یک الگوریتم سریع مبتنی بر ماشین بردار پشتیبان برای طبقه بندی تصاویر ابر طیفی با استفاده از همبستگی مکانی

با افزایش تعداد باند های تصاویر سنجش از دور، الگوریتم های استخراج ویژگی مانند تحلیل مولفه های اصلی، تحلیل مولفه های مستقل، نگاشت جستجوگر، استخراج ویژگی با مرز تصمیم گیری، تحلیل ممیز و تبدیل موجک به منظور کاهش تعداد ویژگی ها و بهبود طبقه بندی مورد استفاده قرار گرفته اند. اما این الگوریتم ها به دلیل افزایش تعداد منابع اطلاعاتی، حجم داده ها و محدود بودن تعداد نمونه های آموزشی در تصاویر ابرطیفی، بازدهی مطلوبی ندارند. در این مقاله برای حل این مشکل، الگوریتم جدید مبتنی بر ماشین بردار پشتیبان ارایه گردیده است. این الگوریتم پس از یک طبقه بندی اولیه، با استفاده از کلاس هر پیکسل و همسایه هایش به صورت سلسله مراتبی تصمیم گیری می کند. تصمیم گیری در هر یک از سطوح این طبقه بندی کننده بوسیله یک ماشین بردار پشتیبان انجام می شود. این الگوریتم بر روی داده های واقعی ابر طیفی سنجنده AVIRIS اجرا شد. نتایج نشان می دهد که صحت طبقه بندی داده های ابرطیفی با استفاده از این الگوریتم بسیار مطلوب بوده و مشکل محدود بودن تعداد نمونه های آموزشی تا حد قابل توجهی جبران شده است. در واقع این تحقیق با ادغام اطلاعات مکانی و استفاده از طبقه بندی کننده ماشین بردار پشتیبان صحت طبقه بندی را بهبود می بخشد. این الگوریتم زمان لازم برای طبقه بندی تصاویر ابرطیفی را با استفاده از ماشین بردار پشتیبان، بسیار کاهش داده و کارآیی الگوریتم ماشین بردار پشتیبان را به عنوان طبقه بندی کننده تصاویر ابرطیفی افزایش می دهد.