اصول و مفاهیم پایه سنجش از دور (بخش ششم)

الگوریتم های طبقه بندی نظارت شده :

روش هاي متعددي براي طبقه بندي نظارت شده وجود دارد. كه مقبول ترين آنها، بنظر بسیاری از کارشناسان روش طبقه بندي حداكثر احتمال (MLC) است. برخلاف اين محبوبيت، اين روش داراي محدوديت هايي نيز هست.سه تا از معروفترین و پرکاربردترین الگوریتم ها را تشریح می کنیم.

الگوریتم حداکثر احتمال (Maximum Likelihood) :

در این روش میزان کمی واریانس و هم بستگی ارزش های طیفی باند های مختلف برای مناطق نمونه محاسبه می شود و از همین خاصیت برای ارتباط یک پیکسل طبقه بندی نشده به یکی از گروها یا نمونه های طیفی نیز استفاده می شود. به بیان دیگر، برای بررسی نحوه توزیع ارزش های طیفی و احتمال آماری ارتباط یک پیکسل با یکی از گروههای نمونه، از ماتریس واریانس و بردار میانگین، که خود، واریانس و هم بستگی ارزش های طیفی را تعریف می کنند استفاده می شود. این روش از سایر روش های موجود برای طبقه بندی دقیق تر است(زبیری و مجد ، 1380). این روش بر مبنای احتمالات استوار است، یعنی احتمال این که یک پیکسل به هر یک از مجموعه های m کلاس تعلق داشته باشد بررسی می شود و سپس پیکسل به کلاسی که بیشترین احتمال را داشته باشد اختصاص می یابد. روش طبقه بندی حداکثر احتمال هنوز هم یکی از رایج ترین الگوریتم های طبقه بندی نظارت شده است.(Jensen 2005)

با توجه به شکل زیر سطوح مورد بیضوی مورد نظر،وضعییت تعلق یک پیکسل به یک گروه طیفی خاص را مشخص می کند وبه تعبیری، در این روش از عوامل آماری واریانس و هم بستگی استفاده می شود .

capture

نقشه بردار زاویه طیفی (SAM (Spectral Angle Mapper :

نقشه بردار زاویه طیفی به عنوان یک روش طبقه بندی هدایت شده شیوه ای کارآمد برای مقایسه طیف تصاویر نسبت به طیف استاندارد یا طیف مرجع است. الگوریتم این روش ، مشابهت بین دو طیف را به وسیله ی زاویه طیفی بین آن دو محاسبه می کند . (شکل زیر) در واقع با تبدیل طیف ها به بردار در فضایی به ابعاد تعداد باندها، زاویه بین دو بردار محاسبه می شود. در این روش برای محاسبه زاویه ، جهت بردار ها اهمیت دارد و نه طول آنها و به همین علت میزان روشنایی پیکسل در طبقه بندی آن تاثیری ندارد هر چه مقدار زاویه (بین 0 تا 1) کمتر باشد شناسایی دقیق تر خواهد بود. در صورتی که مقدار زاویه یک باشد کل تصویر به عنوان پدیده مورد نظر شناسایی می شود. به عنوان مثال برای مقایسه یک پیکسل، طیف پیکسل مورد نظر با طیف همان پیکسل در بین طیف های مرجع بر روی دو باند در یک محور مختصات رسم می گردد. سپس نقاط به دست آمده به مبدا رسم می شود و زاویه بین دو خط به دست آمده به عنوان زاویه شناسایی پیکسل شناخته می شود. برای به دست آوردن زاویه α بین دو بردار (به دست آمده از طیف نقاط تصویرt و مرجع r استفاده میشود)

capture021

زاویه بین بردار های طیف مورد آزمایش و طیف استاندارد در روش SAM را در شکل زیر مشاهده می کنید.

capture89

ماشین بردار پشتیبان Support Vectors Machine) SVM ) :

یک روش سلسله مراتبی است که تنها به پیکسل های مجاور hyperplane جدا کننده بستگی دارد که در نهایت منجر به قرار گیری در موقعیتی نسبت به  hyperplane می شود که برای نمونه های تعلیمی در بهینه ترین محل باشد (Richards.j.A,1999).

به عبارت دیگر یک گروه از الگوریتم های طبقه بندی نظارت شده هستند ، که پیش بینی می کند یک نمونه در کدام کلاس قرار یا گروه قرار می گیرد. این الگوریتم برای تفکیک دو کلاس از هم از یک صفحه استفاده می کند به طوری که این صفحه از هر طرف بیشترین فاصله را تا هر دو کلاس داشته باشد نزدیک ترین نمونه های آموزشی به این صفحه بردارهای پشتیبان نام دارند.

capturepo

بردارهای پشتیبان، نزدیک ترین نمونه ها به صفحه

به عنوان مثال صفحه  H1و H2 دو کلاس را از هم تفکیک کردند . این الگوریتم حساسیت کمتری به پدیده های فضاهای چند بعدی دارد به همین خاطر در طبقه بندی داده های چند طیفی و فراطیفی روش مناسبی به شمار می رود به طور کلی ماشین بردار پشتیبان ،یک طبقه بندی کننده باینری و خطی است که با توسع آن و استفاده از توابع کرنل، به عنوان یک طبقه بندی کننده چند کلاسی و غیرخطی به کار می رود .

capturebh

تفکیک دو کلاس با اعمال یک صفحه  در روش SVM

انتخاب کرنل مهمترین مساله در اجرا و عملکرد طبقه بندی کننده SVM می باشد . کرنل های متداول شامل SIGMOID  و تابع واحد شعاعی (RBF) می باشند .

 

شما ممکن است این را هم بپسندید

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد.

50 + = 59