طبقه بندی تصاویر ابرطیفی با استفاده از ادغام ویژگی های طیفی و مکانی در شبکه های عصبی پیچشی

سنجنده های ابرطیفی به واسطه اخذ تعداد زیادی از باندهای طیفی همواره دارای اهمیت خاصی در پایش پدیده های سطح زمین می باشند. طبقه بندی تصاویر ابرطیفی مهم ترین روش پردازش داده های ابرطیفی می باشد که تا به حال تلاش های زیادی برای افزایش دقت آن صورت گرفته است. شبکه های عصبی پیچشی و ویژگی های مکانی در سال های اخیر جایگاه مهمی در بهبود دقت طبقه بندی تصاویر ابرطیفی داشته اند. در تحقیقات پیشین توجه زیادی به استفاده همزمان از قابلیت های روش های استخراج ویژگی مکانی در شبکه های عصبی پیچشی نشده است. به همین دلیل در مقاله حاضر یک معماری جدید از شبکه های عصبی پیچشی برای طبقه بندی تصاویر ابرطیفی معرفی شده است که به عنوان ورودی شبکه از بردار طیفی _مکانی حاصل از ترکیبات مختلف ویژگی های مکانی شامل پروفایل های مورفولوژی، بانک فیلترگابور و الگوی باینری محلی(lbp) با ویژگی های طیفی استخراج شده از روش تبدیل مولفه اصلی استفاده می کند. آزمایش های این مقاله که بر روی دو تصویر ابرطیفی حقیقی از دو منطقه کشاورزی و شهری صورت گرفته است، نشان از برتری روش پیشنهادی دارد. نتایج نهایی نشان می دهد که دقت کلی طبقه بندی با روش پیشنهادی می تواند در بهترین حالت 2/5 درصد از روش های رقیب بهتر باشد.

Classification of hyperspectral images by fusion of spectral and spatial features in convolutional neural networks

Hyperspectral images are useful in monitoring the Earth surface phenomena due to the acquisition of large number of spectral bands. Hyperspectral image classification is the most important field of the hyperspectral data processing, and so far, there have been many attempts to increase its accuracy. Convolutional neural networks (CNNs) and spatial features have had a great role in improving the accuracy of the hyperspectral image classification in recent years. In the previous researches not much attention has been paid to the simultaneous use of the capabilities of the low spatial feature deriving methods in convolutional neural networks. For this reason, in the present paper, a new architecture of convolutional neural networks is introduced for the classification of hyperspectral images that uses the different combinations of spectral features and spatial features which are derived from morphological profiles, Gabor filter and local binary pattern (LBP) as input vectors to the proposed CNN. The experiments which are conducted on two real hyperspectral images from agricultural and urban areas, show the superiority of the proposed method (about 2.5%) in comparison to some recent spatialspectral classification methods.