بهبود طبقه‌بندی بدون نظارت تصاوير فراطيفي با استفاده از مدل خوشه‌بندی فازی Gustafson-Kessel

حميد عزت‌آبادي‌پور, سعيد همايوني

چکیده


مدل‌هاي خوشه‌بندي c-means يکي از پرکاربردترين شيوه‌هاي طبقه‌‌بندي نظارت‌نشده در آناليز داده‌ها به‌شمار مي­رود. مدل فازي اين روش، يعني Fuzzy c-means، يکي از مشهورترين مدل‌هايي است که در آن هر داده با يک مقدار درجۀ عضويت بين 0 و 1، به هر يک از خوشه‌ها اختصاص داده مي­شود. اين مدل خوشه‌بندي جهت طبقه‌بندي داده‌هاي سنجش از دوري بسیار استفاده شده است. مدل Fuzzy c-means از فاصلۀ اقليدسي جهت خوشه‌بندي استفاده کرده و براي همۀ خوشه‌ها شکل يکسانی فرض مي­کند. با وجود اين، اين مدل براي داده‌هايي که در آن‌ها‌ کلاس‌ها داراي شکل و حجم متفاوت‌اند، مناسب به‌ نظر نمي­رسد. براي رفع اين مشکل، مدل Gustafson-Kessel جهت خوشه‌بندي داده‌هاي پيچيده ارائه شده است. اين مدل برمبناي به‌کارگيري يک ماتريس کوواريانس فازي براي هر خوشه عمل مي‌کند و شکل هندسي، حجم و جهت­گيري يکساني براي همۀ خوشه‌ها در نظر نمي­گيرد. در اين تحقيق، از هر دو مدل خوشه‌بندی مذکور جهت داده‌هاي سنجش از دوري فراطيفي 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 فازي‌کننده وابسته است که در این تحقیق، مقدار بهینۀ آن با محاسبه و بررسی دقت طبقه‌بندي هر يک از اين مدل‌ها، در ازاي فازي‌کننده‌هاي مختلف به‌دست آمده است. نتايج به‌دست‌آمده در ازای مقدار بهینه فازي‌کننده، نشان مي­دهد که مدل Gustafson-Kessel دقت و صحت طبقه‌بندي را حدود 5/12% برای داده‌های Hyperion و حدود 45/8% برای داده‌هاي ROSIS افزايش می‌دهد. همچنين، ارزيابي ديداري نتايج دو مدل خوشه‌بندی روی داده‌هاي CASI نشان می‌دهد که مدل Gustafson-Kessel عملکرد بهتری دارد. البته در مقابل، باید گفت مدل Gustafson-Kessel هزينۀ زماني بيشتري را صرف می‌کند و همچنین، جهت تعيين پارامتر مربوط به حجم خوشه‌ها، به دانش قبلي نياز دارد.

واژگان کلیدی


خوشه‎بندي فازي، مدل خوشه‌بندي Gustafson-Kessel، تصاوير فراطيفي.

تمام متن:

PDF

منابع و مآخذ مقاله


Abonyi, J. & Feil, B., 2007, Cluster Analysis for Data Mining and System Identification, Birkhäuser Basel, Boston, Berlin.

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.

Babuška, R., 2001, Fuzzy and Neural Control, Control Engineering Laboratory, Faculty of Information Technology and Systems, Delft University of Technology, the Netherlands.

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.

Bezdek, J.C., 1981, Pattern Recognition With Fuzzy Objective Function Algorithms, Springer, New York.

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.

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.

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.

Gustafson, D.E. & Kessel, W.C., 1979, Fuzzy Clustering With a Fuzzy Covariance Matrix, IEEE, 761-766.

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.

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.

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.

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.

Richards, J.A., 2012, Remote Sensing Digital Image Analysis, Springer, London.

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.

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.

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.

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.

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.

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.

Turčan, A., 2003, Fuzzy C-Means Algorithms in Remote Sensing, 1st Slovakian-Hungarian Joint Symposium on Applied Machine Intelligence (SAMI).

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.


ارجاعات

  • در حال حاضر ارجاعی نیست.