Daha çox

3 zolaqlı (RGB) görüntülər üçün təsnifat dəqiqliyini necə artırmaq olar?


1m 3-band (RGB) NAIP görüntülərindən bəzi sadə bitki örtüyü xüsusiyyətlərini (sagebrush) çıxaracağımı ümid edirəm. Təəssüf ki, bu verilənlər bazası üçün yaxın infraqırmızı zolaq mövcud deyil və vaxt görüntüsünün təhlili üçün bu görüntülərdən istifadə etməliyəm, buna görə 3 zolaqda qalmışam. Bu 4 zolaqlı görüntü olsaydı, təsnifat üçün köməkçi məlumatlar olaraq NDVI və EVI bitki örtüyü indekslərini əlavə etməyi düşünərdim. Təsnifatı tərkibə daxil etməyi planlaşdırıram.

Dəqiqliyi artırmaq üçün geniş yayılmış məlumatlardan (məsələn, NED, relyef forması) hansı əlavə bənd indekslərini və ya faydalı məlumatları təsnifata daxil edə bilərəm? Hansı təsnifat yanaşmasını seçdiyimə çevikəm.


Bir neçə il əvvəl 25 santimetrlik hava fotoqrafiyasından istifadə edərək bir kollec layihəsi üçün belə bir şey etdim. Bunu həyata keçirmək çətindir. Təsvir üzərində bir sıra toxuma təhlili apardım və təsnifat prosesi zamanı daha çox məlumata sahib olmaq üçün lentləri RGB görüntülərinə əlavə etdim. NIR bandının əvəzi olmasa da, təsnifat dəqiqliyini artıran bəzi əlavə məlumatlar verdi.


Peyk görüntüləri və coğrafi məlumat sistemi istifadə edərək torpaq istifadəsi tarazlığının müəyyənləşdirilməsi: İndoneziyanın Cənubi Sulawesi Əyalətində nümunə

Bu iş, müəyyən bir müddət üçün GIS əsaslı torpaq istifadəsi / torpaq örtüyü (LULC) balans xəritəsini hazırlamaq üçün siyasətçilər üçün gələcək regional inkişaflarını planlaşdırmaq üçün bir istinad olaraq hazırlanmışdır. Bu iş ayrıca sahə şərtləri ilə məsafədən zondlama və coğrafi məlumat sistemi (CİS) inteqrasiyasına əsaslanan nəzarət olunan təsnifat dəqiqliyini ölçür. İyun 2005-ci ildə peyk görüntüləri 7 ETM +, torpaq istifadəsi dəyişikliklərini (LUC) qiymətləndirmək üçün varlıq xəritələri kimi istifadə edilmişdir. 2019-cu ilin mart ayında məsuliyyət xəritələrində peyk görüntülərindən 8 OLI / TIRS istifadə edilmişdir. Metodların təhlili görüntüdən əvvəl işləmə, görüntü təfsiri, təsadüfi nöqtə, sahə yoxlaması və dəqiqlik qiymətləndirməsindən ibarətdir. LULC balans xəritəsini çəkmək üçün görüntü işləmə nəticələri İndoneziya topoqrafik xəritəsi ilə örtülmüşdür. Tapıntılar göstərir ki, 2005-ci ilin iyununda və 2019-cu ilin martında hər LULC-nin qiymətləndirmə dəqiqliyi dəyəri 82% və 86%, proqnozlaşdırılan qiymətləndirmə dəqiqliyi isə müvafiq olaraq 18.05% və 20.50% idi. Bu tapıntılar, Cohen Kappa katsayısı 0.45 və 0.48 kriteriyaları əsasında iyun 2005 və Mart 2019-a əsaslanan sahə görüntüləmə yanaşmalarının uyğunluq performansını təyin etmək üçün yoxlanılır. Bu nəticələrə əsasən, görüntü işləmə dəqiqliyi və uyğunluğu əla idi, çünki daha çoxdur % 80-dən çox və Cohen Kappa performans meyarını təmin edir. Bundan əlavə, LULC balans xəritəsindəki yerleşim məlumatları planlayıcılar və qərar qəbul edənlər üçün regional inkişaflarını planlaşdırması üçün bir bələdçi kimi vacibdir.


Ən böyük quru karbon lavabosu və yerdəki bioloji müxtəlifliyin əsas sahibi olan meşələr, quru ekosisteminin funksiyalarında və xidmətlərində əhəmiyyətli bir yer tutur. Meşələrin və meşə ehtiyatlarının səmərəli idarə olunması və davamlı istifadəsi, quruluş, biologiya, ekologiya və fenoloji sahələrindəki meşə xüsusiyyətlərinin müxtəlif məkan və müvəqqəti miqyasda dəqiq və səmərəli başa düşülməsini tələb edir. Bir fenomeni anlamaq üçün vacib olan və ya müəyyən bir tədqiqat sualı ilə əlaqəli olan meşə ekosistem atributları ümumiyyətlə müəyyən bir coğrafi ərazi ilə və zaman kəsiyində əlaqəli olan tematik məlumat (məsələn, meşə funksional və ya struktur xüsusiyyətləri) kimi qəbul edilir. Sağlam və səmərəli məlumatların toplanması, həmçinin ağıllı və etibarlı məlumatların təfsiri tematik məlumatların çıxarılmasını dəstəkləyən əsas elementlərdir. Bu cür məlumatların yeni tətbiqləri, meşə funksiyaları və dəstəyin idarə edilməsi və siyasət qərar qəbuletməsinin yeni bir anlaşılmasına səbəb olur.

Bu Xüsusi Sayı, müxtəlif meşə növlərində tematik məlumatların çıxarılmasında (boreal, mülayim və tropik) yeni inkişafları və bu məlumatların meşə ehtiyatlarının idarəedilməsində, iqlimin qorunması və biomüxtəlifliyin qorunması və s.

