کتاب پردازش ‏شی ‏گرا ‏تصاویر ‏به ‏روش ‏قطعه ‏بندی

مقدمه 7
فصـل اول 13
مقدمه 13
مطالعات از دیدگاه تعیین پارامترهای قطعه بندی 14
جمع بندی 20
مطالعات از دیدگاه آشکارسازی تغییرات 21
جمع بندی 38
فصـل دوم 39
مقدمه 39
عارضه راه 40
خواص و ویژگیهای راه در تصاویر ماهواره ای چندطیفی با رزولوشن بالا(2011 Zhang) 41
آشکارسازی تغییرات 42
طبقه بندی پیکسل مبنا 43
طبقه بندی نظارت شده بیشترین احتمال 43
طبقه بندی نظارت شده کمترین فاصله 44
طبقه بندی نظارت شده متوازی السطوح 45
طبقه بندی شی گرا 45
طبقه بندی شی گرا به روش نزدیکترین همسایگی فازی 46
قطعه بندی 48
استرا تژیهای اصلی در قطعه بندی 49
قطعه بندی بالا به پائین 49
قطعه بندی صفحه شطرنجی 49
قطعه بندی درختی 50
قطعه بندی پائین به بالا 51
قطعه بندی چند مقياسه 52
معیار ناهمگنی 54
پارامتر مقیاس 56
الگوریتم ژنتیک 58
مکانیزم الگوریتم ژنتیک 59
انتخاب چرخ رولت 61
تلفیق تک نقطهای 62
جهش 63
نحوه ارزیابی نتایج 63
ماتریس خطا 63
نقشه خطا 66
جمع بندی 66
فصـل سوم 67
مقدمه 67
معرفی منطقه مورد مطالعه 67
پیش پردازش 69
روش شناسی 69
مرحله اول: قطعه بندی چند مقیاسه 70
مرحله دوم: طبقه بندی تصویر 75
مرحله سوم: آشکارسازی تغییرات راه 82
فصـل چهارم 83
مقدمه 83
نتایج قطعه بندی چند مقیاسه 84
نتایج مرحله طبقه بندی تصویر 93
نتایج طبقه بندی شئ گرا 93
ارائه نتایج طبقه بندی نظارت شده پیکسل مبنا 99
ارائه نتایج طبقه بندی بیشترین احتمال 99
ارائه نتایج طبقه بندی کمترین فاصله 100
ارائه نتایج طبقه بندی متوازی السطوح 101
مقایسه نتایج طبقه بندی به روش شی گرا و پیکسل مبنا 102
ارائه نتایج مرحله آشکارسازی تغییرات راه 103
ارائه نتایج آشکارسازی تغییرات راه بر مبنای طبقه بندی شی گرا 103
ارائه نتایج آشکارسازی تغییرات راه بر مبنای طبقه بندی پیکسل مبنا 105
ارائه نتایج آشکارسازی تغییرات را بر مبنای طبقه بندی بیشترین احتمال 105
ارائه نتایج آشکارسازی تغییرات راه بر مبنای طبقه بندی کمترین فاصله 106
ارائه نتایج آشکارسازی تغییرات راه بر مبنای طبقه بندی متوازی السطوح 107
مقایسه نتایج آشکارسازی تغییرات به روش شی گرا و پیکسل مبنا 108
فصـل پنجم 111
مقدمه 111
نتیجه گیری 112
منـابع و مآخـذ 115

عارضه راه
راهها نقش مهمی در زندگی انسانها ایفا می‌کنند به طوریکه به عنوان یکی از مهمترین عوارض برای برنامه ریزی شهری، مدیریت ترافیک و حمل ونقل تلقی می‌شوند( Zhang and Couloigner 2004)
به طور کلی سه روش برای تحصیل اطلاعات راه مورد استفاده قرار می‌گیرد که عبارتند از( Zhang: and Couloigner 2004)
• نقشه برداری زمینی
• تصاویر سنجش از دوری
• فتوگرامتری
در نقشه برداری زمینی با استفاده از دستگاه های توتال استیشن و سیستم تعیین موقعیت جهانی” این کار صورت می‌گیرد که روشی زمان بر و پرهزینه می‌باشد. در مقابل، استفاده از تصاویر ماهواره ای و هوایی به منظور کشف راه از نظر اقتصادی امری مقرون به صرفه است
( Zhang and Couloigner 2004)
مسئله محتوای اطلاعاتی تصاویر ماهواره ای و هوایی، اصلی ترین مسئله استفاده از این تصاویر جهت کشف راه می‌باشد، به گونه ای که با به کارگیری این اطلاعات، امکان کشف دقیق تر راه فراهم می‌گردد. در این میان تصاویر چندطیفی مزیت قابل ملاحظه ای نسبت به تصاویر پانکروماتیک و درجات خاکستری دارند و آن این است که تصاویر چندطیفی، توانائی تفکیک راه از دیگر عوارض نواحی شهری را دارند. به عنوان مثال با استفاده از باند مادون قرمز نزدیک موجود در تصاویر چندطیفی، به راحتی می‌توان راه را از پوشش گیاهی متمایز کرد( 2006 Zhang and Couloigner). در بخش زیر به خلاصه ای از خواص راه که از تصاویر ماهواره ای چندطیفی قابل استخراج بوده و موجب کشف دقیق راه می‌شوند، اشاره می‌کنیم.

