بخش‌بندی معنایی تصاویر هوایی برای استخراج لایه‌های اطلاعات مکانی

محمد صابری در گفت‌وگو با خبرنگار ایمنا، اظهار کرد: امروزه داده‌ها و اطلاعات نقش مهمی در زندگی بشر دارد و با توجه به تولید لحظه به لحظه آن انسان‌ها به مرور با انبوهی از داده‌ها روبه‌رو خواهند بود؛ دسته مهمی از این داده‌ها تصاویر دیجیتالی است که مسائل متنوعی روی آنها برای بشر مطرح است که یکی از این موارد، مسئله بخش‌بندی تصاویر است.

وی با بیان اینکه در حوزه یادگیری و بینایی ماشین، بخش‌بندی تصویر، به فرایند قطعه‌بندی کردن یک تصویر دیجیتال به چند بخش گفته می‌شود، خاطرنشان کرد: بخش‌بندی تصویر، اغلب برای پیدا کردن محل اشیای مورد نظر و مرزها شامل خطوط، منحنی‌ها و دیگر موارد در تصویر استفاده می‌شود و به عبارت دقیق‌تر، بخش‌بندی تصویر، به فرایندی گفته می‌شود که در آن، به هر پیکسل، برچسبی اختصاص داده می‌شود، به‌طوری که پیکسل‌هایی با برچسب یکسان، ویژگی‌های مشابهی دارند و این تعریف به‌عنوان بخش‌بندی معنایی تصاویر نیز شناخته می‌شود.

معاون نرم‌افزار سازمان فاوای شهرداری اصفهان تاکید کرد: یکی از کاربردهای مهم بخش‌بندی تصاویر در حوزه سنجش از دور از زیرشاخه‌های سیستم‌های اطلاعات مکانی است که دانش به‌دست آوردن اطلاعات درباره یک شیء، منطقه، یا پدیده از طریق تجزیه و تحلیل داده‌ها روی سطح زمین، بدون حضور فیزیکی در محل است.

صابری با بیان اینکه تصاویر در حوزه اطلاعات مکانی از روش‌های مختلفی نظیر تصویربرداری ماهواره‌ای یا تصویربرداری هوایی به وسیله هواپیما یا پهپاد تهیه می‌شود، گفت: این تصاویر به صورت بلوک‌هایی در کنار یکدیگر قرار می‌گیرد و تصویر یک محدوده بزرگ نظیر یک شهر را تشکیل می‌دهد.

وی با بیان اینکه مسئله مهم تهیه لایه‌های نقشه از روی تصاویر حوزه اطلاعات مکانی است، تاکید کرد: لایه‌هایی نظیر معابر، فضای سبز، ساختمان و دیگر لایه‌ها از مهم‌ترین‌ها هستند که استخراج آن با وجود پیشرفت تکنولوژی همچنان از طریق روش‌های کلاسیک و ترسیم دستی انجام می‌شود.

معاون نرم‌افزار سازمان فاوای شهرداری اصفهان با بیان اینکه بخش‌بندی معنایی تصاویر در حوزه سنجش از دور قابلیت استخراج لایه‌های نقشه به صورت خودکار یا نیمه‌خودکار و با دقت بسیار بالا ایجاد خواهد کرد، تصریح کرد: این روش‌ها به دو دسته اصلی تقسیم می‌شود که در دسته اول ویژگی‌هایی بر اساس رنگ، بافت و شکل استخراج می‌شود و سپس الگوریتم‌های یادگیری ماشین در حوزه بخش‌بندی تصویر بر اساس ویژگی‌های استخراج شده اعمال می‌شود و دسته دوم تمرکز مستقیم روی ویژگی‌های تصویر ندارد و تصاویر را به عنوان داده‌های غیرساختاری در نظر می‌گیرد.

وی اضافه کرد: شبکه‌های یادگیری عمیق، در دسته دوم قرار دارد و در حل مسائل بخش‌بندی تصاویر بسیار توانمند است؛ در این شبکه‌ها پس از آموزش، تصاویر هوایی به‌صورت مستقیم به‌عنوان ورودی داده خواهد شد و خروجی شبکه تصویر بخش‌بندی شده خواهد بود؛ امروزه شبکه‌های عمیق روی مسئله بخش‌بندی تصاویر هوایی دقت بسیار مناسبی دارد و همچنان در حال بهبود برای حل این مسئله مهم است.

صابری اضافه کرد: به نظر می‌رسد با ظهور و تشکیل واحدهای هوش مصنوعی، در سازمان‌های دولتی و بخش‌های خصوصی، روش‌های نوین جایگزین روش‌های سنتی جهت استخراج لایه‌های مکانی از تصاویر ماهواره‌ای با هزینه‌های بسیار پایین‌تر شود.