حمید عزت آبادی پور

الگوریتم خوشه بندی K-Means یکی از پرکاربردترین روش های طبقه بندی نظارت نشده در پردازش تصاویر سنجش از دور است. در الگوریتم K-Means استاندارد، از معیار عدم شباهتِ فاصله اقلیدسی، به منظور اندازه گیری عدم شباهتِ بین داده ها و خوشه ها استفاده می شود. فاصله اقلیدسی، یک معیار عدم شباهتِ قطعی است که بردار طیفی پیکسل ها و مراکز خوشه ها را به صورت نقاطی در یک فضای چندبعدی در نظر می گیرد و فاصله هندسی بین آن ها را اندازه گیری می کند. تصاویر فراطیفی همواره دارای عدم قطعیت هستند، به همین دلیل استفاده از یک معیار عدم شباهت آماری (غیرقطعی)، جهت خوشه بندی آن ها مناسب تر به نظر می رسد. بر این اساس در این مقاله، با به کارگیری یک معیار عدم شباهت آماری، یک روش نظارت نشده جدید برای خوشه بندی تصاویر فراطیفی طراحی و پیاده سازی شده است. روش خوشه بندی پیشنهادی، برای برآورد عدم شباهت بین مرکز خوشه ها و پیکسل ها، از یک معیار عدم شباهت آماری، به نام دیورژانس اطلاعات طیفی، به جای فاصله اقلیدسی استفاده می کند. دیورژانس اطلاعات طیفی، توزیع احتمال طیف ها را از طریق نرمال کردن امضای طیفی، مدل سازی می کند. سپس فاصله بین توزیع احتمال طیف یک پیکسل و توزیع احتمال طیف هر مرکز خوشه را برآورد می کند. آزمون های انجام شده بر روی داده های تصویری فراطیفی واقعی حاصل از سه سنجنده HyMap، HYDICE و Hyperion نشان می دهد که روش خوشه بندی پیشنهادیِ مبتنی بر دیورژانس اطلاعات طیفی، نتایج طبقه بندی را بهبود می بخشد، به طوری که ضریب کاپای نتایج طبقه بندی تصاویر فراطیفی مورد استفاده به ترتیب، حدود 7%، 56% و 10% افزایش یافته است.

مدل های خوشه بندی c-means یکی از پرکاربردترین شیوه های طبقه بندی نظارت نشده در آنالیز داده ها به شمار می رود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدل هایی است که در آن هر داده با یک مقدار درجه عضویت بین 0 و 1، به هر یک از خوشه ها اختصاص داده می شود. این مدل خوشه بندی جهت طبقه بندی داده های سنجش از دوری بسیار استفاده شده است. مدل Fuzzy c-means از فاصله اقلیدسی جهت خوشه بندی استفاده کرده و برای همه خوشه ها شکل یکسانی فرض می کند. با وجود این، این مدل برای داده هایی که در آن ها کلاس ها دارای شکل و حجم متفاوت اند، مناسب به نظر نمی رسد. برای رفع این مشکل، مدل Gustafson-Kessel جهت خوشه بندی داده های پیچیده ارائه شده است. این مدل برمبنای به کارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل می کند و شکل هندسی، حجم و جهت گیری یکسانی برای همه خوشه ها در نظر نمی گیرد. در این تحقیق، از هر دو مدل خوشه بندی مذکور جهت داده های سنجش از دوری فراطیفی واقعی حاصل از سنجنده های Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدل های خوشه بندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازی کننده وابسته است که در این تحقیق، مقدار بهینه آن با محاسبه و بررسی دقت طبقه بندی هر یک از این مدل ها، در ازای فازی کننده های مختلف به دست آمده است. نتایج به دست آمده در ازای مقدار بهینه فازی کننده، نشان می دهد که مدل Gustafson-Kessel دقت و صحت طبقه بندی را حدود 5/12% برای داده های Hyperion و حدود 45/8% برای داده های ROSIS افزایش می دهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشه بندی روی داده های CASI نشان می دهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزینه زمانی بیشتری را صرف می کند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشه ها، به دانش قبلی نیاز دارد.