حمید عبادی

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.

با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه روز افزایش و عمومیت می یابد. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهه گذشته، روش های بسیاری برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی بر یادگیری شبکه های کپسول برای طبقه بندی تصاویر ابرطیفی به کار رفته است؛ به گونه ای که ساختار شبکه بتواند، با استفاده از یک لایه کانولوشنی و یک لایه کپسول، بهترین حالت تولید ویژگی ها را داشته باشد و درعین حال از بیش برازش شبکه روی نمونه های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه بندی، رویکرد استخراج ویژگی ازطریق شبکه طراحی شده و طبقه بندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقه بندی ازطریق شبکه عمیق سراسری مقایسه شد تا، علاوه بر بررسی و کیفیت سنجی ویژگی های عمیق برداری تولیدی به روش پیشنهادی در طبقه بندی کننده های گوناگون، میزان توانایی شبکه های عمیق سراسری نیز، در کاربرد طبقه بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایه اصلی است: 1)  Prime با کپسول هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزده بعدی؛ 3) لایه تماماً متصل. نتایج بررسی دو رویکرد برای شبکه عمیق و نیز ترکیب شبکه های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسه رویکرد پیشنهادی براساس پیکربندی هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه داده Indian Pines نیز، شامل شانزده کلاس متفاوت، به کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه بندی تصاویر با دقت 99% روی داده های آموزش و دقت 5/97% روی داده های تست انجام می شود.