با ظهور تصاویر با رزولوشن های بالا ( زیر 1 متر، مانند تصاویر تصاویر آیکونوس) طبقه بندی های سطح پیکسل و طیفی به دلیل افزایش جزییات در سطح زمین کارامدگی همیشگی را نداشت. از این رو object based classification ظهور پیدا کردند. در این روش از طبقه بندی علاوه بر طیف پارامترهای دیگر مانند: طول، مساحت و بافت نیز در نظر گرفته خواهد شد. در دور آموزشی رایگان طبقه بندی شی گرا در گوگل ارث انجین به صورت گام به گام به شما آموزش خواهیم داد که چگونه میتوانید طبقه بندی شی گرا در داخل گوگل ارث انجین پیاده سازی کنید.
در دهه های اخیر پیشرفت های چشمگیری در فن آوری ماهواره ای، عاملی بر ظهور تصاویر با رزولوشن بالا و تصاویر با پیکسل سایز زیر یک متر شده است. با افزایش توان تفکیک مکانی میزان جزئییات بر روی تصاویر افزایش داشته این افزایش پیده های و جزئیات باعث شده است که از نظر طیفی نتوان طبقه بندی با صحبت بالا بر روی تصاویر انجام داد.
همانگونه که اشاره شد ظهور تصاویر رزولوشن بالا، چالش جدید را در سنجش از دور ایجاد کرد. با این چالش محقیق این رشته طبقه بندی شی گراء یا object based classification را توسعه دادند. در این روش علاوه بر رفتار های طیفی عوامل دیگر مانند، بافت، طول، مساحت و.... در نظر خواهند گرفت. توجه داشته باشید این نوع طبقه بندی برای تصاویر با رزولوشن بالا می باشد.

طبقه بندی شی گرا در سنجش از دور

طبقه‌بندی شی گرا یا Object-Based Classification، یک روش پردازش تصاویر است که در آن از اشیاء و ویژگی‌های آنها بر روی تصاویر برای تصمیم‌گیری درباره کلاس‌های مختلف استفاده می‌شود. این روش به جای تصمیم‌گیری بر اساس ویژگی‌های هر پیکسل به تنهایی، به ویژگی‌ها و اطلاعات مربوط به اشیاء به عنوان واحدهای تصمیم‌گیری می‌پردازد.
برای انجام طبقه‌بندی شی گرا، ابتدا تصاویر به شکل‌های مختلفی (segment) بر اساس شکل ، سایه، روشنایی و بافت تقسیم می‌شود. سپس ویژگی‌های مختلفی مانند محیط، مساحت، شکل، رنگ و بافت هر شیء استخراج می‌شود. در نهایت، با استفاده از الگوریتم‌های یادگیری ماشین مانند درخت تصمیم، شبکه‌های عصبی یا سایر روش‌های طبقه‌بندی، شی‌ها بر اساس ویژگی‌های مختلفشان به دسته‌های مختلفی تقسیم می‌شوند.

مزایای استفاده از این روش شامل صحت بالا، توانایی تفکیک اشیاء پیچیده، و حفظ اطلاعات مکانی و ویژگی‌های شیء است. توجه داشته باشید که این نوع طبقه بندی برای تصاویر با رزولوشن بالا مورد استفاده قرار میگیرید. استفاده از این نوع طبقه بندی برای تصاویر با رزولوشن متوسط و پایین مانند لندست و مودیس توصیه نخواهد شد.

ویژگی دوره طبقه بندی شی گرا در گوگل ارث انجین

عنوان کلی: طبقه بندی شی گرا در سامانه گوگل ارث انجین
محصول: دانلودی و رایگان
نرم‌افزار: سامانه گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر: سنتینل 2
کد آماده : دارد
الگوریتم: SNIC (Simple Non-Iterative Clustering)

موارد آموزش داده شده در دوره طبقه بندی شی گرا در گوگل ارث انجین

آموزش فراخوانی تصاویر ماهواره سنتینل 2
آموزش اعمال فیلتر زمان، مکان و ابر
آموزش Segmentation بر اساس الگوریتم SNIC
آموزش نمایش خروجی های الگوریتم SNIC
آموزش برداشت نمونه های تعلیمی
آموزش طبقه بندی بر اساس روش Random Forest
آموزش خروجی گرفتن از تصاویر

الگوریم Simple Non-Iterative Clustering

برای دسته بندی یا Segmentation در داخل سامانه گوگل ارث انجین الگوریتم SNIC مورد استفاده قرار خواهد گرفت. SNIC یک الگوریتم دسته‌بندی است که برای ایجاد superpixel ها به کار می‌رود. Superpixel ها گروه‌هایی از پیکسل‌های مجاور هستند که ویژگی‌های مشابهی دارند. این الگوریتم به طور خاص برای ایجاد superpixel ها با دقت بالا و در عین حال کاهش زمان پردازش استفاده می‌شود.
SNIC با استفاده از یک مجموعه از نقاط اولیه به نام "بذرها" شروع می‌شود و سپس هر پیکسل به نقطه "بذر" نزدیکترین خود متصل می‌شود. سپس، هر نقطه به نقطه مرکزی خوشه خود ارتباط دارد و در نهایت، هر superpixel با ترکیب نقاطی که به نقطه "بذر" مربوط می‌شوند، تشکیل می‌شود.

مدرس دوره آموزشی:

آرمان صمدی
دانش‌آموخته رشته سنجش‌ازدور و جی‌ای اس دانشگاه تهران
کارشناس سنجش‌ازدور و سامانه اطلاعات جغرافیایی
مدیر و بنیان‌گذار وب‌سایت مدرسه سنجش ‌از دور
مدرس بیش از 300 محصول آموزشی

 

کد های دوره:

لینک کد:

https://code.earthengine.google.com/09f77393571636a3805ade5dd5652f5f

کد های ریز دوره:

//*******Coding

Map.centerObject(geometry)

var sen2 = ee.ImageCollection("COPERNICUS/S2_SR_HARMONIZED")
.filterBounds(geometry)
.filterDate('2023-04-01','2023-07-01')
.filter(ee.Filter.lessThan('CLOUDY_PIXEL_PERCENTAGE',5))
.mean()
.clip(geometry)
.multiply(0.0001)
.select(['B2','B3','B4','B8']);

Map.addLayer(sen2,{min:0.1,max:0.45,bands:['B8','B4','B3']},'sen2',false);

var segment = ee.Algorithms.Image.Segmentation.SNIC({
image:sen2 ,
size:10,
compactness: 0.1,
connectivity: 8});

Map.addLayer(segment,{min:0.1,max:0.25,bands:['B8_mean','B4_mean','B3_mean']},'segment');
Map.addLayer(segment.select('clusters').randomVisualizer(),{},'clusters');

///Classification

var sample_train = Water.merge(Soil).merge(Veg);

var bands = ['B8_mean','B4_mean','B3_mean','B2_mean','clusters']

var training = segment.select(bands).sampleRegions({
collection:sample_train ,
properties:['class'],
scale:10});

var classifier = ee.Classifier.smileRandomForest(20).train({
features:training,
classProperty: 'class',
inputProperties:bands});

var classify = segment.select(bands).classify(classifier);

Map.addLayer(classify,{min:1,max:3,palette:['#1708ff','#db9625','#319a1c']},'OBIC');

Export.image.toDrive({
image: classify,
description:'OBCI',
scale:10,
region:geometry,
maxPixels:1e13
});