Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 13:44, 16 Ιανουαρίου 2025

Πρωτότυπος τίτλος: Remote sensing image classification based on semi-supervised adaptive interval type-2 fuzzy c-means algorithm

Συγγραφείς: Jindong Xu, Guozheng Feng, Tianyu Zhao, Xiao Sun, Meng Zhu

Πηγή: School of Computer and Control Engineering, YanTai University, Yantai, 264005, China

Λέξεις κλειδιά: Fuzzy c-means algorithm, Remote sensing image classification Semi-supervised Type-2 fuzzy set

Σύνδεσμος πρωτότυπου κειμένου: https://doi.org/10.1016/j.cageo.2019.06.005

Εισαγωγή

Η τηλεπισκόπηση είναι ένα αναντικατάστατο εργαλείο παρατήρησης σε παγκόσμια κλίμακα στους τομείς της γεωεπιστήμης, περιβαλλοντικής επιστήμης, διαχείρισης πόρων και έρευνας για την παγκόσμια αλλαγή. Αποτελεί τη βασική τεχνική υποστήριξης για την υλοποίηση στρατηγικών βιώσιμης ανάπτυξης (Xu et al., 2016). Η ταξινόμηση εικόνων τηλεπισκόπησης είναι το θεμελιώδες μέσο ανάλυσης και εφαρμογών στον τομέα της τηλεπισκόπησης (Du et al., 2016). Ο απώτερος στόχος της ταξινόμησης εικόνων τηλεπισκόπησης είναι να διαιρέσει την εικόνα σε πολλές περιοχές (ομάδες πίξελ). Ωστόσο, η εγγενής αβεβαιότητα των δεδομένων τηλεπισκόπησης και το φαινόμενο του "ίδιου αντικειμένου με διαφορετικά φάσματα" (He et al., 2016a,b; Xu et al., 2015) συχνά οδηγούν σε κακή διατύπωση των μοντέλων που χρησιμοποιούνται στους αλγορίθμους. Αυτό επηρεάζει την ακρίβεια των αποτελεσμάτων ταξινόμησης και περιορίζει την ανάπτυξη και εφαρμογή της τεχνολογίας τηλεπισκόπησης. Καθώς αυξάνεται η χωρική ανάλυση των εικόνων τηλεπισκόπησης, αυξάνονται επίσης η ποικιλία των ταξινομήσεων και η πολυπλοκότητα του θορύβου (Zhang, 2018). Οι παραδοσιακές τεχνικές ταξινόμησης εικόνων τηλεπισκόπησης που βασίζονται σε μία προσέγγιση συχνά δεν μπορούν να ανταποκριθούν στις ανάγκες επεξεργασίας ποικίλων δεδομένων τηλεπισκόπησης (Gong and Zhong, 2016). Κατηγορίες Αλγορίθμων Ταξινόμησης

Οι αλγόριθμοι ταξινόμησης διακρίνονται σε δύο κατηγορίες, με βάση το αν υπάρχουν επισημασμένα δεδομένα στα μη ταξινομημένα δεδομένα: 1. Εποπτευόμενοι (Supervised): Απαιτούν πλήθος επισημασμένων δεδομένων, που είναι δύσκολο να αποκτηθούν λόγω της υψηλής διάστασης των δεδομένων τηλεπισκόπησης. 2. Μη εποπτευόμενοι (Unsupervised): Αγνοούν τις επισημάνσεις, συχνά παράγοντας διανομές δεδομένων που δεν αντανακλούν τη φύση των εικόνων τηλεπισκόπησης. Οι μέθοδοι ημι-εποπτευόμενης ταξινόμησης (Semi-Supervised) συνδυάζουν μικρό αριθμό επισημασμένων δειγμάτων με μεγάλο αριθμό μη επισημασμένων δειγμάτων, μειώνοντας την ανάγκη του ταξινομητή για επισημασμένα δείγματα και καθιστώντας την προσέγγιση αυτή μια αποτελεσματική λύση.

