بررسی بهبود دقت طبقه‌بندی با استفاده از ادغام تصوير تک‌باند ALI با تصاوير ابرطيفی Hyperion

احمد ملک‌نژاد يزدی, حسن قاسميان, وحيد عيسوی, علی شهسواری, حسن کوشا

چکیده


بیشتر الگوريتم‌هاي طبقه‌بندي داده‌های سنجش از دور براساس ويژگي‌ها و اطلاعات طيفي پيکسل‌ها عمل مي­کنند. اين مسئله باعث ناديده گرفتن اطلاعات مکانی سودمند و قابل استخراج بسیاری، مانند بافت تصاوير مي­شود. محيط شهری بافت ناهمگنی دارد که شناسايي انواع کاربری‌ها را به فرايندی دشوار و پيچيده تبديل کرده ‌است. در اين پژوهش تأثير استفاده از بافت تصوير تک­باند سنجندۀ ALI (Advanced Land Imager) بر دقت طبقه‌بندي تصاوير ابرطيفي سنجندۀ هايپريون«Hyperion» در محيط‌هاي شهري بررسي شد. طبقه‌بندي با استفاده از روش جنگل‌های تصادفی[1] و در پنج سناريوی مختلف انجام شد: سناریوی شمارۀ 1: طبقه‌بندي اطلاعات طيفي تصوير ادغام‌شده به روش  [1]CNT(بدون لحاظ کردن اطلاعات بافت)؛ سناریوهای 2، 3، 4 و 5: طبقه‌بندي تصوير CNT با افزوده شدن بردارهای ويژگی بافت حاصل از روش ماتريس هم‌وقوعی در اندازه‌های پنجرۀ 3، 5، 7 و  9 هستند. براساس یافته‌های این تحقیق، افزودن بافت به طيف تصوير ادغامی به روش CNT دقت طبقه‌بندی را بهبود چشمگيری داد، به گونه‌ای که دقت کلی بر اثر افزودن بافت با حدود ده درصد افزايش، از 80.47% به 90.74% رسید. بسياری از پوشش‌های کاربری مانند جاده، بافت مسکونی، صنايع کوچک و پراکنده و صنايع متمرکز نيز در زمينۀ دقت توليدکننده و مصرف­کننده رشد چشمگيری را شاهد بودند. پارامتر خطای OOB[1] با 11% کاهش، از 19.86 به 8.87% رسید. بردارهای ويژگی مانند ميانگين و کنتراست نيز، توانستند از لحاظ ميزان اهميت در رتبه‌های بالا قرار گيرند. همچنين، افزايش اندازۀ پنجره منجر به بهبود بيشتر دقت طبقه‌بندی شد، به گونه‌ای که اندازۀ پنجرۀ 9 بهترين عملکرد را در پی‌ داشت.

واژگان کلیدی


سنجش از دور، تصاوير ابرطيفی، ادغام تصاوير، جنگل‌های تصادفی، بافت

تمام متن:

PDF

منابع و مآخذ مقاله


Breiman, L., 1996, Bagging Predictors, Machine learning, 24(2): 123-140.

Breiman, L., 2001, Random Forests, Machine learning, 45(1): 5-32.

Chutia, D., Bhattacharyya, D.K., Kalita, R., Goswami, J., Singh, P.S. & Sudhakar, S., 2014, A Model on Achieving Higher Performance in the Classification of Hyperspectral Satellite Data: A Case Study on Hyperion Data, Applied Geomatics, 6(3): 181-195.

Dobhal, S., 2008, Performance Analysis of High-Resolution and Hyperspectral Data Fusion for Classification and Linear Feature Extraction, Msc Thesis, ITC, Enscede.

Fawagreh, K., Gaber, M.M. & Elyan, E., 2014, Random Forests: From Early Developments to Recent Advancements, Systems Science & Control Engineering: An Open Access Journal,2:1-21.

Ghimire, B., Rogan, J. & Miller, J., 2010, Contextual Land-Cover Classification: Incorporating Spatial Dependence in Land-Cover Classification Models Using Random Forests and the Getis Statistic, Remote Sensing Letters, 1(1): 45-54.

