طبقه بندی نظارت شده با الگوریتم ParallelePiped
بخش پردازش تصاویر ماهواره ای همیشه یکی از جذاب ترین مراحلی است که در سنجش از دور مدنظر محققین و کاربران قرار می گیرد. اما در بین مراحل پردازش تصویر طبقه بندی تصاویر ماهواره ای از جایگاه ویژه ای برخوردار است، چرا که باعث ایجاد نقشه های موضوعی و یا نقشه های کاربری اراضی می شود.
در جلسه قبلی مشاهده کردید که طبقه بندی تصاویر ماهواره ای به ۲ گروه اصلی تقسیم بندی شدند.
- روش طبقه بندی نظارت شده یا (Supervised)
- روش طبقه بندی نظارت نشده یا (Unsupervised)
در بحث طبقه بندی نظارت نشده، کاربر و پژوهشگر چون هیچ آشنایی نسبت به منطقه مطالعاتی و شاید باندهای تصاویر ماهواره ای نداشته باشد، تمامی تصمیمات را به نرم افزار می سپارد و منتظر می ماند که نرم افزار نتیجه ای را ارائه کند. در این روش و الگوریتمهای مورد استفاده در این بحث، فقط می توان تعیین کرد که کل منطقه مطالعاتی و تصویر ماهواره ای انتخاب شده به چند گروه و (طبقه یا خوشه) دسته بندی شود.
اما در بحث طبقه بندی Supervised که طرفداران بیشتری هم دارد و نتایج قابل قبول تری هم ارائه می شود، کاربر قطعاً باید با منطقه آشنایی داشته باشد و باندهای تصویری هم که استفاده می کند، نسبت به آنها اطلاعات جامعی در اختیار داشته باشد. پس باید انتظار نتایج بهتری را هم داشت.
در بین روش های طبقه بندی نظارت شده در این بحث قصد داریم که نگاهی به روش طبقه بندی نظارت شده با الگوریتم ParallelePiped داشته باشیم.
الگوریتم ParallelePiped
این روش بعنوان الگوریتم جعبه ای شناخته می شود. معمولاً در فضای ویژگی ، برای خوشه بندی ها از حالتهای بیضی یا دایره ای استفاده می شود ، یعنی اگر در این دایره یا بیضی یاخته ای قرار گیرد متعلق به این خوشه و کلاس است. اما در این روش از حالت جعبه ای مربع یا مستطیل برای تعیین خوشه ها استفاده می گردد.
در چنین فرایندی یاخته ها احتمال اینکه در کلاس اشتباهی قرار گیرند بالاتر است، چون حالت همپوشانی بین جعبه ها ایجاد می شود. گاهی اوقات نیز یاخته ها در هیچ کلاسی قرار نمی گیرد و حالت Unclassified را به خود می گیرد.
نکات کلیدی این الگوریتم
برای این روش نیز می توان میزان تفکیک پذیری را تعیین کرد.
اگر مقادیر به عدد ۲ نزدیک تر باشد یعنی اینکه امکان جدا کردن طبقات نسبت به یکدیگر خیلی بیشتر است. یعنی با راحتی بیشتری می توان کاربری ها و کلاسها را جدا کرد.
اما هر چه از عدد ۲ فاصله گرفته شود میزان همگنی منطقه کاهش می یابد و امکان تفکیک پذیری عوارض و پدیده ها یا کلاسها سخت تر می شود و امکان بروز خطا بالاتر می رود.
برای نمونه ها می توانید از حالت Based Point هم استفاده کنید.
طبقه بندی نظارت شده با الگوریتم ParallelePiped
برای استفاده از این الگوریتم نمونه مثالی که ذکر شده، بر اساس تصاویر سنجنده لندست است. پیشنهاد می کنیم قبل از استفاده از هر یک از الگوریتمهای مرتبط با طبقه بندی حتماً فرایند فیوژن (کلیک کنید) را بر روی تصاویر خود اجرا کنید تا نتایج بهتر و قابل قبول تری بدست آورید.
فرایند فیوژن نیز حتماً باید بعد از مرحله تصحیحات رادیومتریک و اتمسفری اجرا شود (کلیک کنید).
مشاهده فیلم تصحیحات رادیومتریک
پس از اینکه مجموعه داده خود را آماده سازی کردید برای استفاده از این ابزار، در سمت راست نرم افزار ENVI از قسمت Toolbox ، در گروه Classification از مجموعه ابزارهای طبقه بندی نظارت شده یا Supervised Classification ابزار Parallelepiped را باز کنید.
در پنجره Classification Input file مجموعه داده ای که می خواهید فرایند طبقه بندی را بر روی آن اجرا کنید انتخاب نمایید، (این مجموعه داده همانی است که با فرایند فیوژن اصلاح شده است).
در ادامه باید نمونه های ترسیم شده را برای تعیین خوشه ها و کلاسها تعریف کنید.
در پنجره Parallelepiped Parameters در ستون بالا سمت چپ، نمونه های تمرینی را انتخاب، و در قسمت Enter Output Class File Name مسیر ذخیره را برای تصویر نهایی تعیین کنید.
برای تسلط کامل به نرم افزار ENVI از پکیج آموزشی زیر استفاده کنید
درباره آسام
آکادمی سامانه اطلاعات مکانی یک مرجع تخصصی و کاربردی برای آموزشهای GIS و RS است.
نوشته های بیشتر از آسام
دیدگاهتان را بنویسید