Λογική και Ταξινόμηση Τηλεπισκόπησης

Η μαθηματική θεωρία των ασαφών συνόλων (Fuzzy Sets) είναι μια αποτελεσματική μέθοδος για την έκφραση της ασάφειας και της αβεβαιότητας (Zadeh, 1965). Οι αλγόριθμοι Type-1 Fuzzy C-Means (T1FCM) έχουν μελετηθεί ευρέως, αλλά δεν είναι ιδανικοί για δεδομένα με διαφορές πυκνότητας και μεγάλη αβεβαιότητα. Αντίθετα, τα Type-2 Fuzzy Sets περιγράφουν την αβεβαιότητα των δεδομένων μέσω μιας αβέβαιης συνάρτησης συμμετοχής, καθιστώντας τα πιο κατάλληλα για την αντιμετώπιση πολλαπλών αβεβαιοτήτων στις εικόνες τηλεπισκόπησης. Ωστόσο, η υψηλή υπολογιστική πολυπλοκότητα των Type-2 Fuzzy Sets καθιστά δύσκολη την εφαρμογή τους. Η ταξινόμηση με βάση Type-2 Fuzzy Sets με Διαστήματα (Interval Type-2 Fuzzy Classification) μπορεί να περιγράψει την υψηλότερης τάξης αβεβαιότητα, μειώνοντας παράλληλα την υπολογιστική πολυπλοκότητα.

Εικόνα 1: Διάγραμμα ροής του αλγορίθμου SS-AIT2FCM

Μέθοδος

Για να διατηρηθεί η καλή διατύπωση του προβλήματος ταξινόμησης και η υπολογιστική αποτελεσματικότητα του αλγορίθμου, η παρούσα εργασία προτείνει μια μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης με βάση την Ημι-εποπτευόμενη Προσαρμοστική Ταξινόμηση Fuzzy C-Means Τύπου 2 με Διαστήματα (SS-AIT2FCM). Τα αποτελέσματα δείχνουν ότι η SS-AIT2FCM βελτιώνει σημαντικά την ταξινόμηση εικόνων τηλεπισκόπησης, αντιμετωπίζοντας αποτελεσματικά την αβεβαιότητα και τα περιορισμένα επισημασμένα δεδομένα.

Αλγόριθμος SS-AIT2FCM

Εικόνα 2: Συνάρτηση αντικειμενικού σκοπού SS-AIT2FCM

Ο στόχος του αλγορίθμου SS-AIT2FCM, συνδυάζοντας μια ημι-εποπτευόμενη προσέγγιση, εκφράζεται με την συνάρτηση αντικειμενικού σκοπού που φαίνεται στην εικόνα 2. Με όρους: • λ: Το ποσοστό των επισημασμένων δειγμάτων στο σύνολο δεδομένων. • XUX_UXU: Το σύνολο μη επισημασμένων δειγμάτων. • XLX_LXL: Το σύνολο επισημασμένων δειγμάτων. • ∣XU∣|X_U|∣XU∣ και ∣XL∣|X_L|∣XL∣: Ο αριθμός των δειγμάτων στα σύνολα μη επισημασμένων και επισημασμένων δειγμάτων, αντίστοιχα. • uiju_{ij}uij: Ο βαθμός συμμετοχής (membership degree) του σημείου δεδομένων xix_ixi στο jjj-οστό σύμπλεγμα. • dijd_{ij}dij: Η απόσταση μεταξύ του σημείου δεδομένων xix_ixi και του κέντρου συμπλέγματος vpv_pvp. • ccc: Ο αριθμός των συμπλεγμάτων. Αυτή η προσέγγιση μπορεί να μειώσει τον αριθμό επαναλήψεων του αλγορίθμου και να αντισταθμίσει την αύξηση του χρόνου εκτέλεσης που προκαλείται από τη βελτίωση της ακρίβειας της ομαδοποίησης. Εάν τα κέντρα των συμπλεγμάτων αρχικοποιηθούν τυχαία, που σημαίνει ότι και ο πίνακας βαθμών συμμετοχής (membership degree matrix) αρχικοποιείται τυχαία, αυτό όχι μόνο θα αυξήσει τον αριθμό των περιττών επαναλήψεων, αλλά και θα οδηγήσει σε ασταθή αποτελέσματα ομαδοποίησης. Αντίθετα, προτείνεται να αρχικοποιούνται τα κέντρα V0 βάσει γνώσεων από ειδικούς το σύνολο επισημασμένων δειγμάτων XL) και στη συνέχεια να γίνεται αρχικοποίηση των βαθμών συμμετοχής.