Bu Xüsusi Nəşrin mövzularına aşağıdakılar daxildir, lakin bunlarla məhdudlaşmır:

  • Yeni sensorlar, platformalar və meşə tematik məlumat çıxarışları üçün inteqrasiyası
  • Yeni alqoritmlər, metodologiyalar və məlumatların təfsiri və məlumatların çıxarılması prosedurları
  • Çox miqyaslı, çox mühitli məlumat analizləri
  • Tematik məlumatların ipəkçilik, meşə ekologiyası, iqlim və biomüxtəlifliyin qorunması və s.

Dr. Xinlian Liang
Prof. Hans Verbeeck
Dr. Markus Hollaus
Dr. Ninni Saarinen
Dr. Yunsheng Wang
Prof. Juha Hyypp & auml
Qonaq Redaktorlar

Əlyazma təqdimetmə məlumatı

Əlyazmalar www.mdpi.com saytında qeydiyyatdan keçərək bu veb sayta daxil olaraq onlayn təqdim olunmalıdır. Qeydiyyatdan keçdikdən sonra təqdimetmə formasına getmək üçün buraya vurun. Əlyazmalar son tarixə qədər təqdim edilə bilər. Bütün sənədlər nəzərdən keçiriləcəkdir. Qəbul olunmuş sənədlər fasiləsiz olaraq jurnalda dərc ediləcək (qəbul edildikdən sonra) və xüsusi buraxılış veb saytında birlikdə veriləcəkdir. Tədqiqat məqalələri, icmal məqalələri və qısa ünsiyyətlər dəvət olunur. Planlaşdırılan sənədlər üçün bir başlıq və qısa abstrakt (təxminən 100 söz) bu saytda elan edilməsi üçün Redaksiyaya göndərilə bilər.

Təqdim olunan əlyazmalar əvvəllər çap olunmamalı və başqa yerlərdə nəşr olunmamalıdır (konfrans materialları istisna olmaqla). Bütün əlyazmalar tək kor-koranə araşdırma prosesi vasitəsilə hərtərəfli idarə olunur. Müəlliflər üçün təlimat və əlyazmaların təqdim edilməsi üçün digər müvafiq məlumatlar Müəlliflər üçün Təlimatlar səhifəsində mövcuddur. Uzaqdan Algılama MDPI tərəfindən nəşr olunan, beynəlxalq, yarım aylıq açıq açıq jurnaldır.

Zəhmət olmasa bir əlyazma təqdim etməzdən əvvəl Müəlliflər üçün Təlimatlar səhifəsini ziyarət edin. Bu açıq giriş jurnalında dərc üçün məqalə işləmə haqqı (APC) 2400 CHF (İsveçrə frankı) təşkil edir. Göndərilən sənədlər yaxşı formatda olmalı və yaxşı İngilis dilindən istifadə edilməlidir. Müəlliflər MDPI-nin İngilis redaktə xidmətindən nəşrdən əvvəl və ya müəllif düzəlişləri zamanı istifadə edə bilərlər.


Yüksək Çözünürlüklü Peyk Şəkillərindən istifadə edərək Binaların Ayaq İzi Müəyyənləşdirilməsi üçün Doku və Spektral Cavabın Süni Zəka Texnikaları ilə İnteqrasiyası

Uzaqdan zondlama (RS) və coğrafi informasiya sistemlərinin (CİS) bir neçə tətbiq sahəsindəki tətbiqindəki sürətli böyümə və irəliləyiş bir çox tədqiqatçıya peyk görüntülərindəki geniş məlumatları təhlil etməyə kömək etdi. Bina ayaq izlərini ehtiva edən məskunlaşma məlumatları, şəhərsalma, ətraf mühitin planlaşdırılması və fəlakətlərin idarə edilməsi kimi fərqli tətbiqetmələr üçün çox vacib bir parametrdir. VGG-16 (Visual Geometry Group) şərti sinir şəbəkəsi (CNN) modeli, giriş görüntülərini aşkarlamaq və təsnif etmək üçün istifadə olunan məşhur bir modeldir. Bu işdə VGG-16-CNN modelinin bina ayaq izlərini müəyyənləşdirmək üçün peyk şəkillərinin spektral və tekstura məlumatları ilə inteqrasiyası yolu ilə yeni bir yanaşma təklif edildi. Model, Hindistanın Maharaştra əyalətinin Mumbay şəhərinin bir hissəsi üzərində Worldview-3 yüksək dəqiqlikli peyk şəklindən istifadə edərək bina izlərini müəyyənləşdirmək üçün öyrədildi və tətbiq edildi. Təklif olunan yanaşmada təsnifat dəqiqliyinin yalnız tək atışlı detektor (SSD) alqoritmi ilə müqayisədə% 82 ilə müqayisədə təxminən 94% olduğu müşahidə olunur. F1 skoru 0.957, birləşmə (IoU) ilə kəsişmə% 94.86 və ümumi səhv nisbəti% 8.133 kimi metrik parametrlər də təklif olunan yanaşmanın daha yaxşı performansını göstərdi. Xüsusilə, yanaşma şəhərsalma orqanları üçün çox faydalıdır, çünki şəhər ərazilərinə yayılan çox sayda boş ərazini izləməlidirlər.

Bu abunə məzmununun önizləməsidir, təşkilatınız vasitəsilə giriş.


İncə miqyaslı Şəhər Suyu İdarəetmə üçün Uyğun GIS əsaslı Torpaq örtüyü təsnifatı yanaşması

