انتخاب نشانه

فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانهها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه بندی بدست آمده به کمک قانون تصمیم رأی اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر Pavia، Berlin و DC Mall میباشد.

اخیرا، یک روش موثر برای طبقه بندی طیفی-مکانی با استفاده از قطعه بندی هرمی (HSEG) رشد یافته از نشانه های انتخاب شده ارائه شده است. هدف این مقاله بهبود این روش برای طبقه بندی تصاویر فراطیفی در مناطق شهری است. ابتدا الگوریتم ژنتیک وزن دار (WG) برای بدست آوردن باندهای بهینه داده های فراطیفی استفاده می شود. الگوریتم HSEG مبتنی بر نشانه سپس بر ویژگی های بدست آمده پیاده سازی می شوند. در ادامه، ویژگی های زمینه ای از تصاویر قطعه بندی شده استخراج می شوند. برای ویژگی های مکانی، ویژگی های مساحت، آنتروپی، شکل، مجاورت و رابطه به عنوان اجزای بالقوه در فضای ویژگی در نظر گرفته شده اند. سرانجام ، با استفاده از هر دو ویژگی طیفی و مکانی، اشیا تصویر توسط یک طبقه بندی کننده مبتنی بر قانون طبقه بندی می شوند. آزمون ها بر روی دو مجموعه داده اعمال شد: Berlin و Quebec City، که دو مجموعه داده شناخته شده و بنچ مارک در تصاویر فراطیفی هستند. ارزیابی نتایج نشان داد که روش پیشنهادی به ترتیب برای این مجموعه داده ها به ترتیب از 16٪ و 9٪ دقت کلی بهتری نسبت به الگوریتم HSEG اولیه به دست می آورد.