انتخاب ويژگي هاي بهينه تصاوير فراطيفي مبتني برالگوريتم هاي بهينه سازي خردجمعي

Optimum Feature Selection of Hyperspectral Imagery based on Swarm Intelligence Optimization Algorithms

امروزه با رشد و توسعه سنسورهاي تصويربرداري در سنجش از دور، تصاوير فراطيفي با ويژگي منحصر به فرد حدتفكيك طيفي بالا در دسترس مي‌باشند. اين ويژگي‌ موجب افزايش توانايي در شناسايي پديده ها و تفكيك كلاس‌‌هاي مشابه پوشش زميني و در نتيجه افزايش دقت طبقه‏بندي مي‌گردد. با اين وجود، به علت بالا بودن ابعاد فضاي ويژگي و تعداد كم نمونه هاي آموزشي، تخمين قابل اعتماد پارامترهاي آماري طبقه بندي كننده ي پارامتريك مشكل مي‌باشد. يكي از راه حل‌ها براي غلبه بر اين مشكل، كاهش دادن ابعاد فضاي ورودي با استفاده از روش‌‌هاي انتخاب ويژگي است. در سال هاي اخير الگوريتم هاي متنوعي براي انتخاب ويژگي هاي بهينه تصاوير فراطيفي ارايه شده است. به دليل ناكارآمدي الگوريتم هاي كلاسيك در بدست آوردن زيرمجموعه ويژگي‌‌هاي بهينه ي سراسري در تصاوير فراطيفي، امروزه الگوريتم‌‌هاي فراابتكاري همچون الگوريتم ژنتيك و الگوريتم هاي مبتني بر خرد جمعي مورد توجه بسياري از محققان قرار گرفته است. با توجه به توانايي الگوريتم ها ي خرد جمعي در جستجوي سراسري و محلي فضاي باندها، اين الگوريتم ها قادر به بدست آوردن زيرمجموعه ويژگي-هاي بهينه و نزديك به بهينه هستند. در اين تحقيق، دو الگوريتم مبتني بر خردجمعي شامل الگوريتم بهينه سازي توده ي ذرات و الگوريتم بهينه سازي گربه سانان به منظور انتخاب ويژگي هاي بهينه تصوير فراطيفي سنجنده ي AVIRIS اخذ شده از منطقه اينديانا پياده سازي و نتايج حاصل از آنها بررسي گرديد. ارزيابي دقت طبقه بندي و تعداد ويژگي‌‌هاي انتخاب شده توسط روش هاي مبتني بر خردجمعي، موفقيت قابل قبول اين روش ها را نسبت به يكي از مطرح ترين الگوريتم هاي فراابتكاري، الگوريتم ژنتيك نشان مي‌دهد

Nowadays, hyperspectral imaging sensors are able to acquire several hundreds of spectral information from the visible to the infrared region. These sensors provide very high spectral resolution image data and make it possible to discriminate among land cover classes that are spectrally very similar, so classification accuracy potentially could increase. Nevertheless classification of hyperspectral imagery by conventional classifiers suffers from Hughes phenomenon. As the dimension of input space increase, the estimate of the probability distribution in parametric classification is less accurate if the number of labeled samples remains finite, thus providing poor classification performance. In other words, the number of samples required for good classification would be impractically large. One of the solutions of this problem is using feature selection techniques. Traditional feature selection techniques have several limitations in performance and finding the global optimum subset of feature in this kind of remote sensing imagery. Recently optimization connection with one master image. Linear relative normalization methods are the most customary relative radiometric normalization. Linear relative normalization methods are implemented based on supposing that a linear relationship exists between master and slave images. In this study, a new method based on particle swarm optimization is proposed in order to find coefficients of linear relation. Particle swarm optimization algorithm is one of the search algorithm based on population inspired of animals swarm such as birds and fishes. Proposed method as well as five propounded relative normalization method are implemented on TM and ETM+ images. In order to evaluate of result, we use both visual inspection and statistical analysis i.e. Root Mean Square Error (RMSE) and Universal Quality Indicator (UQI).Obtained results show proposed method has a more stable and better performance in variety conditions of imagery