تلفیق الگوریتم ماشین بردار پشتیبان و مدل مخفی میدانهای تصادفی مارکوف جهت بهبود صحت طبقه بندی داده های فراطیفی

یکی از مسائل مهم در بحث سنجش از دور فراطیفی، طبقه بندی این حجم از داده های چندبعدی با صحت مطلوب است. بیشتر روش های طبقه بندی داده های سنجش از دوری بر اساس اطلاعات طیفی داده ها است. با این وجود جهت دست یابی به صحت بالای طبقه بندی، می توان از اطلاعات مکانی داده ها نیز استفاده نمود. تلفیق مدل میدان های تصادفی مارکوف که اطلاعات مکانی را از طریق کمینه سازی توابع انرژی مناسب بهینه سازی می کند با الگوریتم طبقه بندی طیفی ماشین بردار پشتیبان که یکی از روش های قدرتمند جهت طبقه بندی تصاویر فرا طیفی است، می تواند صحت طبقه بندی را در نقشه طبقه بندی نهایی بهبود بخشد. هدف این مطالعه بهبود صحت طبقه بندی داده ها با تعداد نمونه های آموزشی محدود  به کمک تلفیق مدل میدان های تصادفی مارکوف و الگوریتم ماشین بردار پشتیبان است. دو مجموعه داده فراطیفی سنجنده های Hyperion و AVIRIS در این مطالعه مورد بررسی قرار گرفته است. بعد از اعمال تصحیحات رادیومتریک مانند حذف خطوط جا افتاده تصویر و باندهای نامطلوب، تصحیحات اتمسفری مجموعه داده Hyperion به روش FLAASH و مجموعه داده AVIRIS به روش IAR انجام شد. تبدیل MNF جهت کاهش ابعاد داده استفده شد و سپس عضوهای نهایی داده ها از روی باند PPI استخراج گردید و در ادامه جهت طبقه بندی طیفی این داده ها از الگوریتم طبقه بندی ماشین بردار پشتیبان استفاده شد. در نهایت جهت بهبود صحت طبقه بندی در نقشه طبقه بندی شده نهایی از مدل مخفی میدان های تصادفی مارکوف (HMRF) استفاده شد. به طوری که بعد از استخراج مولفه های تبدیل PCA و MNF داده ها ، محاسبه برخی پارامترهای آماری هر یک از کلاس ها در نقشه طبقه بندی SVM به منظور استفاده در ورودی مدل و همچنین تنظیم دوره تکرار، مدل SVM-HMRF اعمال شد.

نتایج نشان داده است که استفاده از مدل ارائه شده(SVM-HMRF) صحت کلی طبقه بندی را در هر دو مجموعه داده بهبود بخشیده است. به طور مثال بهبود صحت طبقه بندی در برخی از کاربری های مختلف تصویر حدود 25 درصد بوده است. همچنین مناطق تصویر در نقشه طبقه بندی شده نهایی بسیار همگن تر شده و نویز های فلفل-نمک به شدت کاهش یافته است.