بهبود طبقه بندی طیفی- مکانی جنگل پوشای مینیمم با کاهش ابعاد تصاویر فراطیفی

فن آوری سنجش از دور فراطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. با پیشرفت های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر فراطیفی ایجاب می کند. در این تحقیق روشی جدید جهت طبقه بندی طیفی-مکانی تصاویر فراطیفی به کمک الگوریتم جنگل پوشای مینیمم ( MSF) مبتنی بر نشانه ها که یکی از دقیق ترین الگوریتم ها در این زمینه است و تکنیک کاهش ابعاد معرفی می شود. در روش پیشنهادی تاثیر کاهش ابعاد تصاویر فراطیفی به کمک الگوریتم ژنتیک در سه مرحله قبل و بعد از انتخاب نشانه ها و به صورت همزمان بررسی می گردد. در این مطالعه نشانه ها از روی نقشه طبقه بندی ماشین بردار پشتیبان ( SVM) انتخاب شدند. روش پیشنهادی بر روی سه تصویر فراطیفی Pavia، Telops و Indian Pines پیاده سازی گردید، نتایج آزمایشات بدست آمده برتری به کارگیری الگوریتم ژنتیک را قبل از انتخاب نشانه ها در تصاویر Pavia و Telops نشان می دهد. در تصویر Indian Pines کاهش ابعاد در هر دو مرحله قبل و بعد از انتخاب نشانه ها و به صورت همزمان موجب افزایش دقت طبقه بندی می گردد.