مقایسه روشهای طبقه بندی ماکزیمم شباهت نزدیکترین همسایه تصاویر ماهواره ای علی اکبر مهدویان چشمه گل شهرام محمدحسینیان

Transcript

1 مقایسه رشهای طبقه بندی ماکزم شباهت نزدیکترین همسایه تصایر ماها ای علی اکبر مهدیان چشمه گل شهرام محمدحسین 1 -دانشجی سنجش از در سیستم اطالعات جغرافیایی دانشگاه آد یزد شبکه عصبی برای 2 -فغ التحصیل کشناسی شد سیستم اطالعات جغرافیایی دانشگاه خاجه نصیر الدین طسی S.a.a.mahdavian@gmail.com چده طبقه بندی ی از تکنیک های مهم درتفسیرتصایر سنجش از درمیباشد که کا زیادی در بررسی تغییرات زمین دا.امرزه رشهای مختلف طبقه بندی م استفاده قر میگی که در آنها فیت کمیت نمنه های آزمایشی برای تهیه نتایج طبقه بندی با فیت باال بسی حیاتی میباشند. در این مقاله از تصیرIKONOS تهیه شده از منطقه استفاده شد که هدف از این مطالعه مقایسه رشهای طبقه بندی ماکزم شباهت نزدیکترین همسایه شبکه عصبی) ANN ( برای تصایر ماها ای می باشد. هر سه رش را به صرت نظت شده اجرا شدند. برای مقایسه ی دقت رش ها از داده های آمزشی داده های تست یکسان برای هر سه رش استفاده شد. پس از مقایسه ی هر سه رش با تشل جدل خطا محاسبه دقت کل رش شبکه عصبی بیشترین دقت را ائه داد. اژه های کلیدی: شبکه عصبی بیشترین شباهت طبقه بندی سنجش از در 1 -مقدمه طبقه بندی تصایر ماها ای به د رشطبقه بندی سخت طبقه بندی نرم زیر طبقه بندی تقس می شد: : در این طبقه بندی تصیر یک الیه مطالعاتی است که در آن به تفسیر هر پیکسل بگنه ای پاخته Hard classification می شد که مثال این پیکسل آب است یا خاک است به احتمال یا درصد هر کالس در پیکسل نمی پازد. :sub classification یا Soft classification در این طبقه بندی تصیر به چندالیه مطالعاتی تبدیل می شد که در هرالیه احتمال اینکه این پیکسل می تاند مط به چه چیزی باشد با درصد بیان می شد.مثال مانند شکل درالیه مطالعات احتمال اینکه این پیکسل آب باشد با درصد در الیه آب بیان می شد در الیه خاک احتمال اینکه این پیکسل خاک باشد با

2 درصد بیان می شد. همین ترتیب در الیه های مختلف این پیکسل تفسیر می شد. با استفاده از طبقه بندی تصایر عضیت یک پیکسل به یک کالس تعیین میشد.)شکل 1 ( شکل 1 -طبقه بندی نرم سخت به طر کلی طبقه بندی شامل د رش کلی طبقه بندی نظت نشده طبقه بندی نظت شده می باشد. در رش طبقه بندی نظت شده طبقه بندی با نظت نع مکان برخی از اناع پشش های زمین مثل منطقه شهری کشارزی م از قبل شناخته شده هستند.این شناخت از تربی از ک میدانی تفسیر عکس های هایی تجزیه تحلیل نقشه ها تجزیه شخصی قل حصل است.کالزم است مکان های مخصصی را در داده های سنجش از در که نماینده مناطق یکدستی از این پشش های زمین شناخته شده هستند را معین می کند.این مکان ها را به دلیل خصصیات طیفی آنها در آمزش الگریتم طبقه بندی برای تهیه نقشه نهایی معمال مناطق آمزشی می نامند. تدا پامتای آمی یک متغی چند متغی مثل میانگین انحراف معی ماتریس های کریانس ماتریس های همبستگی... برای هر منطقه آمزشی محاسبه می گند.سپس هر پیکسل )چه در داخل چه در خج منطقه آمزشی( م زیی قر گرفته به کالسی داده می شدکه آن بیشترین احتمال برای عضیت در آن کالس باشد. ]1[ در طبقه بندی نظت نشده نع مکان اناع پشش های زمینی )land-cover types( که قر است به عنان کالس تعیین شند معمال از قبل شناخته شده نیستند.دلیل این امر این است که مطالعات زمینی مرجع یا جد ندند یا عض سطح زمین در صحنه تصیر بی شده خب تعریف نشده اند.بنراین از کامپیتر خاسته می شدکه پیکسل های دای خصصیات طیفی مشه از لحاظ برخی معی های آمی معین را در یک خشه احد گره بندی کند.سپس ک خشه های طیفی را بر چسب گذی که آنها را ترب که در کالسهای مطالعات قر می دهد] 1 [ انتخ مناطق آمزشی استخراج آم آنها: داده های مناطق آمزشی را می تان با رش های زیر بدست آ: - جمع آری اطالعات میدانی از نع پشش زمین به همراه ثبت طل عرض جغرافیایی - انتخ داده های آمزشی از طریق رسم پلیگن بر ری تصیر در مانیتر

