ارائه روش بدون نظارت مبتنی بر خوشه بندی باندها در فضای پدیده اجزای خالص برای استخراج ویژگی های طیفی کاهش یافته از تصاویر ابرطیفی

 تصاویر ابرطیفی منبع غنی از داده های سنجش از دور محسوب می شوند که در مطالعات مختلفی از جمله کشاورزی، مدیریت و طبقه بندی پوشش/کاربری اراضی بکار گرفته می شوند. با این حال، ابعاد بالای فضای ویژگی و تعداد محدود نمونه های آموزشی از چالش های اصلی در طبقه بندی این تصاویر و استخراج اطلاعات از آن ها بشمار می رود. بدین ترتیب، استفاده از روش های کاهش ویژگی به دو شکل انتخاب ویژگی و استخراج ویژگی از اهمیت بالایی برخوردار است. روش های کاهش ویژگی به دو دسته نظارت شده و بدون نظارت تقسیم می شوند، که روش های بدون نظارت به دلیل عدم نیاز به داده های آموزشی کاربردی تر هستند. در این مطالعه روشی بدون نظارت مبتنی بر خوشه بندی باندها در فضای پدیده اجزای خالص (epbc) ارائه شده است. در این روش پس از تخمین بعد مجازی تصویر و استخراج اجزای خالص، فضای پدیده اجزای خالص تشکیل شده و باندها در این فضا به روش k-means خوشه بندی می گردند و در نهایت میانگین وزن دار هر خوشه به عنوان یک ویژگی استخراج می شود. نتایج نهایی بدست آمده از طبقه بندی دو تصویر ابرطیفی نشان می دهد که دقت کلی طبقه بندی به روش بیشترین شباهت با ویژگی های استخراج شده از روش ارائه شده در بهترین حالت برای تصویر کاج های هندی برابر 75.66 درصد و برای تصویر دانشگاه پاویا برابر 89.71 درصد بوده است، که نسبت به روش های آنالیز مولفه های اصلی (pca)، تبدیل کسر نویز کمینه (mnf) و آنالیز مولفه های مستقل (ica) به عنوان روش های بدون نظارت و روش آنالیز تفکیک پذیری خطی (lda) به عنوان روش نظارت شده عملکرد بهتری داشته است. 

proposing an unsupervised method for extracting reduced spectral features from hyperspectral images based on band clustering in endmember prototype space

hyperspectral images are a rich source of remote sensing data that are used in various studies, including agriculture, land cover/land use management and classification. however, the high dimensionality of feature space and limited number of training samples are among the main challenges in classifying these images and extracting information from them. therefore, the use of feature reduction methods in two forms of feature selection and feature extraction is of great importance. feature reduction methods are divided into two categories: supervised and unsupervised, that the unsupervised ones are more practical as they do not need any training data. in this study, an unsupervised method based on band clustering in endmember prototype space (epbc) is presented. in this method, after estimating the virtual dimensionality of the image and extracting the endmembers, the endmember prototype space is formed and the bands are clustered using k-means clustering method in. finally, the weighted mean of each cluster is extracted as a new feature. the final results obtained from classifying two hyperspectral images showed that the best overall accuracy of classification using the maximum likelihood classifier with features extracted by epbc was %75.66 for the indian pines image and %89.71 for the pavia university image, which outperformed well known unsupervised methods such as principal component analysis (pca), minimum noise fraction (mnf), independent component analysis (ica) and supervised method linear discriminant analysis (lda).