نوع مقاله : علمی - پژوهشی
نویسندگان
1 استادیار سنجش ازدور، گروه نقشه برداری، دانشگاه زابل
2 استادیار گروه جغرافیا، دانشکده ادبیات و علوم انسانی، دانشگاه بیرجند، بیرجند
3 دانشیار گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند
چکیده
فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوششهای زمین و بررسی تغییرات آنها است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، استفاده همزمان از اطلاعات طیفی و مکانی در طبقهبندی تصاویر ابرطیفی ضروری است. در این تحقیق روشی جدید جهت طبقهبندی تصاویر ابرطیفی به کمک تکنیکهای کاهش ابعاد و استخراج ویژگیهای مکانی و الگوریتم شبکه عصبی معرفی میشود. در روش پیشنهادی ابتدا ابعاد تصویر ابرطیفی به کمک الگوریتم آنالیز مولفههای اصلی کاهش مییابد. سپس ده ویژگی مکانی، میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، عدم تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور، استخراج و در ادامه بر روی ویژگیهای طیفی و مکانی بدستآمده، الگوریتم ژنتیک وزندار اعمال میشود. در الگوریتم ژنتیک وزندار به ویژگیها بر حسب اطلاعات موجود در آنها، وزنی بین صفر تا یک اختصاص یافت. در نهایت بر روی ویژگیهای موجود الگوریتم طبقهبندی شبکه عصبی پرسپترون چندلایه اعمال شد. روش پیشنهادی بر روی دو تصویر ابرطیفی پاویا و برلین پیادهسازی گردید، نتایج آزمایشات بدستآمده برتری روش پیشنهادی را نسبت به روشهای طبقهبندی ماشین بردار پشتیبان، شبکه عصبی پرسپترون چند لایه و جنگل پوشای مینیمم نشان میدهد، که این افزایش برای تصویر پاویا حدود 13، 6 و 5 درصد و برای تصویر برلین حدود 8، 6 و 5 درصد در پارامتر دقت کلی و در مقایسه با روشهای مذکور بهترتیب میباشد.
کلیدواژهها
عنوان مقاله [English]
An Improved Approach for Spectral-spatial Classification of Hyperspectral Images using Weighted Genetic and Neural Network Algorithms
نویسندگان [English]
- Davood Akbari 1
- Ali Ashrafi 2
- Mostafa Yaghoobzadeh 3
1 Assistant Professor, Remote Sensing Division, Surveying and Geomatics Engineering Department, College of Engineering, University of Zabol
2 Assistant Professor, Department of Geography, Faculty of Literature and Humanities, University of Birjand, Birjand, Iran
3 Associate Professor, Department of science and water engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran
چکیده [English]
The Hyperspectral remote sensing technology has many applications in classifying land covers and studying their changes. With recent developments and the creation of images with high spatial resolution, the simultaneous use of spectral and spatial information in the classification of hyperspectral images is necessary. In this research, a new method for the classification of hyperspectral images is introduced with the help of dimensionality reduction techniques and spatial feature extraction and neural network algorithm. In the proposed method, first, the dimensions of the hyperspectral image are reduced with the help of the principal components analysis algorithm. Then ten spatial features, mean, standard deviation, contrast, homogeneity, correlation, dissimilarity, energy, entropy, wavelet transform and Gabor filter, are extracted and then the weighted genetic algorithm is applied on the spectral and spatial features obtained. In the weighted genetic algorithm, according to the information available in the features, it gives them a weight between zero and one. Finally, a multilayer perceptron neural network classification algorithm was applied to the existing features. The proposed method was implemented on two hyperspectral images of Pavia and Berlin. The results of the obtained experiments show the superiority of the proposed method compared to the support vector machines, multilayer perceptron neural network and minimum spanning forest classification methods. This increase is about 13, 6, and 5% for the Pavia image and about 8, 6, and 5% for the Berlin image in the overall accuracy parameter and in comparison with the mentioned methods, respectively.
کلیدواژهها [English]
- Hyperspectral imagery
- Spectral-spatial classification
- Neural network
- Spatial features
- Weighted genetic algorithm