شنبه 8 آذر 1393 | Saturday 29 th of November 2014 صفحه اصلی گروه الکترونیکی کامپیوتر
-6-6 تقطیع بهینه برای تصاویر هوایی با محدودیت مکانی

تصاویر بدست امده با وضوح بالا توسط هواپیما و یا ماهواره ها منبع داده های مهمی برای استخراج محدوده های مناظر طبیعی و دیگر ساختارهای گیاهی می باشد. اندازه بزرگ مناظر طبیعی و جنگل های موجود به روش های قابل‌ تکثیر برای توصیف انواع پوشش های گیاهی مجزا وابستگی دارد. روش تقسیم بندی Unsupervisedروشی مناسب برای استخراج ویژگی های توصیفی مورد نیاز و ویژگی های مرزی از پایگاه داده های پوشش های گیاهی جنگل های بزرگ می باشد. مقایسه کردن تصاویر طبیعی و دیگر زمینه های ساخت بشر، سنجش از راه دور داده ها برای منظره های طبیعی موجود اغلب شامل بافت گیاهی با ساختار لبه هایی با وضوح کم و پس زمینه کم نور می باشد. پیدا کردن الگوریتم های تقسیم بندی بهینه برای تصاویری با پوشش گیاهی طبیعی به دلیل بار محاسباتی و تکرارپذیری نتایج بسیار مهم است.

جنگل ملی موجود در سوئیس (NFI) که به ثبت دولت رسیده با استفاده از تصویر بزرگ پایگاه داده با 7000 عکس های هوایی که در مقیاس 1:30000 با وضوح 0.5mگرفته شده برای تفسیر و تجزیه و تحلیل منطقه توسط الگوریتم ارائه شده بکار برده میشود.

متد تقسیم بندی بدین صورت می باشد که تکنیک های تقطیع تصاویر می تواند بر اساس طرح های مختلف طبقه بندی شوند. بین روش های اماری، تکنیک های تشخیص لبه، تقسیم بندی و ادغام الگوریتم، روش مبتنی بر مدل انعکاس و ادراک و مشاهده رنگ انسان فرق می باشد. پیدا کردن روش مناسب برای تقسیم بندی کردن بهینه تصاویر یکی از چالشهای موجود در مبحث متدهای موجود است. زمانیکه یک متد مناسب تعیین می شود تقسیم بندی باید با احتیاط و دقت پارامتری شود. مشکلات موجود در تقسیم بندی تصاویر طبیعی که اوصولا بصورت واضح مشخص نمی باشد انتخاب  پارامترها در ان است که به اسانی انجام نمی شود. مقادیر پارامتر در روش تقسیم بندی تنها شامل جنبه box-filter(جعبه صافی) مجزا نمی باشد، بلکه همچنین شامل معیارهایی برای اندازه و مقیاس تصویر اولیه مانند منطقه ای از تصویر که در حال رشد است و یا تعیین کردن رنگهای قسمت هایی از تصویر که به طور روزمره در حال تغییراست، می باشد. بنابراین ارزیابی تقسیم بندی مطلوب با مجموعه پارامترهای بهینه یک مسئله مهم و مشکل می باشد. برای کاهش پیچیدگی ارزیابی و برای دستیابی به قابلیت قیاس قوی تمرکز بر روی بهینه سازی پارامتری می باشد. رویکرد موجود به طور خودکار مقدار پارامترها بهینه را برای تقسیم بندی JSEGانتخاب می کند. JSEG  دارای دو پارامتر قوی برای تقسیم بندی کردن نتایج مورد نظر را دارد. اولین پارامتر تغییر رنگ تدریجی تصاویر را کنترل می کند و دومین پارامتر ان استانه سازی مناطق ترکیبی را کنترل می کند. ارزیابی پارامترها بر اساس یک مقایسه سه بعدی (spatial) بین مناطق تقسیم بندی شده و درستی تصاویر موجود که بصورت دستی مورد تجزیه و تحلیل قرار می گیرد می باشد.

فاصله City block(فضای مستطیل شکلی که بوسیله خیابانها احاطه شده و معمولا سایز بزرگی از بلوکهای حول شهر را نیز شامل می باشد) به عنوان خطای استاندارد برای تعریف اختلاف بین درستی واقعیت موجود و تصویر تقسیم بندی شده بکار گرفته می شود. ارزیابی پارامتر با بهینه سازی city block) CBO) دارای قدرت بالایی است درزمانیکه فقط محدود به تصاویر حقیقی مانند مناظر است در دسترس می باشد. با استفاده از نمونه های حقیقی از تصاویر مختلف، CBOاجازه میدهد تا نتایج با استفاده از یک روش  استاندارد قوی و ساده بصورت بهینه تقسیم بندی شود.

