سنجش کارایی ویژگی های بافتی GLCM در افزایش دقت طبقه بندی تصاویر حاصل از ادغام تصاویر تک باند و ابرطیفی مناطق مسکونی و صنعتی جنوب شهر تهران

اکثر الگوریتم های طبقه بندی داده های سنجش از دور بر اساس ویژگی ها و اطلاعات طیفی پیکسل ها عمل می کنند. این مسئله باعث نادیده گرفتن اطلاعات مکانی مفید قابل استخراج از این تصاویر، مانند؛ بافت تصاویر می شود. استفاده هم زمان از بافت و اطلاعات طیفی مبحثی است که به آن کمتر پرداخته شده است. در این پژوهش تاثیر استفاده از بافت تصویر تک باند سنجنده ALI بر دقت طبقه بندی تصاویر ابرطیفی سنجنده هایپریون در محیط های شهری بررسی شده است. اطلاعات بافت تصویر تک باند با استفاده از ماتریس رخداد همزمان (GLCM) استخراج شده است. طبقه بندی نیز با به کارگیری روش ماشین بردار پشتیبان (SVM) و در سه مرحله انجام پذیرفت: طبقه بندی اطلاعات طیفی تصویر ابرطیفی، طبقه بندی تصاویر ادغام شده به دست آمده از روش تبدیل رنگ نرمالیزه (CNT)، و نهایتا طبقه بندی با استفاده هم زمان از بافت تصویر تک باند و تصاویر ابرطیفی ادغام شده. تاثیر نوع ویژگی بافت استخراجی از ماتریس رخداد همزمان و همچنین اندازه پنجره استخراج بافت در پوشش های مختلف بررسی شد. نتایج پیاده سازی ها نشان داد که استفاده از ویژگی های بافتی در کنار ویژگی های طیفی تصاویر حاصل از ادغام، می تواند دقت طبقه بندی مناطق شهری، مانند؛ بافت مسکونی و مناطق صنعتی را به طور کلی، حدود 5 درصد بهبود ببخشد. افزایش دقت در برخی از کلاس ها تا حدود 15 درصد بوده است.