İqlim stresi, şəhərləşmə və əhali artımı kontekstində mərkəzləşdirilməmiş və ekoloji infrastruktur planlaşdırmaya kömək edən dizayn və planlaşdırma vasitələri daha çox yayılmışdır. Getdikcə daha da mürəkkəbləşən şəhər su infrastruktur sistemlərinin dizaynını dəstəkləmək üçün torpaq örtüyü tiplərini təsvir edən dəqiq və asanlıqla əldə edilə bilən məkan məlumat bazaları çox vacibdir. Buna görə, bu alətləri tamamlayan torpaq örtüklərini kateqoriyaya ayıran bir metodologiya təklif olunur. Keçid texnikalarından asanlıqla əldə edilə bilən yüksək məkan dəqiqliyi ilə GIS görüntülərindən istifadə edərək, müxtəlif məqsədlər üçün xidmət göstərən müxtəlif şəhərsalma alətlərinə tətbiq oluna bilən şəhər torpaq örtüyünün çoxfunksiyalı bir təsnifatı yaratmaq üçün radiometrik və həndəsi məlumatlar yaranır. şəhər su təsərrüfatı. Metodologiya, NDVI və nDSM görüntülərinin tam imkanlarına əsaslanan 13 fərdi torpaq örtüyü kateqoriyasını inkişaf etdirir və daha sonra planlaşdırma alətlərinin tələblərinə uyğunlaşdırılır. İnnsbruckda (Avstriya) bir iş araşdırması tətbiqi ilə doğrulama, ümumi təsnifat dəqiqliyi% 89,3 əldə edildi. Prosedurun dəqiqliyi, nəzərdə tutulan model tətbiqetmələrə görə məhdudiyyətlər verə biləcək müəyyən kateqoriyaların (məsələn, Quru Çəmən və Beton, Ağaclar və Suvarılmış Çəmənlər və s.) Fərqləndirilməsində məhdud idi. Buna baxmayaraq, təsnifat nəticələri yüksək dəqiqlik qazandı və bu metodologiyanın şəhər su idarəetmə analizini yaxşılaşdırmaq üçün müxtəlif proqram təminatlarından istifadə edilə biləcəyini nümayiş etdirdi.

Bu abunə məzmununun önizləməsidir, təşkilatınız vasitəsilə giriş.


Yüksək məkan qətnamə məsafədən zondlama məlumatları istifadə edərək dizayn edilmiş obyektlərin təsnifatında məkan forması xüsusiyyətləri təsvirçiləri

Mekansal və spektral xüsusiyyətlər, məsafədən zondlama məlumatlarını istifadə edərək, mühəndislik obyektlərinin təsnifatında faydalı olan bilik əsaslı məlumat bazasını yaradan iki vacib xüsusiyyətdir. Yalnız spektral xüsusiyyətlər, nümayiş etdirdikləri spektral homojenlik və oxşarlıq səbəbindən şəhər ərazilərindəki bina və yolları təyin etmək üçün yetərsiz ola bilər. Bu, tədqiqatçıların, dizayn edilmiş obyektlərin təsnifatının dəqiqliyini artırmaq üçün forma təsvirçiləri baxımından təsvir olunan məkan xüsusiyyətlərini araşdırmasına səbəb oldu. Bu yazıda, məkan şəkli xüsusiyyətlərinin parametrləri və dəstək vektoru maşınından (SVM) istifadə edərək, dizayn edilmiş obyektlərin çıxarılmasını yaxşılaşdırmaq üçün bu xüsusiyyətləri həyata keçirmə metodundan bəhs olunur. Mekansal forma xüsusiyyətləri istifadə edilərək alınan SVM təsnif nəticələri, birincinin bina və yollar üçün daha yaxşı təsnifat dəqiqliyini göstərdiyi boz səviyyəli birlikdə meydana gəlmə statistik xüsusiyyətləri ilə müqayisə olunur. Təsnifat dəqiqliyi, eyni zamanda, spektral açı eşleyicisi və spektral məlumat fərqliliyi kimi təsnifatçılar tərəfindən binaların və yolların spektral xüsusiyyətlərindən istifadə edərək hesablanır. Təhlil göstərir ki, məkan şəkli xüsusiyyətləri şəhər ərazilərindəki binaların və yolların təsnifat nəticələrini yaxşılaşdırır.

Bu abunə məzmununun önizləməsidir, təşkilatınız vasitəsilə giriş.


Uzaqdan Algılama Görüntülü Səhnə Bölməsinə əsaslanan təbəqələşmiş obyekt yönümlü görüntü təsnifatı

Ənənəvi uzaqdan zondlama görüntü seqmentləşdirmə metodu bütün görüntü üçün eyni parametrlərdən istifadə edir. Bununla birlikdə, obyektlərin miqyasdan asılı olması səbəbindən ümumi bir görüntü üçün optimal seqment parametrləri bütün obyektlər üçün uyğun olmaya bilər. Məkan asılılığı ideyasına görə, eyni məkan miqyasına malik eyni növ cisimlər çox vaxt eyni səhnədə toplanır və mənzərə meydana gətirirlər. Bu ssenariyə əsasən, bu sənəd məsafədən algılama görüntü səhnəsi bölgüsünə əsaslanan təbəqələşmiş bir obyekt yönümlü görüntü təhlili metodunu təklif edir. Bu metod əvvəlcə uzaqdan algılama görüntüsünü fərqli səhnələrə təsnif etmək üçün bir görüntünün vizual mürəkkəbliyini əks etdirə bilən orta semantikdən istifadə edir və daha sonra hər səhnə daxilində hər bir səhnənin seqmentləşdirmə nəticəsini optimallaşdırmaq üçün təkmilləşdirilmiş bir şəbəkə axtarış alqoritmi istifadə olunur ki, bu da optimal miqyaslı olsun. hər səhnə üçün tamamilə qəbul edilə bilər. Verilənlərin mürəkkəbliyi təbəqələşdirilmiş işləmə ilə effektiv şəkildə azaldıldığından, yerli miqyaslı optimallaşdırma bütün görüntünün ümumi təsnifat dəqiqliyini təmin edir ki, bu da uzaqdan zondlama geo-tətbiqi üçün mənalıdır.

1. Giriş

GEOBIA yüksək məkan çözünürlüklü uzaqdan zondlama şəkillərinin işlənməsi üçün əsas metod olmuşdur [1, 2]. Məkan ölçüləri GEOBIA metodları üçün çox vacibdir [3] və miqyas uzaqdan zondlayan görüntünün obyekt yönümlü təsnifatına böyük təsir göstərir. Lakin xüsusiyyət tipinin mürəkkəbliyi səbəbindən bütün obyektlər üçün uyğun mütləq optimal miqyas yoxdur [4-6] miqyaslı şəkil seqmentində həll edilməsi lazım olan bir problemdir [7]. Seqmentləşdirmə keyfiyyəti istifadəçinin təcrübəsi ilə təyin edilmiş parametrlərlə məhdudlaşdırılacaq [8] və optimallaşdırma alqoritmi ümumi obrazın optimal seqmentləşdirmə parametrlərini təyin edir ki, bu da bütün obyektlərin kompromis nəticəsidir.