خواص و ویژگیهای راه در تصاویر ماهواره ای چندطیفی با رزولوشن بالا(2011 Zhang)
الف) ویژگی طیفی
راهها در تصاویر چندطیفی، زمانی که هیچ گونه برف یا سیلی روی آن را نپوشانده باشد، دارای انعکاس نسبتا بالا در باندهای قرمز، آبی و سبز و انعکاس نسبتا پائین در باند مادون قرمز نزدیک می‌باشند.
در یک باند، راه ها معمولا کنتراست خوبی با نواحی مجاور شان دارند به عبارت دیگر درجات خاکستری در امتداد عمود بر آنها با تغییرات شدیدی همراه است. این در حالی است که درجات خاکستری در طول آنها همگن است. ولی این مطلب در همه موارد درست نمی‌باشد. برخی از این موارد عبارتند از:
o . زمانیکه سطح راه به طور جزئی تغییر کرده باشد. این امر موجب می‌شود که انعکاس از بخش های مختلف سطح راه مشابه یکدیگر نباشد.
o سطح راه توسط برف، سایه درختان و ساختمانها پوشیده شده باشد.
o . سطح راه توسط ماشین ها اشغال شده باشد.
موارد ذکر شده باعث ایجاد نویز در مرحله طبقه بندی تصویر می‌شود. بنابراین پیشنهاد میشود از روش هایی که به نویز حساسیت کمتری دارند، برای کشف راه استفاده شود.
ب) ویژگی مکانی
از نظر مکانی یک راه به صورت یک عارضه باریک و پیوسته می‌باشد، به گونه ای که در تصاویر با رزولوشن پائین به صورت خط ظاهر شده ولی در تصاویر با رزولوشن بالا به صورت نواحی کشیده با مرزهای موازی ظاهر می‌گردد. این خواص می‌توانند در تفکیک راه از عوارض دیگر از جمله ساختمان مورد استفاده قرار گیرند.
ج) ویژگی هندسی
راهها به نرمی گسترده شده به طوریکه یک ماکزیمم برای انحنای محلی آنها در نظر می گیرند. این خواص برای ایجاد یک شبکه راه می‌تواند مفید واقع شوند.
د) ویژگی توپولوژی
یکی دیگر از بارزترین ویژگی راهها، ویژگی اتصال به یکدیگر است؛ به گونه ای که از این ویژگی برای پر کردن گپ های موجود بین آنها می‌توان استفاده کرد.
ه) ویژگی مفهومی
در جهان واقعی راهها از کلاس های متفاوتی تشکیل شده‌اند از جمله بزرگراه، راههای اصلی، راههای فرعی. آگاهی از نوع راه، در تعیین پارامترهایی نظیر اندازه پنجره جستجو به منظور مقایسه بین راهها می‌تواند مفید باشد.
آشکارسازی تغییرات
آشکارسازی تغییرات یکی از مهمترین کاربردهای تکنولوژی سنجش از دور است که معمولا از طریق مقایسه دو یا چند تصویر که در زمان های مختلف از منطقه یکسان اخذ شده است، یا از طریق مقایسه یک نقشه قدیمی و یک تصویر جدید سنجش از دوری انجام می‌گیرد. تغییر پوشش و کاربری زمین در مناطق شهری روندی دینامیک است. بدین معنی که تغییرات با توجه به عوامل محیطی، اجتماعی و اقتصادی در مکان های مختلف و با نرخ متفاوت رخ می دهند. برای بسیاری از موسسات خصوصی و عمومی، دانش در مورد دینامیک منابع طبیعی یا ساختارهای دست بشر، منبع اطلاعاتی مهمی در فرایند تصمیم گیری محسوب میشود. پیشرفتهای اخیر تکنولوژی سنجش از دور نشان میدهد مشاهدات ماهواره ای در فراهم سازی و به روزرسانی اطلاعات مکانی، با صرف زمان و هزینه مناسب، موثر بوده است. به طور کلی پیاده سازی آشکارسازی تغییرات شامل سه مرحله اصلی است:
پیش پردازش
انتخاب تکنیک مناسب به منظور آنالیز آشکارسازی
. ارزیابی دقت
انتخاب تکنیکهای آشکارسازی تغییرات، تابعی است از ماهیت داده های موجود و منطقه مورد مطالعه. هر چه ناحیه مورد بررسی از پیچیدگی بیشتری برخوردار باشد، الگوریتم های قوی تری را طلب می‌کند. در طی سال های گذشته تکنیک های آشکارسازی تغییرات متعددی به منظور آنالیز تصاویر و نقشه ارائه شده‌اند. در مقابل روش های دستی و بصری که توسط عامل انسانی انجام می‌گیرد و زمان و هزینه گزافی را به دنبال دارد، استفاده از روش های طبقه بندی دارای اهمیت خاصی است.
