ارزیابی عملکرد تبدیل‌ آنالیز مولفه ‌های اصلی، مستقل و کسر حداقل نویز در بهبود صحت استخراج اطلاعات از داده ‌های ماهوارۀ سنتینل2

پیشینه و هدف استفاده از انواع تبدیلات جهت بهبود صحت استخراج اطلاعات از تصاویر ماهواره‌ ای به‌ طور فزاینده ‌ای رو به افزایش است. در این ‌بین انتخاب تبدیل بهینه اهمیت بالایی داشته و نتایج خروجی را تحت تاثیر قرار خواهد داد. با توجه به ماهیت همبسته تصاویر سنجش ‌از دور، استفاده از انواع تبدیلات جهت بهبود صحت استخراج اطلاعات از این تصاویر امری ضروری است. با توجه به مطالعات انجام ‌شده هدف این تحقیق بررسی روش های مختلف تبدیلات تصویر در بهبود روند طبقه بندی تصاویر ماهواره ای و افزایش میزان صحت نقشه های کاربری اراضی است. با در نظر گرفتن این نکته که منطقه مورد مطالعه و به‌صورت کلی مناطق شمالی کشور با شرایط خاص درهم تنیدگی کاربری ها روبه رو هستند، لذا به کارگیری انواع روش های تبدیلات و همچنین روش ترکیبی پیشنهادی در این پژوهش باعث افزایش صحت و دقت اطلاعات خروجی و در نهایت امکان تفکیک و بررسی های دقیق تر کاربری ها و شناسایی عوامل تغییر آن ها را جهت برنامه ریزی های آینده فراهم می کند. در این پژوهش به ‌منظور ارزیابی عملکرد تبدیلات‌ آنالیز مولفه‌ های اصلی، آنالیز مولفه ‌های مستقل و کسر حداقل نویز از تصویر ماهواره سنتینل2 شهرستان رضوانشهر استفاده گردید.مواد و روش هادر این پژوهش به ‌منظور ارزیابی عملکرد روش های آنالیز مولفه‌ های اصلی، آنالیز مولفه ‌های مستقل و روش کسر حداقل نویز از تصاویر ماهواره سنتینل2 شهرستان رضوانشهر استفاده گردید. از الگوریتم گرام اشمیت (gramschmit) به‌منظور ادغام این داده‌ ها با یکدیگر و رسیدن به قدرت تفکیک 10 متر استفاده شد. بعد از اعمال پیش‌ پردازش ‌های لازم و ادغام تصاویر با یکدیگر هر سه تبدیل روی تصویر اعمال و همچنین ترکیبی از مولفه ‌های این سه روش تولید گردید. در ادامه نتایج حاصل از تبدیلات با استفاده از الگوریتم حداکثر احتمال در 8 کلاس کاربری طبقه ‌بندی گردید. با استفاده از ضریب شفیلد و محاسبات آماری بین مولفه ‌های به‌ دست‌ آمده، ترکیب مولفه‌ های اول آنالیز مولفه ‌های اصلی، اول کسر حداقل نویز و مولفه دوم آنالیز مولفه‌های مستقل، به‌عنوان ترکیب بهینه انتخاب گردید. شناخت کلی از منطقه و مطابق آن تفسیر بصری خروجی ها و همچنین برداشت 120 نقطۀ زمینی توسط gps مبنای ارزیابی صحت نقشه ‌های خروجی بوده است.نتایج و بحث بعد از اعمال پیش ‌پردازش ‌های مورد نیاز و ادغام تصاویر با یکدیگر، هرکدام از این الگوریتم ها بر روی تصویر اعمال گردید و خروجی هر کدام با استفاده از الگوریتم حداکثر احتمال و در 8 کلاس کاربری طبقه ‌بندی گردیدند. نتایج نقشه های خروجی نشان داد که تبدیل آنالیز مولفه ‌های اصلی با توجه به اینکه برای متغیرها توزیع گوسی در نظر می‌گیرد و سعی بر غیر همبسته کردن مولفه ‌های استخراج ‌شده دارد، در نمونه ‌هایی با توزیع غیر گوسی دارای ضعف بوده و عملکرد پایینی از خود نشان می‌ دهد. الگوریتم کسر حداقل نویز مشابه الگوریتم آنالیز مولفه ‌های اصلی عمل می کند با این تفاوت که نویزها را بهتر مولفه بندی می کند. این الگوریتم در جداسازی کلاس ها خطای کمتری داشته و همین عامل باعث عملکرد بهتر و دقت بالاتر نسبت به دو تبدیل دیگر شده است. در الگوریتم آنالیز مولفه ‌های مستقل باندهای همبسته تصویر منطقه مورد مطالعه به مولفه‌های مستقل تبدیل‌شده و اطلاعات جدیدی از منطقه استخراج کرده است. تفسیر بصری دقت بالای نتیجه طبقه بندی را نشان می دهد و برای کمی کردن دقت تصویر طبقه ‌بندی ‌شده از ماتریس خطا (کانفیوژن) استفاده ‌شده است. نتایج حاصل از ارزیابی دقت کلی و ضریب کاپا نشان داد که طبقه‌ بندی تصویر اصلی بدون اعمال تبدیلات و با همان نمونه‌ های تعلیمی خروجی با دقت کلی 76 درصد و ضریب کاپای 0.78 بیشترین خطا را داشته است. همچنین نتایج سایر خروجی ها به ترتیب برای طبقه بندی حاصل از تبدیل‌ آنالیز مولفه ‌های اصلی، دقت کلی 80 درصد و ضریب کاپا 0.83، برای طبقه بندی حاصل از تبدیل‌ کسر حداقل نویز، دقت کلی 85 درصد و ضریب کاپا 0.88 و برای طبقه بندی حاصل از تبدیل‌ آنالیز مولفه‌های مستقل، دقت کلی برابر با 77 درصد و ضریب کاپا معادل 0.80 به دست آمد. بعد از انتخاب ترکیب بهینه از مولفه‌ های روش های آنالیز مولفه‌ های اصلی، آنالیز مولفه‌ های مستقل و روش کسر حداقل نویز و انتخاب مولفه ‌های اول الگوریتم های آنالیز مولفه‌ های اصلی و کسر حداقل نویز و مولفه دوم آنالیز مولفه ‌های مستقل، دقت کلی به 92 درصد و ضریب کاپا 0.94 افزایش‌یافت.نتیجه گیری در این تحقیق بعد از ارزیابی عملکرد تبدیل‌ آنالیز مولفه ‌های اصلی، آنالیز مولفه‌ های مستقل و روش کسر حداقل نویز، یک روش ترکیب بهینه از مولفه ‌های این تبدیلات پیشنهاد گردید. نتایج تحقیق نشان داد طبقه ‌بندی تصویر اصلی بدون اعمال تبدیلات و با همان نمونه ‌های تعلیمی دقت کلی و ضریب کاپای پایینی داشته است. بنابراین لزوم اعمال تبدیلات جهت کاهش همبستگی باندها و مجزا سازی اجزای تصاویر احساس می‌ شود. همان‌ طور که نتایج تحقیق نشان داد طبقه ‌بندی تصویر اصلی بدون اعمال تبدیلات و با همان نمونه‌ های تعلیمی دقت کلی و ضریب کاپای پایینی داشته است. نتایج تحقیق بیانگر عملکرد نزدیک این روش ها به یکدیگر است که نشان از وجود هر دو نوع توزیع گوسی و غیر گوسی متغیرها دارد. تبدیل کسر حداقل نویز، میزان نویز داده‌ها را به حداقل رسانده و در خروجی نتایج بهتری از دو تبدیل آنالیز مولفه‌ های مستقل و آنالیز مولفه‌ های اصلی داشته است. با توجه به اینکه این تبدیلات به ‌تنهایی قادر به استخراج تمامی اجزای تصویر نیستند، لذا ترکیبی از مولفه ‌های این تبدیلات بر اساس ضریب شفیلد جهت مفروض بودن توزیع گوسی و غیر گوسی متغیرها با حداقل نویز ممکن انتخاب گردید.