Fərqli obyektlər və ya coğrafi fenomen özünə xas olan məkan və zaman tərəzisinə malikdir [9] və yüksək həlldə mürəkkəb naxışları tanımaq getdikcə çətinləşir [10]. Cisimləri çıxarmaq və ya ətraflarından ayırmaq üçün işləmə miqyasının (seqmentasiya miqyasının) obyektin məkan tərəzilərinə bənzər bir şəkildə təyin edilməsi lazımdır [11]. Obyekt əsaslı miqyas seçimi obyekt əsaslı görüntü analizinin açarıdır və uyğun olmayan bir miqyas seçmək həddindən artıq seqmentasiyaya və ya seqmentləşdirilməyə səbəb olacaqdır [12]. Bu, yüksək məkan qətnamə şəkillərindən çox ölçülü məlumatların çıxarılmasının dəqiqliyini və effektivliyini azaldacaqdır [13-15]. Çoxölçülü seqmentləşdirmə üçün optimal parametrlərin seçilməsi üçün bir çox metoddan istifadə edilmişdir [16-25], lakin ümumi bir şəkil üçün optimal seqment parametrləri, böyük heterojen şəkillər işlənərkən fərqli obyektlər üçün uyğun olmaya bilər [26, 27]. Həll edilməli olan əsas məsələ fərqli obyekt və hadisələrin vahid bir görüntü ilə xarakterizə olunmasına imkan verən uyğun bir seqment şkalasının müəyyənləşdirilməsidir [28, 29]. Lakin müşahidələr bir meylin olduğunu göstərir: eyni tip obyektlər tez-tez oxşar məkan miqyasına sahibdir və əksər hallarda eyni ərazidə toplanır. Buna görə ümumi görüntüyü fərqli səhnələrə bölmək və daha sonra səhnə görüntüsünü şəkil obyektlərinə bölmək üçün bir optimallaşdırma alqoritmindən istifadə etmək, bu da ümumi seqmentləşmə keyfiyyətini artıracaqdır. Bir görüntünün sinif atributunu müəyyənləşdirməyi hədəfləyən şərti səhnə təsnifatı metodundan fərqli olaraq [30-32], bu məqalədə bəhs edilən səhnə bölgüsü, bütöv bir görüntüyü bir neçə səhnəyə ayırmağı hədəfləyir. Uzaqdan algılama şəkillərini səhnələrə təsnif etmək üçün istifadə edilən metodlar təxminən üç kateqoriyaya bölünə bilər: əl sərhədləri izləmə, təbəqənin eşik seqmentləşdirilməsi və seqmentasiya və ya təsnifata əsaslanan səhnə bölgüsü.

Adi əl sərhədləri izləmə metodu [33-35] rəng kompozisiyasına və ya parlaqlıq və NDVI kimi xüsusiyyət dəyərləri arasındakı fərqə əsaslanan səhnə sərhədlərini müəyyənləşdirir. Bu metod nəticənin istifadəçinin subyektiv tələblərinə cavab verəcəyini təmin edə bilər, lakin operatorun subyektivliyindən əziyyət çəkir və çox vaxt aparır [36].

Xüsusiyyət qatının eşik seqmentləşdirmə metodu, parlaqlıq və ya NDVI kimi bir xüsusiyyəti seçərək eşiklər təyin edərək görüntüyü bir neçə səhnəyə ayırır [37, 38]. Məsələn, bitki örtüyü səhnəsi ilə bitki əkilməyən sahə arasındakı NDVI dəyərləri fərqlidir, buna görə də müəyyən bir eşik dəyəri istifadə edərək görüntü təxminən bir neçə səhnəyə bölünə bilər. Bu metodda eşik nəticəyə böyük təsir göstərir və eşik seçmək çox vaxt nümunə statistikası və ya təsadüfi nümunələrdən istifadə etməklə həyata keçirilir. Bu səbəbdən həm eşik, həm də statistika üçün istifadə edilən nümunələr bölmə nəticələrini təsir edir.

Seqmentləşdirmə əsaslı səhnə bölgüsü metodu iki fikri birləşdirir: biri ölçüsü səhnələrə yaxın olan böyük bir obyekt əldə etmək üçün şəkil seqmentində geniş miqyaslı parametrlər təyin etmək [39, 40], digəri isə kiçik obyektləri birləşdirərək böyük səhnələr yaratmaqdır [ 41]. Proqram eCognition, SPAING və MAGIC eyni zamanda görüntü bölüşdürmə və təsnifat əməliyyatları təmin edir [41], lakin seqmentləşdirmə nəticəsi yol və çay kimi xətti obyektlərdən asanlıqla təsirlənir, buna görə əhatə dairəsi eyni olsa da, istənilən bir səhnə ayrılacaq iki və ya daha çox səhnə.

Bundan əlavə, bir şəkil toxuma parlaqlığı və ya NDVI istifadə edərək səhnələrə təsnif edilə bilər [42, 43], lakin bu metod sadə bir təsnifat əməliyyatıdır. Məsələn, görüntüyü bitki və əkilməyən səhnələrə, işıqlandırma və kölgəli səhnələrə və ya qaya və rok olmayan səhnələrə ayıracaqdır. Bu metod təlim nümunələrinə ehtiyac duya bilər, buna görə də yalnız xüsusi şəkillərdən yaxşı nəticələr verir və tətbiqini məhdudlaşdıran ümumbəşərlikdən məhrumdur.

Xülasə olaraq, bu təsvir olunan metodlarda bir çox problemə rast gəlinir: bəzi metodlar daha az effektivdir, yalnız bəzi növ şəkillər üçün uyğundur, subyektiv amillərin təsirinə məruz qalır və ya nəticə tələblərə cavab vermir. Bu səbəbdən uzaqdan algılama görüntüsünü fərqli səhnələrə bölmək üçün orta semantik (entropiya, homojenlik və ortalama) birləşdirən yeni bir metod təklif olunur. Bu metod subyektiv amillərdən təsirlənmir və əksər şəkillər üçün uyğundur, çünki hue dəyəri və toxuması demək olar ki, hər bir görüntü növündə hesablana bilər. Nəticə göstərir ki, bu metod təkmilləşdirilmiş bir şəbəkə axtarış alqoritmi kimi seqmentasiya parametri optimallaşdırma metodları ilə birləşdirildikdə təsnifat dəqiqliyini səmərəli şəkildə artıra bilər.