در این روش ها می‌توان از طبقه بندی بر مبنای عارضه و یا پیکسل به صورت نظارت شده و نظارت نشده استفاده کرد. در طبقه بندی پیکسل مبنا فقط از اطلاعات طیفی تصاویر استفاده می‌کنند در حالیکه در طبقه بندی عارضه مبنا علاوه بر اطلاعات طیفی، از اطلاعات بافت نیز استفاده کرده و اقدام به تهیه یک تصویر باینری بیانگر کلاس های زمینه و راه می‌کنند. در بخش های بعدی این دو روش طبقه بندی به طور مفصل تشریح خواهد شد.
طبقه بندی پیکسل مبنا
در دهه های گذشته روش های پیکسل مینا پایه فرایند اصلی پردازش تصویر را تشکیل می دادند. در واقع این روش ها، پیکسل را به عنوان واحد اصلی در نظر می گیرند و بر اساس اطلاعات طیفی تصاویر سنجش از دور، طبقه بندی را انجام میدهند. روش های طبقه بندی پیکسل مبنا که به طبقه بندی کننده سخت نیز مشهورند، بر این فرض استوارند که هر پیکسل تنها به یک کلاس خاص نسبت داده می‌شود یا اینکه در هیچ یک از کلاس ها ارزیابی نشده و به صورت طبقه بندی نشده باقی می ماند. بر این اساس، این پیکسل ها در محدوده همپوشانی عوارض، تنها در یک کلاس طبقه بندی می‌شوند در حالیکه با سایر کلاس ها دارای همبستگی هستند. این همبستگی یکی از عوامل کاهش دقت طبقه بندی پیکسل مینا به شمار می رود. از پرکاربردترین روش هایی که در طبقه بندی نظارت شده پیکسل مبنا استفاده میشود، طبقه بندی بیشترین احتمال، کمترین فاصله و متوازی السطوح است که در بخش بعدی به آنها پرداخته خواهد شد.
طبقه بندی نظارت شده بیشترین احتمال
طبقه بندی بیشترین احتمال به علت سادگی الگوریتم، هزینه محاسباتی کم و اعتمادپذیری بالا از کاربردی ترین روش های طبقه بندی پیکسل مبنا است. این الگوریتم، واریانس و کواریانس کلاس ها را ارزیابی می‌کند که این موضوع موجب به کار گیری خصوصیات بیشتر داده ها و در نتیجه افزایش دقت طبقه بندی خواهد شد. این روش، روشی استاندارد در طبقه بندی نظارت شده می‌باشد که پیکسل های ناشناخته در کلاس های موردنظر را به صورت توابع چگالی احتمال چندمتغیره طبقه بندی می‌کند. قاعده تصمیم گیری بیشترین احتمال بر اساس میزان احتمالی است که پیکسل را به کلاس خاصی تخصیص می دهد. معادله اولیه در این روش فرض بر این دارد که برای همه کلاس ها این احتمالات یکسان بوده و باندهای ورودی دارای توزیع نرمالی هستند. خصوصیات آماری مجموعه داده های آموزشی از روی داده های مرجع برای ارزیابی توابع چگالی احتمال در کلاس ها استفاده میشود. در این روش، کلاسی به پیکسل موردنظر انتساب داده میشود که بیشترین احتمال تعلق پیکسل به آن کلاس وجود داشته باشد.

X: بردار چندمتغیره طیفی
: تابع چگالی احتمال X که X هم عضوی از کلاس c میباشد.
: احتمال اولیه کلاس c در تصویر می‌باشد.
i: شماره کلاس از تعداد m کلاس در تصویر می‌باشد.
