طبقه بندی طیفی-مکانی تصاویر ابرطیفی با ترکیب الگوریتم های سلسله مراتبی و جنگل پوشای کمینه مبتنی بر نشانه

فن آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه بندی پوشش های زمین و بررسی تغییرات آنها است. پیشرفت های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه بندی تصاویر ابرطیفی ایجاب می کند. در این تحقیق روشی جدید جهت طبقه بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است. در روش پیشنهادی ابتدا ده ویژگی مکانی، میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، عدم تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور، از پیکسل های همسایگی تصویر ابرطیفی استخراج شده است. سپس ابعاد ویژگی های طیفی و مکانی بدست آمده با الگوریتم ژنتیک وزن دار کاهش یافته و در ادامه به صورت موازی دو الگوریتم قطعه بندی سلسله مراتبی و طبقه بندی جنگل پوشای کمینه (MSF) مبتنی بر نشانه بر روی ویژگی های کاهش یافته اعمال و در نهایت نتایج با قانون تصمیم رای اکثریت ترکیب گردیده است. روش پیشنهادی بر روی دو تصویر ابرطیفی پیاده سازی شد، نتایج بررسی های انجام شده برتری و افزایش دقت روش پیشنهادی را نسبت به روش طبقه بندی ماشین بردار پشتیبان (SVM) نشان می دهد، که این افزایش برای تصویر Indiana Pine حدود 10 درصد و برای تصویر Washington DC Mall حدود 7 درصد در معیار دقت کلی می باشد.