بهبود طبقه‌بندی بدون نظارت تصاویر فراطیفی با استفاده از مدل خوشه‌بندی فازی Gustafson-Kessel

نوع مقاله : علمی - پژوهشی

نویسندگان

1 مربی رشتۀ مهندسی نقشه‌برداری، دانشکدۀ مهندسی عمران، دانشگاه صنعتی سیرجان

2 استادیار، گروه جغرافیا، مطالعات محیطی و ژئوماتیک، دانشگاه اتاوا

چکیده

مدل‌های خوشه‌بندی c-means یکی از پرکاربردترین شیوه‌های طبقه‌‌بندی نظارت‌نشده در آنالیز داده‌ها به‌شمار می­رود. مدل فازی این روش، یعنی Fuzzy c-means، یکی از مشهورترین مدل‌هایی است که در آن هر داده با یک مقدار درجۀ عضویت بین 0 و 1، به هر یک از خوشه‌ها اختصاص داده می­شود. این مدل خوشه‌بندی جهت طبقه‌بندی داده‌های سنجش از دوری بسیار استفاده شده است. مدل Fuzzy c-means از فاصلۀ اقلیدسی جهت خوشه‌بندی استفاده کرده و برای همۀ خوشه‌ها شکل یکسانی فرض می­کند. با وجود این، این مدل برای داده‌هایی که در آن‌ها‌ کلاس‌ها دارای شکل و حجم متفاوت‌اند، مناسب به‌ نظر نمی­رسد. برای رفع این مشکل، مدل Gustafson-Kessel جهت خوشه‌بندی داده‌های پیچیده ارائه شده است. این مدل برمبنای به‌کارگیری یک ماتریس کوواریانس فازی برای هر خوشه عمل می‌کند و شکل هندسی، حجم و جهت­گیری یکسانی برای همۀ خوشه‌ها در نظر نمی­گیرد. در این تحقیق، از هر دو مدل خوشه‌بندی مذکور جهت داده‌های سنجش از دوری فراطیفی واقعی حاصل از سنجنده‌های Hyperion، ROSIS و CASI استفاده شده است. نتایج حاصل از مدل‌های خوشه‌بندی Fuzzy c-means و Gustafson-Kessel به پارامتری به نام فازی‌کننده وابسته است که در این تحقیق، مقدار بهینۀ آن با محاسبه و بررسی دقت طبقه‌بندی هر یک از این مدل‌ها، در ازای فازی‌کننده‌های مختلف به‌دست آمده است. نتایج به‌دست‌آمده در ازای مقدار بهینه فازی‌کننده، نشان می­دهد که مدل Gustafson-Kessel دقت و صحت طبقه‌بندی را حدود 5/12% برای داده‌های Hyperion و حدود 45/8% برای داده‌های ROSIS افزایش می‌دهد. همچنین، ارزیابی دیداری نتایج دو مدل خوشه‌بندی روی داده‌های CASI نشان می‌دهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزینۀ زمانی بیشتری را صرف می‌کند و همچنین، جهت تعیین پارامتر مربوط به حجم خوشه‌ها، به دانش قبلی نیاز دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Improvement of Unsupervised Classification for Hyperspectral Images using Gustafson-Kessel Clustering Model

نویسندگان [English]

  • Hamid Ezzatabadi Pour 1
  • Saeid Homayouni 2
1 Lecturer, Department of Civil Engineering, Sirjan University of Technologhy
2 Assistant Professor, Department of Geography, University of Ottawa
چکیده [English]

C-means clustering models are one of the most widely used methods for unsupervised classification of any data. Fuzzy c-means (FCM) is one of the most well-known clustering models in which, each data may be belonged to multiple clusters with different membership degree between 0 and 1. This model has been employed for different application including remotely sensed data classification. FCM model uses Euclidean distance for clustering and assumes the same shape/distribution for all of clusters. However, this causes misclassification in data in which the classes have different shape and size. In this paper, Gustafson-Kessel clustering model is presented to overcome this problem. This model is based on using a fuzzy covariance matrix for each cluster which does not consider the same geometric shape, size and orientation for all clusters. The above models were applied for clustering of hyperspectral imagery issue of Hyperion, ROSIS and CASI sensors. The results of Gustafson-Kessel clustering model prove that the accuracy of classification increased about 12.5% for Hyperion imagery and about 8.45% for ROSIS imagery. Also, the visual test on CASI imagery show that Gustafson-Kessel clustering model has better performance.

