بررسی و پیاده سازی روش svm برای تصاویر ماهواره ای

پوشش زمینی یکی از داده های اولیه و اساسی در برنامه ریزی و مدیریت محیطی می باشد. یکی از مهم ترین منابع اطلاعات پوشش زمینی در مناطق با وسعت زیاد، سنجش از دور است که اجازه می دهد داده های مورد نیاز به طور مرتب تکرار شوند. یکی از مسائل مهم و حائز اهمیت در سنجش از دور، بهبود طبقه بندی تصاویر ماهواره ای به منظور افزایش دقت نقشه های پوشش زمینی می باشد. روش های مختلفی برای طبقه بندی تصاویر ماهواره ای وجود دارد که در این میان، ماشین بردار پشتیبان ((svm اخیرا توجه جامعه سنجش از دور را به خود جلب کرده است. با توجه به ویژگی های روش-های مختلف، قابلیت های svm به عنوان روشی کارا برای ارزیابی داده های طیفی مورد بررسی قرار می گیرد. این روش با استفاده از داده های آموزشی کم از خواص هندسی داده ها برای طبقه بندی استفاده می کند. همچنین svm از توابع هسته برای انتقال داده های غیر خطی در فضای ورودی به داده های خطی در فضای ویژگی استفاده می کند. داده های چند-طیفی استفاده شده در این تحقیق، داده های سنجنده etm+ از منطقه مرکزی ایران که قسمت هایی از استان اصفهان را شامل می شود، می باشند. در این پایان نامه سعی بر آن است که توانایی svm را، در استخراج پوشش زمینی از سنجنده-های سنجش از دوری و عملکرد آن در مقایسه با شبکه عصبی ارزیابی شود. همچنین پارامترهای مختلفی که در دقت طبقه بندی تاثیر می گذارند مانند تعداد متغیرها در تصویر چند طیفی و هسته های آموزشی ارزیابی شوند و نتایج با استفاده از ماتریس ابهام به صورت نمودار نشان داده شود. دو هسته ای که برای طبقه بندی استفاده می شوند، هسته پایه شعاعی و هسته چند جمله ای می باشند که در مقایسه با دیگر هسته ها از عملکرد بهتری برخوردار هستند. همچنین برای بررسی تاثیر افزایش تعداد متغیر ها بر روی دقت طبقه بندی، دو ویژگی طیفی شاخص گیاهی تفاضلی نرمال و شاخص گیاهی نسبی را به باندهای سنجنده افزوده و نتایج با حالتی که فقط از 3 باند طیفی استفاده شده بود مقایسه گردید. ملاحظه می شود که در هر دو روش با افزایش متغیر های ورودی دقت طبقه بندی افزایش می یابد. در حالت سه متغیره، دقت شبکه عصبی بالاتر از روش svm می باشد. دلیل این امر به خاطر این است که در حالت سه بعدی، svm توانایی کمتری برای انتقال داده های غیرخطی در فضای ورودی به داده های خطی در فضای ویژگی دارد، در حالت پنج متغیره دقت svm بالاتر از شبکه عصبی می باشد. البته تصاویر چند طیفی قابلیت تفکیک عوارض در سطوح بالای ساختار طبقه بندی را دارند و برای ایجاد تمایز در سطوح پایین تر ساختار های طبقه بندی مناسب نمی باشند. برای تحلیل این مشکل از تصاویر ابر طیفی استفاده شد. تصویر سنجنده aviris با دارا بودن 220 باند طیفی در این تحقیق استفاده شده است. هدف، تفکیک سه کلاس سویا کم شخم، بدون شخم و شخم زده با استفاده از روش svm می باشد. دو هسته چند-جمله ای و پایه شعاعی برای طبقه بندی استفاده شده اند. همچنین داده های آموزشی در دو مرحله 10% و 20% از کل داده ها بررسی شده اند. نتایج تحقیق نشان می دهد که استفاده از svm می تواند به عنوان یک راه حل مناسب برای به دست آوردن دقت مناسب در طبقه بندی داده های ابر طیفی با تعداد نمونه های آموزشی کم موثر باشد.