طبقه بندی تصاویر در سنجش از دور

طبقه بندی تصاویر در سنجش از دور

منظور از طبقه بندی تصاویر در سنجش از دور چیست؟

تکنیک های طبقه بندی برای گروه بندی پیکسل ها به کار می روند تا بتوانند جزئیات پوشش زمین (Land cover) را نشان بدهند. پوشش زمین می تواند جنگل، مناطق شهری، کشاورزی و یا دیگر موارد باشد.

سه نوع طبقه بندی اصلی وجود دارد:

1- طبقه بندی نظارت نشده

2- طبقه بندی نظارت شده

3- طبقه بندی شی گرا

پیکسل ها کوچکترین واحد نمایش هر عکس هستند. طبقه بندی های نظارت نشده و نظارت شده دو نوع از مرسوم ترین نوع طبقه بندی ها هستند در حالیکه نوع شی گرا همین اواخر پیشگام شده است.

چه تفاوتی بین طبقه بندی نظارت شده و نظارت نشده وجود دارد؟

طبقه بندی نظارت نشده(سنجش از دور)

Classify images in remote sensing

پیکسل ها بر اساس ویژگیهای بازتابشی به صورت گروه هایی تقسیم می شوند. این گروه ها خوشه ها یا Clusters نامیده می شوند. کاربر تعداد خوشه ها را برای طبقه بندی مشخص می کند و اینکه از کدام باندها استفاده کند. تفاوت هایی بین الگوریتم های خوشه ای مثل K-means و ISO data  وجود دارد.

این نوع طبقه بندی ها هنگامی استفاده می شود که هیچ نوع داده های زمینی وجود ندارد و نرم افزار بر اساس محاسبات آماری تعداد خوشه ها را مشخص می کند. کاربر به صورت دستی مشخص می کند که هر خوشه مربوط به چه کلاسی است. این باعث می شود که چند خوشه یک کلاس را نشان دهند.

این طبقه بندی شامل گام های زیر است:

1- تولید خوشه ها (Clusters)

2- مشخص کردن کلاس ها

Classify images in remote sensing

طبقه بندی نظارت شده

Classify images in remote sensing

در اینجا کاربر نمونه هایی را برای هر پوششی در تصویر دیجیتالی مشخص می کند.این نمونه ها Training site نامیده می شوند. طبقه بندی بر اساس نمونه های آموزشی است که کاربر با امضاهای طیفی به نرم افزار معرفی کرده است. نرم افزار طبقه بندی کننده تصویر ماهواره ای(سنجش از دور) تعین می کند که هر کلاسی چقدر به داده های آموزشی شباهت دارد و بر آن اساس طبقه بندی می کند.

روش های عمومی طبقه بندی نظارت شده،  بیشترین احتمال و کمترین فاصله می باشند.

مراحل طبقه بندی نظارت شده:

1- انتخاب نقاط آموزشی

2- تولید فایل های امضاء (Signature)

3- طبقه بندی

Classify images in remote sensing

طبقه بندی شی گرا

Classify images in remote sensing

طبقه بندی شی گرا خیلی متفاوت تر از دو نوع دیگر طبقه بندی است و اشیایی با شکل و بزرگی متفاوتی تولید می کند. این فرآیند، تقسیم بندی چند رزولوشنه نامیده می شود. این نوع طبقه بندی اشیایی همگن با گروه کردن پیکسل ها تولید می کند. تصایر می توانند بر اساس بافت، محتوا و شکل هندسی طبقه بندی شوند.

طبقه بندی شی گرا برای طبقه بندی می تواند از چند باند کمک بگیرد. بعنوان مثال مادون قرمز، ارتفاع و شیپ فایل ها می توانند برای طبقه بندی استفاده شوند. این محتواها به شکل روابط همسایگی، مجاورت و فاصله بین لایه ها در طبقه بندی شرکت می کنند.