محدوده متفاوت پارامترهای عملی بصورت سیستماتیک اجازه انجام محاسبات مربوط به خطای مناطق را میدهد. کوچکترین خطای منطقه نشان دهنده مقادیر بهینه پارامتر می باشند. توزیع روشنایی به تصاویر انتخابی و منتخب رنگ های تدریجی و همچنین مقایسه سه بعدی با درستی تصاویر موجود محدود به محلهای بهینه وابستگی دارد.

با توجه به نتایج تجربی حداقل مقادیر CBOنشان دهنده تقسیم بندی مناسب در تصاویر حقیقی می باشند. اما انواع مختلف روشن سازی  نور در داخل پایگاه داده های تصویر NFIمحدود به تطبیق تصاویر حقیقی با یک توزیع مشابه می باشد. تغییر رنگ تدریجی مورد استفاده در تقسیم بندی JSEG  بسیار حساس به انواع تغییرات روشنایی می باشد که این یکی از مزیتهای عمده این الگوریتم می باشد. توزیع مقادیر پارامتر می تواند برای براورد بهینه مقادیر استانه سازی و محدودیت ابتدایی قسمت وسیعی از مقادیر پارامتر بکار برده شود، اما همچنین ویژگی توابع غیر خطی برای به اتمام رسیدن راه حل بکار برده نمیشود. همچنین به محدوده کمی از مقادیر پارامترها اجازه داده میشود تا بتوانند روند بیشتری برای جستجو در فضای پارامتر با تغییرات تصادفی را داشته باشند (انچه که ما در ابتدا سعی میکردیم عمدتا به دلیل محدودیت های زمانی محاسباتی از ان جلوگیری کنیم )، که در نتیجه عملکرد بهتری را در نتایج بهینه سازی به ما میدهد که این موارد می تواند جزء کارهای اینده مورد مطالعه بیشتری قرار گیرد.

 

-7-6ارزیابی کیفی تقطیع تصاویر سنجش از راه دور[22]

همانطور که قبلا ذکر شد تقسیم تصویر به معنی پارتیشن بندی یک تصویر به مناطق معنادار بر اساس معیار هم جنسی یا ناهمگنی میباشد. این نشان دهنده رابط میان تصویر قبل از پردازش و درک تصویر (تشخیص شیء) می باشد. تکنیک های تقسیم بندی تصویر می توانند با توجه به مفاهیم پایه ای زیر تمایز داده شوند : pixeloriented(وابسته به پیکسل)، کانتور گرا model-oriented، منطقه گرا  region-oriented، مدل گرا contour-orientedو ترکیبی از موارد بالا. در اینجا بیشتر به مقایسه کاربرد گرا application-orientedبر اساس داده های سنجش از راه دور واقعی میپردازیم.

اصولا به دلیل پیشرفت ها و حساسیتی که در تصاویر سه بعدی ماهواره ای وجود دارد، روش های انالیز تقسیم بندی تصویر برای تولید و به روز رسانی اطلاعات جغرافیایی هرروزه بیشتر و بیشتر مورد توجه قرار میگیرد. در مطالعات انجام شده توانایی های برنامه های تقسیم بندی شده موجود برای تصاویری که نیاز به وضوح بالا در تصاویرسنجش از دور ارزیابی و مقایسه ای انجام شده.

تصویر اشیاء در تصاویر سنجش از راه دور اغلب همگن می باشند و می توان با تقسیم بندی انها را مشخص نمود. بنابراین، تعدادی از عناصر که به عنوان پایه ای برای طبقه بندی تصویر بکار برده میشود  بسیار کاهش می یابد. کیفیت طبقه بندی به طور مستقیم تحت تاثیر کیفیت تقسیم بندی می باشد. از این رو کیفیت ارزیابی تقسیم بندی بسته به نرم افزار های مختلف تقسیم بندی که در حال حاضر در دسترس است می باشد.

تحقیقات اخیر نشان داده اند که تجزیه و تحلیل مبتنی بر پیکسل که تصاویری با وضوح بالا را تولید میکنند دارای محدودیت هایی هستند که البته با استفاده از تکنیک های تقسیم بندی برخی از مشکلات تجزیه و تحلیل تصویر مبتنی بر پیکسل می تواند برطرف شود .

الگوریتم های گوناگونی که برای تقسیم بندی تصاویر استفاده می شوند با استفاده از مفاهیم مختلفی ایجاد شده اند. بعضی از این موارد بصورت ازاد یا تجاری در اختیار قرار دارند. انتخاب روشهای مناسب برای تقسیم بندی تصاویر سنجش از راه دور می تواند در بهبود نتیجه بسیار کمک کند. الگوریتم ها و برنامه های اشاره شده در زیر روند این تولید را نشان میدهند:

-1-7-6HalconSeg: این الگوریتم تقسیم بندی پیشنهاد شده برای پردازش تصاویر نرم افزار HALCONارائه شده. در مشاهداتی که از این نرم افزار صورت گرفته شده مشخص شده که نتایج ان بسیار به تنظیمات پارامتری بستگی دارد. یک امتیاز این نرم افزار اشکار سازی لبه ها و شناسایی عملگرها می باشد. وجود ساختارهای خطی نشان دهنده نتایج خوب تقسیم بندی می باشد.

