بررسی بهبود دقت طبقه‌بندی با استفاده از ادغام تصویر تک‌باند ali با تصاویر ابرطیفی hyperion

بیشتر الگوریتم‌های طبقه‌بندی داده‌های سنجش از دور براساس ویژگی‌ها و اطلاعات طیفی پیکسل‌ها عمل می کنند. این مسیله باعث نادیده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاویر می شود. محیط شهری بافت ناهمگنی دارد که شناسایی انواع کاربری‌ها را به فرایندی دشوار و پیچیده تبدیل کرده ‌است. در این پژوهش تاثیر استفاده از بافت تصویر تک باند سنجنده ali (advanced land imager) بر دقت طبقه‌بندی تصاویر ابرطیفی سنجنده هایپریون «hyperion» در محیط‌های شهری بررسی شد. طبقه‌بندی با استفاده از روش جنگل‌های تصادفی و در پنج سناریوی مختلف انجام شد: سناریوی شماره 1: طبقه‌بندی اطلاعات طیفی تصویر ادغام‌شده به روش cnt(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه‌بندی تصویر cnt با افزوده شدن بردارهای ویژگی بافت حاصل از روش ماتریس هم‌وقوعی در اندازه‌های پنجره 3، 5، 7 و 9 هستند. براساس یافته‌های این تحقیق، افزودن بافت به طیف تصویر ادغامی به روش cnt دقت طبقه‌بندی را بهبود چشمگیری داد، به گونه‌ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزایش، از 80.47% به 90.74% رسید. بسیاری از پوشش‌های کاربری مانند جاده، بافت مسکونی، صنایع کوچک و پراکنده و صنایع متمرکز نیز در زمینه دقت تولیدکننده و مصرف کننده رشد چشمگیری را شاهد بودند. پارامتر خطای oob با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ویژگی مانند میانگین و کنتراست نیز، توانستند از لحاظ میزان اهمیت در رتبه‌های بالا قرار گیرند. همچنین، افزایش اندازه پنجره منجر به بهبود بیشتر دقت طبقه‌بندی شد، به گونه‌ای که اندازه پنجره 9 بهترین عملکرد را در پی‌ داشت.