بعد از تقسیم بندی چند رزولوشنه کاربر نقاط نمونه را برای هر کلاس پوششی مشخص می کند و بعد از اینکه محاسبات برای کلاسه بندی اشیاء عکس تعریف شدند آنالیزگر نرم افزار، اشیاء را بر اساس شباهت آنها به نقاط آموزشی طبقه بندی می کند.

Classify images in remote sensing

مراحل شامل:

1- انجام تقسیم بندی چند رزولوشنه

2- انتخاب نقاط آموزشی

3- تعریف آمارها

4- طبقه بندی

گرایش داده های سنجش از دور

در سال 1972 اولین ماموریت لندست انجام شد. این ماهواره بازتاب زمین را اندازه گیری می کرد. طبقه بندی تصویر ماهواره ای بر اساس محاسبات بازتابشی برای تک تک پیکسل ها انجام میشد.

طبقه بندی نظارت نشده و نظارت شده دو نوع از تکنیک های طبقه بندی مرسوم در سال 1970 بودند. آنالیز شی مبنا یک روش در حال رشد برای طبقه بندی تصاویر در پروسه تصاویر دیجیتال است.

Classify images in remote sensing

پیشرفت کیفیت تصاویر افزایش دقت را در استخراج عوارض تضمین نمیکند بلکه تکنیک های طبقه بندی تصاویر یک فاکتور مهمی در افزایش دقت طبقه بندی است.

Classify images in remote sensing

 

قلاده هوشمند دام بازتاب گسترده ای در شبکه ملی داشته است

سامانه بزرگ دامپروری هوشمند دام که از بخش قلاده هوشمند گاو ( گردنبند هوشمند دام)و [...]

اطلاعات بیشتر
افزایش ۲۵ درصدی تولید با هوشمندسازی کشاورزی

ایلنا منتشر کرد: رئیس انجمن فنآوری اطلاعات و ارتباطات (فاوا) اتاق بازرگانی و رئیس کارگروه [...]

اطلاعات بیشتر
سومین رویداد روز فناوری اطلاعات چگونه پایان یافت؟

به نقل از ایسنا سومین رویداد گرامی داشت روز فناوری اطلاعات در حالی برگزار شد [...]

اطلاعات بیشتر
بیست و سومین نمایشگاه دام و طیور و صنایع وابسته تهران برگزار شد

بیست و سومین نمایشگاه دام و طیور و صنایع وابسته در محل نمایشگاه های دائمی [...]

اطلاعات بیشتر
کشاورزی هوشمند اینترنت اشیاء

  بذرپاشی ها، کمباین ها، دروگرها و ماشین آلات مزرعه با فناوری بسیار محدود استفاده [...]

اطلاعات بیشتر
هوشمند سازی گاوداری شیری

میزان ارزش افزوده ایجاد شده در صنعت گاوداری شیری مبتنی بر هوش مصنوعی و اینترنت [...]

اطلاعات بیشتر
کشاورزی هوشمند: درس هایی از آفریقا، برای جهان

  آب و هوای جهان در حال تغییر است و پیش‌بینی می‌شود که این تغییر [...]

اطلاعات بیشتر
داستان کوتاه : باغی که عاشق بود

یک باغ سیب به نام سیبین در دل دشتی سبز واقع شده بود. سیبین، با شاخه‌های [...]

اطلاعات بیشتر
داستان کوتاه – هوش مصنوعی در دامداری: از صفر تا بهره‌وری

عنوان: “هوش مصنوعی در دامداری: از صفر تا بهره‌وری” در دشت‌های دیجیتالی، جایی که بیت‌ها [...]

اطلاعات بیشتر
نقشه راه هوشمندسازی کشاورزی مبتنی بر اقلیم در ایران

  کشاورزی هوشمند مبتنی بر اقلیم CSA نیازمند یکپارچگی دیجیتالی اطلاعات آب و هوا و [...]

اطلاعات بیشتر
اولین همایش نباتات گرمسیری و خرما در اتاق بازرگانی هرمزگان

برای نخستین بار و‌با ابتکار اتاق بازرگانی هرمزگان همایش نباتات گرمسیری و خرما در ۱۴و [...]