3 - شرتسگ اه ی یر ریصت رتینام لسپ هقطنم C صصخب قلعت.دراد لسپ نات راد هدنا یریگ )measurement vector( ناشنXCمان.داد نآ BVi,j,k ترع رادقم لسپ i,j ما k دن راد هدنا یریگ ماخ نات سیرتام سنایرک c داجیا.درک. cov ck1نآ ترع سنایرک c نیب دن k l سیرتام سنایرک c v ناشن.دش ادج ندرک قطانم نات اه هدمع.درک ی دج دنراد یخ رتماپ یرامآ لثم نیگنا.دننک ساسا ام هچ دنش تراظن هتسد ریز میسقت :دندرگ )1 یتم :حطسلا یتم حطسلا ی رپ دراک نیرت ریاصت قر. ساسا هدعاق مصت یریگ قطنم نیلب "ای/" )Boolean logic and/or(. n دن یفیط ماجنا درم رق ریداقم.دنریگ ییان لسپ ریصت نآ نیگنا تسدب هدمآ دنچ یفیط داجیا n راد یدعب ترع فحنا رایعم تسدب هدمآ c k دن m هنکمم. )2 لقادح هلصاف تبسن :نیگنا

4 ی لادتم نیرت نیع لاح هداس نیرت ریاصت قر. رگا جا یتسب ددرگ دنات جیاتن یقیقد لباق هسیاقم ریاس هدیچیپ دیلت.دیامن لسپ هتخانشان دننامه یتم مزلا حطسلا راک راد نیگنا دن ساحم.دنک ناکما دج دراد هلصاف هلصاف یسدیلقا ای ساسا round the block.دنک ساحم ثحب زین لاثم یلبق هدنا یریگ هلصاف یسدیلقا د a لسپ b هدش. ckنآ μ Cl ناشنμ هدنهد راد نیگنا c دن k l.دنتسه ساحم هلصاف یسدیلقا a هطقن ات نیگنا همه اه ناکما دج دراد هاتک نیرت هلصاف ناتب نییعت.درک )3 دح رثکا : ات اج ثحب هدش دنا ساسا نییعت زرم مصت یریگ یاضف هضراع )دن( ساسا یفیط distance هدعاق.دنتسه مصت یریگ دح رثکا ینتبم.دش لسپ یاد یگلا هدنا X یریگ i تبسن یترص.دهد نآ X راد یاد نیرتشیب تهش نآ.دش درف دح رثکا ضرف دراذگ یرامآ دن ترصب لامرن عیزت هدش Gaussian انب.دنا مگتسیه 2 n ای یدم دن درفنم بسانم.دنتسین نینچ یطیش دم اه لاامتحا هدمن هناگادج یا دنتسه مزلا مرن رازفا هدننک اهنآ اددجم شزمآ به.دنش بیترت مگتسیه کت یدم عیزت یساگ طرش عیزت لامرن درآ دنک دجب اما.دیآ هنگچ نات تاعلاطم درم ین عمج یرآ هدش تسدب خساپ.درآ عبات دنچ یلاگچ هتسبا دهاخ.دب عبات یلاگچ ساحم هدش لاثم(wi )لگنج هلداعم ریز تسدب :دیآ کفت :فلتخم کفت یریذپ رایعم یضایر لباق یسر : y < 2 < لاثم : /69 1آب لگنج 1/69 کفت یریذپ بآ لگنج یسر دادعا نات دح کفت یریذپ بسانم دیسر طرش نآ یبسانم باختنا هدش.دنش ]1[