Performance evaluation of principal component analysis, independent component analysis and minimum noise fraction method in increasing the information extracting accuracy of Sentinel2 satellite data

Background and ObjectiveProblem The use of various transformations to improve the accuracy of data extraction from satellite images is increasing sharply. In the meantime, the choice of optimal conversion is very important and will affect the output results. Due to the correlated nature of remote sensing images, the use of various transformations to improve the accuracy of information extraction from these images is essential. According to the studies, the purpose of this study is to investigate different methods of image conversion in improving the process of classification of satellite images and increasing the accuracy of land use maps. Considering that the study area and in general the northern regions of Iran are facing special conditions of entanglement of land uses, so the use of various conversion methods as well as the combined method proposed in this study increases the accuracy and the accuracy of the output information and finally the possibility of more detailed separation and review of uses and identification of factors changing them for future planning.Materials and Methods In this study, in order to evaluate the performance of principal component analysis methods, independent component analysis, and minimum noise fraction method, Sentinel2 satellite images of Rezvanshahr city were used. GramSchmit algorithm was used to integrate this data with each other and achieve a resolution of 10 meters. After applying the necessary preprocessing and merging the images together, all three transformations were applied to the image, as well as a combination of the components of these three methods. Then, the results of the transformations were classified into 8 user classes using the maximum likelihood algorithm. Using Sheffield coefficient and statistical calculations between the obtained components, the combination of the first components of principal component analysis, the first component of minimum noise fraction, and the second component of independent component analysis were selected as the optimal combination. General knowledge of the area and accordingly the visual interpretation of the outputs, as well as the perception of 120 ground points by GPS, has been the basis for assessing the accuracy of the output maps.Results and Discussion After applying the required preprocessors, each of these algorithms was applied to the image, and the output of each was classified into 8 user classes using the Maximum Likelihood algorithm. The results of output maps showed that the conversion of principal component analysis, considering that it considers Gaussian distribution for variables and tries to decompose the extracted components, is weak in samples with nonGaussian distribution and shows low performance. The minimum noise fraction algorithm works similarly to the principal component analysis algorithm, except that it classifies the noise better. This algorithm has less error in separating classes and this factor has resulted in better performance and higher accuracy than the other two conversions. In the independent component analysis algorithm, the image correlated bands of the study area have been converted to independent components and new information has been extracted from the area. The visual interpretation shows the high accuracy of the classification result and an error matrix (confusion) is used to quantify the accuracy of the classified image. The results of the evaluation of overall accuracy and kappa coefficient showed that the classification of the original image without applying transformations and with the same training samples of output with an overall accuracy of 76% and kappa coefficient of 0.78 had the highest error. Also, the results of other outputs for classification resulting from principal component analysis conversion are 80% overall accuracy and kappa coefficient of 0.83, respectively, for classification resulting from minimum noise fraction conversion, total accuracy of 85% and kappa coefficient of 0.88 and for the classification obtained from the analysis of independent component analysis, the overall accuracy was 77% and the kappa coefficient was 0.80. After selecting the optimal combination of components of principal components analysis methods, independent component analysis and minimum noise fraction method and selecting the first components of principal component analysis algorithms and minimum noise fraction and the second component of total component analysis to 92% independent coefficient and Kappa increased 0.94.Conclusion In this study, after evaluating the conversion performance of principal component analysis, independent component analysis, and minimum noise fraction method, an optimal combination of components of these transformations was proposed. As the results of the research showed, the classification of the original image without conversions and with the same training samples had low overall accuracy and kappa coefficient. The results show the close performance of these transformations to each other, which indicates the existence of both Gaussian and nonGaussian distributions of variables. MNF conversion has minimized the amount of data noise and results in better output than ICA and PCA conversion. Since these transformations alone are not able to extract all the components of the image, so a combination of the components of these transformations based on the Sheffield coefficient was chosen to assume the Gaussian and nonGaussian distributions of the variables with the least possible noise.