Journal of Geospatial Information Technology

fa بهبود طبقه‌بندی تصاویر ابرطیفی با بکارگیری یک روش نوین برآورد طیف‌های بازتابندگی مرجع Improvement of the Classification of Hyperspectral images by Applying a Novel Method for Estimating Reference Reflectance Spectra سنجش از دور RS پژوهشي Research <a name="OLE_LINK62"></a><a name="OLE_LINK23">تصاویر ابرطیفی</a> دارای توان تفکیک طیفی بسیار بالا بوده و حاوی تعداد زیادی باند طیفی باریک و پیوسته هستند که همین ویژگی، امکان تشخیص و شناسایی مواد و عناصر را براساس مقایسه بازتاب طیفی هریک از آنها در طول‌موج‌های گوناگون فراهم می‌سازد. از این‌رو بکارگیری تصاویر ابرطیفی در طبقه‌بندی و تولید نقشه پوشش زمین می‌تواند <a name="OLE_LINK43">بسیار کارآمد واقع شود</a>. در روش‌های طبقه‌بندی تصاویر ابرطیفی که از یک معیار عدم شباهت برای طبقه‌بندی استفاده می‌کنند، طیف‌های بازتابندگی مرجع هر کلاس، معمولا از طریق میانگین‌گیری از طیف‌های بازتابندگی پیکسل‌های داده‌های آموزشی برآورد می‌شوند. <a name="OLE_LINK106"></a><a name="OLE_LINK105"></a><a name="OLE_LINK100">روش میانگین‌گیری</a>، <a name="OLE_LINK87"></a><a name="OLE_LINK86">طیف بازتابندگی مرجع</a> را از طریق کمینه‌سازی مجموع مربع فواصل اقلیدسی بین طیف بازتابندگی مرجع و طیف‌های بازتابندگی پیکسل‌های داده‌های آموزشی محاسبه می‌کند. به عبارت دیگر می‌توان گفت روش میانگین‌گیری، <a name="OLE_LINK233">برمبنای معیار عدم شباهت مربع فاصله اقلیدسی، </a><a name="OLE_LINK236">طیف بازتابندگی مرجع را برآورد می‌کند</a>. <a name="OLE_LINK75"></a><a name="OLE_LINK227">این نوع روش برآورد طیف‌های بازتابندگی مرجع، برای </a>همه روش‌های طبقه‌بندی با معیارهای عدم شباهت مختلف مناسب به نظر نمی‌رسد و بهتر است فقط در الگوریتم حداقل فاصله که در آن از معیار عدم شباهت مربع فاصله اقلیدسی جهت طبقه‌بندی استفاده می‌شود، به کار گرفته شود. در پژوهش حاضر روشی پیشنهاد شده است که در آن با در نظر گرفتن معیار عدم شباهت <a name="OLE_LINK67"></a><a name="OLE_LINK66">به کار رفته در الگوریتم طبقه‌بندی، طیف بازتابندگی مرجع برآورد می‌شود</a>. برای ارائه و پیاده‌سازی روش پیشنهادی از دو الگوریتم <a name="OLE_LINK47">طبقه‌بندی نگاشت‌کننده زاویه طیفی (</a>SAM) و فاصله جفریز-ماتوسیتا (JMD) استفاده شده است. ارزیابی دقت و کارایی روش پیشنهادی از طریق بررسی و مقایسه نتایج <a name="OLE_LINK46">طبقه‌بندی </a>الگوریتم‌های SAM و JMD در ازای دو روش <a name="OLE_LINK48"></a><a name="OLE_LINK45">میانگین‌گیری </a>و پیشنهادی انجام شده است. آزمون‌های انجام‌شده بر روی داده‌های تصویری ابرطیفی واقعی حاصل از چهار سنجنده AVIRIS، HYDICE، Hyperion و HyMap نشان می‌دهد که بکارگیری روش پیشنهادی، نتایج طبقه‌بندی را بهبود می‌بخشد. به طوری که ضریب کاپای <a name="OLE_LINK52">نتایج طبقه‌بندی تصاویر ابرطیفی مورد استفاده در الگوریتم </a>SAM به ترتیب 18/13%، 06/1%، 75/%0 و 18/2% و در الگوریتم JMD به ترتیب 79/10%، 17/2%، 34/0% و 4/2% افزایش یافته است. Hyperspectral image containing high spectral information has a large number of narrow spectral bands over a continuous spectral range. This allows the identification and recognition of materials and objects based on the comparison of the spectral reflectance of each of them in different wavelengths. Hence, hyperspectral image in the generation of land cover maps can be very efficient. In the hyperspectral classification methods that use a dissimilarity measure for classification, the reference reflectance spectra of each class are usually estimated through averaging the image pixel's reflectance spectra of training data. This estimation method yields a reference reflectance spectrum in which minimize the total sum of squared Euclidean distances between the reference reflectance spectrum itself and the image pixel's reflectance spectra of training data. For this reason, the method is acceptable only for the Minimum Distance algorithm in which is used the squared Euclidean distance for classification. In this paper, we propose a method in which the reference reflectance spectrum is estimated by taking into account the dissimilarity measure that is used in the classification algorithm. Two SAM and JMD classification algorithms have been used to present and implement the proposed method. The evaluation of the accuracy and efficiency of the proposed method has been done by investigating and comparing the results of the classification of SAM and JMD algorithms by considering both averaging and proposed methods. The tests performed on four real hyperspectral images collected by AVIRIS, HYDICE, Hyperion and HyMap sensors show that the proposed method improves classification results, in a manner that the Kappa coefficient of the classification results of four hyperspectral imagery datasets increased by 13.18%, 1.06%, 0.75% and 2.18%, respectively, in the SAM algorithm and 10.79%, 2.17%, 0.34% and 2.4%, respectively, in the JMD algorithm. طبقه‌بندی, تصاویر ابرطیفی, معیار عدم شباهت, برآورد طیف‌های بازتابندگی مرجع. Classification, Hyperspectral Images, Dissimilarity Measure, Estimating Reference Reflectance Spectra. 103 114 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-155-5&slc_lang=fa&sid=1 Hamid Ezzatabadi Pour حمید عزت آبادی پور hezzatabadi@sirjantech.ac.ir 10031947532846007515 10031947532846007515 Yes Sirjan University of Technology دانشگاه صنعتی سیرجان Abdol Reza Kazeminia عبدالرضا کاظمی‌نیا 10031947532846007516 10031947532846007516 No Sirjan University of Technology دانشگاه صنعتی سیرجان