ارزيابي صحت طبقه بندي داده هاي فراطيفي به روش ماشين بردار پشتيبان با به كار گيري الگوريتم هاي كاهش ابعاد داده

مجموعه داده هاي فراطيفي تصاويري با صدها باند طيفي فراهم مي كنند كه نسبت به ساير داده هاي سنجش از دوري مانند تصاوير پانكروماتيك و تصاوير چند طيفي، حاوي اطلاعات بيشتري هستند. اگر چه تصاوير فراطيفي دراي اطلاعات زيادي هستند اما پردازش اين تصاوير به دليل ابعاد زياد و افزونگي داده ها امري زمان بر است. پردازش اين حجم زياد از داده با ابعاد زياد ملزوم صرف وقت و هزينه زيادي خواهد بود لذا كاهش ابعاد داده بدون از دست دادن اطلاعات مهم داده‌ها، از اهميت ويژه‌اي برخوردار است. هدف از اين مطاله بهبود صحت طبقه بندي مجموعه داده فراطيفي سنجنده هاي Hyperion به روش ماشين بردار پشتيبان با به كارگيري الگوريتم هاي كاهش ابعاد داده است. بعد از اعمال تصحيحات راديومتريك داده ها مانند حذف خطوط جا افتاده تصوير و باندهاي نامطلوب، تصحيحات اتمسفري به روش FLAASH انجام شد. سپس استخراج گرديد و در ادامه جهت طبقه بندي طيفي اين داده ها از الگوريتم طبقه بندي ماشين بردار پشتيبان استفاده شد بعد اعمال الگوريتم هاي PCA، MNF و ICA جهت كاهش ابعاد داده ها واستخراج عضو نهايي داده ها از روي باند PPI، از الگوريتم SVM جهت طبقه بندي استفاده شد. روش SVM يكي از تكنيك‌هاي طبقه‌بندي نظارت‌شده تصاوير سنجش‌ازدوري است كه برمبناي تئوري يادگيري آماري است و به دليل نيازمندي به نمونه‌هاي آموزشي محدود و طبقه‌بندي با دقت بالا نسبت به روش‌هاي سنتي، به‌طور گسترده‌اي در سنجش‌ازدور بكار گرفته مي‌شود. نتايج نشان داده است كه به كارگيري روش هاي كاهش ابعاد داده در مقايسه با استفاده از كل باندها در طبقه بندي مي تواند صحت كلي را افزايش دهد. بهترين نتايج به دست آمده براي اين مجموعه داده ، مربوط به اعمال الگوريتم MNF بوده است كه صحت كلي را به ميزان 10/39 درصد بهبود بخشيده است.