طبقه بندي مبتني بر هدف با استفاده از قطعه بندي هرمي و الگوريتم ژنتيك وزن دار

اخيرا، يك روش موثر براي طبقه بندي طيفي-مكاني با استفاده از قطعه بندي هرمي (HSEG) رشد يافته از نشانه هاي انتخاب شده ارائه شده است. هدف اين مقاله بهبود اين روش براي طبقه بندي تصاوير فراطيفي در مناطق شهري است. ابتدا الگوريتم ژنتيك وزن دار (WG) براي بدست آوردن باندهاي بهينه داده هاي فراطيفي استفاده مي شود. الگوريتم HSEG مبتني بر نشانه سپس بر ويژگي هاي بدست آمده پياده سازي مي شوند. در ادامه، ويژگي هاي زمينه اي از تصاوير قطعه بندي شده استخراج مي شوند. براي ويژگي هاي مكاني، ويژگي هاي مساحت، آنتروپي، شكل، مجاورت و رابطه به عنوان اجزاي بالقوه در فضاي ويژگي در نظر گرفته شده اند. سرانجام ، با استفاده از هر دو ويژگي طيفي و مكاني، اشيا تصوير توسط يك طبقه بندي كننده مبتني بر قانون طبقه بندي مي شوند. آزمون ها بر روي دو مجموعه داده اعمال شد: Berlin و Quebec City، كه دو مجموعه داده شناخته شده و بنچ مارك در تصاوير فراطيفي هستند. ارزيابي نتايج نشان داد كه روش پيشنهادي به ترتيب براي اين مجموعه داده ها به ترتيب از 16٪ و 9٪ دقت كلي بهتري نسبت به الگوريتم HSEG اوليه به دست مي آورد.

Recently, an effective approach for spectral-spatial classification has been proposed using Hierarchical SEGmentation (HSEG) grown form automatically selected markers. This paper aims at improving this approach for classification of hyperspectral images in urban areas. The Weighted Genetic (WG) algorithm is first used to obtain the subspace of hyperspectral data. The obtained features are then fed into the marker-based HSEG algorithm. Then, the contextual features from segmented images are extracted. For spatial features, area, entropy, shape, adjacency and relation features are considered as the potential components in feature space. Finally, using both spectral and spatial features, the image objects are classified by a rule-based classifier. The experimental tests are applied to two datasets: the Berlin, and Quebec City, which are two known and benchmark datasets in hyperspectral imagery. The evaluation of results showed that the proposed approach achieves approximately 16% and 9% better overall accuracy than the Original-HSEG algorithm for these datasets respectively.