عنوان پایان‌نامه
طبقه بندی تصاویر فرا طیفی با استفاده از مدل آمیخته ی گاوسی
- رشته تحصیلی
- مهندسی عمران- نقشه برداری- سنجش ازدور
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 3299;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75883
- تاریخ دفاع
- ۱۴ شهریور ۱۳۹۵
- دانشجو
- حمید قنبری
- استاد راهنما
- عبدالرضا صفری
- چکیده
- مدل آمیخته ی گاوسی یکی از روش‌های نوینی است که به منظور طبقه بندی تصاویر سنجش از دور فراطیفی ارائه شده است. استفاده از این الگوریتم به دلیل نتایج رضایت‌بخش و سرعت نسبتاً بالا، در حال افزایش است. مدل آمیخته ی گاوسی به میزان قابل توجهی در کاربردهای مدل‌سازی تراکم و خوشه بندی مورد استفاده قرار می گیرد. این مدل¬ها دارای قابلیت تخمین کاملی هستند، چرا که آن‌ها می توانند هر نوع تابع تراکمی را به صورتی دقیق با تعداد کافی تابع گاوسی مدل‌سازی نمایند. این مدل تابع چگالی احتمال متغیرهای مشاهده شده را با استفاده از چگالی های آمیخته گاوسی مدل می کند. با توجه به نتایج خوب مدل های آمیخته گاوسی در طبقه بندی داده های فراطیفی، این الگوریتم ها گزینه مناسبی برای خوشه بندی داده های فراطیفی محسوب می شوند. در این پایان نامه الگوریتم مدل آمیخته گاوسی به سه شکل پیاده سازی و ارزیابی شد: در ابتدا این الگوریتم به صورت بدون نظارت اجرا شد. برای این منظور، باید پارامترهای بردار میانگین، ضرایب اختلاط و ماتریس کواریانس دادهها با دقت خوبی برآورد شوند. در این پژوهش از روش‌های نمونه گیر گیبز و الگوریتم Expectation-Maximization برای تخمین این پارامترها استفاده شده است. سپس این الگوریتم به صورت نظارت شده پیاده سازی شد. برآورد پارامترهای مدل آمیخته گاوسی به صورت نظارت شده با استفاده از یک سری داده های آموزشی به منظور بدست آوردن بردار میانگین، ماتریس کواریانس و ضرایب اختلاط انجام می شود. در انتها برای بهره برداری از اطلاعات مکانی از میدان های تصادفی مارکوف به منظور بهبود دقت طبقه بندی استفاده شد. میدان های تصادفی مارکوف یکی از روش‌های استفاده از اطلاعات مکانی تصویر در طبقه بندی و خوشه بندی است که از اطلاعات همسایگی برای برآورد احتمال برچسب دهی استفاده می کند. الگوریتم های استاندارد و پیشنهادی در این پایان نامه بر روی داده های فراطیفی حاصل از سنجنده های مختلف در مناطق شهری و کشاورزی و همچنین بر روی داده های شبیه سازی شده اعمال گردید. نتایج حاصل از این پژوهش نشان داد که الگوریتم مدل آمیخته گاوسی قادر به اخذ نتایج رضایت بخشی بر روی داده های فراطیفی است. ابتدا الگوریتم مدل آمیخته گاوسی به صورت نظارت شده مورد بررسی قرار گرفت و با توجه به مقایسه ای که صورت گرفت مزایای این الگوریتم که شامل سرعت بالا و دقت خوب آن در مقایسه با الگوریتم های ماشین بردار پشتیبان و بیشینه شباهت بود مشاهده شد. با این وجود گاهی مواقع به دلیل کمبود داده آموزشی دقت طبقه بندی پایین آمده و شاهد نتایج خوبی نخواهیم بود. در این هنگام با استفاده از مدل آمیخته گاوسی به صورت بدون نظارت نتایج خوب و رضایت‌بخشی به دست آمد. به منظور افزایش دقت طبقه بندی، در گام آخر تصویر طبقه بندی نهایی با استفاده از میدان تصادفی مارکوف و اطلاعات همسایگی به دست آمد. دقت کلی این الگوریتم برای تصاویر Pavia university و Salinas که از مناطق شهری و کشاورزی اخذ شده اند، در حالت بدون نظارت و استفاده از الگوریتم نمونه گیر گیبز به ترتیب برابر 88.3 و 96.91 درصد و در صورت استفاده از الگوریتم EM برابر 84.21 و 95 درصد شد که پس از استفاده از اطلاعات همسایگی افزایش دقتی به میزان 1.1 و 0.1 درصد دقت کلی حاصل شد. واژه‌های کلیدی: تصاویر فراطیفی، طبقه بندی، مدل آمیخته گاوسی، کاهش ابعاد، نمونه گیر گیبز
- Abstract
- Remote sensing is the most efficient way for analysis of land cover for their proper utilization and management, using many forms of informations including hyperspectral images. Hyperspectral imaging is one of the most powerful earth observation tools for identifying and mapping of earth’s surface phenomena. The hyperspectral sensors can acquire hundreds of contiguous spectral channels and various useful information can be extracted from this data. Classification is a method of extracting information from remote sensing image data. Hyperspectral Image (HSI) classification is a critical step to convert remotely sensed data into thematic information. A new method for HSI classification is finite mixture model. Finite mixture models have a key role in probabilistic data analysis. They have been used in many applications in statistical analysis and machine learning such as modeling, classification and clustering. A finite mixture model is a convex combinations of probability density functions (PDFs). By combining the probability of the individual probability functions, mixture models are able to approximate any uncontrolled distribution. In this research, we confine our attention to the normal density for the component function that is called Gaussian mixture model (GMM). GMM classifier have proved beneficial for a variety of classification tasks, such as speech and speaker recognition, clustering, etc. Gaussian Mixture Models (GMMs) have been frequently applied in hyperspectral image classification tasks. The problem of e estimating the parameters in a Gaussian mixture model has been studied in the literature. Expectation-Maximization (EM) algorithm is one of the methods that can be applied for this problem. EM is a general method for optimizing likelihood functions and is useful in situations where data might be missing or simpler optimization methods fail. Another approach for estimating the parameters of a GMM is the Gibbs algorithm. The Gibbs sampler can be shown to be a special case of the Metropolis-Hastings algorithms. These algorithms are evaluated by different validity indices on one simulated data and four hyperspectral benchmark dataset: Pavia University, Pavia Centre, Salinas and Botswana datasets. The implementation of algorithms showed that we could use GMM classifier for hyperspectral data classification and acquise proper result. Keywords: classification, Hyperspectral Image, Gaussian mixture model, Dimension Reduction, Gibbs sampler
