طبقه‌بندي مكاني-طيفي تصاوير چندطيفي مبتني بر خوشه‌بندي بيشينه‌سازي انتظار بهبود يافته

Spectral-Spatial Classification of Multi-spectral Images Based on Improved EM Clustering Technique

امروزه، با افزايش دقت مكاني تصاوير سنجش از راه دور، امكان بكارگيري اطلاعات مكاني در فرآيند طبقه‌بندي وجود دارد. اين امر منجر به افزايش دقت طبقه‌بندي تصاوير چندطيفي مي‌گردد. يكي از روش‌هاي گنجاندن اطلاعات مكاني در طبقه‌بندي، بخش‌بندي بدون نظارت تصوير است كه مي‌تواند از طريق خوشه‌بندي بيشينه‌سازي انتظار (EM) و تخصيص برچسب به اجزاي متصل انجام شود. اما EM همواره در معرض خطر قرار گرفتن در بهينه محلي قرار دارد. بنابراين در اين مقاله، روش جديدي به منظور بهبود روش خوشه‌بندي EM مطرح شده است كه علاوه بر حل مشكل مذكور، داراي كارايي بهتري در طبقه‌بندي تصاوير چندطيفي مي‌باشد. در اين مقاله، پس از اعمال كاهش بعد LPP و كاهش باندهاي طيفي، نتايج طبقه‌بند مبتني بر پيكسل و نقشه بخش‌بندي بدست آمده از روش ارايه شده، با استفاده از آراي اكثريت تركيب مي‌شوند تا طبقه‌بند مكاني-طيفي شكل بگيرد. نتايج شبيه‌سازي نشان مي‌دهد كه طبقه‌بند مكاني-طيفي ارايه شده منجر به بهبود قابل ملاحظه‌اي در دقت و اعتبار طبقه‌بندي تصاوير چندطيفي F210، نسبت به طبقه‌بند مبتني بر پيكسل شده است بطوريكه مي‌تواند اين تصاوير را با دقت %68/88 و اعتبار %8/80 طبقه‌بندي نمايد.

By increasing spatial resolution of remote sensing images, it is possible to apply spatial information in the classification. This leads to improve the accuracy of multi-spectral images classification. One of the methods for incorporation spatial information is un-supervised segmentation which can be implemented through Expectation Maximization(EM) clustering and connected-component labeling. But this clustering method which always is trapped in local optimum. Therefore, a new algorithm is proposed that can solve the mentioned problem and has better performance in multi-spectral images classification. In order to form a spatial-spectral classifier, first a pixel-wised classifier is applied. Then, after using the LPP approach for dimension reduction, the results of pixel -wised classifier and segmentation map, obtained from proposed method, are combined via majority voting. The results of simulation indicate that the presented spectral-spatial classifier leads to so considerable improvement that the accuracy and validity of classification have reached to 88.68% and 80.8%, respectively.