نوع مقاله : علمی - پژوهشی

نویسندگان

• بهنام اصغری بیرامی ¹
• مهدی مختارزاده ²

¹ دانشگاه خواجه نصیرالدین طوسی

² دانشیار/دانشگاه خواجه نصیرالدین طوسی

چکیده

در سالهای اخیر استفاده از ویژگی‌های مکانی به منظور افزایش صحت طبقه‌بندی تصاویر ابرطیفی بسیار رایج شده است. تا به امروز روش‌های مختلفی برای طبقه‌بندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است و تحقیقات مربوطه در راستای معرفی روش‌هایی با ساختار ساده‌تر و صحت بالاتر تا اکنون نیز در جریان است. در این مقاله یک روش جدید مبتنی بر ترکیب ویژگی‌های مستخرج از ماتریس محلی کرنل وزن‌دار ویژگی‌های طیفی-فرکتالی به منظور تولید ویژگی‌های کارا برای طبقه‌بندی تصاویر ابرطیفی معرفی شده است. مزیت اصلی روش ماتریس محلی کرنل وزن‌دار این است که موجب می‌شود تا وابستگی‌های محلی غیرخطی میان ویژگی‌ها که در روش‌های کلاسیک مورد توجه نیست، در فرآیند تولید ویژگی لحاظ شوند. در روش ارائه شده این تحقیق از روش ماتریس محلی کرنل وزن‌دار به منظور تولید ویژگی‌های جدید از ویژگی‌های طیفی و ویژگی‌های بعد فرکتال جهت‌دار استفاده می‌شود. سپس این دو بردار ویژگی برای هر پیکسل با هم الصاق شده و تشکیل یک بردار غنی از اطلاعات طیفی-مکانی را می‌دهد. در نهایت به منظور تعیین برچسب هر پیکسل، بردار ویژگی حاصل شده توسط الگوریتم ماشین بردار پشتیبان طبقه‌بندی می-شود. نتایج حاصل از روی دو تصویر ابرطیفی واقعی ایندین پاین و دانشگاه پاویا نشان می‌دهد که صحت‌ها در روش پیشنهادی به طور متوسط در هر دو مجموعه داده بالای 98% است که بیش از 5% بالاتر از میانگین صحت چند روش دیگر طبقه‌بندی تصاویر ابرطیفی است.

کلیدواژه‌ها

• ماتریس محلی کرنل وزن‌دار
• طبقه‌بندی
• ابرطیفی
• بعد فرکتال
• بافت تصویر

عنوان مقاله [English]

Classification of Hyperspectral Images Using a Combination of Features Extracted from the Weighted Local Kernel Matrix of Spectral and Fractal Features

نویسندگان [English]

• Behnam Asghari Beirami ¹
• Mehdi Mokhtarzade ²

¹ K. N. Toosi University of Technology

² Associate professor/ K. N. Toosi University of Technology

چکیده [English]

The use of spatial features to improve the classification accuracy of hyperspectral images has become popular in recent years. Various methods for spectral-spatial classification of hyperspectral images have been introduced to date, and relevant research is being conducted to develop methods with a more straightforward structure and higher accuracy. This paper introduces a new method for producing efficient features for classifying hyperspectral images based on combining extracted features from the weighted local kernel matrix of spectral and fractal features. One of the main advantages of weighted local kernel matrices is that they model nonlinear dependencies between features that are not taken into account by traditional feature generation methods. In this study's proposed method, the weighted kernel local matrix method is used in order to generate new features from spectral features and directional fractal dimension features. Then these two feature vectors are joined together for each pixel and form a vector rich in spectral-spatial information. Finally, to determine each pixel's label, the obtained feature vector is classified by the support vector machine (SVM) algorithm. The results obtained from two real hyperspectral images of Indian Pine and Pavia University show that the accuracies in the proposed method are above 98% on average in both data sets, which is more than 5% higher than the average accuracy of several other hyperspectral image classification methods.

کلیدواژه‌ها [English]

• Weighted local kernel matrix representation
• Classification
• Hyperspectral
• Fractal dimensió؛ n
• Texture of the image