ارائه روشی ترکیبی از شبکه های عصبی نظارت شده و نظارت نشده در طبقه بندی تصاویر سنجش از دور

در پژوهش حاضر، روشی ترکیبی از شکبههای عصبی نظارت شده و نظارت نشده برای طبقه بندی تصاویر سنجش از دور ارائه شده است. مبنای الگوریتم پیشنهادی، شبکه های خودسازمانده (SOM) و الگوریتم شبکه عصبی پس اتشار خطاست. الگوریتم طبقه بندی نظارت نشده SOM به تنهایی قادر به طبقه بندی و برچسب گذاری دقیق نتیجه نهایی نیست، لذا در نوشتار حاضر از الگوریتم پس انتشار خطا برای تعیین بر چسب نهایی کلاس ها استفاده شده است. در ابتدا تصویر با استفاده از الگوریتم شبک های خودسازمانده بخش بندی می شود. سپس برچسب های نرون های شبکه های خودسازمانده با استفاده از الگوریتم پس انتشار خطا و داده های آموزشی تعیین می شود و در ادامه نقشه پوششی تهیه می گردد. به منظور کاهش حجم سنگین محاسبات شبکه های خودسازمانده، در پژوهش حاضر از الگوریتم PCA برای تعیین مقدار اولیه بردار وزن نرون ها استفاده شده است. ارزیابی الگوریتم پیشنهادی با تصاویر چندطیفی لندست (ETM+) و IKONOS انجام گرفت. هر قسمت از الگوریتم با الگوریتم های دیگر جایگزین شد و نتایج به دستآمده با الگوریتم پیشنهادی مقایسه گردید. در ابتدا به جای الگوریتم SOM از الگوریتم های نظارت نشده K-Means و FCM و به جای الگوریتم MLP برای تعیین بر چسب نرون های الگوریتم SOM از الگوریتم KNN استفاده گردید. همنچنین نتایج نهایی الگوریتم پیشنهادی با دیگر الگوریتم های طبقه بندی مقایسه شد. نتایج حاصل از دقت طبقه بندی الگوریتم پیشنهادی و دیگر الگوریتم ها، نشان می دهد که الگوریتم پیشنهادی توانانی بهبود نتایج طبقه بندی را – به ویژه برای تعداد نمونه های آموزشی اندک - داراست.