کلیدواژه‌ها [English]

  • Fuzzy clustering
  • Gustafson-Kessel clustering model
  • Hyperspectral images
  1. Abonyi, J. & Feil, B., 2007, Cluster Analysis for Data Mining and System Identification, Birkhäuser Basel, Boston, Berlin.
  2. Aydav, P.S.S. & Minz, S., 2014, Soft Subspace Fuzzy C-Means with Spatial Information for Clustering of Hyperspectral Images, Journal of Basic and Applied Engineering Research, 1(7): 38-42.
  3. Babuška, R., 2001, Fuzzy and Neural Control, Control Engineering Laboratory, Faculty of Information Technology and Systems, Delft University of Technology, the Netherlands.
  4. Babuška, R., Veen, P.J.v.d. & Kaymak, U., 2002, Improved Covariance Estimation for Gustafson-Kessel Clustering, In Proceedings of the IEEE International Conference on Fuzzy Systems, 2: 1081-1085.
  5. Bezdek, J.C., 1981, Pattern Recognition With Fuzzy Objective Function Algorithms, Springer, New York.
  6. Bezdek, J.C., Keller, J., Krisnapuram, R. & Pal, N.R., 1999, Fuzzy Models and Algorithms for Pattern Recognition and Image Processing, Springer Science+Business Media, New York.
  7. Dunn, J.C., 1973, A Fuzzy Relative of the ISODATA Process and Its Use in Detecting Compact Well-Separated Clusters, Journal of Cybernetics, 3(3): 32-57.
  8. Fan, J., Han, M. & Wang, J., 2009, Single Point Iterative Weighted Fuzzy C-Means Clustering Algorithm for Remote Sensing Image Segmentation, Elsevier, Pattern Recognition, 42(11): 2527-2540.
  9. Gustafson, D.E. & Kessel, W.C., 1979, Fuzzy Clustering With a Fuzzy Covariance Matrix, IEEE, 761-766.
  10. Jie, Y., Peihuang, G., Pinxiang, C., Zhongshan, Z. & Wenbin, R., 2008, Remote Sensing Image Classification Based on Improved Fuzzy c-Means, Geo-spatial Information Science, 11(2): 90-94.
  11. Lu, Q., Huang, X. & Zhang, L., 2014, A Novel Clustering-Based Feature Representation for the Classification of Hyperspectral Imagery, Remote Sensing, 6(6): 5732-5753.
  12. Naeini, A.A., Niazmardi, S., Namin, S.R., Samadzadegan, F. & Homayouni, S., 2013, A Comparison Study Between Two Hyperspectral Clustering Methods: KFCM and PSO-FCM, Computational Intelligence and Decision Making: Trends and Applications, Intelligent Systems, Control and Automation: Science and Engineering, Chapter 3, Springer Science, 61: 23-33.
  13. Pal, N.R., Pal, K., Keller, J.M. & Bezdek, J.C., 2005, A Possibilistic Fuzzy C-Means Clustering Algorithm, Fuzzy Systems, IEEE Transactions on, 13(4): 517-530.
  14. Richards, J.A., 2012, Remote Sensing Digital Image Analysis, Springer, London.
  15. Rosenberger, C. & Chehdi, K., 2003, Unsupervised Segmentation of Multi-Spectral Images, International Conference on Advanced Concepts for Intelligent Vision Systems (ACIVS2003), Ghent, Belgium, 1-6.
  16. Sadykhov, R.Kh., Ganchenko, V.V. & Podenok, L.P., 2009, Fuzzy Clustering Methods in Multispectral Satellite Image Segmentation, International Journal of Computing, 8(1): 87-94.
  17. Shah, C.A., Watanachaturaporn, P., Varshney, P.K. & Arora, M.K., 2003, Some Recent Results on Hyperspectral Image Classification, Advances in Techniques for Analysis of Remotely Sensed Data, IEEE Workshop on, 346-353.
  18. Timm, H., Borgelt, C., Doring, C. & Kruse, R., 2004, An extension to possibilistic fuzzy cluster analysis, Elsevier, Fuzzy Sets and Systems, 147(1): 3-16.
  19. Tran, T.N., Wehrens, R. & Buydens, L.M.C., 2003, SpaRef: A Clustering Algorithm for Multispectral Images, Elsevier, Analytica Chimica Acta, 490(1-2): 303-312.
  20. Tsai, C.-F., Wu, H.-C. & Tsai, C.-W., 2002, A New Data Clustering Approach for Data Mining in Large Databases, Parallel Architectures, Algorithms and Networks, I-SPAN '02. Proceedings. International Symposium on, 278-283.
  21. Turčan, A., 2003, Fuzzy C-Means Algorithms in Remote Sensing, 1st Slovakian-Hungarian Joint Symposium on Applied Machine Intelligence (SAMI).
  22. Xie, J. & Zhang, X., 2012, Clustering of Hyperspectral Image Based on Improved Fuzzy C Means Algorithm, Journal of Convergence Information Technology, 7(12): 320-327.