5 . در این مقاله هر سه رش از نع طبقه بندی نظت شده هستند. 2- ماد رشها در این مقاله از تصیر ماها IKONOS با عاد که مط به منطقه شهر ری اقع در جنب تهران می باشد استفاده شد. شکل : 1 منطقه شهر ری در جنب تهران عاله بر تصیر داده م ز دم همان داده های آمزشی می باشد که از طریق نرم افر ENVI برای 5 کالس کشارزی درخت کشارزی زمین خا جاده تهیه شد.انتخ مناسب داده های آمزشی در دقت نتایج هرسه رش طبقه بندی: شبکه عصبی مصنعی ماکزم شباهت رش نزدیکترین همسایه مثر می باشد. 1- رش بیشترین شباهت قاعده تصم گیری حداکثر احتمال مبتنی براحتمال می باشد. این رش هر پیکسل دای الگی اندازه گیری x را به کالس i نسبت می دهد. در صرتی که ب x دای بیشترین شباهت به آن کالس باشد. به عبت دیگرطبقه بندی حداکثر احتمال احتمال تعلق یک پیکسل را به کالسی میدهد که در آن مقد احتمال ماکزم باشد.رش طبقه بندی حداکثر احتمال هنز ی از پرکاترین الگریتم های طبقه بندی با نظت است. در فرآیند طبقه بندی حداکثر احتمال

6 فرض بر این است که داده های آمی آمزشی برای هر کالس به صرت نرمال تزیع شده اند. برای این رش تدا برای نمنه های جمع آری شده برای هرکالس i مقد میانگین ماتریس یانس انس تعریف می شد. با استفاده از تع چگالی احتمال مقد احتمال هر کالس می تان ماکزم احتمال تعلق پیکسل به یک کالس را بدست آ. مقد احتمال الیه هر کالس برر 1 در نظر گرفته شده است. 3-1 خرجی رش بیشترین شباهت شکل 2: تصیر طبقه بندی شده با رش ماکزم شباهت - رش شبکه عصبی مصنعی) ANN ( در این رش از ردی به عنان یک سلسله شبکه عصبی استفاده میشد دادههای طیفی د زمانی تغییرات میباشند. الگریتم انتش پشتی اغلب برای مدل شبکه عصبی ادرا استفاده می شد.در حال حاضر تعداد بسی زیادی از اناع مختلف شبکه های عصبی مصنعی جد دند که به صرت خالصه عبتند از: شبکه های پرسپترن چندالیه )Multi layer Perceptron( مختلفی آمزش می بینند مانند رش پسخ خطا کهنن هاپفیلد که این شبکه ها نیز خد با رش های.)Error back Propagation( می تان شبکه های عصبی را بر اساس شیه پازش مطالعات در آنها به د گره شبکه های پیش خر) Forward )Feed شبکه های بازگشتی )Recurren( تقس ک.] [

