طبقه بندي داده‌هاي فراطيفي براساس سيستم‌هاي ماشين‌هاي بردار پشتيبان چندگانه با استفاده از گروه بندي باندهاي طيفي

Classification of Hyperspectral Data Using a Band Grouping-based SVM Ensemble System

با پیشرفت‌های كنونی در سنجش از دور و علوم مرتبط با آن، داده سنجش از دور فراطیفی با فراهم آوردن حجم بالای اطلاعات طیفی برای تشخیص بهتر كلاس‌های زمینی مورد استفاده فراوان قرار می‌گیرد، اگرچه تعداد زیاد باندهای طیفی در مقابل تعداد كم نمونه‌های آموزشی در دسترس، مشكل "پدبده هیوز" را در این داده ایجاد می‌كند. به علاوه تعداد زیاد باندهای طیفی كه اغلب به یكدیگر وابسته می‌باشند، شامل اطلاعات زاید فراوانی هستند. این سطح بالا از پیچیدگی در داده‌های فراطیفی، باعث عدم كارایی روش‌های طبقه بندی كلاسیك در طبقه بندی این نوع داده می‌شود. با توجه به محدودیت‌های طبقه بندی كننده‌های انفرادی در این شرایط، سیستم‌های حاوی مجموعه طبقه بندی كننده‌ها ممكن است كارایی بهتری نسبت به طبقه بندی كننده‌های انفرادی داشته باشند. تحقیق پیش رو یك روش نوین برای طبقه بندی داده‌های فراطیفی با بكارگیری یك سیستم چندگانه ماشین‌های بردار پشتیبان كه شامل گروه بندی باندهای طیفی است، معرفی می‌كند. روش پیشنهادی در اولین گام برای گروه بندی باندهای طیفی از روشی براساس اطلاعات دوطرفه یا متقابل استفاده می‌كند. روش پیشنهادی در دومین گام، از ماشین بردار پشتیبان به منظور طبقه بندی هر گروه از باندهای طیفی استفاده می‌كند تا مجموعه ای از طبقه بندی كننده‌ها حاصل شود. سرانجام روش پیشنهادی یك الگوریتم ادغام طبقه بندی كننده‌ها براساس تئوری بیز با نام Naïve Bayes (NB) را بكار می‌برد. نتایج حاصل از روش پیشنهادی برای دو نمونه از داده‌های فراطیفی نشان می‌دهد كه روش پیشنهادی در مقایسه با SVM استاندارد-طبقه بندی كننده ایی كه همه باندها را در یك زمان طبقه بندی می كند- نتایج بهتری را ایجاد می‌كند. این نتایج همچنین كارایی مفهوم گروه بندی باندها و سیستم‌های طبقه بندی كننده چندگانه را در مقایسه با روش‌های معمول پیشین نشان می‌دهد.

With recent technological advances in remote sensing sensors and systems, very high-dimensional hyper spectral data are available for a better discrimination among different complex land-cover classes. However, the large number of spectral bands, but limited availability of training samples makes the problem of Hughes phenomenon or ‘curse of dimensionality’ in these data. Moreover, these high numbers of bands are usually highly correlated and the information provided can contain several data redundancies. Because of these complexities of hyperspectral data, traditional classification strategies have often limited performance in classification of hyperspectral imagery. Referring to the limitation of single classifier in these situations, classifier ensemble systems may have better performance than single classifiers especially on hyperspectral data with this high level of complexities. This paper presents a new method for classification of hyperspectral data based on a band grouping strategy through a SVM ensemble system. Proposed method used a band grouping process based on a mutual information (MI) strategy to split data into few band groups. After band grouping step, the proposed algorithm aims at benefiting from the capabilities of SVM as classification method. So, proposed method applied SVM on each band groups that produced in previous step. Finally, this paper applied Naive Bayes (NB) as a novel and robust classifier fusion method for combining classifiers in classifier ensemble system. NB is a precise classifier fusion based on the concepts of Bayesian theory. Experiments are applied on two common hyperspectral data. Obtained results show that the classification accuracy is significantly improved by the proposed method in comparison with standard SVM on all bands of hyperspectral data. Also, these results confirm the high performance of band grouping strategy in contrast to using of standard SVM on all feature space.