2. Metodlar

2.1. Uzaqdan Algılama Görüntüsündə Səhnə Quruluşu və Ölçüdən Asılılıq

Uzaqdan algılamanın miqyas effektini səhnə quruluşunun coğrafi konsepsiyası ilə birləşdirmək, miqyas problemini həll etmək üçün bir sıçrayış tapa bilər [44]. Səhnə quruluşu müəyyən bir coğrafi ərazidəki coğrafi vahidlərin fərqli tərəzilərinin tərkibi və quruluşudur. Bir coğrafi varlıq və ya bir fenomenin məkan nümunəsi tez-tez müəyyən bir miqyasda asılılıq nümayiş etdirir, buna görə eyni obyektləri müşahidə etmək üçün fərqli zaman məsafələri və məkan aralığından istifadə fərqli nəticələr və ya nəticələr verə bilər [44]. Fərqli səhnə quruluşu fərqli görmə mürəkkəbliyinə malikdir və səhnədəki daha çox obyekt daha mürəkkəb bir səhnəyə səbəb olacaqdır. Bu işə marağın miqyası seqmentasiya miqyasıdır. Yüksək dəqiqliklə seqmentləşdirmə nəticəsi əldə etmək üçün seqmentasiya miqyasının coğrafi vahidlərin özünəməxsus məkan tərəzilərinə bənzəməsi lazımdır.

2.2. Katmanlı Seqmentləşdirmə prinsipi

Səhnə ərazi planlaşdırması ilə məhdudlaşır və ya iqtisadi təsir ilə qruplaşdırılır və bir səhnədəki bir növ obyektin növü və paylanma qaydası oxşar olsa da, fərqli səhnələr arasındakı səhnə quruluşu fərqli ola bilər. Bu səbəbdən fərqli səhnələr fərdi uyğun seqment parametrlərinə malikdir. Əksər seqmentləşdirmə metodları və parametr optimallaşdırma alqoritmləri ümumi bir görüntü üçün ən yaxşı nəticəni təyin etməyə yönəldilmişdir, lakin bu, fərqli obyektlərin uzlaşmasıdır və müxtəlif növ obyektlər üçün yararsızdır. Bu işdə məsafədən zondlama görüntü səhnəsi bölgüsünə əsaslanan təbəqələşmiş bir obyekt yönümlü görüntü təhlili təklif olunur. Bu metod, bütün mürəkkəb görüntüyü bir neçə sadə məkan quruluş səhnəsinə bölə bilər (şəkil 1). Bənzər rəngli obyektlər oxşar rəng dəyərinə sahib olacaq, buna görə də rəng dəyəri kimi bəzi xüsusiyyətlər görüntüyü səhnələrə bölmək üçün istifadə edilə bilər. Üstəlik, fərqli səhnələrin görmə mürəkkəbliyi və quruluşu da fərqlənə bilər, buna görə də rəng tonu onu əks etdirmək üçün istifadə edilə bilər. Ortalama bir səhnənin əsas rəngini (əsas obyektini) əks etdirə bilsə də, entropiya və homojenlik səhnə quruluşunu əks etdirə bilər. Entropiya və homojenliyə görə, şəkil tək əhatə tipli səhnələrə və kompleks əhatə tipli səhnələrə bölünə bilər. Və ortalama dəyərinə görə, tək əhatə növü səhnəsi bir neçə xüsusiyyət dominant səhnəyə bölünə bilər. Fərqli səhnələri ayrı-ayrılıqda bölmək üçün parametrlərin optimallaşdırılması metodlarından istifadə edildikdə, hər bir səhnənin son seqmentli miqyası coğrafi vahidlərin özünəməxsus məkan miqyasına mümkün qədər yaxınlaşacaqdır.

2.3. Təkmilləşdirilmiş bir Grid Axtarış Alqoritmi əsasında Seqment Parametrləri Optimizasiyası

Seqmentləşdirmə parametrlərini optimallaşdırmaq üçün təkmilləşdirilmiş bir grid axtarış alqoritmi istifadə edilmişdir. Şəbəkə axtarış alqoritmi (GSA), müəyyən bir boşluq aralığında optimallaşdırma üçün iki parametrə bölünən şəbəkəni, şəbəkədəki bütün kəsişmələri keçərək bir optimallaşdırılmış parametr parametrini tapmaq üçün istifadə edir. Bu müddətdə bütün parametr birləşmələri keçilir. Kifayət qədər böyük bir parametr seçmə diapazonu və kifayət qədər qısa addım ölçüsü nəzərə alınmaqla, metod qlobal optimal həllini tapa və eyni zamanda parametrlərin optimal birləşməsini əldə edə bilər. Ancaq bu çox vaxt tələb edir. Parametrlərin optimallaşdırılması üçün GSA effektivliyini artırmaq üçün təkmilləşdirilmiş GSA (IGSA) təklif olunur. Birincisi, böyük bir miqyas və addım ölçüsü istifadə edərək təxmini bir optimal həll əldə edir. Daha sonra, parametrlərdən biri düzəldilir və sabit parametr yaxınlığında dar bir axtarış aralığında başqa bir parametr dəyərini axtarmaq üçün kiçik bir addım ölçüsü istifadə olunur. Ümumiyyətlə, bu təkmilləşdirilmiş metod təxminən optimal kombinasiyaya əsaslanır və kəsişmə istiqamətləri ilə genişlənir [45]. Buna görə, addım ölçüsünün ilk seçimi genişlənən kəsişmə istiqamətləri ilə şəbəkə axtarışı üçün xüsusilə vacibdir.

