طبقه بندی طیفی-مکانی تصاویر ابرطیفی با ترکیب الگوریتم‌های سلسله مراتبی و جنگل پوشای کمینه مبتنی بر نشانه

فن آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. پیشرفت های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید جهت طبقه بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است. در روش پیشنهادی ابتدا ده ویژگی مکانی، میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، عدم تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور، از پیکسل های همسایگی تصویر ابرطیفی استخراج شده است. سپس ابعاد ویژگی های طیفی و مکانی بدست آمده با الگوریتم ژنتیک وزن دار کاهش یافته و در ادامه به صورت موازی دو الگوریتم قطعه بندی سلسله مراتبی و طبقه بندی جنگل پوشای کمینه (msf) مبتنی بر نشانه بر روی ویژگی های کاهش یافته اعمال و در نهایت نتایج با قانون تصمیم رای اکثریت ترکیب گردیده است. روش پیشنهادی بر روی دو تصویر ابرطیفی پیاده سازی شد، نتایج بررسی های انجام شده برتری و افزایش دقت روش پیشنهادی را نسبت به روش طبقه بندی ماشین بردار پشتیبان (svm) نشان می دهد، که این افزایش برای تصویر indiana pine حدود 10 درصد و برای تصویر washington dc mall حدود 7 درصد در معیار دقت کلی می باشد.

spectral-spatial classification of hyperspectral images by combining hierarchical and marker-based minimum spanning forest algorithms

many researches have demonstrated that the spatial information can play an important role in the classification of hyperspectral imagery. this study proposes a modified spectral–spatial classification approach for improving the spectral–spatial classification of hyperspectral images. in the proposed method ten spatial/texture features, using mean, standard deviation, contrast, homogeneity, correlation, dissimilarity, energy, entropy, wavelet transform and gabor filter, are first extracted. the weighted genetic algorithm is then used to obtain the subspace of hyperspectral data and texture features. finally, the hierarchical segmentation and marker-based minimum spanning forest (msf) classification algorithms are combined with the majority voting law. to evaluate the efficiency of the proposed approach two image datasets, indiana pine and washington dc mall, were used. experimental results demonstrate that the proposed approach achieves approximately 10% and 7% better overall accuracy than the support vector machine (svm) algorithm for these datasets, respectively.