طبقه‌‌بندي تصاوير ابرطيفي با استفاده از تركيب ويژگي‌‌هاي مستخرج از ماتريس محلي كرنل وزن‌‌دار ويژگي‌‌هاي طيفي و فركتالي

سابقه و هدف: در سال‌‌هاي اخير استفاده از تصاوير ابرطيفي به‌دليل‌‌ غناي بالاي طيفي در زمينه‌هاي مختلف مطالعات زمين به‌خصوص در سنجش از دور بسيار افزايش يافته است. طبقه‌‌بندي اين تصاوير به‌منظور استخراج اطلاعات از آنها همواره با چالش‌‌هايي مختلفي همچون چگونگي مديرت ابعاد اين داده‌‌ها و صحت كم طبقه‌‌بندي در هنگام وجود تعداد محدودي از نمونه‌‌هاي آموزشي همراه است. افرايش صحت طبقه‌‌بندي اين تصاوير با هدف مطالعات دقيق پديده‌‌‌‌ها و تغييرات سطح زمين همواره از موضوعات مورد مطالعه‌ جامعه‌ علمي سنجش از دور بوده است. در سال‌‌هاي اخير استفاده از ويژگي‌‌هاي مكاني به‌منظور افزايش صحت طبقه‌‌بندي تصاوير ابرطيفي بسيار رايج شده است. تاكنون روش‌‌هاي مختلفي براي طبقه‌‌بندي طيفي-مكاني تصاوير ابرطيفي معرفي شده است و پژوهش‌هاي مربوطه در راستاي معرفي روش‌‌هايي با ساختار ساده‌‌تر و صحت بالاتر نيز در جريان است. به‌دليل‌‌ وجود رابطه‌‌هاي پيچيده ميان باندهاي مختلف تصوير ابرطيفي با الهام از پژوهش‌هاي موجود در شاخه‌ بينايي ماشين در اين پژوهش روشي توسعه داده شده است كه مي‌‌تواند روابط پيچيده‌ ميان ويژگي‌‌هاي طيفي و مكاني در يك تصوير ابرطيفي را مدل‌سازي كند. هدف اصلي اين مقاله ارائه‌ روشي جديد و كارا مبتني بر تركيب ويژگي‌‌هاي مستخرج از ماتريس محلي كرنل وزن‌‌دار ويژگي‌‌هاي طيفي و فركتالي به‌منظور توليد ويژگي براي طبقه‌‌بندي تصاوير ابرطيفي است. مواد و روش‌‌ها: به‌منظور طبقه‌‌بندي تصاوير ابرطيفي در پژوهش حاضر ابتدا يك مرحله كاهش بعد بر روي تصوير ابرطيفي انجام مي‌‌شود. در مرحله‌ بعد ويژگي‌‌هاي مكاني مبتني بر بعد فركتال جهت‌‌دار توليد مي‌شوند و مجدداً اين ويژگي‌‌ها كاهش بعد پيدا مي‌‌كنند. در مرحله‌ بعد ويژگي‌‌هاي مستخرج از ماتريس محلي كرنل وزن‌‌دار از هر دو دسته ويژگي‌‌هاي طيفي و فركتالي توليد مي‌‌شوند. اين ويژگي‌‌هاي ثانويه وابستگي‌‌هاي محلي غيرخطي ميان ويژگي‌‌هاي طيفي و فركتالي را كه در روش‌‌هاي پيشين طبقه‌‌بندي مورد توجه نبوده است، در فرايند توليد ويژگي لحاظ مي‌‌كنند كه در نهايت سبب افزايش صحت طبقه‌‌بندي مي‌‌شوند. سپس اين دو دسته بردار ويژگي جديد براي هر پيكسل با هم الصاق مي‌شود و يك بردار غني از اطلاعات طيفي– مكاني را تشكيل مي‌‌دهد. در نهايت به‌منظور تعيين برچسب هر پيكسل، بردار ويژگي حاصل از الگوريتم ماشين بردار پشتيبان طبقه‌‌بندي مي‌‌شود. آزمايش‌‌هاي اين پژوهش بر دو تصوير مرجع ابرطيفي واقعي ايندين پاين و دانشگاه پاويا انجام شده است. نتايج و بحث: تحليل نتايج نشان مي‌‌دهد كه روش پيشنهادي با در نظر گرفتن ويژگي‌‌هاي مستخرج از ماتريس محلي كرنل وزن‌‌دار ويژگي‌‌هاي طيفي– فركتالي موجب افزايش 20 و 18 درصدي صحت طبقه‌‌بندي در مقايسه با طبقه‌‌بندي با ويژگي‌‌هاي طيفي تنها به‌ترتيب در تصاوير ايندين پاين و دانشگاه پاويا شده است. اين نتيجه تأييد مي‌‌كند كه در نظر گرفتن اطلاعات مكاني به‌طور مؤثر سبب افزايش چشمگير صحت طبقه‌‌بندي حتي زماني كه نمونه‌‌هاي آموزشي اندكي در دسترس باشد، مي‌‌شود. همچنين رويكرد پيشنهادي اين پژوهش در مقايسه با چندين پژوهش ديگر در اين حوزه به صحت‌‌هاي بالاتري رسيده است. نتيجه‌‌گيري: عملكرد بهتر روش پيشنهادي در مقايسه با ديگر روش‌هاي رقيب به‌دليل‌‌ در نظر گرفتن وابستگي‌‌هاي محلي غيرخطي ميان ويژگي‌‌هاي طيفي و فركتالي است كه تاكنون در پژوهش‌هاي پيشين مورد توجه نبوده است. در پژوهش‌هاي آتي در نظر داريم كه رويكرد پيشنهادي را درگام اول از نظر زماني و در گام بعدي با در نظر گرفتن تعداد بيشتري از ويزگي‌‌هاي مبتني بر هندسه‌ فركتال از نظر صحت بهبود دهيم.