راهنمای طبقه بندی نزدیکترین همسایه در e-Cognition


جدول تناوبی تحلیل های مکانی در GIS

معرفی هفت منبع داده اقلیمی رایگان جهانی

چرخش قطبی در مقابل چرخش خورشید آهنگ

آنالیز تصویر شئی گرا (OBIA)

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

دانلود رایگان نرم افزار ArcGIS Pro 2.8

ابر نقطه ای چیست ؟

انواع نقشه ها در سیستم اطلاعات جغرافیایی: 25 روش مختلف و جذاب برای نمایش داده های مکانی در GIS

تصحیحات اتمسفری در سنجش از دور چیست ؟

سیستم های تصویر نقشه چیست ؟ و چرا بعضا برای ما گمراه کننده هستند ؟

ژئودزی: ریاضیات مکان

گیرنده های GPS چگونه کار می کنند ؟ سه گانه سازی در مقابل مثلث بندی

مأموریت توپوگرافی رادار شاتل (SRTM)

چرا پنجره اتمسفری در علوم زمین دارای اهمیت است ؟

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

راهنمای طبقه بندی نزدیکترین همسایه در e-Cognition

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)

سنجش از دور چیست ؟

منابع داده GIS رایگان در سطح جهانی : داده های رستری و برداری

مقدمه ای بر سرویس های نقشه کشی تحت وب (WMS)

علم داده مکانی چیست ؟

تحلیل عوارض سه بعدی

ژئوانالیتیکس: آنالیز داده های مکانی حجیم

فرمت های داده در سیستم اطلاعات جغرافیایی بخش سوم

فرمت های داده در سیستم اطلاعات جغرافیایی بخش دوم

فرمت های GIS و پسوندهای داده مکانی بخش اول

آموزش برنامه نویسی پایتون بخش سی ام

انتشار نخستین تصاویر لندست 9 توسط سازمان هوا و فضای آمریکا (NASA)

آموزش برنامه نویسی پایتون بخش بیست و نهم

آموزش برنامه نویسی پایتون بخش بیست و هشتم

آموزش برنامه نویسی پایتون بخش بیست و هفتم

آموزش برنامه نویسی پایتون بخش بیست و ششم

آموزش برنامه نویسی پایتون بخش بیست و پنجم

معرفی سامانه WEB GIS
طبقه 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 مؤثر و کارآمدتر نزدیکترین همسایه در تحلیل های شئی گرای تصاویر است.
طبقه بندی نزدیکترین همسایه یک الماس پنهان در طبقه بندی شئی گرای تصاویر است. 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 گروه هایی تجمیع می کند. به همین ترتیب، اشیای منطقی در تصاویر پیدا شده و از این طریق، تصاویر برداری سازی می شوند. برای مثال MRS اشیای باریک و ضخیم 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.

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.

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 نزدیکترین 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 طبیعی، داده های مکانی را به گروه هایی 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 است.
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.

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 اجرا 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 تعیین 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 بندی باقی خواهند ماند. بهترین پیشنهاد در تعیین این مقدار آزمون و خطا است. با تغییر مقادیر Scale، Shape و Compactness حالت بهینه قطعه بندی اشیا 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 بتوانید تمایز و تشخیص درستی بین عوارض و اشیا مختلف ایجاد نمود.
1 - اجرای قطعه بندی با رزولوشن چندگانه
اکنون باید از طریق انتساب کلاس ها با عوارض نرم افزار را آموزش دهیم. ایده کلی آن است که این داده های نمونه برای کلاس بندی و طبقه بندی کل تصویر مورد استفاده قرار می گیرد. اما چرا باید طبقه بندی اجرا شود؟ کلاس های پوشش زمین چیست؟
تمرین: در پنجره سلسله مراتبی Class، برای ساختمان ها، علفزارها، سطوح سنگفرش و درختان کلاس هایی 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.

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 است.
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 گزینه 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 اضافه کنید.
5- ویرایش تصویر شئی گرا
هدف شما صحت 100 درصد 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 E Cognition 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
- انتخاب آماره
- طبقه بندی
- ویرایش دستی

دانلود رایگان تصاویر ماهواره ای ژئورفرنس شده با رزولوشن بالا

نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه جازموریان به شماره NG-40-4

نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه زابل به شماره NH-41-1

معرفی و دانلود نرم افزار SAGA GIS

آموزش برنامه نویسی پایتون بخش دوازدهم (پروسه توسعه نرم افزار)

مدلسازی سایه-اندازی ساختمان ها در چشم اندازهای شهری در نرم افزار ArcGIS Pro

آموزش برنامه نویسی پایتون بخش بیستم

آموزش برنامه نویسی پایتون بخش پانزدهم

دانلود و روش نصب نرم افزار Surfer 24

دانلود نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه سرخس به شماره NJ-41-13

دانلود و روش نصب نرم افزار Global Mapper 24

نقشه های پوششی زمین شناسی ایران در مقیاس 1:100000 بخش چهارم

آموزش برنامه نویسی پایتون بخش دوم (شروع به کار با پایتون)

نقشه متوسط دمای سطح زمین ایران (LST)

روش های ترانسفورم (Transformation) مختصاتی در نرم افزار ArcGIS Pro

دانلود نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه گازیک به شماره NI-41-13

دانلود رایگان محاسبه سرعت دانلود و آپلود اینترنت

فیلم آموزشی زمین مرجع یا ژئورفرنس لایه ها و داده های مکانی در نرم افزار Arc GIS Pro

دانلود نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه تربت جام به شماره NI-41-1

آموزش برنامه نویسی پایتون بخش پنجم

روش برش حواشی نقشه های اسکن شده در نرم افزار Global Mapper

برنامه نویسی پایتون بخش هفتم (متغیرها، دستور انتساب و عبارات)

آموزش تحلیل های هیدرولوژی در نرم افزار Arc GIS Desktop

دانلود نرم افزار Arc GIS Pro 2.5 + روش نصب گام به گام

آموزش برنامه نویسی پایتون بخش نوزدهم

دانلود نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه شاهرخت به شماره NI-41-9

آموزش برنامه نویسی پایتون بخش چهارم (برنامه نویسی مقدماتی در پایتون)

نرم افزار Z-scale Estimator

نقشه های پوششی زمین شناسی ایران در مقیاس 1:100000 بخش هشتم

نقشه های موقعیت سیاسی منطقه مطالعاتی بخش دوم

نقشه های پوششی زمین شناسی ایران در مقیاس 1:100000 بخش ششم

آموزش برنامه نویسی پایتون بخش هفدهم

آموزش برنامه نویسی پایتون بخش دهم (اپراتورهای انتساب گمارشی)

سیستم مختصات، واژه شناسی و مفاهیم در سیستم اطلاعات جغرافیایی

فیلم آموزشی زمین مرجع یا ژئورفرنس لایه ها و داده های مکانی در نرم افزار Global Mapper

آموزش برنامه نویسی پایتون بخش سیزدهم (توابع مرسوم پایتون)

مقدمه ای بر برنامه نویسی کامپیوتر بخش سخت افزار

تبدیل مختصات در نرم افزار Global Mapper

دانلود نقشه های توپوگرافی اسکن شده با مقیاس 1/50000 برگه دریاچه هامون به شماره NH-41-5

دیدگاهتان را بنویسید