Αποτελέσματα Πειραμάτων

Ο αλγόριθμος IT2FCM αποδίδει καλύτερα από τον T1FCM σε δεδομένα εικόνων τηλεπισκόπησης χαμηλής χωρικής ανάλυσης, με μεγάλες περιοχές μεικτών πίξελ και πλούσια χαρακτηριστικά. Ο E-AIT2FCM είναι πιο κατάλληλος από τον AIT2FCM για αυτήν την εφαρμογή. Η ακρίβεια του SS-AIT2FCM με αξιοποίηση πρότερων γνώσεων είναι σημαντικά υψηλότερη από αυτήν του μη εποπτευόμενου αλγορίθμου. Επιπλέον, ο αλγόριθμος μειώνει αποτελεσματικά τον χρόνο υπολογισμού και αντισταθμίζει την αύξηση της πολυπλοκότητας που εισάγει η μέθοδος fuzzy set τύπου 2. Αυτό επιβεβαιώνει περαιτέρω την αποτελεσματικότητα της ημι-εποπτευόμενης προσέγγισης του προτεινόμενου αλγορίθμου. Περιορισμοί και Μελλοντική Έρευνα Η επιλογή των επισημασμένων δειγμάτων πρέπει να είναι ακριβής, καθώς η ακρίβεια της ταξινόμησης έχει ακόμη περιθώρια βελτίωσης. Η αντιστοίχιση διαφορετικών δεδομένων τηλεπισκόπησης με ασαφείς αλγορίθμους και η επιλογή επισημασμένων δειγμάτων είναι ερευνητικές κατευθύνσεις που απαιτούν περαιτέρω μελέτη στο μέλλον.

Εικόνα 3: Αποτέλεσμα πειράματος για το Summer Palace (δεδομένα SPOT5) με βάση διαφορετικές μεθόδους. (a) Αρχικές ψευδόχρωμες σύνθετες εικόνες SPOT5 (ζώνες 1, 2 και 3). (b) Αποτέλεσμα με χρήση του αλγορίθμου FCM. (c) Αποτέλεσμα με χρήση του αλγορίθμου IT2FCM με δύο δείκτες ασαφούς βαρύτητας (m₁ = 1.5 και m₂ = 4.5). (d) Αποτέλεσμα με χρήση του αλγορίθμου AIT2FCM. (e) Αποτέλεσμα με χρήση του αλγορίθμου SIIT2-FCM (m₁ = 1.5 και m₂ = 4.5). (f) Αποτέλεσμα με χρήση του εξελικτικού αλγορίθμου E-AIT2FCM, βασισμένο στον εξελικτικό δείκτη ασαφούς βαρύτητας m. (g) Αποτέλεσμα με χρήση του αλγορίθμου SS-AIT2FCM με ποσοστό επισημασμένων δειγμάτων στο 1%.(h) Χάρτης αναφοράς (Ground truth) και υπόμνημα.

Εικόνα 3: Αποτελέσματα οπτικοποίησης διαφορετικών μεθόδων στο σετ δοκιμών EVLab-CMCD.

Συμπεράσματα

Σε αυτό το άρθρο, προτείνεται μια νέα μέθοδο ταξινόμησης εικόνων τηλεπισκόπησης βασισμένη σε έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου 2 με διαστήματα (SS-AIT2FCM). Οι κύριες συνεισφορές της έρευνας συνοψίζονται ως εξής: 1. Οδηγία για πιο αξιόπιστο ασαφή δείκτη βαρύτητας (m): o Ο αλγόριθμος SS-AIT2FCM συγκρίνει επισημασμένα δείγματα με μη εποπτευόμενα αποτελέσματα και χρησιμοποιεί τον προτεινόμενο δείκτη εγκυρότητας ως μέτρο. o Η διαδικασία υπολογισμού του m είναι επαναληπτική και βασίζεται στη βελτίωση (climbing process). Με τον σχεδιασμό του δείκτη εγκυρότητας, αξιολογούνται τα αποτελέσματα ταξινόμησης για διαφορετικές τιμές του m, ώστε να εντοπιστεί η βέλτιστη. 2. Εισαγωγή του ημι-εποπτευόμενου μοντέλου στο IT2FCM: o Η SS-AIT2FCM είναι η πρώτη μέθοδος που εισάγει τη συλληπτική απόσταση ασαφούς μέτρησης και τον ημι-εποπτευόμενο τρόπο για τη δημιουργία του IT2FCM. o Συνδυάζει επισημασμένα δείγματα για την αρχικοποίηση των κέντρων και για τη βοήθεια στη διαδικασία υπολογισμού των κέντρων. Επιπλέον, η μέθοδος προσαρμοστικής μείωσης τύπου αξιοποιεί πλήρως τα επισημασμένα δείγματα.