نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشکده نقشه‌برداری، دانشگاه خواجه‌نصیرالدین طوسی

2 دانشگاه صنعتی خواجه نصیرالدین طوسی

3 استادیار دانشکده عمران دانشگاه صنعتی نوشیروانی بابل

چکیده

با بهبود حد تفکیک مکانی تصاویر سنجش‌ازدور، اطلاعات دقیق‌تری از صحنه‌ی تصویر همچون ساختارهای بافت فراهم شده است. این منابع داده به دلیل سطح بالای جزئیات دارای واریانس درون کلاسی زیاد و واریانس بین کلاسی کم بوده، ازاین‌روی استخراج اطلاعات پوشش زمین از آن به یک فرآیند چالش برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری، زمان‌بر و پرهزینه است و تفسیر اتوماتیک آن‌ها لزوماً منجر به دقت بالا نمی‌گردد و رسیدن به دقت تفسیر مطلوب، نیازمند طراحی الگوریتم‌های اتوماتیک به نحوی است که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنه‌ی تصویر را دارا باشند. برای غلبه بر این مشکل، روش آنالیز عارضه‌مبنای تصویر که به مورفولوژی صحنه‌ی تصویر حساس است، به‌ویژه در یک مطالعه‌ی شهری که تراکم ساختارهای ساخته‌شده توسط انسان بالا است، می‌تواند کارآمد واقع شود. در طبقه‌بندی عارضه‌مبنا، پیکسل‌های بیانگر یک عارضه در ترکیب با یکدیگر مورد تجزیه‌وتحلیل قرار می‌گیرند؛ در نتیجه فضای مسئله نسبت به طبقه‌بندی پیکسل‌مبنا کاهش می‌یابد که این امر دارای مزیت افزایش سرعت محاسبات می‌باشد. درعین‌حال، به‌دلیل اندازه‌ی متنوع اشیاء تصویری، طبقه‌بندی نظارت‌شده‌ی عارضه‌مبنا با چالش‌هایی در ایجاد مجموعه آموزشی بهینه مواجه است. در تحقیق حاضر، به‌منظور طبقه‌بندی عارضه‌مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل عدم تناسب فضای ویژگی ناشی از تعداد کم نمونه‌های آموزشی و توزیع نامتناسب آن‌ها نسبت به ابعاد بالای فضای ویژگی (شامل ویژگی‌های طیفی، مکانی و هندسی)، دو استراتژی دنبال شده است. در یک رویکرد برای تولید مجموعه‌ آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر برای کاهش ابعاد فضای ویژگی، بر اساس همبستگی بین ویژگی‌ها (افزونگی) و همبستگی بین ویژگی‌ها و کلاس‌ها (مطابقت)، زیرمجموعه ویژگی کاندید استخراج شده است. روش پیشنهادی بر روی مجموعه داده‌ی استاندارد واهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه‌بندی پیکسل‌مبنا مقایسه شده است. همچنین به‌منظور بررسی معنی‌داری اختلاف‌های حاصل‌شده در نتایج ارزیابی‌ها، آزمون آماری مک‌نمار مورد استفاده قرار گرفته است. نتایج تجربی نشان دادند که رویکرد عارضه‌مبنای پیشنهادی نسبت به رویکرد پیکسل‌مبنا، به‌طور متوسط، 6 % دقت کلی و 7 % ضریب کاپا را بهبود داده است. همچنین سرعت محاسبات در روش آدابوست عارضه‌مبنای پیشنهادی در مقایسه با رویکرد پیکسل‌مبنا، به‌طور قابل‌توجهی افزایش یافته است. این نتایج بیانگر عملکرد بهینه‌ی رویکرد پیشنهادی هم ازنظر دقت و هم ازنظر سرعت محاسبات می‌باشد.

کلیدواژه‌ها

عنوان مقاله [English]

Design and implementation of an object-based AdaBoost algorithm based on active learning for land-cover classification in high-resolution images

نویسندگان [English]

  • Mina Hamidi 1
  • Hamid Ebadi 2
  • abbas kiani 3

1 Department of Surveying, Khajeh Nasir Toosi University of Technology

2 K. N. Toosi University of Technology

3 Assistant Professor, Babol Noshirvani University of Technology,

چکیده [English]

By improvement of the spatial resolution of remote sensing images, more accurate information are provided from the image scene such as texture structures. However, extraction of land cover information from these datas has become a challenging process due to the high spectral diversity and the heterogeneity of surface materials. Visual interpretation is costly and time consuming and automatic interpretation of images does not necessarily lead to high accuracy. Achieving optimal interpretation accuracy requires the design of automatic algorithms that are capable of dealing with the complexity of the image scene. To overcome this problem, object-based image analysis (OBIA) that is sensitive to the image scene morphology, can be particularly effective in an urban area where the density of man-made structures is high. In object-based classification, pixels of a segment are analyzed in combination with each other. So the dimensions of the problem space are reduced, in compared to the pixel-based method, which leads to increasing the computational speed. Meanwhile, due to the different sizes of image segments, supervised object-based classification faces challenges in creating an optimal training set. In this research, AdaBoost algorithm was selected for the object-based classification, to overcome the problem of feature space imbalance, due to the small number of training samples in comparison with the high dimensions of the feature space (including spectral, spatial and geometric features), two strategies were proposed. In the first approach an active learning mechanism was integrated with AdaBoost to produce optimal training data set (OTD) and in another approach based on the feature-to-feature correlation (redundancy) and the feature-to-class correlation (relevance), the candidate feature subset (CFS) was generated to reduce the size of the feature space. To evaluate the proposed method, the developed algorithm was performed on the standard dataset of Vaihingen in Germany and the results were compared with the pixel-based classification. In order to evaluate the signification of the results, the McNemar statistical test was used. The experimental results showed that the proposed object-based approach improved the overall accuracy by 6% and the kappa coefficient by 7% compared to the pixel-based approach. Also, the computational speed of proposed object-based AdaBoost was significantly increased compared to the pixel-based approach. These results indicate the superiority of the proposed approach both in terms of accuracy and processing speed.

کلیدواژه‌ها [English]

  • Classification
  • High spatial resolution images
  • AdaBoost
  • Object-Based
  • Active learning