تاثيراستفاده از اطلاعات همسايگي مكاني در دقت خوشه‌بندي تصاويرماهواره‌اي

A Comparative Study of Few Satellite Image Clustering Methods Based on Spatial Neighborhood Information

تا كنون برای بهبود دقت روش‌های خوشه‌بندی پيشنهادات متعددی ارايه شده است كه از آن جمله می‌توان به استفاده از روش‌های ‏نيمه نظارت شده، تركيب خوشه‌بندی‌ها و خوشه‌بندی دوگانه اشاره نمود. ‏يكی از مهمترين رويكردها در اين زمينه استفاده از اطلاعات مكانی تصوير می‌باشد. در اين تحقيق چهار روش خوشه‌بندی كه از اطلاعات مكانی سطح تصوير استفاده می-كنند با يكديگر مقايسه گرديد. اين چهار روش شامل اعمال فيلتر اكثريت، استفاده از داده‌های بافت، خوشه‌بندی مبتنی بر شيء، و استفاده از ميدان‌های تصادفی ماركوف می‌باشند كه در كنار روش خوشه‌بندی k-means ساده روی چهار نمونه تصوير آزمايش شدند. استفاده از داده‌های بافت برای تصاوير واقعی تا 10.8 درصد و روش ميدان‌های تصادفی ماركوف برای تصاوير شبيه‌سازی شده با 22.8 درصد بيشترين افزايش دقت را نسبت به خوشه‌بندی k-means نشان داده‌اند. نتايج اين پژوهش نشان می‌دهند كه استفاده از خوشه‌بندی k-means در شكل ساده‌اش به هيچ وجه همه توانايی اطلاعاتی تصوير را به كار نمی‌گيرد و نتايج و انتظارات كاربر را برآورده نخواهد كرد و استفاده از اطلاعات همسايگی يكی از بهترين راهكارهای افزايش دقت می‌باشد.

In order to enhance the accuracy of the image clustering, many clustering algorithms such as semi-supervised clustering, clustering ensembles and Co-clustering have so far been proposed where the most effective strategy is when spatial context in clustering is considered. In this study, four clustering methods in which the spatial neighborhood information is used are investigated. These include: using texture information, object based clustering, Markov random field clustering and applying majority filter on the clustering results. These four methods are tested on the two synthetic and two real high resolution satellite images. The results show that using texture information in clustering can enhance the overall accuracy of the clustering of the real images up to 10.8% relative to the simple k-means clustering. Markov random field clustering of the synthetic images shows 22.8% improvement in overall accuracy. The results show that using spatial context can enhance the overall accuracy of the satellite image clustering