اطلاعات بیشتر
رابطه تولید دام با هوشمند سازی اقلیم محور (دامداری حافظ محیط زیست) چیست؟

    معرفی فائو تعریف کرده است که کشاورزی هوشمند برای اقلیم کشاورزی است که [...]

اطلاعات بیشتر
رهبان جهان نهان مزرعه

    سامانه مزرعه هوشمند رهبان، نتیجه سال ها پژوهش و تلاش متخصصان ایرانی و [...]

اطلاعات بیشتر
حامد در مزرعه

      این داستان در مورد شرکت پرتوتاپ رایان، تولید کننده سامانه پیشرفته کشاورزی [...]

اطلاعات بیشتر
مزرعه هوشمند و کشاورزی هوشمند در یک نگاه

    کشاورزی هوشمند: فناوری ها و مزایا برای کشاورزی توسعه فناوری های مدرن بر [...]

اطلاعات بیشتر
حضور شرکت پرتوتاپ رایان رویداد “کشاورزی نوآور و بهره ور”

ستاد توسعه اقتصاد دانش‌بنیان غذا و کشاورزی معاونت علمی، فناوری و اقتصاد دانش‌بنیان رئیس جمهور [...]

اطلاعات بیشتر
سخنرانی مدیر عامل محترم پرتوتاپ رایان در اولین رویداد تجربه محور هوش مصنوعی در صنعت

به  گزارش گروه اجتماعی خبرگزاری دانشجو، در راستای تحقق منویات رهبر معظم انقلاب در زمینه [...]

اطلاعات بیشتر
موفقیت سند ملی هوش‌مصنوعی نیازمند همکاری دولت، مجلس و بخش‌خصوصی است

جوان آنلاین در مصاحبه با مدیر عامل محترم شرکت دانش بنیان پرتوتاپ رایان به موضوع [...]

اطلاعات بیشتر
هوش مصنوعی با تعامل صنعت و دانشگاه کاربردی می‌شود

«روح‌الله دهقانی فیروزآبادی معاون علمی و فناوری رئیس جمهور در دومین رویداد ملی صنعت دانش‌بنیان [...]

اطلاعات بیشتر
سنسور و ماهواره همزمان در کشاورزی هوشمند

فناوری پیشرفته در زمینه کشاورزی هوشمند به طور مداوم در حال پیشرفت است، اما برخی [...]

اطلاعات بیشتر
حضور پرتوتاپ رایان در دهمین نمایشگاه جامع کشاورزی

مانند سنوات گذشته امسال هم شرکت دانش بنیان پرتوتاپ رایان با هدف ارائه آخرین دستاروردهای [...]

اطلاعات بیشتر
همه چیز درباره کشت قراردادی

آینده کشاورزی قراردادی در ایران به دلیل افزایش آگاهی طبقه متوسط از ایمنی و کیفیت [...]

اطلاعات بیشتر
اندازه بازار کشاورزی هوشمند

بازار کشاورزی هوشمند در سال 2022 به 15.1 میلیارد دلار رسید و انتظار می رود [...]

اطلاعات بیشتر
افزایش میزان تولید گاو شیری به کمک گردنبند هوشمند

خلاصه با بزرگ و صنعتی شدن دام داری ها نیاز به هوشمند سازی و دامداری [...]

اطلاعات بیشتر
استفاده از گردنبند هوشمند دام برای پیشگیری و درمان اسیدوز و لنگش تغذیه ای

مقدمه: هدف اصلی در هر کار اقتصادی از جمله دامپروری کسب سود اقتصادی و افزایش [...]

اطلاعات بیشتر
نقش هوشمند سازی دامداری و گردنبند هوشمند دام در جبره بندی خوراک دام

هوشمند سازی دامداری با استفاده از فناوری های نوین، مانند اینترنت اشیا (IoT)، هوش مصنوعی [...]