7 شکل 3: نمایشی از معمی پیش خر forward( )Feed شکل : نمایشی از معمی بازگشتی )Recurren( در شبکه های پیش خر فعالیت نرن ها از الیه ی ردی به سمت الیه ی خرجی انتش می ید تمامی اتصاالت درالیه ها ر به جل است. اما در شبکه های بازگشتی خرجی نرن ها در الیه های باالتر به ردی نرن های الیه های الیه باز می گد به همین دلیل به آنها شبکه های بازگشتی می گیند. نع یاد گیری در شبکه ها نیز می تاند یک معی برای دسته بندی آنها باشد. یاد گیری در برخی از این شبکه ها با نظت می باشد در برخی دیگر به صرت مت به خد ]2[.)Organizing Self) ی از پرکاترین کآمدترین شبکه ها شبکه پس انتش) Propagation Back (است. شبکه های Feed Forward معمال دای یک یا چند الیه مخفی از نرن ها می باشند. بدین معنی که نرن ها در ساختی الیه الیه چیده می شند نرن های هرالیه اتصاالتی کامل به الیه ی بعد دند. در یک دید ریاضی این شبکه ها یک تناظر بین ردی خرجی یا به عبت دیگر یک تع برقر که پیاده سازی می کنند.] 3 [ در این مطالعه از معمی شبکه

8 عصبی feed forward استفاده شده این شبکه از Error backpropegation برای حل مسئله استفاده می کند. در طل برنامه از حالتهای مختلفی در مای مثل معمی شبکه تع محرک function( (Activation استفاده شد آنها ر با یکدیگر مقایسه که ا. در هر حالت پس از آمزش شبکه تدا شبکه برای همان داده های آمزشی شبیه سازی )Simulation( آه می شد.)Train_accuracy( )Overall accuracy( برآ شده. سپس ج شبکه را برای داده های تست زیی ک صحت کل در این مقاله از شبکه پیشخر شکل : 5 شبکه پیشخر forward( )Feed )feed forward( با د الیه میانی نرن ردی 5 نرن خرجی استفاده شد که در آن از تعداد مختلف نرن ها ی میانی در هر اجرا استفاده ک با هم مقایسه ک در شکل باال تعداد نرن های میانی 2 عدد است. نرن ردی همان تعداد باندها 5 نرن خرجی همان تعداد کالس ها می باشد. پس از اجرای برنامه با تعداد مختلف نرن های میانی بیشترین دقت با 2 نرن میانی بدست آمد. 3-- خرجی رش شبکه عصبی مصنعی شکل 6: تصیر طبقه بندی شده با رش شبکه عصبی مصنعی

9 5- رش نزدیکترین همسایه در این رش فاصله رشنایی D پیکسل ناشناخته از پیکسل های آمزش دیده مط به هرکالس را در تمام باندها با استفاده از رطه فاصله اقلیدسی بدست می آ. عنان پیکسل را بر اساس K تا از نزدیکترین فاصله نمنه های آمزشی تعیین می کند. در این رش انتخ درست K که همان تعداد پیکسل های همسایه است برای رسیدن به ج بهینه بسی مثر است. شکل 7: طبقه بندی به رش نزدیکترین همسایه برای رسیدن به طبقه بندی مناسب با این رش باید تعداد نمنه های آمزشی به اندا کافی زیاد باشد. نکته دیگر که خیلی قل تجه است انتخ K مناسب که همان تعداد پیکسل های همسایه است خیلی دش است. در این مقاله برای رسیدن به K مناسب برنامه با K های مختلف اجرا شد خرجی رش نزدیکترین همسایه

10 شکل 8: تصیر طبقه بندی شده با رش نزدیکترین همسایه 6- نتایج بحث اگر بناست نتایج تحقیق معتبر باشد داده هایی که پایه اساس آنها هستند باید از پایایی برخ باشند. پایایی شرط الزم برای اعتب است. یک عمل پایا باید نتایجی یکسان از یک رشته یکسان از پدیدهها قطع نظر از شرایط اعمال آن به ب آ. آماهای مختلفی جهت این امر استفاده می شد از جمله می تان به آزمن اسکات فرمل کاپا )تغییر یافته آزمن اسکات( الفای گریپندرف همبستگی ممان مضی پیرسن... اشا ک. به دلیل پیچیدگیهای ذاتی با جد مراحل مختلف تصحیح در بر گیرنده فرآیند کشف تغییرات خطا درنتایج نقشه های تغییرات به صرت معمل اجتن ناپذیر است. مراحل زیی دقت شامل تکمیل نتایج اطالعات همراه با زیی دقت صحت برای تصم گیری بهتر در نظر رفته شده است. برآ دقت برای درک نتایج بدست آمده به ک بن این نتایج برای تص گیری خیلی مهم هستند. ]19[ 19.است دقت کلی از نظر تئری احتماالت دقت کلی نمیتاند معی خبی برای زیی نتایج طبقه بندی باشد چراکه در این شاخص نقش شانس قل تجه است. دقت کلی از جمع عناصر قطر اصلی ماتریس خطا تقس بر تعداد کل پیکسل ها طبق رطه زیر بدست می آید.

