استفاده از آناليزهاي مورفولوژي به‌منظور بهبود دقت طبقه‌بندي تصاوير ابر‌طيفي با حد تفكيك بالا

Spatial Stochastic Forecasting of Snow Cover Using First Order Markov Chain

آناليز موفولوژي، با تمركز بر آناليز روابط مكاني بين پيكسل‌هاي همسايه، پردازش تصوير كامل‌تري را در مقايسه با آناليزهايي كه بر پايه اثر طيفي يك پيكسل تنها هستند، به‌دست مي‌دهد. روش پيشنهادي در اين مقاله با استفاده هم‌زمان از اطلاعات طيفي و اطلاعات مكاني حاصل از آناليز مورفولوژي نتايج نهايي طبقه‌بندي را در تصاوير ابر‌طيفي بهبود مي‌بخشد. در اين پژوهش ابتدا با استفاده از نمونه‌هاي آموزشي محدود، ويژگي‌هاي منتخب اوليه استخراج شدند و پس از اعمال آناليزهاي مورفولوژي روي هر يك از آنها، پروفايل‌هاي مورفولوژي تشكيل شدند و از تركيب اين پروفايل‌ها، پروفايل مورفولوژي گسترده توليد شد. سپس پروفايل مورفولوژي گسترده‌شده با ويژگي‌هاي منتخب اوليه تركيب شد و مجدداً استخراج ويژگي نهايي صورت گرفت. ويژگي‌هاي منتخب نهايي با استفاده از طبقه‌بندي‌كننده ماشين‌ بردار پشتيبان طبقه‌بندي شدند. سپس پس‌پردازش تصوير نهايي با استفاده از فيلتر راي‌گيري اكثريت انجام شد. اين روش، روي داده شهري و نيمه‌شهري از سنجنده ROSIS تست شد. دقت طبقه‌بندي نهايي از 86/98 و 70/82 درصد در روش‌هاي معمولي به 36/99 و 75/95 درصد در روش پيشنهادي به‌ترتيب در تصوير منطقه شهري و نيمه‌شهري افزايش يافته است.

Morphology analysis which concentrates on spatial relations analysis between neighborhood pixels provides a better image processing compared to analyses which are only based on spectral signature of a single pixel. The proposed method in this paper integrates spectral and spatial information produced from morphology analysis to improve the final result of hyper spectral image classification. For this reason at first, primary components are extracted using limited training samples. Extended morphological profiles are then produced by applying morphological analysis on each extracted features. Afterwards, Final components are extracted by applying a supervised feature selections on a datasets composed of both the spectral and the extended morphological features. The extracted features are introduced into the Support Vector Machine (SVM) algorithm. The final results are then archived by implementing a majority filter as a post-processing step. The proposed method is implemented on aerial hyper spectral images of Rosis sensor taken from urban and semi-urban areas from. The obtained results proved the efficiency of the proposed method where classification accuracies are improved from 98.86 and 82.70 in conventional method to 99.36 and 95.75 in urban and semi-urban areas respectively.