طبقه‌بندي داده‌هاي ابرطيفي با استفاده از مشتق‌گيري در فضاي طيفي و استفاده از روش‌هاي كدگذاري

Classification of Hyperspectral Images, Using Derivativein the Spectral Space and Coding Methods

روش‌هاي متعددي براي استخراج اطلاعات از داده‌هاي ابرطيفي وجود دارند كه از آن جمله مي‌توان به روش مشتق‌گيري از طيف بازتابندگي و استفاده از روش‌هاي كدگذاري اشاره كرد. در اين تحقيق با مشتق‌گيري از طيف بازتابندگي، فركانس‌هاي پايين طيف ـ كه عمدتاً داراي اطلاعات مفيدي نيستند ـ حذف گرديده و همپوشاني بين مناطق جذبي از بين رفته و تباين طيفي نيز بالاتر برده شده است. ديگر اينكه استفاده از كدگذاري طيفي باعث افزايش سرعت پردازش داده‌ها گرديده كه براي پردازش داده‌هاي حجيم ابرطيفي بسيار مناسب است. در اين تحقيق ابتدا با استفاده از تابع رگرسيون چندگانه نويز موجود در داده‌ها كاهش يافته، و سپس با مشتق‌گيري از طيف داده‌هاي اصلي و داده‌هاي كتابخانه طيفي يا داده‌هاي آموزشي، طيف مشتق به‌‌دست آمده است. پس از آن با دو روش كدگذاري، طيف مشتق كدگذاري شد، سپس با استفاده از معيار شباهت AVD كدهاي داده اصلي و داده‌هاي آموزشي با همديگر مقايسه شدند و يك روش براي طبقه‌بندي داده‌هاي ابرطيفي به نام SDCM معرفي گرديد. براي ارزيابي نتايج، دو سري داده شبيه‌سازي شده و يك سري داده واقعي به كار رفت و روش ارايه‌شده با سه روش كدگذاري SPAM و SDFC و SFBC مقايسه شد. نتايج دقت كلي براي داده‌هاي واقعي روش‌هاي كدگذاري SPAM، SDFC و SFBC به ترتيب 38/71 و 15/74 و 58/68 درصد و دقت كلي روش SDCM، 32/86 درصد به‌دست آمد، كه پس از استفاده از فيلتر مكاني دقت كلي به 64/90 درصد افزايش يافت. اين خود حاكي از موثر بودن روش ارايه‌شده براي طبقه‌بندي داده‌هاي ابرطيفي در قياس با روش‌هاي كدگذاري ذكر شده است. كليد‌واژه‌ها: داده‌هاي ابرطيفي، تحليل مشتق، كدگذاري، مناطق جذبي، طبقه‌بندي.

Abstract Hyperspectral data collect much information from surface targets where using these information makes perfect reconnaissance these targets possible. There are several methods in extracting information from hyperspectral images, by which one may imply them to the spectral derivative method and making use of absorption regions. In this work, spectral derivative method is used where the low frequency regions that contain no useful information have been omitted, overlapping between absorption regions have been removed, and spectral contrasts have been enhanced. As a result, the accuracy in extraction of information from surface targets is boosted. Also using a spectral coding system resulted in an expedition in data processing that is good for high volume spectral data. Also in this work, new method for hyperspectral classification is introduced by using derivative and coding method for hyperspectral data and available spectral libraries. The method is applied to simulated data as well as real ones. To evaluate the results, the suggested method has been compared with SPAM, SDFC, SFBC and Tetracorder methods. The overall accuracy of SPAM, SDFC, and SFBC were 65, 52, and 73 percent; while for the suggested method was 89%. This shows higher performance of the suggested method compared to the previous ones. Keywords: Hyperspectral, Derivative analysis, Coding, Absorption feature, Classification.