3. Təcrübələr və təhlil

3.1. Təcrübə məlumatları

Metodun möhkəmliyini yoxlamaq üçün iki iş sahəsi seçildi. Birincisi, Çin, Tayvan, Hualien şəhərinin bir QuickBird pansharpened şəklidir (Şəkil A) (Şəkil 2). Ölçü 12000 × 12000 pikseldir, piksel başına 0,7 m. Bu görüntüdəki əsas torpaq örtüyü növləri binalar, bitkilər, çılpaq torpaqlar, yollar və sudur. İkincisi, Alma Cray sahəsinin (mis mədəni), Özbəkistanın (Şəkil 2) bir QuickBird multispektral görüntüsü (Şəkil B) və ölçüsü 3400 × 3400 pikseldir və çözünürlük piksel başına 2,4 m-dir. Qapaq növləri binalar, bitkilər, çılpaq torpaqlar, mədənlər və sudur.

3.2. Səhnə bölgüsü: təbəqələnmiş seqmentləşdirmənin ilk addımı

Proses addımlarının Şəkil 1-də göstərildiyi kimi, əvvəlcədən işləndikdən sonra hər iki tədqiqatda RGB rəng sintezi üçün yaxın infraqırmızı, qırmızı və yaşıl lentlər seçildi. Sonra görüntü RGB rəng məkanından HSV rəng məkanına çevrildi. Hue layer dəyərləri əhatə dairəsini təmsil edə bilər və oxşar rəngin hue dəyərləri də ədədi yaxınlaşmadır. Hesablama pəncərələri obyekt ölçülərindən kiçik, lakin obyekt xüsusiyyətlərini ayırd edə biləcək qədər böyük olmalıdır və buna əsasən rəng qatının xüsusiyyətlərini təmsil edən səkkiz toxuma təbəqəsi əldə edilmişdir. Hue dəyərləri səhnə rəng fərqlərini əks etdirir. Məqsəd səhnə bölgüsü olduğundan, fərqli səhnə dəyərləri üçün toxumalar fərqli boz tərəzilər (dəyərlər) ilə təmsil olunur. Müəyyən bir qrup içərisindəki əksər toxuma tədbirləri bir-biri ilə sıx əlaqəlidir. Homojenlik, qeyri-bərabərlik, dispersiya və ziddiyyət güclü şəkildə əlaqələndirilir və entropiya ikinci məqamla güclü şəkildə əlaqələndirilir [46]. Səhnə bölgüsü üçün səhnə fərqlərinin böyütülməsi lazımdır. Beləliklə, toxuma təbəqələrində fərqli səhnələrdəki dəyər fərqlərinin fərqli aralıklarda paylanması lazımdır. Bu səbəbdən səhnə bölgüsü üçün inteqrasiya olunmuş bir görüntü yaratmaq üçün orijinal görüntü ilə əməkdaşlıq etmək üçün entropiya, homojen orta qatlar və HSV təbəqələri seçildi. Fərqli səhnələrin əsas rəngləri fərqli idi və bu şəkillərdəki sərhədlər orijinal görüntüdən daha aydın görünür.

ECognition multiscale segmentasiyasının hazırda üstün metod olduğu sübut edilmişdir [21], beləliklə bu metod səhnə bölgüsü və sonrakı səhnə görüntü seqmentasiyası üçün istifadə edilmişdir. Bu metodda üç parametr var: miqyas, forma və kompaktlıq. A görüntüsünün sınaq parametrləri miqyaslı: 1000, forma: 0.1 və kompaktlıq: 0.5 və B şəkli üçün təyin edilmiş parametrlər miqyaslı: 1500, forma: 0.1 və kompaktlıq idi: 0.5. Təsvir üçün seçilmiş lentlər Səhnə bölgüsü 1: 1: 1: 1: 1 çəkisi olan infraqırmızı, hue təbəqəsi, orta qat, homojenlik təbəqəsi və entropiya təbəqəsi idi. , yaşıl, qırmızı, infraqırmızıya yaxın, çalar qat, orta qat, homojenlik təbəqəsi və 1: 1: 1: 1: 2: 2: 2: 2 ağırlığında entropiya təbəqəsi, toxuma təbəqələrini digərindən daha çox ağırlaşdırmışdır. parametrlər. Şəkil 3, təsvir olunan parametrlərdən istifadə edərək şəklin bölünməsindən və sarsıdıcı səhnələrin birləşdirilməsindən sonra səhnə bölgüsü nəticələrini göstərir. Ümumi görüntü A altı səhnəyə bölünmüş və fərqli dominant xarakterlərinə görə bunlara belə ad verilmişdir: alçaq örtüklü bina, hündür örtüklü bina, aşağı örtüklü bitkilər, hündür örtüklü bitkilər və okean mənzərəsi (Şəkil 3). Buludlar şəkildən çıxarıldı, buna görə aşağıdakı şəkildəki bulud mənzərəsi yoxdur. Ümumi görüntü B şəhər, mineral və iki aşağı örtüklü bitki mənzərəsinə bölünmüşdür (şəkil 4).

3.3. Şəklin seqmentləşdirilməsi və təsnifatı

Seqmentləşdirmə nəticəsi sonrakı təsnifata böyük təsir göstərir, buna görə də təsnifatın dəqiqliyi müəyyən dərəcədə seqmentləşdirmənin üstünlüklərini əks etdirə bilər [47]. Buna görə də, təsnifat nəticəsi bu işdə seqmentasiya nəticəsini qiymətləndirmək üçün istifadə edilə bilər. Bu məqalədə səhnə bölgüsü əsaslı obyekt yönümlü görüntü təhlili metodunun effektivliyini yoxlamaq üçün müqayisəli təcrübələr qurulur. Səhnə bölgüsü xaricində, bu iki təcrübə dəstinin digər prosesləri həm ümumi görüntü, həm də səhnə görüntüləri eyni təsnifat və test nümunələrindən istifadə edir.

Cədvəllər 1-4 təsnifat və test nümunələrinin sayını göstərir. Təsnifatda istifadə olunan daha çox xüsusiyyət daha uzun hesablama vaxtı tələb edir [48], buna görə təsnifat xüsusiyyətləri olaraq yalnız parlaqlıq, NDVI, NDWI və forma indeksi istifadə edilmişdir. GSA, fərqli səhnələr üçün optimal seqmentləşdirmə nəticələri əldə etmək üçün istifadə edilmişdir.


