@article { author = {Ezzatabadi Pour, Hamid}, title = {Improvement of Clustering for Hyperspectral Images using Spectral Information Divergence}, journal = {Iranian Journal of Remote Sensing & GIS}, volume = {10}, number = {3}, pages = {17-32}, year = {2018}, publisher = {Iranian Remote Sensing & GIS Society}, issn = {2008-5966}, eissn = {2588-6185}, doi = {}, abstract = {K-Means is one of the most frequently used unsupervised classification approaches for remotely sensed image analysis. In standard K-Means version, the Euclidean distance (ED) has used to estimate the dissimilarity between an unknown vector data and the cluster center. Since, this measure is very sensitive to topographic and environmental effects on spectral observations, we have proposed to replace it with a new one for goal of hyperspectral image clustering. The Spectral Information Divergence (SID) is a stochastic measure that is a more reliable dissimilarity measure when compared to ED as a deterministic measure. Where the ED measure the spectral distance between vector data and the clusters, SID models the probability distributions for vector data and clusters by normalizing their spectral signatures and measures the distances between them. This idea has applied to develop an enhanced clustering framework. The experimental results on three real hyperspectral images collected by HyMap, HYDICE and Hyperion sensors show that the proposed method improves classification results. In the manner that the Kappa coefficient of the classification results of three hyperspectral imagery datasets increased by about 7%, 56% and 10%, respectively. }, keywords = {Clustering,Dissimilarity Measure,Spectral Information Divergence,Hyperspectral images}, title_fa = {بهبود خوشه‌بندی تصاویر فراطیفی با به‌کارگیری دیورژانس اطلاعات طیفی}, abstract_fa = {الگوریتم خوشه‌بندی K-Means یکی از پرکاربردترین روش‌های طبقه‌‌بندی نظارت ‌‌نشده در پردازش تصاویر سنجش از دور است. در الگوریتم K-Means استاندارد، از معیار عدم شباهتِ فاصله اقلیدسی، به منظور اندازه‎گیری عدم شباهتِ بین داده‎ها و خوشه‌ها استفاده می‌شود. فاصله اقلیدسی، یک معیار عدم شباهتِ قطعی است که بردار طیفی پیکسل‌ها و مراکز خوشه‌ها را به صورت نقاطی در یک فضای چندبعدی در‌نظر می‌گیرد و فاصله هندسی بین آن‌ها را اندازه‌گیری می‌کند. تصاویر فراطیفی همواره دارای عدم قطعیت هستند، به همین دلیل استفاده از یک معیار عدم شباهت آماری (غیرقطعی)، جهت خوشه‌بندی آن‌ها مناسب‌تر به نظر می‌رسد. بر این اساس در این مقاله، با به‌کارگیری یک معیار عدم شباهت آماری، یک روش نظارت ‌نشده جدید برای خوشه‌بندی تصاویر فراطیفی طراحی و پیاده‎سازی شده است. روش خوشه‌بندی پیشنهادی، برای برآورد عدم شباهت بین مرکز خوشه‎ها و پیکسل‌‎ها، از یک معیار عدم شباهت آماری، به نام دیورژانس اطلاعات طیفی، به‌جای فاصله اقلیدسی استفاده می‌کند. دیورژانس اطلاعات طیفی، توزیع احتمال طیف‌ها را از طریق نرمال‎کردن امضای طیفی، مدل‎سازی می‌کند. سپس فاصله بین توزیع احتمال طیف یک پیکسل و توزیع احتمال طیف هر مرکز خوشه را برآورد می‌کند. آزمون‌های انجام‌شده بر روی داده‌های تصویری فراطیفی واقعی حاصل از سه سنجنده HyMap، HYDICE و Hyperion نشان می‌دهد که روش خوشه‌بندی پیشنهادیِ مبتنی بر دیورژانس اطلاعات طیفی، نتایج طبقه‌بندی را بهبود می‌بخشد، به‌طوری که ضریب کاپای نتایج طبقه‌بندی تصاویر فراطیفی مورد استفاده به ترتیب، حدود 7%، 56% و 10% افزایش یافته است.}, keywords_fa = {خوشه‎بندی,معیار عدم شباهت,دیورژانس اطلاعات طیفی,تصاویر فراطیفی}, url = {https://gisj.sbu.ac.ir/article_96586.html}, eprint = {https://gisj.sbu.ac.ir/article_96586_497aae89c675c1ef23a2863889901170.pdf} }