بهنام اصغری بیرامی

سابقه و هدف: در سال های اخیر استفاده از تصاویر ابرطیفی به دلیل غنای بالای طیفی در زمینه های مختلف مطالعات زمین به خصوص در سنجش از دور بسیار افزایش یافته است. طبقه بندی این تصاویر به منظور استخراج اطلاعات از آنها همواره با چالش هایی مختلفی همچون چگونگی مدیرت ابعاد این داده ها و صحت کم طبقه بندی در هنگام وجود تعداد محدودی از نمونه های آموزشی همراه است. افرایش صحت طبقه بندی این تصاویر با هدف مطالعات دقیق پدیده ها و تغییرات سطح زمین همواره از موضوعات مورد مطالعه جامعه علمی سنجش از دور بوده است. در سال های اخیر استفاده از ویژگی های مکانی به منظور افزایش صحت طبقه بندی تصاویر ابرطیفی بسیار رایج شده است. تاکنون روش های مختلفی برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است و پژوهش های مربوطه در راستای معرفی روش هایی با ساختار ساده تر و صحت بالاتر نیز در جریان است. به دلیل وجود رابطه های پیچیده میان باندهای مختلف تصویر ابرطیفی با الهام از پژوهش های موجود در شاخه بینایی ماشین در این پژوهش روشی توسعه داده شده است که می تواند روابط پیچیده میان ویژگی های طیفی و مکانی در یک تصویر ابرطیفی را مدل سازی کند. هدف اصلی این مقاله ارائه روشی جدید و کارا مبتنی بر ترکیب ویژگی های مستخرج از ماتریس محلی کرنل وزن دار ویژگی های طیفی و فرکتالی به منظور تولید ویژگی برای طبقه بندی تصاویر ابرطیفی است. مواد و روش ها: به منظور طبقه بندی تصاویر ابرطیفی در پژوهش حاضر ابتدا یک مرحله کاهش بعد بر روی تصویر ابرطیفی انجام می شود. در مرحله بعد ویژگی های مکانی مبتنی بر بعد فرکتال جهت دار تولید می شوند و مجدداً این ویژگی ها کاهش بعد پیدا می کنند. در مرحله بعد ویژگی های مستخرج از ماتریس محلی کرنل وزن دار از هر دو دسته ویژگی های طیفی و فرکتالی تولید می شوند. این ویژگی های ثانویه وابستگی های محلی غیرخطی میان ویژگی های طیفی و فرکتالی را که در روش های پیشین طبقه بندی مورد توجه نبوده است، در فرایند تولید ویژگی لحاظ می کنند که در نهایت سبب افزایش صحت طبقه بندی می شوند. سپس این دو دسته بردار ویژگی جدید برای هر پیکسل با هم الصاق می شود و یک بردار غنی از اطلاعات طیفی– مکانی را تشکیل می دهد. در نهایت به منظور تعیین برچسب هر پیکسل، بردار ویژگی حاصل از الگوریتم ماشین بردار پشتیبان طبقه بندی می شود. آزمایش های این پژوهش بر دو تصویر مرجع ابرطیفی واقعی ایندین پاین و دانشگاه پاویا انجام شده است. نتایج و بحث: تحلیل نتایج نشان می دهد که روش پیشنهادی با در نظر گرفتن ویژگی های مستخرج از ماتریس محلی کرنل وزن دار ویژگی های طیفی– فرکتالی موجب افزایش 20 و 18 درصدی صحت طبقه بندی در مقایسه با طبقه بندی با ویژگی های طیفی تنها به ترتیب در تصاویر ایندین پاین و دانشگاه پاویا شده است. این نتیجه تأیید می کند که در نظر گرفتن اطلاعات مکانی به طور مؤثر سبب افزایش چشمگیر صحت طبقه بندی حتی زمانی که نمونه های آموزشی اندکی در دسترس باشد، می شود. همچنین رویکرد پیشنهادی این پژوهش در مقایسه با چندین پژوهش دیگر در این حوزه به صحت های بالاتری رسیده است. نتیجه گیری: عملکرد بهتر روش پیشنهادی در مقایسه با دیگر روش های رقیب به دلیل در نظر گرفتن وابستگی های محلی غیرخطی میان ویژگی های طیفی و فرکتالی است که تاکنون در پژوهش های پیشین مورد توجه نبوده است. در پژوهش های آتی در نظر داریم که رویکرد پیشنهادی را درگام اول از نظر زمانی و در گام بعدی با در نظر گرفتن تعداد بیشتری از ویزگی های مبتنی بر هندسه فرکتال از نظر صحت بهبود دهیم.

با گسترش دانش سنجش از دور، استفاده از تصاویر هایپراسپکترال روزبه روز افزایش و عمومیت می یابد. طبقه بندی یکی از محبوب ترین موضوعات در سنجش از دور ابرطیفی است. طی دو دهه گذشته، روش های بسیاری برای مقابله با مشکل طبقه بندی داده های هایپراسپکترال پیشنهاد شده است. در پژوهش حاضر، ساختاری مبتنی بر یادگیری شبکه های کپسول برای طبقه بندی تصاویر ابرطیفی به کار رفته است؛ به گونه ای که ساختار شبکه بتواند، با استفاده از یک لایه کانولوشنی و یک لایه کپسول، بهترین حالت تولید ویژگی ها را داشته باشد و درعین حال از بیش برازش شبکه روی نمونه های آموزشی جلوگیری کند. نتایج به دست آمده نشان از کیفیت بالای ویژگی های تولیدی در ساختار پیشنهادی دارد. درراستای بهبود دقت طبقه بندی، رویکرد استخراج ویژگی ازطریق شبکه طراحی شده و طبقه بندی با استفاده از الگوریتم درخت تقویتی XGBoost، با روش طبقه بندی ازطریق شبکه عمیق سراسری مقایسه شد تا، علاوه بر بررسی و کیفیت سنجی ویژگی های عمیق برداری تولیدی به روش پیشنهادی در طبقه بندی کننده های گوناگون، میزان توانایی شبکه های عمیق سراسری نیز، در کاربرد طبقه بندی، بررسی شود. رویکرد کپسول پیشنهادی شامل سه لایه اصلی است: 1)  Prime با کپسول هایی به اندازه 8 و 32 فیلتر 9×9 و گام حرکتی 2؛ 2) Digitcaps دارای دَه کپسول شانزده بعدی؛ 3) لایه تماماً متصل. نتایج بررسی دو رویکرد برای شبکه عمیق و نیز ترکیب شبکه های کپسول با الگوریتم درخت تقویتی XGBoost مقایسه شد. رویکردهایی همچون SVM، RF-200، LSTM، GRU، و GRU-Pretanh برای مقایسه رویکرد پیشنهادی براساس پیکربندی هایی درنظر گرفته شدند که در تحقیقات به آنها اشاره شده بود. برای ارزیابی مدل پیشنهادی، مجموعه داده Indian Pines نیز، شامل شانزده کلاس متفاوت، به کار رفت. با استفاده از روش پیشنهادی ترکیبی، طبقه بندی تصاویر با دقت 99% روی داده های آموزش و دقت 5/97% روی داده های تست انجام می شود.