معرفي يك روش بهينه جهت خوشه‌بندي جز‌ءبندي داده‌هاي فراطيفي با استفاده از الگوريتم بهينه‌سازي توده ذرات

Introducing an Optimum Approach for Partitional Clustering of Hyperspectral Data Using Particle Swarm Optimization

یكی از موفقیت‌آمیز‌ترین كاربردهای داده‎های فراطیفی، طبقه‌بندی آنها و تولید نقشه‌های پوشش زمین بدون نیاز به داده‌های واقعیت زمینی است. در میان روش‌های مختلف طبقه‌بندی غیرنظارت شده، روش‌های جزءبندی به‌دلیل سرعت و عملكرد بالا در خوشه‌بندی داده‌های فراطیفی مورد توجه قرار گرفته‌اند. عملكرد خوشه‌بندی مبتنی بر جزء‌بندی این داده‌ها تابع پنج پارامتر تعداد و موقعیت خوشه‌ها، تعداد و موقعیت باندها و معیار شباهت است. بنابراین می‌توان به مسئله‌ی خوشه‌بندی جزء‌بندی به‌صورت یك مسئله‌ی بهینه‌سازی نگاه كرد كه هدف در آن پیدا كردن موقعیت بهینه‌ی پارامترهای مذكور است. بسته به اینكه كدامیك از این پنج پارامتر در فرآیند بهینه‌سازی توده ذرات وارد شوند چهار حالت معنی‌دار در این تحقیق در نظر گرفته شده و هدف پیدا كردن حالتی است كه به بالاترین دقت در تهیه نقشه‌های موضوعی منجر شود. لازم به ذكر است كه از میان پنج پارامتر مختلف خوشه‌بندی، معیار شباهت و تعداد خوشه ها به منظور جلوگیری از پدیده‌ی افزونی پارامترها وارد فرآیند بهینه‌سازی نشده و ثابت در نظر گرفته شدند. بررسی‌ها بر روی یك مجموعه‏ی داده‌ی شبیه‌سازی و دو داده‌ی واقعی نشان دادند كه از میان چهار حالت مورد بررسی در این تحقیق، حالتی كه تعداد باندها در یك مرحله‌ی پیش‌پردازشی توسط خوشه‌بندی باندها در فضای داده‌ها یا با استفاده از تبدیل PCA در فضای ویژگی كاهش داده می‌شود دارای دقت بالاتری در تهیه‌ی نقشه‌های موضوعی هستند.

One of the most important applications of hyperspectral data analysis is either supervised or unsupervised classification for land cover mapping. Among different unsupervised methods, partitional clustering has attracted a lot of attention, due to its performance and efficient computational time. The success of partitional clustering of hyperspectral data is, indeed, a function of five parameters: 1) the number of clusters, 2) the position of clusters, 3) the number of bands, 4) the spectral position of bands, and 5) the similarity measure. As a result, partitional clustering can be considered as an optimization problem whose goal is to find the optimal values for above-mentioned parameters. Depending on this fact that which of these five parameters entered to the optimization four different scenarios have been considered in this paper to be resolved by particle swarm optimization. Our goal is, then, finding the solution leading to the best accuracy. It should be noted that among five different parameters of clustering, both similarity measure and the number of clusters have been considered fixed to prevent over-parameterization phenomenon. Investigations on a simulated dataset and two real hyperspectral data showed that the case in which the number of bands has been reduced in a pre-processing stage using either band clustering in the data space or PCA in the feature space, can result in the highest accuracy and efficiency for thematic mapping.