نوع مقاله : مقاله پژوهشی
نویسنده
گروه مهندسی نقشه‌برداری، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
چکیده
پیشینه و اهداف: بافت تصویر، به‌عنوان داده‌ای ارزشمند توسط ذهن انسان برای تفسیر تصویر استفاده می‌شود. کمی‌سازی بافت تصویر روشی کاربردی برای استخراج روابط مکانی بین پیکسل‌های تصویر است. از ویژگی‌های بافتی تولید شده از تصویر در کنار ویژگی‌های طیفی تصویر می‌توان برای بهبود کیفیت طبقه‌بندی استفاده کرد. با توجه به تنوع روشهای کمی‌سازی بافت تصویر، انتخاب ویژگی‌های بهینه برای هر تصویر به‌صورت مستقیم روی دقت استخراج اطلاعات موثر است. الگوریتم ژنتیک به‌عنوان یکی از روشهای بهینه‌سازی در کاربردهای مختلف استفاده می‌شود.
روش‌ها: در این مقاله دو روش انتخاب ویژگی بر پایه الگوریتم ژنتیک برای انتخاب ویژگی‌های بافتی تصویر ارائه شده است. در روش نخست، الگوریتم ژنتیک برای انتخاب بهترین ترکیب با طول متغییر از ویژگی‌های بافتی در دو حالت ورودی از کل فضای ویژگی و ورودی از فضای پالایش شده، تعریف شده است. در روش دوم الگورتیم ژنتیک برای انتخاب عداد متغییر ویژگی‌های طیفی در دو حالت انتخاب از بین کل ویژگی‌ها و انتخاب از بین ویژگی‌های گزینش شده به‌کار رفته شده است.
یافته‌ها: نتایج، نشان می‌دهد که ترکیب بهینه الزاما شامل ویژگی‌هایی که به تنهایی توانمندی بهتری در بهبود دقت طبقه‌بندی دارند، نمی‌شود. الگوریتم‌های پیشنهادی منجر به دقت بهتر، تعداد ویژگی منتخب کمتر و زمان محاسباتی کمتری نسبت به الگوریتم ساده ژنتیک است. از روشهای پیشنهادی بسته به ابعاد تصویر، تعداد ویژگی‌های بافتی تولید شده و تعداد داده‌های آموزشی و چک می‌توان استفاده کرد. روش دوم زمان آماده‌سازی اولیه بیشتری داشته و به‌دلیل افزایش تصاعدی زمان محاسباتی برای تصاویری با تعداد باند طیفی و تعداد پیکسل‌های کنترل و چک و تعداد ویژگی بافتی کمتر قابل به‌کارگیری است. روش نخست برای تصاویری با ابعاد بزرگ و تعداد داده‌های آموزشی و چک بیشتر قابل استفاده است ولی برای رسیدن به دقت بهینه، تعداد ویژگی منتخب بیشتری را ارائه می‌دهد.
نتیجه‌گیری: اجرای روشهای پیشنهادی بر روی سه مجموعه داده ورودی، منجر به افزایش دقت میانگین طبقه‌بندی بین 7/7 تا 48/50 درصد نسبت به طبقه‌بندی طیفی و حفظ دقت تا افزایش 6/5 درصدی نسبت به ژنتیک ساده ولی با تعداد نصف تا یک سوم ویژگی‌های منتخب و کاهش 50 درصدی زمان بهینه‌سازی گردید.
کلیدواژه‌ها
موضوعات
عنوان مقاله [English]
Improving Classification Accuracy of High Spatial Resolution Images by Using Texture Quantization and Genetic Feature Selection
نویسنده [English]
- H. Ashoori
Department of Geomatics Engineering, Qazvin Branch, Islamic Azad University, Qazvin, Iran
چکیده [English]
Background and Objectives: Texture quantization is a useful method for extracting spatial relevance between pixels, which is used in the human brain for image interpretation. Aside from spectral bands, textural features of high spatial resolution image can be used to improve classification accuracy. Finding proper textural features among available features is important for special case studies.
Methods: In this paper, two methods based on genetic algorithm (GA) are introduced to choose efficient features. The first is binary GA, which improves classification accuracies through selecting the best textural features. The second one is GA with a variable number of selected features in a refined and full feature space. Results show that the best combination does not necessarily consist of features with improved individual accuracy.
Findings: The proposed methods have better accuracy, less number of features, and less computational time when comparing with the simple GA. They could be used based on the number of spectral bands, number of generated features, and train and check pixel number. Second method needs more prerequisite time and could be used for images with fewer bands, train and check pixels, and generated features, because increasing these items increase computational time very much. Second method could be used in large images with more train and check pixels but led to more selected features.
Conclusion: Results obtained on three datasets indicate 7.7 to 50.48 percent improvement in mean accuracy.
کلیدواژه‌ها [English]
- Classification
- Feature Selection
- Genetic Algorithm
- High Spatial Resolution Image
- Texture Quantization
COPYRIGHTS
© 2024 The Author(s). This is an open-access article distributed under the terms and conditions of the Creative Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) (https://creativecommons.org/licenses/by-nc/4.0/)
)