روشی بهبودیافته به منظور طبقه بندی طیفی مکانی تصاویر ابرطیفی به کمک الگوریتم های ژنتیک وزن دار و شبکه عصبی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
سابقه و هدف: فنّاوری سنجش از دور ابرطیفی، در دو دهه گذشته، شاهد پیشرفت چشمگیری بوده است. این پیشرفت در طراحی و ساخت سنجنده ها و همچنین در توسعه و اجرای روش های پردازش داده بسیار مشهود است. امروزه بیشتر تحقیقات، در زمینه فنّاوری سنجش از دور ابرطیفی، بر طبقه بندی این تصاویر تأکید دارد. روش های طبقه بندی تصاویر ابرطیفی در دو دسته طبقه بندی طیفی یا مبتنی بر پیکسل و طبقه بندی طیفی– مکانی یا مبتنی بر شیء قرار می گیرند. در این تحقیق، به طبقه بندی طیفی – مکانی تصویر ابرطیفی، در محیطی شهری، پرداخته شده است. ازآنجاکه محیط های شهری، از نظر عناصر به کاررفته در آنها، ویژگی های پیچیده ای دارند، داده های ابرطیفی به شناسایی و استخراج و تولید نقشه از عناصر سازنده آنها کمک مؤثری می کنند. شناسایی مواد گوناگون در محیط های شهری اهمیت بسیاری در زمینه کاربردهای گوناگون، همچون ارتباط تلفن های همراه، واقعیت مجازی، معماری و مدل سازی شهری و برنامه ریزی و مدیریت شهرها دارد.مواد و روش ها: در این تحقیق، برای ارزیابی روش پیشنهادی از دو تصویر ابرطیفی پاویا و برلین، که جزء تصاویر معیار در حوزه سنجش از دور ابرطیفی است، استفاده شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی به کمک الگوریتم PCA کاهش می یابد؛ سپس ده ویژگی مکانی میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، نبودِ تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور از روی باندهای کاهش یافته استخراج می شود. در ادامه، الگوریتم ژنتیک وزن دار بر ویژگی های طیفی و مکانی به دست آمده اعمال می شود و در انتها، ویژگی های حاصل به کمک الگوریتم MLP طبقه بندی می شود.نتایج و بحث: در آزمون های انجام شده در زمینه الگوریتم ژنتیک، کروموزوم ها دارای ژن هایی برابر با تعداد ویژگی های طیفی و مکانی اند. در این آزمون ها، میزان تقاطع و جهش به ترتیب برابر با 5/0 و 05/0 در نظر گرفته شد. همچنین، برای ایجاد تناسب بین دو پارامتر دقت و زمان محاسبات، تعداد جمعیت اولیه 30 و حداکثر تعداد تکرار، برای توقف، 100 در نظر گرفته شد. البته در عمل، درمورد هر دو تصویر ابرطیفی با توجه به استفاده از شرط فعال برای توقف الگوریتم، روند تکرار به مرحله 100 نمی رسد و قبل از آن، الگوریتم به وضعیت پایدار می رسد و متوقف می شود. الگوریتم طبقه بندی MLP با سه لایه پنهان، شامل و 6 و 8 نورون، اجرا و با پانصد تکرار ارزیابی شد. روش طبقه بندی پیشنهادی بیان شده با الگوریتم های SVM، MLP و MSF مقایسه شد. در هر دو تصویر ابرطیفی، نقشه حاصل از روش پیشنهادی در مقایسه با سایر الگوریتم ها مناطق یکنواخت تری را دربرمی گیرد. روش پیشنهادی، در تصویر پاویا، باعث افزایش 13، 7 و 6درصدی و در تصویر برلین، باعث افزایش 9، 6 و 5درصدی پارامتر ضریب کاپا، در قیاس با به ترتیب الگوریتم های SVM، MLP و MSF شده است. دلیل این افزایش دقت روش پیشنهادی می تواند استفاده از اطلاعات نزدیک ترین همسایگی و دو مرحله کاهش ابعاد باشد.نتیجه گیری: در این تحقیق، روشی جدید به منظور طبقه بندی طیفی – مکانی تصاویر ابرطیفی معرفی شد. در روش پیشنهادی، ابتدا ابعاد تصویر ابرطیفی کاهش یافت و ده ویژگی، به منزله اطلاعات نزدیک ترین همسایگی ها، از باندهای کاهش یافته استخراج شد. در ادامه، الگوریتم ژنتیک وزن دار روی ویژگی های به دست آمده، به منظور کاهش وابستگی بین آنها، اعمال شد. الگوریتم ژنتیک یکی از کارآمدترین و مؤثرترین روش ها در کاهش ابعاد تصاویر ابرطیفی است. در الگوریتم باینری ژنتیک، هر کروموزوم دارای مقادیر یک و صفر است؛ درحالی که در الگوریتم ژنتیک وزن دار، مقادیر وزنی بین صفر و یک است. روش پیشنهادی روی دو تصویر ابرطیفی پاویا و برلین اجرا شد که آزمایش ها برتری کمّی و کیفی به کارگیری این روش را نشان می دهد. کم بودن دقت نتایج در تصویر برلین می تواند به دلیل پیچیدگی این تصویر، در مقایسه با تصویر پاویا باشد.An Improved Approach for Spectral-spatial Classification of Hyperspectral Images using Weighted Genetic and Neural Network Algorithms
