@article { author = {Ezzatabadi Pour, Hamid and Homayouni, Saeid}, title = {Improvement of Unsupervised Classification for Hyperspectral Images using Gustafson-Kessel Clustering Model}, journal = {Iranian Journal of Remote Sensing & GIS}, volume = {7}, number = {3}, pages = {97-114}, year = {2016}, publisher = {Iranian Remote Sensing & GIS Society}, issn = {2008-5966}, eissn = {2588-6185}, doi = {}, abstract = {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.}, keywords = {Fuzzy clustering,Gustafson-Kessel clustering model,Hyperspectral images}, title_fa = {بهبود طبقه‌بندی بدون نظارت تصاویر فراطیفی با استفاده از مدل خوشه‌بندی فازی Gustafson-Kessel}, abstract_fa = {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.}, keywords_fa = {خوشه‎بندی فازی,مدل خوشه‌بندی Gustafson-Kessel,تصاویر فراطیفی}, url = {https://gisj.sbu.ac.ir/article_95895.html}, eprint = {https://gisj.sbu.ac.ir/article_95895_7e53562b851ce39227b1a0d0118369ad.pdf} }