نمونه کار naturalclustering - دسته بندی تصاویر ماهواره ای با الگوریتم های هوش مصنوعی

در این پروژه یک سیستم تحلیل تصویر برای خوشه‌بندی تصاویر ماهواره‌ای مربوط به محیط‌های طبیعی پیاده‌سازی شده است. هدف پروژه این بود که تصاویر دارای ویژگی‌های مشابه به‌صورت خودکار در یک گروه قرار بگیرند و بتوان الگوهای مشترک میان انواع محیط‌های طبیعی را شناسایی کرد. برای این کار از یک دیتاست شامل ۶ کلاس مختلف از تصاویر طبیعت مانند جنگل، بیابان، ساحل و سایر محیط‌های طبیعی استفاده شد که هر کلاس شامل ۶۰۰ تصویر بود. در مرحله اول تصاویر پیش‌پردازش شده و ویژگی‌های مختلفی از آن‌ها استخراج گردید. این ویژگی‌ها شامل ویژگی‌های رنگی، ویژگی‌های بافتی، تراکم لبه‌ها و ویژگی‌های آماری مربوط به شدت روشنایی تصویر بودند. تمامی مراحل استخراج ویژگی به‌صورت دستی پیاده‌سازی شد و از مدل‌های آماده استفاده نشده است. پس از استخراج ویژگی‌ها، فرآیند انتخاب ویژگی انجام شد. برای این کار همبستگی بین ویژگی‌ها محاسبه شده و یک ماتریس correlation ساخته شد تا مناسب‌ترین ویژگی‌ها برای انجام خوشه‌بندی انتخاب شوند. در مرحله بعد داده‌ها با استفاده از چند الگوریتم مختلف خوشه‌بندی شدند، از جمله: K-Means DBSCAN Agglomerative Clustering MeanShift برای هر الگوریتم تنظیم پارامترها انجام شد تا بهترین نتیجه ممکن به دست آید. همچنین برای تحلیل بهتر ساختار خوشه‌ها از visualization و نمودارهای heatmap استفاده شد. در بخش ارزیابی، کیفیت خوشه‌بندی با استفاده از معیارهایی مانند Precision، Recall، F1-Score و Silhouette Score بررسی شد. در نهایت مدل آموزش‌دیده برای داده‌های تست استفاده شد و مشخص گردید هر تصویر جدید به کدام خوشه تعلق دارد. نتایج نیز در قالب فایل CSV ذخیره و تحلیل شدند. این پروژه نمونه‌ای از کاربرد پردازش تصویر و یادگیری ماشین در تحلیل داده‌های تصویری و کشف الگوهای پنهان در تصاویر ماهواره‌ای است.