Introduction: Hyperspectral remote sensing technology has seen significant progress in the last two decades. This progress is very evident in the design and construction of sensors as well as in the development and implementation of data processing methods. Today, most researches in the field of hyperspectral remote sensing technology emphasize on the classification of these images. Classification methods of hyperspectral images are divided into two categories: spectral or pixel-based classification and spectral-spatial or object-based classification. In this research, the spectral-spatial classification of hyperspectral image in an urban environment has been discussed. Since an urban environment has complex features in terms of elements, hyperspectral data effectively help to identify, extract and produce a map of their constituent elements. Identification of different materials in urban environments is very important in various applications, such as mobile phone communications, virtual reality, architecture and urban modeling, and planning and management of cities.Material and methods: In this research, two hyperspectral images of Pavia and Berlin, which are part of the standard images in the field of hyperspectral remote sensing, were used to evaluate the proposed method. In the proposed method, the dimensions of the hyperspectral image are first reduced with the help of the PCA algorithm, Then, ten spatial features mean, standard deviation, degree of variation, homogeneity, correlation, dissimilarity, energy, entropy, wavelet transform and Gabor filter are extracted from the reduced bands. Then, the weighted genetic algorithm is applied to the obtained spectral and spatial features and finally the obtained features are classified with the help of MLP algorithm.Results and discussion: In the tests conducted for the genetic algorithm, chromosomes have genes equal to the number of spectral and spatial features. In these tests, the crossover and mutation rates were considered as 0.5 and 0.05, respectively. Also, to create a balance between the two parameters of accuracy and calculation time, the initial population size was 30 and the maximum number of repetitions for stopping was 100. However, in practice for both hyperspectral images, since the active condition is used to stop the algorithm, the iteration process does not reach step 100 and before that the algorithm reaches a stable state and stops. The MLP classification algorithm was implemented with 3 hidden layers consisting of 5, 6 and 8 neurons and evaluated with 500 iterations. The proposed classification method was compared with SVM, MLP and MSF algorithms. In both hyperspectral images, the map obtained by the proposed method includes single nova regions in comparison with other algorithms. In the Pavia image, the proposed method has caused an increase of 13, 7, and 6 percent, and in the Berlin image, it has caused an increase of 9, 6, and 5 percent, in the Kappa coefficient parameter, respectively, compared to the SVM, MLP, and MSF algorithms. The reason for this increase in the accuracy of the proposed method can be the use of nearest neighbor information and two stages of dimensionality reduction.Conclusion: In this research, a new method for spectral-spatial classification of hyperspectral images was introduced. In the proposed method, the dimensions of the hyperspectral image were first reduced and ten features were extracted as the nearest neighborhood information from the reduced bands. Then, a weighted genetic algorithm was applied to the obtained features to reduce the dependence between them. Genetic algorithm is one of the most efficient and effective methods in reducing the dimensionality of hyperspectral images. In the binary genetic algorithm, each chromosome has values of one and zero, while in the weighted genetic algorithm, the weight values are between zero and one. The proposed method was implemented on two hyperspectral images of Pavia and Berlin, and the quantitative and qualitative experiments show the superiority of the proposed method. The lower accuracy of the results in the Berlin image may be due to the complexity of this image compared to the Pavia image.
تبلیغات
