طبقه بندي تصاوير هايپراسپكترال با استفاده از تجزيه تنسور زيرباند و شبكه عصبي پيچشي

Hyperspectral image classification using sub-band tensor factorization and convolutional neural network

در اين مقاله، به موضوع طبقه بندي تصاوير ابرطيفي پرداخته مي شود. با استفاده از روش هاي تجزيه، ماتريس يا تنسور تصوير ابرطيفي به دو ماتريس تجزيه مي شود كه يكي نمايانگر امضاهاي طيفي مواد تشكيل دهنده تصوير مي باشد و ديگري ميزان فراواني هر ماده در هر پيكسل را نشان مي دهد. از آنجاييكه ذات تصوير ابرطيفي سه بعدي است، روش هاي تجزيه تنسور نامنفي بسيار بهتر به مساله منطبق هستند چرا كه به جاي به دنبال هم نشاندن اطلاعات مكاني در يك بردار ،اطلاعات مكاني را حفظ مي كنند و ساختار همسايگي پيكسل ها در مدل لحاظ مي شود. با هدف بهره گيري مشترك از اطلاعات مكاني و طيفي، كل طيف فركانسي به چندين زيرباند تقسيم مي شود و تجزيه روي هر زير باند به صورت جداگانه صورت مي پذيرد و ماتريس هاي فراواني زيرباندها به دنبال هم قرار مي گيرند و ماتريس ويژگي را مي سازند. ماتريس فراواني حاصل از روش هاي تجزيه تنسور نسبت به تجزيه ماتريس، به نتايج بهتري منجر مي شود. آزمايشها بر روي سه مجموعه داده شناخته شده، مبين بهبود چشمگير در دقت طبقه بندي حاصل با استفاده از روش پيشنهادي هستند. براي طبقه بندي از شبكه عصبي پيچشي سه بعدي استفاده شده است. كليدواژه‌ها

In this paper, we are going to classify each pixel of a hyperspectral image. For this purpose, we group the spectral bands to sub-bands and try to decompose the corresponding sub-tensors to the endmember and abundance matrices. Abundance matrices obtained through tensor factorization methods contain spatial information in contrast to the ones acquired by matrix factorization. Therefore, the 2D abundance maps achieved by tensor decomposition methods, construct discriminant features for the classifier. A 3D CNN architecture is proposed for classification which utilizes the abundance maps of the individual sub-bands as input features. This way, we jointly exploit spectral and spatial information of the image. The experiments are performed on well-known hyperspectral data and reveal the effectiveness of the proposed sub-band tensor decomposition methods compared to matrix factorization approaches.