@ARTICLE{Asghari Beirami, author = {Asghari Beirami, Behnam and Mokhtarzadeh, Mehdi and }, title = {Hyperspectral Images Classification by Combination of Spatial Features Based on Local Surface Fitting and Spectral Features}, volume = {8}, number = {2}, abstract ={سنجنده‌های ابرطیفی به واسطه اخذ تعداد زیادی از باندهای طیفی، همواره دارای اهمیت خاصی در پایش پدیده‌های سطح زمین می‌باشند. طبقه‌بندی تصاویر ابرطیفی از جمله مهم‌ترین شاخه‌های پردازشی داده‌های ابرطیفی است که تا به حال تلاش‌های زیادی برای افزایش دقت آن صورت گرفته است. ویژگی‌های بافتی به دلیل اینکه می‌توانند سبب افزایش دقت طبقه‌بندی شوند همواره مورد توجه بوده‌اند. در مقاله حاضر روشی جدید برای تولید ویژگی‌های مکانی از تصاویر ابرطیفی مبتنی بر برازش محلی رویه معرفی شده است. در این روش رویه‌ای به سطح خاکستری تصویر در محدوده اطراف هر پیکسل برازش داده می‌شود و از ضرایب رویه برازش داده شده، ضرایب فرم‌های اساسی اول و دوم، انحناهای سطح، دیورژانس گرادیان، مساحت سطح خاکستری تصویر و حجم محصور در زیر رویه در ابعاد پنجره گوناگون به عنوان ویژگی مکانی استفاده می‌شوند. ویژگی‌های مکانی پیشنهادی در کنار ویژگی‌های طیفی قرار گرفته بردار طیفی- مکانی حاصل به کمک دو روش K همسایگی نزدیک و ماشین بردار پشتیبان طبقه‌بندی می‌شود. آزمایش‌های این مقاله که بر روی دو تصویر ابرطیفی حقیقی از دو منطقه کشاورزی و شهری صورت گرفته است؛ نشان از برتری روش پیشنهادی دارد. نتایج نهایی نشان می‌دهد که دقت کلی طبقه‌بندی با روش پیشنهادی می‌تواند در بهترین حالت 7 درصد از دقت کلی روش‌های رقیب بیشتر باشد. }, URL = {http://jgit.kntu.ac.ir/article-1-793-fa.html}, eprint = {http://jgit.kntu.ac.ir/article-1-793-fa.pdf}, journal = {Journal of Geospatial Information Technology}, doi = {10.29252/jgit.8.2.1}, year = {2020} }