معرفي روشي نظارت نشده براي استخراج ويژگي از تصاوير ابرطيفي با استفاده از خوشه بندي باندها در فضاي پديده

Introducing an Unsupervised Method for feature Extraction of Hyperspectral Images Using Bands Clustering in the Prototype Space

سنجنده هاي ابرطيفي با اخذ تعداد زيادي از باندهاي الكترومغناطيسي مجاور همواره از پتانسيل هاي بالايي در شناسايي عوارض و پديده هاي سطح زمين برخوردار هستند. اين تعداد زياد باند اگر چه موجب مي شود تا اين نوع سنجنده ها توانايي بالاتري در تقريب منحني طيفي مواد داشته باشند ولي از سوي ديگر مشكلاتي را نيز به وجود مي آورند. سختي در انتقال داده، ضعف عملكرد طبقه بندي كننده هاي مرسوم به دليل تعداد داده هاي آموزشي محدود و زمان و حجم پردازش بالا از جمله ي مهم ترين اين مشكلات مي باشند. از اين رو روش هاي مختلف كاهش ويژگي براي اين نوع تصاوير پيشنهاد شده است. در مقاله پيش رو يك روش استخراج ويژگي نظارت نشده مبتني بر تكنيك خوشه بندي ارائه شده است. در روش پيشنهادي، پس از خوشه بندي تصوير و تشكيل فضاي پديده به كمك ميانگين خوشه ها، باندها به كمك الگوريتم خوشه بندي K-medoids خوشه بندي مي شود. و در هر خوشه از چهار نوع شاخص آماري گرايش مركزي ميانگين، ميانگين هندسي، ميانگين هارمونيك و ميانه به منظور استخراج ويژگي استفاده مي شود. نتايج نهايي پياده سازي ها بر روي سه تصوير واقعي ابرطيفي در شرايط وجود تعداد داده هاي آموزشي مختلف در هر كلاس نشان مي دهد كه دقت كلي طبقه بندي با ويژگي هاي به دست آمده از روش پيشنهادي اين تحقيق در بهترين حالت (72.12) مي تواند تا حدود 7 درصد بيشتر از چهار روش ديگر كاهش ويژگي تبديل مولفه اصلي (PCA) (64.39)، موجك (64.58)، روش انتخاب ويژگي بر اساس خوشه بندي باندها بر مبناي واريانس(65.30) و استخراج ويژگي غير پارامتريك وزن دار (NWFE) (64.12) باشد.

Hyperspectral sensors have high capability in identifying objects by acquiring a large number of adjacent electromagnetic bands. Although This large number of bands makes it possible to approximate the more precise spectral curve of the material, it also brings some challenges. The difficulty in data transfer, the weak performance of conventional statistical classifications due to the limited number of training data, and the high processing time are the most important ones. Hence, different methods of dimensionality reduction are proposed for hyperspectral images. In the following article, an unsupervised feature extraction method is proposed based on the bands clustering technique. In the proposed method, after the prior image clustering and forming the prototype space with the aid of the clusters’ averages, the bands are clustered using the K-medoids clustering algorithm. In each cluster, four types of central tendency measures, mean, geometric mean, harmonic mean, and median are used to extract the final features. The experiments are conducted on the three real hyperspectral images with medium and high spatial resolution. Final results indicate that the classification results of the proposed method can reach (72.12) which is 7% higher than the other four competitive methods, principal component analysis (PCA) (64.39), wavelet (64.58), feature selection method based on bands clustering based on variance (65.30) and non-parametric weighted features extraction (NWFE) (64.12) .