نوع مقاله : علمی - پژوهشی

نویسنده

• داود اکبری

استادیار سنجش ازدور، گروه نقشه برداری، دانشگاه زابل

چکیده

پیچیدگی و حجم وسیع داده‌های سنجنده‌های فراطیفی باعث شده است که روش‌های خبره و پیشرفته‌تر آنالیز داده‌ها به ‌منظور استخراج اطلاعات مورد توجه قرار گیرند. یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می‌شود، آشکارسازی هدف است. با پیشرفت‌های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توأم از اطلاعات طیفی و مکانی را در آشکارسازی تصاویر فراطیفی ایجاب می‌کند. در این تحقیق روشی جدید جهت آشکارسازی ساختمان در تصاویر فراطیفی بر اساس الگوریتم قطعه‌بندی هرمی مبتنی بر نشانه معرفی می‌شود. در روش پیشنهادی ابتدا دو الگوریتم طبقه‌بندی شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) پیاده‌سازی و نتایج آن‌ها با یکدیگر ترکیب گردید. سپس از نقشه حاصل جهت انتخاب نشانه‌ها و ترکیب با الگوریتم قطعه‌بندی هرمی مبتنی بر نشانه به کمک قانون تصمیم رأی اکثریت استفاده شد. تکنیک‌های فوق بر روی یک سری از داده‌های تصویری سنجنده CASI که از منطقه شهری تولوز واقع در جنوب فرانسه برداشت ‌شده است، اعمال شدند. نتایج ارزیابی-های کمی و کیفی نشان می‌دهد که روش پیشنهادی مقدار ضریب کاپا را به میزان 33، 28، 19 و 17 درصد در مقایسه با الگوریتم‌های تشابه همبستگی طیفی (SCS)، دیورژانس اطلاعات طیفی (SID)، SVM و MLP به ترتیب بهبود داده است.

کلیدواژه‌ها

• تصویر فراطیفی
• آشکارسازی هدف
• الگوریتم هرمی مبتنی بر نشانه

عنوان مقاله [English]

Building Detection with Special Roofing in Hyperspectral Images using Marker-based Hierarchical Algorithm

نویسنده [English]

• Davood Akbari

Assistant Professor, Remote Sensing Division, Surveying and Geomatics Engineering Department, College of Engineering, University of Zabol

چکیده [English]

The complexity and large volume of data from hyperspectral sensors have led to the consideration of more specialized and advanced methods of data analysis in order to extract information. One of the analyzes performed on hyperspectral images is target detection. With recent developments and the creation of images with high spatial resolution, it is necessary to use both spectral and spatial information to detect hyperspectral images. This research introduces a new method for building detection in hyperspectral images based on the marker-based hierarchical segmentation algorithm. In the proposed method, first, multilayer perceptron neural network (MLP) and support vector machine (SVM) classification algorithms were implemented and their results were combined. Then, the resulting map was used to select the markers and combine them with the marker-based hierarchical segmentation algorithm using the majority voting decision law. The above techniques were applied to a series of CASI image data taken from the urban area of Toulouse in southern France. The results of quantitative and qualitative evaluations show that the proposed method has improved the kappa coefficient by 33, 28, 19, and 17% compared to the spectral correlation similarity (SCS), spectral information divergence (SID), SVM, and MLP algorithms, respectively.

کلیدواژه‌ها [English]

• Hyperspectral imagery
• Target detection
• Marker-based hierarchical algorithm