Gualtieri, J.A., 2009, The Support Vector Machine (SVM) Algorithm for Supervised Classification of Hyperspectral Remote Sensing Data, In: Kernel Methods for Remote Sensing Data Analysis, Edited by Camps-Valls, G., & Bruzzone, L., Wiley, New York, pp. 51-83.

Hall-Beyer, M., 2007, GLCM Texture: A Tutorial, Version 2010, Available in: http://www.fp.ucalgary.ca/mhallbey/tutorial.htm.

Haralick, R.M., Shanmugam, K., Dinstein, I.H., 1973, Textural Features for Image Classification, IEEE Transactions on Systems, Man and Cybernetics, 6: 610-621.

Haralick, R.M., 1979, Statistical and Structural Approaches to Texture, Proceedings of the IEEE, 67(5): 786-804.

Hsu, P.H., 2007, Feature Extraction of Hyperspectral Images Using Wavelet and Matching Pursuit, ISPRS Journal of Photogrammetry and Remote Sensing, 62(2): 78-92.

Kasetkasem, T., Arora, M. K. & Varshney, P.K., 2005, Super Resolution Land Cover Mapping Using a Markov Random Field Based Approach, Remote Sensing of Environment, 96: 302-314.

Kuhn, S., Egert, B., Neumann, S. & Steinbeck, C., 2008, Building blocks for Automated Elucidation of Metabolites: Machine Learning Methods for NMR Prediction, BMC Bioinformatics, 9(1): 400-412.‏

Liaw, A, & Wiener, M., 2002, Classification and Regression by Random Forest, R news, 2(3).

Licciardi, G.A., Khan, M.M. & Chanussot, J., 2012, Fusion of Hyperspectral and Panchromatic Images: A Hybrid Use of Indusion and Nonlinear PCA, 19th IEEE International Conference on Image Processing (ICIP): 2133-2136.

Lu, D. & Weng, Q., 2007, A Survey of Image Classification Methods and Techniques for Improving Classification Performance, International journal of Remote sensing, 28(5): 823-870.

Murray, H., Lucieer, A. & Williams, R., 2010, Texture-Based Classification of Sub-Antarctic Vegetation Communities on Heard Island, International Journal of Applied Earth Observation and Geoinformation, 12: 138-149.

Pacifici, F., Chini, M. & Emery, W. J., 2009, A Neural Network Approach Using Multi-Scale Textural Metrics from Very High-Resolution Panchromatic Imagery for Urban Land-Use Classification, Remote Sensing of Environment, 113(6): 129-1276.

Pande, H., Tiwari, P.S. & Dobhal, S., 2009, Analyzing Hyper-Spectral and Multi-Spectral Data Fusion in

Spectral Domain, Journal of the Indian Society of Remote Sensing, 37:395-408.

Pour, A.B. & Hashim, M., 2013, Fusing ASTER, ALI and Hyperion Data for Enhanced Mineral Mapping, International Journal of Image and Data Fusion, 4:1-20.

Qiu, F., 2008, Neuro-Fuzzy Based Analysis of Hyperspectral Imagery, Photogrammetric Engineering & Remote Sensing, 74(10): 1235-1247.

Richards, J.A., 2013, Remote Sensing Digital Image Analysis: An Introduction, Springer, Verlag Berlin Heidelberg, pp. 413-421.

Rodriguez-Galiano, V.F., Ghimire, B., Rogan, J., Chica-Olmo, M. & Rigol-Sanchez, J.P., 2012, An Assessment of the Effectiveness of a Random Forest Classifier for Land-Cover Classification, ISPRS Journal of Photogrammetry and Remote Sensing, 67:93-104.

Welikanna, D.R., Tolpekin, V. & Kant ,Yogesh, 2008, Analysis of the Effectiveness of Spectral Mixture Analysis and Markov Random Field Based Super Resolution Mapping Over an Urban Environment, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, 38: 641-649.

Zhang, H., Zhang, Y. & Lin, H., 2012, Urban Land Cover Mapping Using Random Forest Combined with Optical and SAR Data, IEEE International In Geoscience and Remote Sensing Symposium (IGARSS): 6809- 6812.


ارجاعات

  • در حال حاضر ارجاعی نیست.