دانلود ترجمه مقاله الگوریتم نوین دسته بندی تصویر با استفاده از تبدیل های موجک

1. مقدمه 2. تبدیل موجک فوق کامل 3. الگوریتم دسته بندی چند مقیاسی پیشنهادی 4. روش تجربی 5. نتایج و بحث و بررسی 6. نتیجه گیری

مقدمه: تجهیزات تصویر برداری از راه دور قادر به جمعآوری داده های دارای دقت تفکیک فضایی زیاد در چندین کانال طول موج برای یک منطقه جغرافیایی بزرگ هستند. پیشرفت های حاصل شده در فن آوری های حسگری از راه دور، توانایی ما برای شناسایی کاربری زمین و پوشش سطحی (LULC) در مقیاس های محلی، منطقه و جهانی را افزایش داده است. توسعه فنآوری های دسته بندی پیشرفته برای بهبود دقت دسته بندی و برای خودکار سازی روالهای دسته بندی برروی تصاویر حسگری از راه دور، به منظور ارزیابی LULC، ضروری است. تکنیک های دسته بندی دیجیتال متداول، از پاسخ های طیفی از انواع پوشش سطحی براساس مقادیر تک پیکسلی بدون استخراج اطلاعات فضایی استفاده می کنند. چندین تلاش، مانند فراکتال، خودهمبستگی فضایی و ماتریس های هم وجودی فضایی، برای بهبود تحلیل طیفی داده های حسگری از راه دور صورت گرفته است [1]. اکثر آنها عمدتاً بر تزویج و کوپلینگ بین ویژگی ها و اشیاء در یک مقیاس خاص تاکید و تمرکز کرده اند و بطور موثر نمی توانند مقادیر نماینده ویژگی های بافت را طبق جهت گیری، آرایش فضایی، تغییرات، لبه ها، کنتراست ها و ماهیت مکرر ویژگی ها، تعیین کنند. این روش ها دقت رضایت بخشی هنگام سروکار داشتن با ویژگی های فضایی پیچیده و انواع پوشش سطحی مختلف که در یک الگوی فضایی مشابه اشتراک دارند، فراهم نمی کنند. در سالهای اخیر، تبدیل موجک مورد بررسی قرار گرفته و در پردازش تصویر بکار گرفته شده است، که این بخاطر چهارچوب ریاضیاتی نوینش برای تحلیل سیگنال زمان-فرکانس چندمقیاسی است. ادبیات اخیر در مورد پردازش و تحلیل تصویر با تبدیل موجک، عموماً بر فشرده سازی تصویر [2]، جوش تصویر [3]، زمینه نگاری (واترمارک) تصویر [4]، آشکار سازی تصویر چهره [5]، حذف نویز تصویر [6]، شناسایی مناطق تومور و خوشه های ریز آهکی [7]، بخش بندی تصویر [8] و غیره، متمرکز بوده اند. با این حال، دسته بندی تصویر، نوعی از طبقه بندی داده های تصویر با استفاده از اطلاعات طیفی، فضایی و زمانی که پیکسل های یک تصویر نقشه بیتی پیوسته را به طبقه های گسسته با در نظر گرفتن تبدیلهای موجک نسبت می دهد، هنوز کاملاً تحت پژوهش قرار نگرفته است. تبدیل موجک، امکان استخراج ویژگی های تصویر در مقیاس های مختلف را فراهم می کند و نشان داده است نسبت به ویژگی طیفی اصلی، متمایز کنندگی بیشتری دارد.

INTRODUCTION: Remotely sensed imaging instruments are capable of collecting high spatial resolution data across multiple wavelength channels for a large geographic area. Advances in remote sensing technologies have enhanced our ability to identify land use and land cover (LULC) at local, regional, and global scales. Developing advanced classification techniques to improve classification accuracy and to automate classification procedures on remotely sensed images is indispensable for LULC assessment purposes. Conventional digital classification techniques employ spectral responses from land cover types based on single pixel values without capturing spatial information. Several attempts, such as fractal, spatial autocorrelation, and spatial cooccurrence matrices, have been made to improve the spectral analysis of remotely sensed data [1]. Most of them primarily focus on coupling between features and objects at single scale and cannot effectively determine representative values of texture features according to their directionality, spatial arrangements, variations, edges, contrasts, and the repetitive nature of features. These methods do not provide satisfactory accuracy when dealing with complex spatial features and many different land cover types that share similar spatial pattern. In recent years, wavelet transform has been investigated and applied in image processing due to its innovative mathematical framework for multiscale time–frequency signal analysis. Recent literature on image processing and analysis with wavelet transform generally focus on image compression [2], image fusion [3], image watermarking [4], face image detection [5], image noise removal [6], identification of tumorous regions and microcalcification clusters [7], image segmentation [8], etc. However, image classification, a type of categorization of image data using spectral, spatial, and temporal information that assigns the pixels of a continuous raster image to discrete categories concerning wavelet transforms, has not been well explored. Wavelet transform opens the possibility to capture image features at different scales, which have been shown to be more discriminative than the original spectral feature.