اطلاعات بیشتر
هوشمند سازی باغ سیب و خرما

هوشمند سازی در باغات سیب به معنای استفاده از فناوری های پیشرفته برای جمع آوری، [...]

اطلاعات بیشتر
دامداری هوشمند و کنترل بیماری های حرکتی دام

دامداری هوشمند یک رویکرد نوین در صنعت دامپروری است که از فناوری های دیجیتال برای [...]

اطلاعات بیشتر
آسایش گاو با دامداری هوشمند / گردنبند هوشمند دام

آسایش دام سنگین به شرایطی گفته می شود که در آن دام ها از نظر [...]

اطلاعات بیشتر

انتخاب تکنیک های طبقه بندی تصاویر

Classify images in remote sensing

اجازه دهید در مورد استخراج عارضه آب در تصاویر با رزولوشن بالا صحبت کنیم. کاربر تصمیم میگیرد همه پیکسل های آبی رنگ را انتخاب کند. اما بعضی پیکسل ها ممکن است اشتباهی تحت عنوان آب طبقه بندی شوند. این دلیل قاطعی است که چرا طبقه بندی نظارت نشده و نظارت شده شامل پیکسل های ریز زیادی هستند. یعنی در هر کلاس طبقه بندی شده پیکسل هایی از کلاس های دیگر وجود دارند.

حال دو سوال:

1 . چه وقت باید از طبقه بندی های پیکسل پایه مثل نظارت نشده و نظارت شده استفاده کرد؟

2 . چه وقت باید از طبقه بندی وابسته به شی یا همان شی پایه استفاده نمود؟

رزولوشن مکانی تصویر ماهواره ای فاکتور مهمی در انتخاب تکنیک های طبقه بندی است.

رزولوشن کم و متوسط: پیکسل ها و اشیاء در مقیاس مشابه هستند. روش های سنتی نظارت نشده و نظارت شده همراه با روش شی گرا می توانند پیشنهاد شوند.

رزولوشن بالا: هر شی از چند پیکسل ساخته شده است. روش شی گرا به بقیه روش ها ترجیح داده می شود.

Classify images in remote sensing

پس:

رزولوشن بالا———شی گرا

رزولوشن کم و متوسط———شی گرا + تحت پیکسل

 

مقایسه دقت سه نوع طبقه بندی:

Classify images in remote sensing

مطالعه ای در دانشگاه Arkansas طبقه بندی های شی پایه و پیکسل پایه را مقایسه کرد و از تصاویر هوایی رنگی با رزولوشن بالا و تصاویر ماهواره ای با رزولوشن پایین استفاده کردند. در هر دو حالت روش شی گرا بهتر از دو نوع دیگر بود. دقت بالا در طبقه بندی این حقیقت را آشکار می کند که روش شی گرا چون از داده های طیفی و اطلاعات بافتی استفاده می کند موفق تر عمل می کند. این مطالعه مثالی خوب از محدودیت های روش های پیکسل پایه است.

رشد طبقه بندی شی پایه

با پیشرفت های تکنولوژی و افزایش کیفیت تصاویر ماهواره ای رشد این نوع طبقه بندی را در آینده ( آینده کشاورزی ) بسیار بیشتر نشان خواهد داد. بر طبق نتایج پژوهشگرگوگل (Google scholr) روش شی گرا رشد بیشتری داشته است.

نمودار زیر نتایج جستجو در پژوهشگر گوگل را نشان میدهد.

Classify images in remote sensing

رنگ بنفش : شی گرا

رنگ قرمز: نظارت شده

رنگ سبز: نظارت نشده


محصولات شرکت دانش بنیان پرتوتاپ رایان

برای دریافت اطلاعات بیشتر وارد شوید و فرم های زیر را تکمیل بفرمایید

مشاوره

ورود بیشتر بدانید

آموزش

ورود بیشتر بدانید

اشتراک گذاری / مقالات و اخبار دیگر

[/row] [/section]