بهبود طبقه‌بندی بدون نظارت تصاویر فراطیفی با استفاده از مدل خوشه‌بندی فازی gustafson-kessel

مدل‌های خوشه‌بندی c-means یکی از پرکاربردترین شیوه‌های طبقه‌‌بندی نظارت‌نشده در آنالیز داده‌ها به‌شمار می رود. مدل فازی این روش، یعنی fuzzy c-means، یکی از مشهورترین مدل‌هایی است که در آن هر داده با یک مقدار درجه عضویت بین 0 و 1، به هر یک از خوشه‌ها اختصاص داده می شود. این مدل خوشه‌بندی جهت طبقه‌بندی داده‌های سنجش از دوری بسیار استفاده شده است. مدل fuzzy c-means از فاصله اقلیدسی جهت خوشه‌بندی استفاده کرده و برای همه خوشه‌ها شکل یکسانی فرض می کند. با وجود این، این مدل برای داده‌هایی که در آن‌ها‌ کلاس‌ها دارای شکل و حجم متفاوت‌اند، مناسب به‌ نظر نمی رسد. برای رفع این مشکل، مدل gustafson-kessel جهت خوشه‌بندی داده‌های پیچیده ارایه شده است. این مدل برمبنای به‌کارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل میکند و شکل هندسی، حجم و جهت گیری یکسانی برای همه خوشه‌ها در نظر نمی گیرد. در این تحقیق، از هر دو مدل خوشهبندی مذکور جهت داده‌های سنجش از دوری فراطیفی واقعی حاصل از سنجنده‌های hyperion، rosis و casi استفاده شده است. نتایج حاصل از مدل‌های خوشه‌بندی fuzzy c-means و gustafson-kessel به پارامتری به نام فازی‌کننده وابسته است که در این تحقیق، مقدار بهینه آن با محاسبه و بررسی دقت طبقه‌بندی هر یک از این مدل‌ها، در ازای فازی‌کنندههای مختلف به‌دست آمده است. نتایج به‌دست‌آمده در ازای مقدار بهینه فازی‌کننده، نشان می دهد که مدل gustafson-kessel دقت و صحت طبقه‌بندی را حدود 5/12% برای داده‌های hyperion و حدود 45/8% برای داده‌های rosis افزایش می‌دهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشه‌بندی روی داده‌های casi نشان می‌دهد که مدل gustafson-kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل gustafson-kessel هزینه زمانی بیشتری را صرف می‌کند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشهها، به دانش قبلی نیاز