طبقه‌بندی تصاویر ابرطیفی با استفاده از شبکه‌ نمایش محلی ماتریس کرنل‌ وزن‌دار و طبقه‌بندی‌کننده ماشین بردار پشتیبان

در سال های اخیر مدل های مبتنی بر یادگیری عمیق به منظور طبقه بندی طیفی-مکانی تصاویر ابرطیفی بسیار مورد توجه قرار گرفته  اند. یکی از مهم‌ترین ویژگی های روش های عمیق در نظر گرفتن همزمان اطلاعات مکانی و طیفی در فرایند طبقه بندی تصاویر ابرطیفی است. این مدل ها علی‌رغم تولید نقشه های طبقه بندی شده با دقت  های بالا، از نظر محاسباتی بسیار پیچیده هستند و تنظیم دقیق پارامترهای آن ها نیازمند تعداد زیادی نمونه آموزشی است. برای حل این مشکلات، نیاز به ارائه روشی با ساختار ساده تر که بتواند به طور موثری اطلاعات طیفی-مکانی موجود در تصویر ابرطیفی را استخراج کند، احساس می شود. در این راستا، در تحقیق حاضر روش جدیدی به منظور تولید ویژگی طیفی-مکانی از تصاویر ابرطیفی توسعه داده شده است. در روش ارائه شده از دو تکنیک نمایش محلی ماتریس کرنل وزن دار و تبدیل کسر نویز کمینه به صورت پشت سر هم و تکراری به منظور تولید ویژگی‌های طیفی-مکانی عمیق استفاده می شود. ویژگی‌های طیفی-مکانی تولید شده از شبکه پیشنهادی که بیانگر رابطه غیرخطی محلی میان ویژگی‌های استخراج شده از مولفه‌های تبدیل کسر نویز کمینه در عمق های مختلف است، در نهایت به یکدیگر الحاق شده و سپس به منظور طبقه‌بندی به الگوریتم ماشین بردار پشتیبان داده می شود. الگوریتم پیشنهادی بر روی دو تصویر ابرطیفی ایندین پاین و دانشگاه پاویا پیاده‌سازی شده است. عملکرد روش پیشنهادی این مقاله با روش طبقه بندی طیفی و چهار روش طبقه بندی طیفی-مکانی دیگر که در سال های اخیر پیشنهاد شده اند، مقایسه شده است. مقایسه های صورت گرفته نشان می دهد که در تصویر ایندین پاین دقت روش پیشنهادی بیش از 20% و دانشگاه پاویا بیش از 10% بهتر از دقت طبقه بندی تصویر با ویژگی های طیفی است. همچنین در مقایسه با چهار روش دیگر طبقه بندی طیفی-مکانی، دقت روش پیشنهادی به طور متوسط 1% بهتر است.  

the classification of hyperspectral images using the weighted local kernel matrix network and support vector machines classifier

over the last few years, deep learning models have received a lot of attention for the spectral-spatial classification of the hyperspectral images. one of the significant advantages of deep learning methods is that they incorporate both spatial and spectral information in classifying hyperspectral images. although these models produce accurate classified maps, they are computationally complex, and precise settings of their parameters require a large number of training samples. in order to address these issues, a simplified method that can efficiently extract the spectral-spatial information from a hyperspectral image must be developed. therefore, the current study proposed a new method for generating the spectral-spatial features of the hyperspectral images. the proposed method uses weighted local kernel matrix representation and minimum noise fraction transformation sequentially and repetitively in order to generate deep spectral-spatial features. the proposed network’s spectral-spatial features, which show the local nonlinear relationship between the features extracted from the components of the minimum noise fraction transform at different depths, will finally be stacked together and fed into the support vector machine algorithm for classification. two hyperspectral benchmark images of the indian pines and data from pavia university are used to test the proposed algorithm. the performance of the proposed method is compared to the spectral classification method and four other spectral-spatial classification methods proposed in recent years. comparisons show that the proposed method is more accurate in the indian pines image more than 20% and in pavia university image more than 10% than the image classification using the spectral features. in addition, the proposed method is 1% more accurate than the other four spectral-spatial classification methods on average.