جشنواره نوروز تا 13 بدر
تا 50 درصد تخفیف
انقضا
کد تخفیف: Nowruz

آموزش رایگان طبقه بندی تصاویر در envi

طبقه بندی به معنای اختصاص هر پیکسل به به یک کلاس یا طبقه ی خاص می باشد. این الگریتم به دو صورت نظارت شده و نظارت نشده اجرا میگیرد. در این قسمت با هر دو روش طبقه بندی آشنا خواهیم شد.

جزئیات آموزش
check
قیمت:

0 تومان

نظر یا سوال شما:

:نظرات ارسال شده
توضیحات محصول

طبقه بندی چیست؟

در حالی که تفسیر بصری یک تصویر ماهواره ای ممکن است برای برخی اهداف کافی باشد، اما دارای کاستی های قابل توجهی نیز می باشد. به عنوان مثال، اگر می‌خواهید بدانید که تمام مناطق شهری در کجای یک تصویر قرار دارند، الف) زمان زیادی طول می‌کشد تا حتی یک تحلیلگر باتجربه تصویر، کل تصویر را بررسی کند و تعیین کند که کدام پیکسل‌ها «شهری» و کدام پیکسل ها غیر شهری هستند. نقشه حاصل از مناطق شهری لزوماً تا حدودی ذهنی خواهد بود، زیرا بر اساس تفسیر تحلیلگر فردی از معنای «شهری» و چگونگی ظاهر شدن آن در تصویر است. یک جایگزین بسیار رایج، استفاده از یک الگوریتم طبقه بندی برای ترجمه رنگ مشاهده شده در هر پیکسل به یک کلاس موضوعی است که پوشش زمین غالب آن را توصیف می کند، بنابراین تصویر را به نقشه پوشش زمین تبدیل می کند. این فرآیند طبقه بندی تصاویر نامیده می شود.

شما می توانید دو دسته از رویکردهای طبقه بندی تصاویر را شناسایی کنید. سنتی و ساده ترین راه این است که به هر پیکسل به صورت جداگانه نگاه کنید و تعیین کنید که کدام کلاس با رنگ آن مطابقت دارد. این معمولاً طبقه بندی در هر پیکسل (per-pixel classification) نامیده می شود، و این همان چیزی است که در ابتدا بررسی می کنیم. یک روش جدیدتر و محبوب‌تر این است که ابتدا تصویر را به بخش‌های همگن تقسیم کنیم و سپس تعیین کنیم که کدام کلاس با ویژگی‌های هر بخش مطابقت دارد. این ویژگی ها ممکن است رنگ بخش و همچنین موارد دیگری مانند شکل، اندازه، بافت و مکان باشد. این معمولاً آنالیز تصویر مبتنی بر شی نامیده می شود.

 

طبقه بندی نظارت شده

یک راه برای تخمین اینکه هر پیکسل به کدام کلاس تعلق دارد این است که "فاصله (distance)" بین پیکسل و مرکز همه پیکسل های شناخته شده متعلق به هر کلاس را محاسبه کنید و سپس آن را به نزدیک ترین آنها اختصاص دهید. منظور ما از "فاصله" در اینجا فاصله در "فضای ویژگی (feature space)" است که در آن ابعاد با هر یک از متغیرهایی که در نظر می گیریم (مثلا در باندهای 3 و 4)، بر خلاف فاصله فیزیکی، تعریف می شوند. بنابراین فضای ویژگی ما دو بعدی است و فاصله ها را می توان با استفاده از فاصله اقلیدسی استاندارد محاسبه کرد. در طبقه بندی نظارت شده نیاز است تا کاربر کلاس های مورد نظر را شناسایی کرده و آن ها را برای الگوریتم تعریف کند. طبقه بندی نظارت شده الگوریتم های مختلفی دارد که در زیر به یکی از آن ها اشاره شده است.

 

طبقه بندی بیشترین احتمال

تا حدود 10 سال پیش، طبقه‌بندی‌کننده حداکثر احتمال، الگوریتم پیشرو برای طبقه‌بندی تصویر بود، و هنوز هم محبوب است، که در همه نرم‌افزارهای سنجش از دور پیاده‌سازی می‌شود، و معمولاً در بین الگوریتم‌ها با بهترین عملکرد برای طبقه بندی است. توصیف‌های ریاضی از نحوه کارکرد آن می‌تواند پیچیده به نظر برسد زیرا بر آمار Bayesian  که در ابعاد مختلف اعمال می‌شود متکی هستند، اما اصل آن نسبتاً ساده است: به جای محاسبه فاصله تا مرکز هر کلاس (در فضای ویژگی) و در نتیجه یافتن نزدیک‌ترین کلاس، احتمال تعلق پیکسل به هر کلاس را محاسبه می کنیم و بنابراین محتمل ترین کلاس را پیدا می کنیم. کاری که ما باید انجام دهیم تا ریاضی کار کند این است که چند فرض داشته باشیم.
الف_ فرض می کنیم قبل از اینکه رنگ پیکسل را بدانیم، احتمال تعلق آن به یک کلاس با احتمال تعلق آن به هر کلاس دیگر یکسان است. این به اندازه کافی معقول به نظر می رسد.
ب_ فرض می کنیم که توزیع مقادیر در هر باند و برای هر کلاس گاوسی است، یعنی از توزیع نرمال پیروی می کند.
 

