fa تاثیر انتخاب ویژگی به کمک الگوریتم ژنتیک بر طبقه بندی طیفی مکانی تصاویر ابرطیفی پژوهشي Research <p dir="RTL">فن‌آوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقه&shy;بندی پوشش‌های زمین و بررسی تغییرات آنها می‌باشد. با پیشرفت‌های اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقه&shy; بندی تصاویر ابرطیفی ایجاب می‌کند. در این تحقیق سعی می‌گردد تاثیر کاهش ابعاد به کمک الگوریتم ژنتیک را در فرآیند طبقه&shy; بندی طیفی-مکانی تصاویر ابرطیفی بررسی شود. در میان الگوریتم‌های مختلف طبقه&shy; بندی طیفی-مکانی تصاویر ابرطیفی، تاکنون سه الگوریتم قطعه&shy; بندی واترشد، هرمی و جنگل پوشای مینیمم مبتنی بر نشانه در ترکیب با الگوریتم طبقه&shy;بندی ماشین بردار پشتیبان به بهترین نتایج دست یافته‌اند. در روش&shy; پیشنهادی ابتدا به کمک الگوریتم ژنتیک ابعاد تصویر ابرطیفی کاهش یافته سپس بر روی باندهای حاصل، سه الگوریتم قطعه&shy; بندی مذکور پیاده&shy; سازی گردید. در نهایت نقشه&shy; های قطعه&shy; بندی بدست آمده به کمک قانون تصمیم رای اکثریت با نقشه طبقه&shy; بندی ماشین بردار پشتیبان ترکیب شد. روش&shy; پیشنهادی بر روی سه تصویر ابرطیفی <span dir="LTR">Pavia</span>،&nbsp; <a href="http://www.telops.com/"><span dir="LTR">Telops</span></a> و <span dir="LTR">DC Mall</span> پیاده&shy; سازی گردید، نتایج آزمایشات بدست‌آمده برتری استفاده از کاهش ابعاد در الگوریتم جنگل پوشای مینیمم مبتنی بر نشانه و استفاده از تمام باندهای تصویر در الگوریتم&nbsp;های واترشد و هرمی مبتنی بر نشانه را نشان می‌دهد.&nbsp;</p> <p>Hyperspectral remote sensing technologies have many applications in land cover classification and study their changes. With recent developments and create images with high spatial resolution, it is necessary the use of both spatial and spectral information in hyperspectral image classification. In this paper, we have evaluated the effect of dimensionality reduction using genetic algorithm on spectral-spatial classification of hyperspectral imagery. So far, among the various algorithms spectral-spatial classification of hyperspectral images, three segmentation algorithms, watershed, hierarchical and Minimum Spanning Forest (MSF) based on markers, combined with Support Vector Machines (SVM) to achieve the best results. In the proposed approach, the dimension of hyperspectral images is first reduced by using genetic algorithm. Then, the three mentioned segmentation algorithms are applied on the resulting bands. Finally, the obtained segmentation maps are combined with SVM classification map using majority voting rule. The proposed approach was implemented on three hyperspectral data sets, the Pavia dataset, the <a href="http://www.telops.com/">Telops</a> dataset, and the DC Mall dataset. The obtained experimental results indicate the superiority use of reduced bands in MSF based on markers algorithm and all bands in watershed and hierarchical based on markers algorithms.</p> تصویر ابرطیفی, طبقه بندی طیفی مکانی, کاهش ابعاد, الگوریتم ژنتیک Hyperspectral image, Spectral-Spatial Classification, Dimensionality reduction, Genetic algorithm 45 60 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-128-49&slc_lang=fa&sid=1 Davood Akbari داود اکبری davoodakbari@ut.ac.ir 10031947532846004634 10031947532846004634 Yes University of Tehran دانشگاه تهران Abdolreza Safari عبدالرضا صفری 10031947532846004635 10031947532846004635 No University of Tehran دانشگاه تهران Safa Khazai صفا خزائی 10031947532846004636 10031947532846004636 No Imam Hussein Comprehensive University دانشگاه جامع امام حسین(ع)