-2-7-6Imagine WS: حالت ERDAS  بعلاوه WSبراساس الگوریتم watershedبنا شده است. بعلت وجود یک الگوریتم منطقه گرا (region-merging) خبره و ماهر تقسیم بندی زیاد در این نوع الگوریتم کاهش پیدا میکند.

-3-7-6PARBAT: تقسیم بندی تولید شده بوسیله الگوریتم  growinParbat region  نمایش یک کانتور خوب را فراهم میکند اما همچنان دارای تعداد زیادی از قطعات تقسیم شده پراکنده می باشد. اشکال دیگر ان این است که ماکزیمم تصویری که می تواند پردازش کند با سایز 1.300x1.300پیکسل می باشد. البته ساپورت تصاویر بزرگ در ورژن جدید ان انتشار یافته.

 RHSEG -4-7-6: نرم افزار RHSEG  نتایج متفاوتی از سطوح دقت و درجه یک مجموعه تقسیم بندی شده را تولید میکند. بعلاوه این نرم افزار اجازه میدهد تا تنظیمات بیشتری را بر روی پارامترهای بزرگ در کل برنامه را انجام دهیم. نتایج نشان میدهد که تقسیم بندی زیاد یا کم با یک نوع تقسیم بندی مشابه انجام میشود. بهترین مقایسه مرزها بین خطوط موجود در یک کلاس بطور دقیق نشان داده میشوند. مناطقی که برابری کمی دارند اغلب تکرار پذیری نامناسبی در انها وجود دارد.در نهایت به علت وجود تعداد تنظیمات زیاد هنوز نیاز برای بهینه سازی قابل استفاده وجود دارد.

SEGEN-5-7-6  : نرم افزار تقسیم بندی SEGENمعمولا دارای نتایج خوبی است .بطور مثال این نرم افزار برای تقسیم بندی یک تصویر با 2.000 x2.000پیکسل تنها به 35 ثانیه زمان احتیاج دارد.

-6-7-6SegSAR:  اصولا برای داده های رادار برنامه های قطعه بندی SegSARدارای کیفیت خوبی هستند. اگر چه حالت over-segmentationرا تعدیل میکند، اشیا بطور مناسب توسط لبه های مرزی قطعه بندی شده تولید میشوند. مخصوصا اشیاء مرزی بطور مناسب تولید خواهند شد. این بدلیل ترکیب تکنیکهای تقسیم بندی متفاوت و تمرکز بر روی داده های راداری که بطور ذاتی دارای نویز هستند می باشد.

در نهایت با توجه به نتایجی که از این 5 الگوریتم بالا بدست امده مشخص شد، هیچ  پایه استانداردی از متدهای ارزیابی وجود ندارد. با این حال انواع رویکرد های تک کاربرده در این زمینه وجود دارد. در این مطالعه یک روش تجربی متفاوت برای مقایسه برنامه های تقسیم بندی که به تازگی در دسترس هستند مورد استفاده قرار گرفته. با توجه به تنوع الگوریتم های اجرا شده نتایج تقسیم بندی بطور قابل توجهی مختلف هستند. هر برنامه مناسب هنوز به شدت وابسته به نوع تقسیم بندی خاص ان تصویر می باشد. یکی دیگر از جنبه های بهینه سازی به حداقل رساندن پارامترهای تقسیم بندی می باشد. این نکته قابل توجه است که، الگوریتم های بسیار حساس به کمی تفاوت پارامتر ها هستند تعداد انها باید بمنظور کاهش زمان لازم برای به دست اوردن تقسیم بندی مطلوب کم شود. (بیشتر روش ازمون و خطا). پیاده سازی روش های ارزیابی (مانند روش  HalconSEG) می تواند بصورت تکراری تنظیمات بهینه را ساپورت کند. برای استخراج geoinformation(اطلاعات زمین) از نتایج تقسیم بندی، یکپارچه سازی تقسیم بندی براساس روشهای دسته ای یک روش مورد قبول می باشد. در نتیجه روشهای PARBATو RHSEGدر حال حاضر منابع ساده ای را ارائه میدهند.

با وجود نتایج بهینه، تقسیم بندی یک رویکرد مهم برای تحلیل و تحلیل نیمه خودکار تصویر ارائه می دهد. به خصوص در ترکیب با روش ارزیابی ارائه شده و الگوریتم های تقسیم بندی موجود (GIS)، در حال حاضر منابع برای بازیابی اطلاعات جغرافیایی از سنجش از دور تصاویر ضروری می باشد.

  

Compatability by:
آخرین به روز رسانی سایت: سه شنبه, 22 اسفند 1391 - 00:26