11 باشد. در این رطه OA دقت کلی n تعداد پیکسل های آزمایشی pii جمع عناصر قطر اصلی ماتریس خطا می برای بررسی زیی دقت سه رش از ماتریس خطا استفاده شده. ماتریس خطا ی از پرکاترین رش های زیی دقت است برای بررسی دقت تشل ماتریس خطا ازداده های تست که تعداد آنها ده برر داده های آمزشی است استفاده شده. نتایج حاصل از برآ دقت با استفاده از تشل ماتریس خطا برای هر سه رش در جدال آمده است. دقت کل زمین خا %85/ %2/21 ساختمان %85/ %7/21 درخت /7 51/ کشارزی %/7 %28/8 کالس ها کشارزی درخت ساختمان زمین خا جاده مجمع دقت خطا جاده %5/2 %17/88 %7/7 جدل 1: ماتریس خطای تشل شده با استفاده از رش طبقه بندی نزدیکترین همسایه دقت کل زمین خا %82/55 %/75 ساختمان %/57 %12/5 درخت %57/8 %7/7 کشارزی %8/ %7/21 کالس ها کشارزی درخت ساختمان زمین خا جاده مجمع دقت خطا جاده %7/ %8/87 %1/17 جدل 2: ماتریس خطای تشل شده با استفاده از رش طبقه بندی بیشترین شباهت

12 دقت کل زمین خا %7/5 %7/5 ساختمان %72/17 %/ درخت %/72 17/8 کشارزی %7/5 %1/5 کالس ها کشارزی درخت ساختمان زمین خا جاده مجمع دقت خطا جاده %/5 %21/25 %82/12 جدل 3: ماتریس خطای تشل شده با استفاده از رش طبقه بندی شبکه عصبی مصنعی 7- پیشنهادات با نتایج بدست آمده از تشل ماتریس خطا برای هر سه رش طبقه بندی بیشترین شباهت نزدیکترین همسایه شبکه عصبی مشاهده می شد که رش شبکه عصبی با نرن ردی 5 نرن خرجی 2 نرن میانی د الیه ی میانی دای بیشترین دقت می باشد که دقت بدست آمده با این رش 92.32% است دقت بدست آمده برای رش بیشترین شباهت 33.36% است که عملک بهینه آن به داده های آمزشی تزیع نرمال آنها سته است. همچنین رش نزدبکترین همسایه با دقت %9/3 نسبت به د رش مذکر دای کمترین دقت بد. بر این اساس پیشنهادمی شد که با طراحی شبکه عصبی مصنعی تعیین مناسب پامتای آن می تان طبقه بندی تصیر را با دقت مناسب انجام ده. مراجع ]1[ محمدمحزن- حاجی ده عبدالحسین - آقایی مسعد- محمدی امید. آمزش مقدماتی نرم افر پازش تصایر ماها ای ENVIاز V.7 سری کت های الکترنی انتشات ماها گره تحقیقاتی رنال ]2[. نادعلیده علی شبکه های عصبی بازگشتی آشبی 1393 دانشگاه صنعتی امیرکبیر دانشکده مهندسی کامپیتر فناری مطالعات..]3[New TH edition Neural networks for Pattern Recognation5991M. ChristopherBishop

13 27 Pages york.] [ Demuth Howard 25 Neural Networks Toolbox 7Th edition 25 New York