تخمین بعد ذاتی و کاهش ابعاد داده های فراطیفی به منظور طبقه بندی با استفاده از روش های درخت تصمیم، ماشین بردار پشتیبان و شبکه عصبی

طبقه بندی تصاویر فراطیفی، به دلیل کاربردهای برجسته این تصاویر در حوزه های مختلف مانند نظامی، مدیریت و برنامه ریزی شهری، مدیریت منابع و کشف معادن، یکی از مسائل بسیار مهم در پردازش تصاویر فرا طیفی به شمار می آید. تصاویر فراطیفی به دلیل دارا بودن توان تفکیک طیفی بالا، اطلاعات قابل توجهی در ارتباط با ترکیب شی با صحنه تصویر برداری در اختیار کاربر قرار می دهند. بزرگی ابعاد این تصاویر نه تنها محاسبات را پیچیده تر می کند بلکه دقت طبقه بندی را به صورت قابل ملاحظه ای کاهش می دهد، به همین علت یکی از مهم ترین بخش های پردازش و تحلیل داده های ابر طیفی انتخاب کردن ویژگی های مناسب جهت استخراج عوارض مورد نظر می باشد. در این تحقیق روشی برای غلبه بر این پیچیدگی ارائه می شود. منطقه مورد مطالعه مربوط به دانشگاه پاویا می باشد که به وسیله سنجنده هوابرد ROSIS از قسمت شمالی ایتالیا تصویر برداری شده است. روش آنالیز اجزای اصلی به کمک تخمین بعد ذاتی به عنوان پیش پردازشی جهت بهبود نتایج طبقه بندی انجام شده است. در مرحله اول با استفاده از روش تخمین بعد ذاتی به روش Hysime تعداد باندهای مطلوب برای طبقه بندی مشخص شده است و با استفاده از روش آنالیز اجزای اصلی باندهای بهینه برای اجرای الگوریتم های طبقه بندی استخراج می‍شود. سپس روش های درخت تصمیم گیری C4.5، ماشین بردار پشتیبان و شبکه عصبی برای طبقه بندی تصویر فراطیفی پیاده سازی شده است. در نهایت دقت روش های طبقه بندی مقایسه شده که دقت طبقه بندی به روش شبکه عصبی با دقت کلی 948/0 بیشترین دقت را در میان طبقه بندی کننده ها داشته است.