Qarğıdalı, ətraf mühitə mükəmməl uyğunlaşdığı üçün dünyanın bir çox ölkəsində geniş yayılmış əhəmiyyətli bir qida məhsuludur. Üstəlik, qarğıdalı heyvan istehsalı üçün vacib bir yem mənbəyidir və bir çox fərqli sahə üçün əvəzolunmaz xammaldır. İnsanların sayı artdıqca və əkin sahələri azaldıqca qarğıdalı məhsulunun artırılmasına daha çox diqqət yetirilir.

Dönüşümlü sinir şəbəkəsi (CNN) təhlili dağıdıcı olmayan gəlir proqnozu üçün istifadə edilə bilər və təsnifat və xüsusiyyət çıxarılması üçün çox uyğundur. Bu təcrübənin ümumi məqsədi qarğıdalı taxılının məhsuldarlığını qiymətləndirmək üçün bir CNN təsnifat modelini öyrətmək üçün hiperspektral görüntülərdən istifadə etmək idi. Beş qarğıdalı böyümə mərhələsində - V5 (yarpaq yaxası görünən beş yarpaq), V8 (yarpaq yaxası görünən səkkiz yarpaq), V10 (yarpaq yaxası görünən on yarpaq), V12 (yarpaq yaxası görünən 12 yarpaq) ) və R2 (blister mərhələ). Hiperspektral görüntülər dalğacan analiz metodu ilə denoised, sonra CNN modelini öyrətmək və təsdiqləmək üçün istifadə edilmişdir. Daxili xüsusiyyətlərini əks etdirən spektral məlumat və mısır böyüməsinin xarici xüsusiyyətlərini əks etdirən rəngli görüntü (hiperspektral görüntüdən çıxarılan qırmızı, yaşıl və mavi zolaqlar) tərəfindən verilən məkan məlumatları çıxarılır. Nəticələr göstərir ki, spektral və rəngli görüntü əsaslı inteqrasiya olunmuş CNN modeli 75,50% təsnifat dəqiqliyinə malikdir. Əksinə, yalnız spektral məlumatlara əsaslanan bir ölçülü CNN modelinin və ya yalnız rəngli görüntü məlumatlarına əsaslanan iki ölçülü CNN modelinin dəqiqliyi müvafiq olaraq% 60,39 və% 32,17 idi. İnteqrasiya olunmuş CNN modeli (spektral məlumat və rəngli görüntü məlumatı) fərdi bir ölçülü CNN və ya iki ölçülü CNN modellərinin nəticələrindən daha yaxşıdır. Əlavə olaraq. İnteqrasiya olunmuş CNN modelinin Kappa əmsalı 0.69-dur, bu da təsnifatın yüksək tutarlılığını göstərir. Daxili və xarici qarğıdalı örtüyü haqqında məlumatları təmsil edən spektral məlumatların və rəngli görüntü məlumatlarının hərtərəfli istifadəsi bir ölçülü və ya iki ölçülü CNN modellərindən daha dəqiq qarğıdalı məhsulu proqnozunu təmin edə bilər.


Spektral-Mekansal Konvolyusional Sinir Şəbəkələrindən istifadə edərək çox yüksək qətnaməli hava şəkillərinin təsnifatı

1 Sistemlər, İdarəetmə və Liderlik Fakültəsi, Mühəndislik və İnformasiya Texnologiyaları Fakültəsi, Texnologiya Universiteti Sidney, Bina 11, Səviyyə 06, 81 Broadway, P.O. Qutu 123, Ultimo, NSW 2007, Avstraliya

Mücərrəd

Tamamilə spektral məzmuna əsaslanan hava fotoşəkilinin təsnifatı uzaqdan algılamada çətin bir mövzudur. Hava şəkillərini bina, otlaq, sıx bitki örtüyü, su gövdəsi, qısır torpaq, yol və kölgə kimi yeddi torpaq örtüyü sinifinə təsnif etmək üçün konvolyusional bir sinir şəbəkəsi (CNN) hazırlanmışdır. Təsnifatçı, təsnifat prosesinin dəqiqliyini maksimum dərəcədə artırmaq üçün məlumatların spektral və məkan məzmunundan istifadə etmişdir. CNN əl ilə yaradılan torpaq həqiqət nümunələri ilə sıfırdan təlim keçdi. Şəbəkənin arxitekturası 32 süzgəcdən ibarət tək bir konvolyasiya qatından və 3 × 3 nüvənin ölçüsündən, 2 × 2 ölçüsündə toplama ölçüsündən, partiyanın normallaşmasından, düşmə və Softmax aktivləşdirmə ilə sıx bir təbəqədən ibarətdir. Memarlıq dizaynı və hiperparametrləri həssaslıq təhlili və doğrulama dəqiqliyi ilə seçilmişdir. Nəticələr göstərdi ki, təklif olunan model hava şəkillərini təsnif etmək üçün təsirli ola bilər. Ən yaxşı modelin ümumi dəqiqliyi və Kappa əmsalı müvafiq olaraq 0,973 və 0,967 idi. Bundan əlavə, həssaslıq analizi, CNN-də buraxma və partiyanın normallaşması texnikasının tətbiq edilməsinin modelin ümumiləşdirmə performansını yaxşılaşdırmaq üçün vacib olduğunu göstərdi. Yuxarıda göstərilən üsullar olmadan CNN modeli, daha dəqiq bir performans göstərdi, ümumi dəqiqlik və Kappa, müvafiq olaraq 0,932 və 0,922. Bu araşdırma CNN əsaslı modellərin hava fotoşəkilləri istifadə edərək torpaq örtüyü təsnifatı üçün güclü olduğunu göstərir. Bununla birlikdə, bu modellərin memarlığı və hiper parametrləri diqqətlə seçilməli və optimallaşdırılmalıdır.