طبقه بندی نظارت نشده

اگر داده های لازم برای تشخیص کلاس های  یک الگوریتم طبقه بندی را نداشته باشیم چه می شود؟ ما به جای آن از یک طبقه بندی بدون نظارت (نظارت نشده) استفاده می کنیم!

طبقه‌بندی نظارت نشده با اجازه دادن به یک الگوریتم پیکسل‌های یک تصویر را به «دسته های طبیعی» تقسیم می‌کند.  یکی از رایج‌ترین الگوریتم‌هایی که برای یافتن خوشه‌های طبیعی در یک تصویر استفاده می‌شود، الگوریتم K-Means است که به صورت زیر عمل می‌کند:

1) تحلیلگر تعداد کلاس های مورد نظر را تعیین می کند. اساساً، اگر نقشه ای با جزئیات موضوعی بالا می خواهید، می توانید تعداد زیادی کلاس را تنظیم کنید. همچنین توجه داشته باشید که کلاس‌ها را می‌توان بعداً با هم ترکیب کرد، بنابراین اغلب ایده خوبی است که تعداد کلاس‌های مورد نظر را کمی بیشتر از چیزی که فکر می‌کنید در پایان می‌خواهید تنظیم کنید.

2) سپس خوشه‌ها در اطراف نقاط "seed" با تخصیص سایر نقاط به نزدیک‌ترین seed تولید می‌شوند.

3) مرکز (مرکز جغرافیایی) نقاط در هر خوشه به "seed" جدید تبدیل می شود.

4) مراحل 2 و 3 را تا معیار توقف تکرار کنید. معیار توقف می تواند این باشد که هیچ نقطه ای به دسته دیگری تعلق نگیرد، یا مرکز هر دسته کمتر از یک فاصله از پیش تعیین شده تعلق گیرد، یا اینکه تعداد مشخصی از تکرارها تکمیل شده باشد.

در این نوع طبقه بندی تشخیص نوع کلاس به کاربر بستگی درد. یعنی کاربر باید تعیین کند که کلاس ها خرجی از چه نوعی هستند، برای مثال پوشش گیاهی، آب یا سنگ و معدن. در این قسمت از نرم افزار envi استفاده شده است، اما می توان این الگوریتم های طبقه بندی نظارت شده و نظارت نشده را در سامانه گوگل ارث انجین نیز اعمال کرد.

 

آموزش های پیشنهادی
دانلود arcgis 10.8

تعداد جلسات: 1

نرم افزار arcgis یکی از مهمترین نرم افزار های سیستم اطلاعات جغرافیای می باشد. در این بخش می توانید نسخه 10.8 arcgis را دانلود کنید

check

ارائه ی آپدیت

check

دریافت پشتیبانی

check

پشتیبانی در گفتگوی انلاین

check

رایگان

access_time

1400-11-30

play_circle_outline

1

assessment

مقدماتی

دانلود arcgis pro نسخه 2.5

تعداد جلسات: 1

در این پست می توانید نسخه نرم افزار arcgis pro را رایگان دانلود کنید. نحوه نصب در جلسه بعدی بررسی می شود.

check

ارائه ی آپدیت

check

دریافت پشتیبانی

check

پشتیبانی در گفتگوی انلاین

check

رایگان

access_time

1400-11-30

play_circle_outline

1

assessment

مقدماتی

مقدمه ای بر تصاویر راداری و نحوه ی دریافت آن ها

تعداد جلسات: 1

در این قسمت در مورد نحوه ی دریاقت و ماهیت این تصاویر صحبت شد. رادار دیافراگم مصنوعی(SAR) نوعی رادار است که برای ایجاد تصاویر دو بعدی یا سه بعدی اجسام مانند مناظر استفاده می شود. SAR از حرکت آنتن رادار بر روی یک منطقه هدف استفاده می کند تا وضوح مکانی دقیق تری نسبت به رادارهای معمولی beam-scanning فراهم کند. SAR به طور معمول بر روی یک سکوی متحرک مانند هواپیما یا ماهواره نصب می شود.

check

ارائه ی آپدیت

check

دریافت پشتیبانی

check

پشتیبانی در گفتگوی انلاین

check

رایگان

access_time

1400-11-30

play_circle_outline

1

assessment

مقدماتی

دوره آموزش جامع گوگل ارث انجین تا بی نهایت

تعداد جلسات: 71

در دوره آموزش جام گوگل ارث انجین تا بی نهایت سعی شده است تا این سامانه قدرتمند از صفر و زبان برنامه نویسی جاوا اسکریپت به گونه ای تدریس شود تا مناسب تمام رشته ها باشد.

check

ارائه ی آپدیت

check

دریافت پشتیبانی

check

پشتیبانی در گفتگوی انلاین

check

رایگان

access_time

1402-1-13

play_circle_outline

71

assessment

مقدماتی

GeoRS.ir


خلاصه ای از GeoRS

هدف ما آموزش رایگان مباحث سنجش از دور و سیستم های اطلاعات جغرافیایی است. در این زمینه قابلیت هایی را فراهم کرده ایم تا به ساده ترین روش مباحث را یاد بگیرید و در نهایت سطح خود را در آزمون ها بسنجید.

آموزش و آزمون رایگان هدیه بگیر

در شبکه اینستاگرام ما هر روز با پاسخگویی صحیح به سوالات آزمون و آموزش رایگان هدیه بگیرید.

دوره های رایگان GeoRS

با کلیک بر روی هر بخش آموزش ریگان آن را دریافت کنید. تمامی آموزش ها به صورت انلاین پخش می شوند