چکیده:
یکی از مسائل مهم در بحث سنجش ازدور فراطیفی، طبقهبندی این حجم از دادههای چندبعدی با صحت مطلوب است. بیشتر روشهای طبقهبندی دادههای سنجش از دوری بر اساس اطلاعات طیفی دادهها است. با این وجود جهت دستیابی به صحت بالای طبقهبندی، میتوان از اطلاعات مکانی دادهها نیز استفاده نمود. تلفیق مدل میدانهای تصادفی مارکوف که اطلاعات مکانی را از طریق کمینهسازی توابع انرژی مناسب بهینهسازی میکند با الگوریتم طبقهبندی طیفی ماشین بردار پشتیبان که یکی از روشهای قدرتمند جهت طبقهبندی تصاویر فرا طیفی است، میتواند صحت طبقهبندی را در نقشهطبقهبندی نهایی بهبود بخشد. هدف این مطالعه بهبود صحت طبقهبندی دادهها با تعداد نمونههای آموزشی محدود به کمک تلفیق مدل میدانهای تصادفی مارکوف و الگوریتم ماشین بردار پشتیبان است. دو مجموعه داده فراطیفی سنجندههای Hyperion و AVIRIS در این مطالعه مورد بررسی قرار گرفته است. بعد از اعمال تصحیحات رادیومتریک مانند حذف خطوط جا افتاده تصویر و باندهای نامطلوب، تصحیحات اتمسفری مجموعه داده Hyperion به روش FLAASH و مجموعه داده AVIRIS به روش IAR انجام شد. تبدیل MNF جهت کاهش ابعاد داده استفده شد و سپس عضوهای نهایی دادهها از روی باند PPI استخراج گردید و در ادامه جهت طبقهبندی طیفی این دادهها از الگوریتم طبقهبندی ماشین بردار پشتیبان استفاده شد. در نهایت جهت بهبود صحت طبقهبندی در نقشه طبقهبندی شده نهایی از مدل مخفی میدانهای تصادفی مارکوف (HMRF) استفاده شد. به طوریکه بعد از استخراج مؤلفههای تبدیل PCA و MNF دادهها ، محاسبه برخی پارامترهای آماری هر یک از کلاسها در نقشه طبقهبندی SVM به منظور استفاده در ورودی مدل و همچنین تنظیم دوره تکرار، مدل SVM-HMRF اعمال شد.
نتایج نشان داده است که استفاده از مدل ارائهشده(SVM-HMRF) صحت کلی طبقهبندی را در هر دو مجموعه داده بهبود بخشیده است. به طور مثال بهبود صحت طبقهبندی در برخی از کاربریهای مختلف تصویر حدود 25 درصد بوده است. همچنین مناطق تصویر در نقشه طبقهبندی شده نهایی بسیار همگن تر شده و نویزهای فلفل-نمک به شدت کاهش یافته است.
Classification of high-dimensional hyperspectral data with many spectral bands for the derivation of good accuracy is an important problem in hyperspectral remote sensing .The most of classification algorithms are based on spectral information .Here, in order to achieve an high classification accuracy, we can use the spatial information of data. Integration of hidden morkov random field that optimize spatial information by minimizing energy functions, with support vector machine that is an powerful method for classification of hyperspectral data, can improve classification accuracy in final classified map properly. The purpose of this study is to improve the classification accuracy with a limited of training samples by combination of support vector machine algorithm and hidden morkov random field. In this study, tow hyperspectral dataset from Hyperion and AVIRIS sensors has been used. After the applying radiometric corrections like correcting embedded lines and remove bad bands , atmospheric correction Hyperion dataset done by FLAASH method and AVIRIS dataset by IAR algorithm. MNF transformation was used in order to dimensionally reduction and the endmembers were extracted from PPI band and then in order to spectral classification, used from SVM method. Finally, to improve classification accuracy in the final classified map, hidden Markov random field (HMRF) was used. So that after the extracting of Components from PCA and MNF Transformations, computing of some statistic parameters of classes in SVM classified map in order to use in inputs model and so configuration of iterations, SVM-HMRF model was applied.
The results show that the proposed model (SVM-HMRF) has improved overall classification accuracy in both of data sets. For example, the improved classification accuracy on some of land uses, were around 25 percent. Also regions of final classified map is much more homogeneous and salt and pepper nose drastically reduced.
خلاصه ماشینی:
تلفیق مدل میدان های تصادفی مارکوف که اطلاعات مکانی را از طریق کمینه سازی توابع انرژی مناسب بهینه سازی میکند با الگوریتم طبقه بندی طیفی ماشین بردار پشتیبان که یکی از روش های قدرتمند جهت طبقه بندی تصاویر فراطیفی است ، میتواند صحت طبقه بندی را در نقشه طبقه بندی نهایی بهبود بخشد.
هدف این مطالعه بهبود صحت طبقه بندی داده ها با تعداد نمونه های آموزشی محدود به کمک تلفیق مدل میدان های تصادفی مارکوف و الگوریتم ماشین بردار پشتیبان است .
در صورت زیاد بودن داده های آموزشی و تعداد کلاس ها، زمان آموزش ماشین بردار پشتیبان طولانی خواهد بود :٢٠٠٣ ,Abe) ٣٩٠) یکی از روش های طبقه بندی و خوشه بندی تصاویر با استفاده از اطلاعات مکانی تصویر مدل HMRF است که از اطلاعات همسایگی برای برآورد احتمال برچسب دهی استفاده میکند.
به طور مثال نتایج مطالعات (٢٠١١) Arkhi and Adibnejad ,(٢٠١٥) Mokhtari and Najafi نشان داده است که الگوریتم های 5- One-against-One 6- Energy Minimization Methods 7- Expectation Maximization 8- Iterated Conditional Modes (ICM) SVM خصوصا سه کرنل خطی، چندجمله ای و شعاعی نسبت به روش طبقه بندی حداکثر احتمال و همچنین روش شبکه عصبی نتایج بهتری را ارائه داده است .
نتیجه گیری نوآوری که در این مطالعه انجام گرفته است ، استفاده از الگوریتم SVM برای طبقه بندی داده های فرا طیفی با نمونه های آموزشی محدود و همچنین تلفیق آن با مدل HMRF بوده است .