طبقه‌بندي تصاوير ابرطيفي با استفاده از شبكه‌ نمايش محلي ماتريس كرنل‌ وزن‌دار و طبقه‌بندي‌كننده ماشين بردار پشتيبان

در سال هاي اخير مدل هاي مبتني بر يادگيري عميق به منظور طبقه بندي طيفي-مكاني تصاوير ابرطيفي بسيار مورد توجه قرار گرفته  اند. يكي از مهم‌ترين ويژگي هاي روش هاي عميق در نظر گرفتن همزمان اطلاعات مكاني و طيفي در فرايند طبقه بندي تصاوير ابرطيفي است. اين مدل ها علي‌رغم توليد نقشه هاي طبقه بندي شده با دقت  هاي بالا، از نظر محاسباتي بسيار پيچيده هستند و تنظيم دقيق پارامترهاي آن ها نيازمند تعداد زيادي نمونه آموزشي است. براي حل اين مشكلات، نياز به ارائه روشي با ساختار ساده تر كه بتواند به طور مؤثري اطلاعات طيفي-مكاني موجود در تصوير ابرطيفي را استخراج كند، احساس مي شود. در اين راستا، در تحقيق حاضر روش جديدي به منظور توليد ويژگي طيفي-مكاني از تصاوير ابرطيفي توسعه داده شده است. در روش ارائه شده از دو تكنيك نمايش محلي ماتريس كرنل وزن دار و تبديل كسر نويز كمينه به صورت پشت سر هم و تكراري به منظور توليد ويژگي‌هاي طيفي-مكاني عميق استفاده مي شود. ويژگي‌هاي طيفي-مكاني توليد شده از شبكه پيشنهادي كه بيانگر رابطه غيرخطي محلي ميان ويژگي‌هاي استخراج شده از مؤلفه‌هاي تبديل كسر نويز كمينه در عمق هاي مختلف است، در نهايت به يكديگر الحاق شده و سپس به منظور طبقه‌بندي به الگوريتم ماشين بردار پشتيبان داده مي شود. الگوريتم پيشنهادي بر روي دو تصوير ابرطيفي ايندين پاين و دانشگاه پاويا پياده‌سازي شده است. عملكرد روش پيشنهادي اين مقاله با روش طبقه بندي طيفي و چهار روش طبقه بندي طيفي-مكاني ديگر كه در سال هاي اخير پيشنهاد شده اند، مقايسه شده است. مقايسه هاي صورت گرفته نشان مي دهد كه در تصوير ايندين پاين دقت روش پيشنهادي بيش از 20% و دانشگاه پاويا بيش از 10% بهتر از دقت طبقه بندي تصوير با ويژگي هاي طيفي است. همچنين در مقايسه با چهار روش ديگر طبقه بندي طيفي-مكاني، دقت روش پيشنهادي به طور متوسط 1% بهتر است.