طراحی و اجرای الگوریتم آدابوست عارضه ‌مبنا مبتنی ‌بر یادگیری فعال به‌ منظور طبقه ‌بندی پوشش زمین در تصاویر با حد تفکیک مکانی بالا

با بهبود حد تفکیک مکانی تصاویر سنجش از دور، اطلاعات دقیق‌تری از صحنه تصویر همچون ساختارهای بافت، فراهم شده است. این منابع داده، به‌دلیل جزئیات بسیار، دارای واریانس درون ‌کلاسی زیاد و واریانس بین‌کلاسی اندک‌اند؛ ازاین‌رو استخراج اطلاعات پوشش زمین از آنها به فرایندی چالش‌برانگیز تبدیل شده است. در این تصاویر، تفسیر بصری زمان‌بر و پرهزینه است و تفسیر اتوماتیک آنها لزوماً به دقت بالا منجر نمی‌شود و رسیدن به دقت تفسیر مطلوب نیازمند طراحی الگوریتم‌های اتوماتیک است؛ به‌صورتی‌که توانایی مقابله با مشکلات ناشی از پیچیدگی صحنه تصویر را داشته باشند. برای غلبه بر این مشکل، روش آنالیز عارضه‌مبنای تصویر که به مورفولوژی صحنه تصویر حساس است، به‌ویژه در مطالعه‌ای شهری که تراکم ساختارهای شکل‌گرفته به‌دست انسان بالاست، ممکن است کارآمد باشد. در طبقه‌بندی عارضه‌مبنا، پیکسل‌های بیانگر یک عارضه در ترکیب با یکدیگر، تجزیه و تحلیل می‌شوند؛ در نتیجه، فضای مسئله به‌نسبت طبقه‌بندی پیکسل‌مبنا کاهش می‌یابد و مزیت این امر افزایش سرعت محاسبات است. درعین‌ حال به ‌دلیل اندازه متنوع اشیای تصویری، طبقه‌بندی نظارت‌شده عارضه‌مبنا در ایجاد مجموعه آموزشی بهینه با چالش‌هایی مواجه است. در تحقیق حاضر، به‌منظور طبقه‌بندی عارضه‌مبنا، از الگوریتم آدابوست استفاده شده است. برای غلبه بر مشکل فقدان تناسب فضای ویژگی ناشی از تعداد اندک نمونه‌های آموزشی و توزیع نامتناسب آنها در مقایسه با ابعاد بالای فضای ویژگی (شامل ویژگی‌های طیفی، مکانی و هندسی)، دو راهبرد دنبال شده است. در یک رویکرد برای تولید مجموعه‌ آموزشی بهینه، مکانیسم یادگیری فعال با الگوریتم آدابوست ادغام شده و در رویکردی دیگر به‌منظور کاهش ابعاد فضای ویژگی، براساس همبستگی بین ویژگی‌ها (افزونگی) و همبستگی بین ویژگی‌ها و کلاس‌ها (مطابقت)، زیرمجموعه ویژگی منتخب استخراج شده است. روش پیشنهادی روی مجموعه داده استاندارد وهینگن کشور آلمان اجرا و نتایج حاصل از آن با طبقه‌بندی پیکسل‌مبنا مقایسه شده است. به‌منظور بررسی معنی‌داری اختلاف‌های حاصل‌شده در نتایج ارزیابی‌ها نیز، آزمون آماری مک‌نمار به‌کار رفته است. نتایج تجربی نشان دادند که رویکرد عارضه‌مبنای پیشنهادی، در قیاس با 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 پیکسل‌ مبنا افزایش چشمگیری یافته است. این نتایج بیانگر عملکرد بهینه رویکرد پیشنهادی، هم از نظر دقت و هم از نظر سرعت محاسبات است.

Design and Implementation of an Object-Based AdaBoost Algorithm Based on Active Learning for Land-Cover Classification in High-Resolution Images

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, objectbased image analysis (OBIA) that is sensitive to the image scene morphology, can be particularly effective in an urban area where the density of manmade structures is high. In objectbased 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 pixelbased method, which leads to increasing the computational speed. Meanwhile, due to the different sizes of image segments, supervised objectbased classification faces challenges in creating an optimal training set. In this research, AdaBoost algorithm was selected for the objectbased 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 featuretofeature correlation (redundancy) and the featuretoclass 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 pixelbased classification. In order to evaluate the signification of the results, the McNemar statistical test was used. The experimental results showed that the proposed objectbased approach improved the overall accuracy by 6% and the kappa coefficient by 7% compared to the pixelbased approach. Also, the computational speed of proposed objectbased AdaBoost was significantly increased compared to the pixelbased approach. These results indicate the superiority of the proposed approach both in terms of accuracy and processing speed.