بهبود طبقه‌بندي بدون نظارت تصاوير فراطيفي با استفاده از مدل خوشه‌بندي فازي Gustafson-Kessel

Improvement of Unsupervised Classification for Hyperspectral Images using Gustafson-Kessel Clustering Model

مدل‌هاي خوشه‌بندي c-means يكي از پركاربردترين شيوه‌هاي طبقه‌‌بندي نظارت‌نشده در آناليز داده‌ها به‌شمار مي رود. مدل فازي اين روش، يعني Fuzzy c-means، يكي از مشهورترين مدل‌هايي است كه در آن هر داده با يك مقدار درجه عضويت بين 0 و 1، به هر يك از خوشه‌ها اختصاص داده مي شود. اين مدل خوشه‌بندي جهت طبقه‌بندي داده‌هاي سنجش از دوري بسيار استفاده شده است. مدل Fuzzy c-means از فاصله اقليدسي جهت خوشه‌بندي استفاده كرده و براي همه خوشه‌ها شكل يكساني فرض مي كند. با وجود اين، اين مدل براي داده‌هايي كه در آن‌ها‌ كلاس‌ها داراي شكل و حجم متفاوت‌اند، مناسب به‌ نظر نمي رسد. براي رفع اين مشكل، مدل Gustafson-Kessel جهت خوشه‌بندي داده‌هاي پيچيده ارايه شده است. اين مدل برمبناي به‌كارگيري يك ماتريس كوواريانس فازي براي هر خوشه عمل ميكند و شكل هندسي، حجم و جهت گيري يكساني براي همه خوشه‌ها در نظر نمي گيرد. در اين تحقيق، از هر دو مدل خوشهبندي مذكور جهت داده‌هاي سنجش از دوري فراطيفي واقعي حاصل از سنجنده‌هاي Hyperion، ROSIS و CASI استفاده شده است. نتايج حاصل از مدل‌هاي خوشه‌بندي Fuzzy c-means و Gustafson-Kessel به پارامتري به نام فازي‌كننده وابسته است كه در اين تحقيق، مقدار بهينه آن با محاسبه و بررسي دقت طبقه‌بندي هر يك از اين مدل‌ها، در ازاي فازي‌كنندههاي مختلف به‌دست آمده است. نتايج به‌دست‌آمده در ازاي مقدار بهينه فازي‌كننده، نشان مي دهد كه مدل Gustafson-Kessel دقت و صحت طبقه‌بندي را حدود 5/12% براي داده‌هاي Hyperion و حدود 45/8% براي داده‌هاي ROSIS افزايش مي‌دهد. همچنين، ارزيابي ديداري نتايج دو مدل خوشه‌بندي روي داده‌هاي CASI نشان مي‌دهد كه مدل Gustafson-Kessel عملكرد بهتري دارد. البته در مقابل، بايد گفت مدل Gustafson-Kessel هزينه زماني بيشتري را صرف مي‌كند و همچنين، جهت تعيين پارامتر مربوط به حجم خوشهها، به دانش قبلي نياز

-means clustering models are one of the most widely used methods for unsupervised classification of any data. Fuzzy c-means (FCM) is one of the most well-known clustering models in which, each data may be belonged to multiple clusters with different membership degree between 0 and 1. This model has been employed for different application including remotely sensed data classification. FCM model uses Euclidean distance for clustering and assumes the same shape/distribution for all of clusters. However, this causes misclassification in data in which the classes have different shape and size. In this paper, Gustafson-Kessel clustering model is presented to overcome this problem. This model is based on using a fuzzy covariance matrix for each cluster which does not consider the same geometric shape, size and orientation for all clusters. The above models were applied for clustering of hyperspectral imagery issue of Hyperion, ROSIS and CASI sensors. The results of Gustafson-Kessel clustering model prove that the accuracy of classification increased about 12.5% for Hyperion imagery and about 8.45% for ROSIS imagery. Also, the visual test on CASI imagery show that Gustafson-Kessel clustering model has better performance. Keywords: Fuzzy clustering, Gustafson-Kessel clustering model, Hyperspectral images.