طراحی و اجرای الگوریتم آدابوست عارضه مبنا مبتنی بر یادگیری فعال به منظور طبقه بندی پوشش زمین در تصاویر با حد تفکیک مکانی بالا (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق تری از صحنه تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به دلیل جزئیات بسیار، دارای واریانس درون کلاسی زیاد و واریانس بین کلاسی اندک اند؛ ازاین رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم های اتوماتیک است؛ به صورتی که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنه تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه مبنای تصویر که به مورفولوژی صحنه تصویر حساس است، به ویژه در مطالعه ای شهری که تراکم ساختارهای شکل گرفته به دست انسان بالاست، ممکن است کارآمد باشد. در طبقه بندی عارضه مبنا، پیکسل های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می شوند؛ در نتیجه، فضای مسئله به نسبت طبقه بندی پیکسل مبنا کاهش می یابد و مزیت این امر افزایش سرعت محاسبات است. درعین حال به دلیل اندازه متنوع اشیای تصویری، طبقه بندی نظارت شده عارضه مبنا در ایجاد مجموعه آموزشی بهینه با چالش هایی مواجه است. در تحقیق حاضر، به منظور طبقه بندی عارضه مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعه آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی ها (افزونگی) و همبستگی بین ویژگی ها و کلاس ها (مطابقت)، زیرمجموعه ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه داده استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه بندی پیکسل مبنا مقایسه شده است. به منظور بررسی معنی داری اختلاف های حاصل شده در نتایج ارزیابی ها نیز، آزمون آماری مک نمار به کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه مبنای پیشنهادی، در قیاس با رویکرد پیکسل مبنا، به طور متوسط 6% دقت کلی و 7% ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه مبنای پیشنهادی، در مقایسه با رویکرد پیکسل مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینه رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.Design and Implementation of an Object-Based AdaBoost Algorithm Based on Active Learning for Land-Cover Classification in High-Resolution Images
By improvement of the spatial resolution of remote sensing images, more accurate information are provided from the image scene such as texture structures. However, extraction of land cover information from these datas has become a challenging process due to the high spectral diversity and the heterogeneity of surface materials. Visual interpretation is costly and time consuming and automatic interpretation of images does not necessarily lead to high accuracy. Achieving optimal interpretation accuracy requires the design of automatic algorithms that are capable of dealing with the complexity of the image scene. To overcome this problem, object-based image analysis (OBIA) that is sensitive to the image scene morphology, can be particularly effective in an urban area where the density of man-made structures is high. In object-based classification, pixels of a segment are analyzed in combination with each other. So the dimensions of the problem space are reduced, in compared to the pixel-based method, which leads to increasing the computational speed. Meanwhile, due to the different sizes of image segments, supervised object-based classification faces challenges in creating an optimal training set. In this research, AdaBoost algorithm was selected for the object-based classification, to overcome the problem of feature space imbalance, due to the small number of training samples in comparison with the high dimensions of the feature space (including spectral, spatial and geometric features), two strategies were proposed. In the first approach an active learning mechanism was integrated with AdaBoost to produce optimal training data set (OTD) and in another approach based on the feature-to-feature correlation (redundancy) and the feature-to-class correlation (relevance), the candidate feature subset (CFS) was generated to reduce the size of the feature space. To evaluate the proposed method, the developed algorithm was performed on the standard dataset of Vaihingen in Germany and the results were compared with the pixel-based classification. In order to evaluate the signification of the results, the McNemar statistical test was used. The experimental results showed that the proposed object-based approach improved the overall accuracy by 6% and the kappa coefficient by 7% compared to the pixel-based approach. Also, the computational speed of proposed object-based AdaBoost was significantly increased compared to the pixel-based approach. These results indicate the superiority of the proposed approach both in terms of accuracy and processing speed.
تبلیغات
