بررسى روش هاى طبقه ‏بندى تصاویر ماهواره ‏اى

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیأت علمى دانشگاه امام حسین (ع)

2 کارشناس‏ ارشد فتوگرامترى و سنجش از دور، عضو هیئت علمی دانشگاه تبریز

3 کارشناس ارشد سیستم اطلاعات جغرافیایى

چکیده

استخراج اطلاعات از تصاویر ماهواره ‏اى در دهه ‏هاى اخیر رشد چشم گیرى داشته و در این راستا الگوریتم ‏هاى مختلفى جهت استخراج اطلاعات از تصاویر ماهواره ‏اى معرفى شده‏ اند که هر کدام از این روشها مزایا و معایبى دارند.
 در کل روشهاى طبقه بندى تصاویر ماهواره ‏اى به دو دسته طبقه بندى نظارت شده و نظارت نشده تقسیم مى‏ شوند. همچنین روش طبقه بندى نظارت شده خود به دو روش پارامتریک و غیرپارامتریک تقسیم مى‏ شوند. در این مقاله هدف معرفى و بررسى الگوریتم‏ هاى روشهاى طبقه بندى تصاویر ماهواره ‏اى نظارت شده از نوع پارامتریک و نظارت نشده‏ ها از لحاظ دقت و روش استخراج اطلاعات آنها مى‏ باشد. در نهایت با مقایسه الگوریتم ‏هاى روشهاى موجود به این نتیجه مى‏ رسیم، روش بیشترین شباهت نسبت به روش هاى کمترین فاصله و متوازى السطوح دقت بیشترى دارد اما باز با این روش دقت مور دنظر در طبقه بندى را نمى ‏توان بدست آورد. درحقیقت از روشهاى آمارى نظیر بیشترین شباهت زمانى که هدف رسیدن به دقت بالا مورد نیاز باشد، نمى‏ توان استفاده کرد. زیرا روش بیشترین شباهت یک روش کاملاً آماریست و بنابراین توانایى پذیرفتن و بکارگیرى اطلاعات خارجى در شکل غیرآمارى نظیر هندسه تصویربردارى، هندسه عوارض مورد تصویربردارى و همچنین موارد مؤثرى چون اتمسفر در فرایند طبقه بندى را ندارد و این یکى از ضعفهاى طبقه بندى بیشترین شباهت نسبت به روشهاى مدل - پایه محسوب مى ‏شود. پس جهت بهبود و رفع ایراداتى که در این روش وجود دارد روشهاى نظیر مدل - پایه و دانش - پایه معرفى شده ‏اند.

کلیدواژه‌ها


عنوان مقاله [English]

Examination of the Methods of Classification of Satellite Images

نویسندگان [English]

  • Mohammad Ekhbari 1
  • Abolfazl Ranjbar 2
  • Seyyed Mohammad Bagher Fatemi 3
1 Member of Faculty, Imam Hossein University
2 Master of Photogrammetry and Remote Sensing, Member of Faculty at the University of Tabriz
3 Master of GIS
چکیده [English]

Data extraction from satellite images has significantly developed in recent decades, and various algorithms have been introduced to extract information from satellite imagery, each of which has advantages and disadvantages.
 In general, the methods of classification of satellite images fall into two types of supervised and unsupervised classifications. Furthermore, supervised classification methods are divided into two parametric and non-parametric methods. In this paper, the purpose is to introduce and study the algorithms of parametric supervised and unsupervised classifications of satellite images in terms of accuracy and method of extracting information. Finally, by comparing the algorithms of the existing methods, we conclude that the method of maximal similarity is more accurate than the minimum distance and parallelepiped methods, but it is still not possible to achieve the desirable precision in classification using this method. In fact, statistical methods such as maximal similarity can not be used if the goal is acquiring high precision, because the method of maximal similarity is a completely statistical method, and therefore, it can not provide the ability to accept and use external information in a non-statistical form such as geometry of imaging, geometry of features whose images are being taken, as well as effective factors such as the atmosphere in the classification process, and this is one of the weaknesses of maximal similarity classification in comparison to model-based methods. Therefore, methods such as model-based and science-based have been introduced to improve this method and eliminate its problems.

کلیدواژه‌ها [English]

  • classification of satellite images
  • Supervised classification
  • unsupervised classification
  • minimum distance
  • parallelepiped
  • maximal similarity
  • science-based
  • model-based
 

1- Richards John .A.(1993):"Remote Sensing Digital Image Analysis an Introduction", second edition,Springer-Velarg.

2- Kamiya I.(2000):"Imige Classification by Spatial Shift Invariant Neural Network",ISPRS,×××III,Part B7,pp.636-639.

3- Fateme S.B.(2001):"A Guided Study to Model-Based Image Analysis ", Thesis,KNT University,Tehran.

4- Benediktsson J.A.,Swain P.H.,Ersoy O.K.and Hong D. (1990) : " Classification of Very High Dimensional Data Using Neural Networks. " IGARSS,pp.1269-1272.

5- Strahelr Alan H.(1980):"The Use of Prior Probability in Maximum Likelihood Classification of Remotly Sensed Data",Remote Sensing of Environment,10:135-163.

6- Booth D.J. and Oldfield R.B.(1989):"A Comparison of Algorithms in Terms of Speed and Accuracy After the Application of a Classification Post Classification Model Filter",International Journal of Remote Sensing. Vol . 10,No.7,pp.1271-1276.

7- Wilson J.D.(1992):"A Comparison of Procedures for Classifying Remotely Sensed Data Using Simulated Data Sets in Corporating Autocorrelation Between Spectral Respanses",International Journal of Remote Sensing , Vol.13,No.2,pp.365-386.

8- Gong P. And howarth P.J.(1992):"Land Use Classification of SPOT HRV Data Using a Cover Frequency Method",International Journal of Remote Sensing,Vol.13,No.8,pp.1459-1471.

9- Strahler Alan H.(1980):"The Use of Prior Probabilities in Maximum Likelihood Classification of Remote Sensed Data" Remote Sensing of Environment,10:135-163.