طبقه بندی نظارت شده کمترین فاصله
در این روش نخست مقادیر میانگین طیفی در هر باند و برای هر کلاس تعیین می‌شود. پس از مشخص شدن پیکسلی که میانگین ارزش طیفی نمونه های انتخابی هر طبقه را به خود اختصاص داده، فاصله هر پیکسل طبقه بندی نشده با پیکسل میانگین مقایسه شده و سپس پیکسل موردنظر به کلاسی اختصاص می یابد که کمترین فاصله را با آن میانگین دارد. این روش اغلب در حالتی که تعداد کمی پیکسل معلوم برای کلاس ها وجود دارد، دقت بهتری را ارائه میدهد. علت آن این است که محاسبه میانگین ها در حد دقت مطلوب معمولا به داده های کمتری نسبت به پارامترهایی نظیر واریانس و کواریانس نیاز دارد.
برای انجام طبقه بندی حداقل فاصله، فاصله از هر بردار میانگین تا هر پیکسل ناشناخته ممکن است با استفاده از فاصله اقلیدسی و بر اساس قضیه فیثاغورث محاسبه شود.

طبقه بندی نظارت شده متوازی السطوح
طبقه بندی متوازی السطوح که اغلب تفکیک کننده چند ترازی نیز نامیده میشود، هر یک از محورهای فضای الگوی چندطیفی را به بخش هایی تقسیم می‌کند. منطقه تصمیم گیری برای هر رده بر اساس کمترین و بیشترین ارزش ها یا مقادیر روی محور تعریف و تعیین می‌شود. این دو مرز حداقل و حداکثر امکان تعیین موقعیت مرزهای هر کدام از متوازی السطوح را به دست می دهد. این طبقه بندی بسیار ساده و قابل فهم می‌باشد. علاوه براین در مقایسه با سایر روش های طبقه بندی، زمان محاسبه در این نوع طبقه بندی حداقل است. اما هنگامیکه توزیع در فضای الگو، کواریانس داشته باشد صحت طبقه بندی پائین خواهد بود. در این روش یک پیکسل ناشناخته بر اساس محدوده کلاس یا محدوده تصمیم که در آن قرار می‌گیرد، طبقه بندی می‌شود و هنگامیکه خارج از تمامی محدوده های تصميم قرار بگیرد، به عنوان پیکسل ناشناخته تلقی می‌شود. در این روش هر کدام از پیکسل های ناشناس به نوبت انتخاب و ارزش عددی آن کنترل و مقایسه می‌شود تا اینکه جایگاه آن در یکی از متوازی السطوحها تعیین شود. صحت این نوع طبقه بندی به انتخاب کمترین و بیشترین ارزش ها یا مقادیر موردنظر از آمار جمعیتی هر کلاس وابسته است.
طبقه بندی شی گرا
همان طور که در بخش های پیشین اشاره شد، امروزه استفاده از طبقه بندی شی گرا، به خصوص در تصاویر با رزولوشن بالا، یکی از متداولترین روش ها به شمار می آید. در استراتژی طبقه بندی پیکسل مینا تنها از روشنایی برای طبقه بندی راه ها استفاده می‌شود، در صورتی که بافت و شکل راهها نیز از عوامل تاثیر گذار در تشخیص انواع آنهاست. لذا روش طبقه بندی شی گرا به علت استفاده از پارامترهای بافت و شکل، از جایگاه ویژه ای برخوردار است.
برای این منظور در گام اول باید تصویر موردنظر به نواحی مفهومی یکنواخت و بدون همپوشانی با یکدیگر، که این نواحی را به اصطلاح شی تصویری و یا قطعه تصویری می نامند، تقسیم شود. این مرحله را قطعه بندی تصویر می نامند. سپس در مرحله طبقه بندی، بین اشیای تصویری ایجاد شده و یک کلاس مناسب، ارتباط برقرار می‌شود. کلاس ها نیز می‌توانند به شیوه سلسله مراتبی که بر پایه ویژگی و وراثت استوار است، در کلاس والد یا فرزند قرار بگیرند. این کلاس ها در نهایت یک شبکه ساختاریافته و منظم به نام سلسله مراتبی را شکل می دهند.
برای اجرای مرحله طبقه بندی، ابتدا ویژگی هایی که به بهترین نحو کلاس موردنظر را تعریف خواهند کرد، مشخص می‌شوند. از طرفی تعداد این توصیف گرها نباید زیاد باشد. چرا که با افزایش توصیف گرها، تعداد توابع عضویت لازم جهت معرفی عوارض و ویژگی های آنها به سیستم طبقه بندی افزایش می یابد. افزایش توابع عضویت به معنای افزایش ابهام در حل مسئله خواهد بود.
در ادامه با استفاده از ویژگی هایی تعریف شده و توابع عضویت و یا حدآستانه هایی که برای آنها در نظر گرفته می‌شود، کلاس موردنظر تعیین می‌گردد. در نرم افزار eCognition طبقه بندی شی گرا به روش نزدیکترین همسایگی قابل اجرا می‌باشد که در بخش بعدی به طور کامل مورد بررسی قرار خواهد گرفت.