ادغام ویژگی های طیفی و مکانی تصاویر ابر طیفی به کمک طبقه بند شبکه عصبی

یکی از مباحث مهم و چالش برانگیز در سنجش از دور طبقه بندی تصاویر ابر طیفی است برخلاف آن که دادههای مربوط به تصاویر ابر طیفی علاوه بر اطلاعات ویژگی طیفی دارای اطلاعات ویژگی مکانی هم هستند که کمتر از این ویژگیهای مکانی در روشهای سنتی قدیمی استفاده شده است. در حالت کلی به منظور طبقه بندی این گونه دادهها از یک طبقه بند برپایه اطلاعات طیفی و ایجاد یک نقشه با این هدف استفاده میشود با توجه به این که این اطلاعات طیفی مربوط به پیکسلهای تصویر است و در طبقه بندی این پیکسلها اطلاعات مکانی لحاظ نمیشود میتواند اطلاعات مکانی در طبقه بندی پیکسلها مدنظر قرار بگیرد .بنابراین مساله و چالش مهم در این مبحث نحوۀ ادغام این ویژگیهای طیفی و مکانی به منظور دستیابی به دقت بالاتر طبقه بندی است ادغام اطلاعات طیفی و مکانی در رسیدن به دقت طبقه بندی بهتر موثر است در این مقاله از روش طبقه بند شبکه عصبی در طبقه بندی تصاویر ابر طیفی به کمک ادغام ویژگی طیفی و مکانی در دو روش پشته و مبتنی بر گراف دودویی استفاده شده است غیر از روش متداول پشته یا stack از روش گراف دودویی ناحیه ای به منظور ادغام مناسب اطلاعات طیفی و مکانی نیز استفاده شده که برای استفاده همزمان از اطلاعات طیفی در کنار اطلاعات مکانی feature fusion در طبقه بندی تصویر ابرطیفی مناسب است. در ابتدای الگوریتم از تحلیل مولفهٔ اصلی جهت استخراج مولفههای اصلی تصاویر ابر طیفی استفاده میشود ،سپس از روشهای فیلتر ،گابور پروفایل ریخت شناسی و مورفولوژی روی باند پیکسل تصویر ابر طیفی اطلاعات مکانی تصویر استخراج میشود و در نهایت تصویر به کمک طبقه بند، طبقه بندی میشود. در هر یک از این روشها طبقه بند شبکه عصبی روی ویژگیهای طیفی و مکانی ادغام شده به کار گرفته شده، سپس با عملکرد طبقه بند ماشین بردار پشتیبان در شرایط مشابه مقایسه می.شود نتایج طبقه بندی بیانگر برتری طبقه بند شبکه عصبی است.

spectral-spatial feature fusion by neural network classification in remotely sensed hyperspectral images

hyper-spectral image classification is a popular topic in the field of remote sensing.hyperspectral images (hsi) have rich spectral information and spatial information. traditional hyperspectral image (hsi) classification methods typically use the spectral features and do not make full use of the spatial or other features of the hsi. in general, the classification approaches classify input data by considering the spectral information of the data to produce a classification map in order to discriminate different classes of interest. the pixel-wise classification approaches classify each pixel autonomously without considering information about spatial structures, further enhancement of classification results can be obtain by considering spatial dependences between pixels. however, how to fuse and utilize spectral-spatial features more efficiently is a challenging task. so the combination of spectral information and spatial information has become an effective means to obtain good classification results. specifically, firstly, the principal component analysis (pca) algorithm is used to extract the first principal component in the original hyperspectral image. secondly, the   residual network gabor, glcm and mp   are introduced for each band to extract the spatial information of the image. thirdly, the image is classified by using svm to get the final classification result. in this paper, we have used the neural network classifier in the classification of hyperspectral images by integrating spectral and spatial properties in two methods stack and the method based on binary graphs. in spite of   the traditional stack method, the use of local binary graph method to properly integrate spectral and spatial information is a desirable method for the simultaneous use of spectral information along with spatial information (feature fusion) in hyperspectral image classification. in each of these methods, the neural network classifier is applied to the spectral and spatial features separately and then compared with the performance of the support vector machine classifier in similar conditions. the classification results show that the proposed method can outperform other traditional   classification techniques