1. Giriş

Uzaqdan algılama məlumatlarını (xüsusilə üç zolaqdan ibarət olan ortofotonu - qırmızı, yaşıl, mavi (RGB)) ənənəvi metodlarla təsnif etmək bir problemdir [1, 2]. Bunun arxasında duran əsas səbəb, uzaqdan zondlama məlumat dəstlərinin daxili və siniflərarası dəyişkənliyə sahib olması və etiketlənmiş məlumatların məlumatların ümumi ölçüsü ilə müqayisədə daha az olmasıdır [3]. Digər tərəfdən, konvolyusional sinir şəbəkələri (CNN) kimi dərin öyrənmə metodlarındakı son inkişaflar, məsafədən zənginləşdirilmiş görüntü təsnifatı, xüsusən hiperspektral görüntü təsnifatında ümidverici nəticələr göstərmişdir [4-6]. Dərin öyrənmə metodlarının üstünlükləri, görüntüləri əvvəlcədən müəyyən edilmiş etiketlərə təsnif etmək üçün xammal piksellərdən daha çox faydalı olan yüksək səviyyəli xüsusiyyətlərin öyrənilməsini əhatə edir. Bu metodların digər üstünlükləri, yerli məkan qonşuluğundan xüsusiyyət toplama yolu ilə məlumatlardan məkan məlumatlarının öyrənilməsidir [3].

Çox yüksək dəqiqlikli bir hava fotoşəkilini səmərəli şəkildə təsnif etmək və dəqiq torpaq örtük xəritələri hazırlamaq üçün bir çox tədqiqatçı tərəfindən qəbul edilmiş bir neçə metod və alqoritm var. Methods such as object-based image analysis (or OBIA) was mostly investigated because of its advantage in very high-resolution image processing via spectral and spatial features. In a recent paper, Hsieh et al. [7] applied aerial photo classification by combining OBIA with decision tree using texture, shape, and spectral feature. Their results achieved an accuracy of 78.20% and a Kappa coefficient of 0.7597. Vogels et al. [8] combined OBIA with random forest classification with texture, slope, shape, neighbor, and spectral information to produce classification maps for agricultural areas. They have tested their algorithm on two datasets, and the results showed the employed methodology to be effective with accuracies of 90% and 96% for the two study areas, respectively. On the other hand, a novel model was presented by Meng et al. [9], where they applied OBIA to improve vegetation classification based on aerial photos and global positioning systems. Results illustrated a significant improvement in classification accuracy that increased from 83.98% to 96.12% in overall accuracy and from 0.7806 to 0.947 in the Kappa value. Furthermore, Juel et al. [10] showed that random forest with the use of a digital elevation model could achieve relatively high performance for vegetation mapping. In a most recent paper, Wu et al. [2] developed a model based on a comparison between pixel-based decision tree and object-based SVM to classify aerial photos. The object-based support vector machine (SVM) had higher accuracy than that of the pixel-based decision tree. Albert et al. [11] developed classifiers based on conditional random fields and pixel-based analysis to classify aerial photos. Their results showed that such techniques are beneficial for land cover classes covering large, homogeneous areas.

2. Related Works

The success of CNN in the fields like computer vision, language modeling, and speech recognition has motivated the remote sensing scientists to apply it in image classification. There are several works that have been done on CNN for remote sensing image classification [12–15]. This section briefly explains some of these works highlighting their findings and their limitations.

Sun et al. [16] proposed an automated model for feature extraction and classification with classification refinement by combining random forest and CNN. Their combined model could perform well (86.9%) and obtained higher accuracy than the single models. Akar [1] developed a model based on rotation forest and OBIA to classify aerial photos. Results were compared to gentle AdaBoost, and their experiments suggested that their method performed better than the other method with 92.52% and 91.29% accuracies, respectively. Bergado et al. [17] developed deep learning algorithms based on CNN for aerial photo classification in high-resolution urban areas. They used data from optical bands, digital surface models, and ground truth maps. The results showed that CNN is very effective in learning discriminative contextual features leading to accurate classified maps and outperforming traditional classification methods based on the extraction of textural features. Scott et al. [13] applied CNN to produce land cover maps from high-resolution images. Other researchers such as Cheng et al. [12] used CNN as a classification algorithm for scene understanding from aerial imagery. Furthermore, Sherrah [14] and Yao et al. [15] used CNN for semantic classification of aerial images.

This research investigates the development of a CNN model with regularization techniques such as dropout and batch normalization for classifying aerial orthophotos into general land cover classes (e.g., road, building, waterbody, grassland, barren land, shadow, and dense vegetation). The main objective of the research is to run several experiments exploring the impacts of CNN architectures and hyperparameters on the accuracy of land cover classification using aerial photos. The aim is to understand the behaviours of the CNN model concerning its architecture design and hyperparameters to produce models with high generalization capacity.

3. Metodologiya

This section presents the dataset, preprocessing, and the methodology of the proposed CNN model including the network architecture and training procedure.

3.1. Dataset and Preprocessing
3.1.1. Dataset

To implement the current research, a pilot area was identified based on the diversity of the land cover of the area. The study area is located in Selangor, Malaysia (Figure 1).


Training and Testing:

The computational intensive part of ML is the optimization of the parameters of the classifier. Neural networks commonly have millions of parameters and can only be optimized using special hardware, software libraries, and starting values for the parameters.

Hardware options for deep learning include:

· Specially designed, energy efficient ASICs

· Highly parallelized GPUs and

· Large memory supported CPUs.

We used high-end consumer hardware to train algorithms for image classification and object detection our computational server is the NVIDIA DevBox with four Maxwell GeForce Titan X GPUs. Advantages for different hardware choices depend on the application, available budget, and the desired training time.

There are several software frameworks for performing deep learning most support parallelization on NVIDIA GPUs. Initially, we chose to work with the deep learning framework Caffe because of the Python support and the access to pre-trained networks. For programmers comfortable with Python or C++, Tensorflow is a well-documented framework with a growing developer base. We generally design new network architectures in Tensorflow, but use Caffe to fine-tune pre-trained networks. NVIDIA Digits is a polished frontend to labeled data management and Caffe-based model training.


Videoya baxın: Pak Vac Leak Detectors Leak Testers (Oktyabr 2021).