استخراج نیمه اتوماتیک پارامترهای آماری کلاس های طبقه بندی مبتنی بر خوشه بندی تصویر

چکیده مقاله

اخذ نمونه های آموزشی مهمترین مرحله از فرآیند طبقه بندی نظارت شده محسوب می گردد. جمع آوری داده ها بر اساس مشاهدات زمینی و استفاده از داده های مرجع به عنوان روش های معتبر تهیه نمونه های آموزشی شناخته شده است. این امر معمولا مستلزم صرف وقت و هزینه بالا بوده و در برخی موارد نیز به دلیل در دسترس نبودن منطقه و یا استفاده از تصاویر آرشیوی، امکان پذیر نمی باشد. بدین ترتیب، تفسیر بصری عامل خبره به عنوان یک راهکار جهت اخذ بخشی از داده های آموزشی در نظر گرفته می شود. این روش مستعد عدم قطعیت های بالا در معرفی نمونه های آموزشی بوده و معمولا زمان برمی باشد. جهت رفع این مشکل، در تحقیق حاضر یک روش نیمه اتوماتیک برای استخراج پارامترهای آماری کلاس ها جهت استفاده در طبقه بندی نظارت شده ارائه گردیده است. بر اساس روش پیشنهادی، مشکل عدم ثبات پارامترهای آماری در یک فرآیند تکراری مرتفع شده و پارامترهای بهینه برای هر یک از کلاس ها برآورد گردیده است.بر اساس روش پیشنهادی، مشکل عد مثبات پارامترهای آماری خوشه بندی k-means در یک فرآیند تکراری مرتفع شده و پارامترهای بهینه برای هر یک از کلاس ها برآورد گردیده است. پارامترهای برآورد شده به عنوان جایگزینی برای نمون ههای آموزشی در نظر گرفته شده و دقت کلی طبقه بندی بر اساس پارامترهای برآورد شده در دو روش طبقه بندی بیشترین شباهت و ماشین های بردار پشتیبان به ترتیب 91.88 و 92.99 درصد و ضریب کاپا 0.87 و 0.89 برآورد گردید. همچنین یک سری نمونه آموزشی بر اساس تفسیر بصری عامل مجرب اخذ گردید و دقت طبقه بندی حاصل از آن با نتایج طبقه بندی به دست آمده از پارامترهای آماری برآورد شده، مقایسه شده است. به طور کلی پارامترهای آماری برآورد شده دقت قابل قبولی را در نتایج طبقه بندی نظارت شده به همراه داشته و می تواند به عنوان یک روش نیمه اتوماتیک برای استخراج پارامترهای آماری در نظر گرفته شود که تنها نیازمند معرفی تعداد کلاس های طبقه بندی می باشد.