Journal of Geospatial Information Technology

fa بهبود عملکرد شبکه نواحی تصادفی با استفاده از آنالیز تفکیک‌پذیری خطی به‌منظور استخراج ویژگی‌های عمیق از تصاویر ابرطیفی Improving the performance of RPNet with LDA for extracting the deep features for the classification of hyperspectral images سنجش از دور RS پژوهشي Research در چند سال گذشته مدل‌های عمیق، توفیق فراوانی در شاخه‌های مختلف پردازش تصویر پیدا کرده‌اند. به طور خاص در سنجش از دور ابرطیفی از این مدل‌ها در شاخه‌هایی نظیر طبقه‌بندی و شناسایی اهداف با موفقیت استفاده شده است. اخیراً روش شبکه نواحی تصادفی به منظور استخراج ویژگی‌های عمیق برای طبقه‌بندی تصاویر ابرطیفی پیشنهاد شده است. اهمیت این شبکه در آن است که ویژگیهای عمیق را به صورت نظارت نشده استخراج میکنند و عملکردی سریع دارد. علیرغم عملکرد مطلوب این شبکه، از آنجایی که در ساختار اصلی آن از روش تبدیل مؤلفه اصلی استفاده می‌شود، در ویژگیهای استخراج شده قید بیشینه شدن تفکیک‌پذیری میان کلاس‌ها در نظر گرفته نشده است. از این رو در این تحقیق از آنالیز تفکیک‌پذیری خطی به منظور بهبود ساختار این شبکه استفاده شده است. نتایج پیاده‌سازی‌ها بر روی دو مجموعه داده ابرطیفی نشان از آن دارد که روش پیشنهادی ویژگی‌های مناسب‌تر و فشردهتری را برای طبقه‌بندی تصاویر ابرطیفی استخراج میکند. به طور کلی روش پیشنهادی توانسته است که ضمن افزایش سرعت و فشردهسازی بیشتر ابعاد داده، دقت کلی طبقهبندی را تا 5/2 درصد نسبت به روش شبکه نواحی تصادفی افزایش دهد. In recent years, deep models have achieved great success in various fields of image processing. These models have been used in some research fields of hyperspectral data processing, such as; classification and target detection. The random patches network (RPNet) has recently been  proposed to extract hierarchical deep features for hyperspectral image classification. RPNet is important as it is an unsupervised method, and as a consequence, it has a fast performance to extract deep features. Despite the good performance of this network, due to the usage of the principal component analysis (PCA) method in its main structure, maximum discrimination between classes is not guaranteed in extracted features. Therefore, in this paper,in order to improve the performance of RPNet, a new method called LDA-RPNet based on linear discriminant analysis (LDA) is proposed. Experiments on two hyperspectral datasets, Indian Pines and Pavia University, show that the LDA-RPNet can extract more compact and suitable features for classifying hyperspectral images. Also, based on the experiments, the LDA-RPNet can increase the overall accuracy by up to 2.5% compared to the classical RPNet. طبقه‌بندی تصاویر ابرطیفی, شبکه‌های نواحی تصادفی, تبدیل آنالیز تفکیک‌پذیری خطی, تبدیل مؤلفه اصلی, ویژگی‌های سلسله مراتبی عمیق Hyperspectral image classification, Random patches network, linear discriminant analysis, Principal component analysis, Hierarchical deep features. 1 15 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-653-2&slc_lang=fa&sid=1 Behnam, Asghari Beirami بهنام اصغری بیرامی behnam.asghari1370@gmail.com 10031947532846008664 10031947532846008664 Yes K. N .Toosi university دانشگاه صنعتی خواجه نصیر Mehdi Mokhtarzade مهدی مختارزاده m_mokhtarzade@kntu.ac.ir 10031947532846008665 10031947532846008665 No K. N .Toosi university دانشگاه صنعتی خواجه نصیر