بهبود طبقه بندی طیفی-مکانی تصاویر ابرطیفی با به کارگیری اطلاعات مکانی در انتخاب نشانه ها

فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. معمولترین روش جهت طبقهبندی تصاویر ابرطیفی، طبقه بندی مبتنی بر پیکسل بوده که در آن هر پیکسل فقط با اطلاعات طیفی خود و بدون در نظر گرفتن پیکسل های همسایه، به کلاس مشخصی اختصاص می یابد. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید برای طبقه بندی طیفی-مکانی تصاویر ابرطیفی و بر اساس الگوریتم قطعه بندی هرمیمبتنی بر نشانه معرفی میشود. در میان الگوریتمهای مختلف طبقهبندی طیفی-مکانی تصاویر ابرطیفی، تاکنون الگوریتم قطعهبندی هرمی مبتنی بر نشانه در ترکیب با الگوریتم طبقه بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته است. در روش پیشنهادی برای انتخاب نشانه ها از ترکیب قطعهبندی واترشد (Watershed)و طبقهبندی ماشین بردار پشتیبان استفاده میشود. برای این منظور از میان پیکسلهای با بیشترین جمعیت برای هر ناحیه از نقشه قطعهبندی، آنهایی که دارای بالاترین درجه تعلق به یک کلاس هستند، به عنوان نشانه انتخاب میگردند. سپس بر روی نشانه های بدست آمده، الگوریتم قطعهبندی هرمی پیادهسازی میشود. در نهایت نقشه قطعه بندی بدست آمده به کمک قانون تصمیم رای اکثریت با نقشه طبقهبندی ماشین بردار پشتیبان ترکیب می گردد. روش پیشنهادی بر روی سه تصویر ابرطیفی Pavia، Berlin و DC Mall پیادهسازی شد، نتایج آزمایشات بدست آمده برتری روش پیشنهادی را در مقایسه با الگوریتم هرمی مبتنی بر نشانه اولیه نشان میدهد. این برتری برابر با 4، 6 و 5 درصد در پارامتر ضریب کاپا و به ترتیب برای تصاویر Pavia، Berlin و DC Mall میباشد.