Abstract:
طبقهبندی تصاویر سنجشازدوری یکی از مهمترین عملیات در پردازش تصاویر است که روشهای مختلفی بهمنظور افزایش صحت طبقهبندی دادهها ارائهشده است. هدف از این تحقیق ارزیابی تاثیر اندازه کرنل فیلتر Majority، در افزایش صحت طبقهبندی نهایی تصاویر سنجشازدوری میباشد. برای این منظور، پنجرهای از تصویر سنجنده OLI، ماهواره لندست8 شهرستان اردبیل انتخاب گردید. بعد از اعمال پیشپردازشهای موردنیاز، باندهای چند طیفی و پانکروماتیک این سنجنده با استفاده از روش FFT-IHS، با یکدیگر ادغام گردیدند. تصویر بهدستآمده با استفاده از الگوریتم حداکثر احتمال و با 8 کلاس کاربری طبقهبندی گردید. صحت کلی و ضریب کاپا این طبقهبندی به ترتیب 88. 3 و 0. 87 بود. بهمنظور اعمال عملیات پس پردازش جهت افزایش صحت طبقهبندی، اندازه کرنلهای 3*3، 5*5، 7*7، 9*9، 11*11 و 13*13 انتخاب گردید. نتایج تحقیق نشان داد که با افزایش اندازه کرنل تا 5*5 و 7*7، میزان صحت کلی و ضریب کاپا افزایش پیدا میکند و به ترتیب به 91. 6، 91. 8 و 0. 91 برای هر دو کرنل میباشد. اعمال اندازه کرنلهای بزرگتر، موجب کاهش این مقدار شده و صحت کلی و ضریب کاپا را بهشدت پایین میآورد بهطوریکه در کرنل 13*13، به ترتیب به 77. 2 و 0. 74 کاهش پیدا میکند. بنابراین اندازه کرنلهای 5*5 و 7*7 با توجه به ماهیت تصاویر مورداستفاده، بهعنوان کرنل بهینه معرفی میگردد.
Classification of remotely sensed images is one of the most important operations in image processing, and various methods have been proposed to increase the accuracy of the data classification. The aim of this study is to evaluate the impact of the kernel size of the Majority filter on improving the accuracy of the final classification of images. For this reason, a window of Landsat 8, OLI image from Ardabil County was selected. After applying the required preprocessing, the multispectral and panchromatic bands of this sensor were combined with the FFT-IHS method. The image was classified using the maximum likelihood algorithm with 8 classes. The overall accuracy and Kappa coefficient of this classification were 88.3 and 0.87, respectively. The size of the 3 * 3, 5 * 5, 7 * 7, 9 * 9, 11 * 11 and 13 * 13 kernels were selected to perform the post-processing operations to increase the accuracy of classification. The results showed that by increasing the size of the kernel to 5 * 5 and 7 * 7, the overall accuracy and kappa coefficients increased to 91.6, 91.8 and 0.91 for both kernels, respectively. Applying a larger kernel size reduces the overall accuracy and Kappa coefficient as in it's down to 77.2 and 0.74 in the 13 * 13 kernel, respectively. Therefore, the size of the 5 * 5 and 7 * 7 kernels will be introduced as the optimal kernel depending on the nature of the images that used.
Machine summary:
ارزيابي تأثير اندازه کرنل فيلتر Majority در افزايش صحت طبقه بندي تصاوير سنجش ازدوري پرويز ضيائيان فيروزآبادي ١*، حسن حسني مقدم 2 ١-دانشيار گروه سنجش از دور و GIS، دانشکده علوم جغرافيايي ، دانشگاه خوارزمي تهران.
هدف از اين تحقيق ارزيابي تأثير اندازه کرنل فيلتر Majority، در افزايش صحت طبقه بندي نهايي تصاوير سنجش ازدوري مي باشد.
ارزيابي صحت طبقه بندي دادههاي سنجش ازدوري يکي از اولويت هاي اساسي به هنگام استفاده از دادههاي ماهوارهاي در مديريت منابع و بهرهبرداري از آن مي باشد(٢٠١٧ ,Csillik and Belgiu).
روشهايي نظير ادغام دادهها(حسني مقدم و تراهي ، ١٣٩٧)، استفاده از تبديلات مختلف بر روي تصاوير(حسني مقدم، ١٣٩٦)، شبکه عصبي مصنوعي (اميرانتخابي و همکاران،١٣٩٦،١-١١)، استفاده از الگوريتم هاي مختلف در کنار يکديگر(٢٠١٨ ,Hasani Moghaddam et al)، الگوريتم ماشين بردار پشتيبان(جوان و حسني مقدم، ١١-١٣٩٦،١) و درخت تصميم گيري(١٠٦-٢٠١٨,٩٩ ,Kumar Single et al)، ازجمله روشهايي هستند که به منظور طبقه بندي و افزايش صحت استخراج اطلاعات از تصاوير سنجش ازدوري در ترکيب با يکديگر و يا به تنهايي به کار گرفته مي شوند(٣٧-٢٠١٤,٣٣ ,Alikhah Asl, et al).
به منظور افزايش صحت طبقه بندي نهايي ، فيلتر اکثريت با اندازه کرنل هاي مختلف (٣*٣، ٥*٥، ٧*٧، ٩*٩، ١١*١١، ١٣*١٣) بر روي تصوير طبقه بندي شده اعمال و نتايج آن مورد ارزيابي قرارگرفته است .
٣- بحث نتايج به منظور ارزيابي تأثير عمليات پس پردازش بر روي صحت طبقه بندي دادههاي سنجش ازدوري ، از اندازه کرنل هاي مختلف فيلتر Majority، استفاده گرديد.