داود اکبری؛ علی اشرفی؛ مصطفی یعقوب زاده
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 ...
بیشتر
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.