تلفیق الگوریتم ماشین بردار پشتیبان و مدل مخفی میدانهای تصادفی مارکوف جهت بهبود صحت طبقه بندی داد ههای hyperion

یکی از مسائل مهم در بحث سنجش از دور فراطیفی، طبقه بندی این حجم از داده های چندبعدی با صحت مطلوب است. بیشتر روش های طبقه بندی داده های سنجش از دوری بر اساس اطلاعات طیفی داده ها است. با این وجود جهت دست یابی به صحت بالای طبقه بندی، می توان از اطلاعات مکانی داده ها نیز استفاده نمود. تلفیق مدل میدان های تصادفی مارکوف که اطلاعات مکانی را از طریق کمینه سازی توابع انرژی مناسب بهینه سازی می کند با الگوریتم طبقه بندی طیفی ماشین بردار پشتیبان که یکی از روش های قدرتمند جهت طبقه بندی تصاویر فرا طیفی است، می تواند صحت طبقه بندی را در نقشه طبقه بندی نهایی بهبود بخشد. هدف این مطالعه بهبود صحت طبقه بندی داده ها با تعداد نمونه های آموزشی محدود به کمک تلفیق مدل میدان های تصادفی مارکوف و الگوریتم ماشین بردار پشتیبان است. دو مجموعه داده فراطیفی سنجنده های hyperion و aviris در این مطالعه مورد بررسی قرار گرفته است. بعد از اعمال تصحیحات رادیومتریک مانند حذف خطوط جا افتاده تصویر و باندهای نامطلوب، تصحیحات اتمسفری مجموعه داده hyperion به روش flaash و مجموعه داده aviris به روش iar انجام شد. تبدیل mnf جهت کاهش ابعاد داده استفده شد و سپس عضوهای نهایی داده ها از روی باند ppi استخراج گردید و در ادامه جهت طبقه بندی طیفی این داده ها از الگوریتم طبقه بندی ماشین بردار پشتیبان استفاده شد. در نهایت جهت بهبود صحت طبقه بندی در نقشه طبقه بندی شده نهایی از مدل مخفی میدان های تصادفی مارکوف (hmrf) استفاده شد. به طوری که بعد از استخراج مولفه های تبدیل pca و mnf داده ها ، محاسبه برخی پارامترهای آماری هر یک از کلاس ها در نقشه طبقه بندی svm به منظور استفاده در ورودی مدل و همچنین تنظیم دوره تکرار، مدل svmhmrf اعمال شد.نتایج نشان داده است که استفاده از مدل ارائه شده(svmhmrf) صحت کلی طبقه بندی را در هر دو مجموعه داده بهبود بخشیده است. به طور مثال بهبود صحت طبقه بندی در برخی از کاربری های مختلف تصویر حدود 25 درصد بوده است. همچنین مناطق تصویر در نقشه طبقه بندی شده نهایی بسیار همگن تر شده و نویز های فلفلنمک به شدت کاهش یافته است.

Fusion of SVM algorithm and HMRF for accuracy assessment of Hyperspectral data

Classification of highdimensional hyperspectral data with many spectral bands for the derivation of good accuracy is an important problem in hyperspectral remote sensing .The most of classification algorithms are based on spectral information .Here, in order to achieve an high classification accuracy, we can use the spatial information of data. Integration of hidden morkov random field that optimize spatial information by minimizing energy functions, with support vector machine that is an powerful method for classification of hyperspectral data, can improve classification accuracy in final classified map properly. The purpose of this study is to improve the classification accuracy with a limited of training samples by combination of support vector machine algorithm and hidden morkov random field. In this study, tow hyperspectral dataset from Hyperion and AVIRIS sensors has been used. After the applying radiometric corrections like correcting embedded lines and remove bad bands , atmospheric correction Hyperion dataset done by FLAASH method and AVIRIS dataset by IAR algorithm. MNF transformation was used in order to dimensionally reduction and the endmembers were extracted from PPI band and then in order to spectral classification, used from SVM method. Finally, to improve classification accuracy in the final classified map, hidden Markov random field (HMRF) was used. So that after the extracting of Components from PCA and MNF Transformations, computing of some statistic parameters of classes in SVM classified map in order to use in inputs model and so configuration of iterations, SVMHMRF model was applied.The results show that the proposed model (SVMHMRF) has improved overall classification accuracy in both of data sets. For example, the improved classification accuracy on some of land uses, were around 25 percent. Also regions of final classified map is much more homogeneous and salt and pepper nose drastically reduced.