Journal of Geospatial Information Technology

fa ارائه روش بدون نظارت مبتنی بر خوشه بندی باندها در فضای پدیده اجزای خالص برای استخراج ویژگی های طیفی کاهش یافته از تصاویر ابرطیفی Proposing an Unsupervised Method for Extracting Reduced Spectral Features from Hyperspectral Images based on Band Clustering in Endmember Prototype Space سنجش از دور RS پژوهشي Research <h1 dir="RTL" style="text-align:justify; margin-top:8px; margin-bottom:4px"> تصاویر ابرطیفی منبع غنی از داده های سنجش از دور محسوب میشوند که در مطالعات مختلفی از جمله کشاورزی، مدیریت و طبقه بندی پوشش/کاربری اراضی بکار گرفته میشوند. با این حال، ابعاد بالای فضای ویژگی و تعداد محدود نمونه های آموزشی از چالش های اصلی در طبقهبندی این تصاویر و استخراج اطلاعات از آنها بشمار می رود. بدین ترتیب، استفاده از روشهای کاهش ویژگی به دو شکل انتخاب ویژگی و استخراج ویژگی از اهمیت بالایی برخوردار است. روشهای کاهش ویژگی به دو دسته نظارت شده و بدون نظارت تقسیم میشوند، که روشهای بدون نظارت به دلیل عدم نیاز به داده های آموزشی کاربردی تر هستند. در این مطالعه روشی بدون نظارت مبتنی بر خوشه بندی باندها در فضای پدیده اجزای خالص (EPBC) ارائه شده است. در این روش پس از تخمین بعد مجازی تصویر و استخراج اجزای خالص، فضای پدیده اجزای خالص تشکیل شده و باندها در این فضا به روش K-Means خوشه بندی میگردند و در نهایت میانگین وزندار هر خوشه به عنوان یک ویژگی استخراج میشود. نتایج نهایی بدست آمده از طبقه بندی دو تصویر ابرطیفی نشان میدهد که دقت کلی طبقه بندی به روش بیشترین شباهت با ویژگی های استخراج شده از روش ارائه شده در بهترین حالت برای تصویر کاجهای هندی برابر 66/75 درصد و برای تصویر دانشگاه پاویا برابر 71/89 درصد بوده است، که نسبت به روشهای آنالیز مولفه های اصلی (PCA)، تبدیل کسر نویز کمینه (MNF) و آنالیز مولفه های مستقل (ICA) به عنوان روش های بدون نظارت و روش آنالیز تفکیک پذیری خطی (LDA) به عنوان روش نظارت شده عملکرد بهتری داشته است.</h1>   <div style="text-align: justify;">Hyperspectral images are a rich source of remote sensing data that are used in various studies, including agriculture, land cover/land use management and classification. However, the high dimensionality of feature space and limited number of training samples are among the main challenges in classifying these images and extracting information from them. Therefore, the use of feature reduction methods in two forms of feature selection and feature extraction is of great importance. Feature reduction methods are divided into two categories: supervised and unsupervised, that the unsupervised ones are more practical as they do not need any training data. In this study, an unsupervised method based on band clustering in endmember prototype space (EPBC) is presented. In this method, after estimating the virtual dimensionality of the image and extracting the endmembers, the endmember prototype space is formed and the bands are clustered using K-means clustering method in. Finally, the weighted mean of each cluster is extracted as a new feature. The final results obtained from classifying two hyperspectral images showed that the best overall accuracy of classification using the maximum likelihood classifier with features extracted by EPBC was %75.66 for the Indian Pines image and %89.71 for the Pavia University image, which outperformed well known unsupervised methods such as principal component analysis (PCA), minimum noise fraction (MNF), independent component analysis (ICA) and supervised method linear discriminant analysis (LDA).</div> تصویر ابرطیفی, فضای پدیده, استخراج ویژگی, اجزای خالص, خوشه بندی, طبقه بندی. Hyperspectral Image, Prototype Space, Feature Extraction, Endmembers, Clustering, Classification 43 58 http://jgit.kntu.ac.ir/browse.php?a_code=A-11-982-1&slc_lang=fa&sid=1 Ahmad Alizadeh Moghaddam احمد علیزاده مقدم h74.alizadeh@gmail.com 100319475328460010081 100319475328460010081 Yes K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی Mehdi Mokhtarzade مهدی مختارزاده m_mokhtarzade@email.kntu.ac.ir 100319475328460010082 100319475328460010082 No K. N. Toosi University of Technology دانشگاه صنعتی خواجه نصیر الدین طوسی