کنید

هنگامی که احساس کردید تعداد مناسبی از داده های آموزشی را برای هر کلاس تعیین کرده اید، اکنون می توان اطلاعات آماری را تعیین کنیم. توجه داشته باشید، ما همیشه می توانیم به این مرحله برگردیم و داده های نمونه یا آموزشی بیشتری اضافه کنیم.

3 - تعریف اطلاعات آماری

اکنون ما داده های آموزشی یا نمونه را برای هر کلاس پوشش ارضی انتخاب کرده ایم. چه اطلاعات آماری را باید برای طبقه بندی عوارض تصویر مورد استفاده قرار داد ؟  تعریف اطلاعات آماری به معنای افزودن اطلاعات آماری با فضای عوارض نزدیک ترین همسایه استاندارد می باشد.

تمرین: پنجره ویرایش Standard NN را انتخاب کنید (Classification > Nearest Neigbor < Edit Standard NN).

این مثال از باندهای قرمز (red)، سبز (green)، آبی (blue)، مدل رقومی ارتفاع تاج لیدار یا CHM و باند شدت نور لیداری (int) استفاده می کند. در این حالت مقداری بایستی به صورت تجربی اطلاعات آماری مناسب را تعیین نمود: این مثال از اطلاعات آماری زیر استفاده می کند:

  • Mean CHM
  • Standard Deviation
  • Mean int
  • Mean red

4- طبقه بندی یا Classify

تمرین: در درخت فرایند (Process Tree) الگوریتم طبقه بندی را انتخاب کنید (بر روی درخت فرایند کلیک راست کنید > گزینه Append New ا انتخاب کنید > الگوریتم طبقه بندی را انتخاب کنید)

تمرین: هر کلاس را به عنوان کلاس فعال انتخاب کنید و بر روی Execute کلیک کنید.

پروسه طبقه بندی تمامی اشیا و عوارض در کل تصویر را بر اساس داده های نمونه یا آموزشی انتخاب شده، و همچنین آماره های منتخب، استخراج می کند. این پروسه هر شئی را بر اساس فاصله و نزدیکی که با داده های آموزشی دارد، طبقه بندی می کند. اگر از نتایج به دست آمده از روش طبقه بندی نزدیک ترین همسایه رضایت نداشتید، تنظیمات و گینه های زیادی برای ارتقای نتایج و اخذ نتایج دلخواه وجود دارد.

اینجا لیستی از گزینه هایی که می تواند منجر به ارتقای طبقه بندی شود، ارائه شده است :

  • داده های آموزشی بیشتری به Training Set اضافه کنید.
  • آماره های دیگری را انتخاب کنید
  • مقادیر متفاوتی برای Scale و سایر آستانه ها در MRS تعریف کنید.
  • در صورت امکان باندهای بیشتری را اضفه کنید.

 

5- ویرایش تصویر شئی گرا

هدف شما صحت 100 بود اما تنها توانستید به 80 درصد از هدف خود دست یابید. که البته این چندان هم بد نیست. جعبه ابزار ویرایش دستی در نرم افزار ECognition قابل دسترسی است که می توانید از آن برای ویرایش دستی نتایج استفاده کنید. برای دسترسی به آن از مسیر View>Toolbars > Manual Editing استفاده کنید. کلاس را انتخاب کنید سپس شئی یا عارضه را انتخاب کنید و به صورت دستی می توانید ویرایش را انجام دهید.

خلاصه مراحل اجرای طبقه بندی نزدیک ترین همسایه :

  • اجرای قطعه بندی با رزولوشن چند گانه
  • انتخاب نواحی آموزشی
  • انتخای آماره
  • طبقه بندی
  • ویرایش دستی

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

چرا پنجره اتمسفری در علوم زمین دارای اهمیت است ؟

تصاویر ماهواره DigitalGlobe: ووردویو(Worldview)، ژئوآی(GeoEye) و آیکونوس (IKONOS)

نقشه های کروپلت – مقدمه ای بر طبقه بندی داده

تصاویر چند طیفی (Multi-spectral) در مقایسه با تصاویر ابر طیفی (Hyper-spectral)

فتوگرافی هوایی (Aerial Photography) در مقابل ارتوفوتوگرافی (Orthophotography)

راهنمای جامع لیدار (Light Detection and Ranging – LiDAR)

دیدگاهتان را بنویسید

Copy Protected by Chetan's WP-Copyprotect.

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