مقایسه الگوریتم‌های طبقه بندی بر روی تصاویر ماهواره‌ای سنجش از دور

محورهای موضوعی : مهندسی الکترونیک

نجمه چراغی شیرازی ¹ , روزبه حمزه ئیان ² , اشکان معصومی ³

1 - دانشگاه آزاد اسلامی واحد بوشهر، بوشهر، ایران
2 - دانشگاه آزاد اسلامی واحد بوشهر، عضو هیات علمی گروه مهندسی برق
3 - دانشگاه آزاد اسلامی واحد اهرم، عضو هیات علمی گروه مهندسی برق

تاریخ دریافت : 1393/12/02 تاریخ پذیرش : 1395/01/24 تاریخ انتشار : 1394/06/19

کلید واژه: سنجش از دور, Supervised classification, الگوریتم‌های طبقه‌بندی, نمونه آموزشی, نمونه آزمایشی, unsupervised classification, Remote-Sensing,

چکیده مقاله :

اگرچه تعداد بسیار زیادی الگوریتم طبقه بندی برای تصاویر ارائه شده، اما به ندرت بر روی یک مورد یکسان بایکدیگر مقایسه شده اند. در این مقاله، تصاویر ماهواره‌های سنجش از دور با استفاده از دو روش الگوریتم طبقه بندی بدون نظارت و هشت الگوریتم طبقه بندی با نظارت که شامل تعدادی از الگوریتم‌های رایج طی بیست سال اخیر است، آزموده شدند. تحلیل ما بر روی تصاویر ماهواره‌ای 12 طیفی متمرکز است. در مقایسه الگوریتم ها تعداد نمونه آموزشی یکسان فرض شده است. الگوریتم ها از نظر پیچیدگی، میزان صحت و اعتبار بایکدیگر مقایسه شده اند. نتایج نشان می دهد که صحت طبقه بندی، نسبت مستقیم با تعداد نمونه های آموزشی دارد و همچنین کاربر می‌تواند بسته به اهمیت هریک از پارامترهای فوق الگوریتم کارامدتر را برگزید.

چکیده انگلیسی:

Although a large number of remote sensing image classification algorithm is proposed, but rarely performance of them are compared with each other. In this research, we classify satellite remote sensing images using two unsupervised classification algorithm and eight supervised classification algorithm which includes a number of common algorithms twenty years, tested and compared.  Our analysis focused on satellite images of the 12 spectral bands.  In comparison of these algorithms, the number of training samples is equated. These algorithms are compared with each other in terms of complexity, accuracy and reliability. The results show that accuracy of classification directly proportion to the number of training samples. The user can also choose efficient algorithms, depending on the complexity, accuracy and reliability of each parameter.

منابع و مأخذ:

1. Abend, K., and Harley, T. J. (1969) Comments "On the mean accuracy of statistical pattern recognisers". IEEE Transactions of Information Theory, May, 420-421.


2. Chapelle, O., Haffner, P., and Vapnik, V. N. (1999) Support vector machines for histogram-based image classification. IEEE Transactions on Neural Networks, 10, 1055-1064.


3. Huang, C., Davis, L. S., and Townshend, J. R. G. "An assessment of support vector machines for land cover classification." International Journal of Remote Sensing, (2002) 23, 725-749.


4. Tso, B. C. K., and Mather, P. M., (2001) Classification Methods for Remotely sensed Data. London: Taylor and Francis.


5. Wilkinson, G. G. (2000) Processing and classification of satellite images. Encyclopaedia of Analytical Chemistry, Edited by R. A. Meyers. John Wiley and sons, 8679-8693.


6. Zhu, G., and Blumberg, D. G., (2002) Classification using ASTER data and SVM algorithms; The case study of Beer Sheva, Israel. Remote Sensing of Environment, 80, 233-240.


7. N. Docquier, S. Candel, Combustion control and sensors: a review, Progress in Energy and Combustion Science, 28 (2002) 107-150