[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: دوره 8، شماره 2 - ( 6-1399 ) ::
جلد 8 شماره 2 صفحات 1-19 برگشت به فهرست نسخه ها
طبقه‌بندی تصاویر ابرطیفی با استفاده از ترکیب ویژگی‌های مکانی مبتنی بر برازش محلی رویه و ویژگی‌های طیفی
بهنام اصغری بیرامی*، مهدی مختارزاده
دانشگاه صنعتی خواجه نصیرالدین طوسی
چکیده:   (840 مشاهده)
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.
واژه‌های کلیدی: طبقه‌بندی، تصاویر ابرطیفی، ویژگی‌های برازش محلی رویه، بافت، استخراج ویژگی.
متن کامل [PDF 2255 kb]   (347 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1397/3/5 | پذیرش: 1397/6/10 | انتشار: 1399/6/31
فهرست منابع
1. [1] I. Pesenson, Q.T. Le Gia, A. Mayeli, H. Mhaskar, D.X. Zhou, Recent Applications of Harmonic Analysis to Function Spaces. Differential Equations, and Data Science: Novel Methods in Harmonic Analysis 2, 2017. [DOI:10.1007/978-3-319-55556-0]
2. [2] L.O. Jimenez, D.A. Landgrebe, "Supervised classification in high-dimensional space: geometrical, statistical, and asymptotical properties of multivariate data", IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews),Vol 28, p. 39-54, 1998. [DOI:10.1109/5326.661089]
3. [3] A. Plaza, P. Martinez, J. Plaza, R. Perez, "Dimensionality reduction and classification of hyperspectral image data using sequences of extended morphological transformations", IEEE Transactions on Geoscience and remote sensing,Vol 43, p. 466-479, 2005. [DOI:10.1109/TGRS.2004.841417]
4. [4] B. Kumar, O. Dikshit, "Texture based hyperspectral image classification", The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol 40, p. 793, 2014. [DOI:10.5194/isprsarchives-XL-8-793-2014]
5. [5] Ö. Akar, O. Güngör, "Integrating multiple texture methods and NDVI to the Random Forest classification algorithm to detect tea and hazelnut plantation areas in northeast Turkey", International Journal of Remote Sensing, Vol 36, p. 442-464, 2015. [DOI:10.1080/01431161.2014.995276]
6. [6] F. Tsai, C. K. Chang, , J. Y. Rau, T. H Lin, G. R Liu, "3D Computation of Gray Level Co-occurrence in Hyperspectral Image Cubes", International Workshop on Energy Minimization Methods in Computer Vision and Pattern Recognition, Ezhou, 2007.
7. [7] L. Shen, Z. Zhu, S. Jia, J. Zhu, Y. Sun, "Discriminative Gabor Feature Selection for Hyperspectral Image Classification", IEEE Geoscience and Remote Sensing Letters, Vol. 10, p. 29-33, 2013. [DOI:10.1109/LGRS.2012.2191761]
8. [8] M. Fauvel, J. A.Benediktsson, J. Chanussot, J. R Sveinsson, "Spectral and Spatial Classification of Hyperspectral Data Using SVMs and Morphological Profiles", IEEE Transactions on Geoscience and Remote Sensing, Vol. 46, p. 3804-3814, 2008. [DOI:10.1109/TGRS.2008.922034]
9. [9] P. Quesada-Barriuso, F. Arguello, D.B. Heras, "Spectral-Spatial Classification of Hyperspectral Images Using Wavelets and Extended Morphological Profiles", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 7, p. 1177-118, 2014. [DOI:10.1109/JSTARS.2014.2308425]
10. [10] M. Dalla Mura, A. Villa, J. A. Benediktsson, J. Chanussot, L. Bruzzone, "Classification of Hyperspectral Images by Using Extended Morphological Attribute Profiles and Independent Component Analysis", IEEE Geoscience and Remote Sensing Letters, Vol. 8, p. 542-546, 2011. [DOI:10.1109/LGRS.2010.2091253]
11. [11] B. Kumar, O. Dikshit, "Integrating Spectral and Textural Features for Urban Land Cover Classification with Hyperspectral data", in Urban Remote Sensing Event (JURSE), 2015, Lausanne, Switzerland, 2015. IEEE. [DOI:10.1109/JURSE.2015.7120517]
12. [12] Z. Ye, S. Prasad, W. Li, J. E. Fowler, M. He, "Classification Based on 3-D DWT and Decision Fusion for Hyperspectral Image Analysis", IEEE Geoscience and Remote Sensing Letters, Vol. 11, p. 173-177, 2014. [DOI:10.1109/LGRS.2013.2251316]
13. [13] B. Kumar, O. Dikshit, "Spectral-Spatial Classification of Hyperspectral Imagery Based on Moment Invariants", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 8, p. 2457-2463, 2015. [DOI:10.1109/JSTARS.2015.2446611]
14. [14] R.N. Marandi, H. Ghassemian, "A New Feature Fusion Method for Hyperspectral Image Classification", in Electrical Engineering (ICEE), 2017 Iranian Conference on, Tehran, Iran, 2017. IEEE. [DOI:10.1109/IranianCEE.2017.7985328]
15. [15] B.A. Beirami, M. Mokhtarzade, "SVM Classification of Hyperspectral Images Using the Combination of Spectral Bands and Moran's I Features", in Machine Vision and Image Processing (MVIP), 2017 10th Iranian Conference on, Isfahan, Iran , 2017. IEEE. [DOI:10.1109/IranianMVIP.2017.8342334]
16. [16] F. Mirzapour, H. Ghassemian, "Improving Hyperspectral Image Classification by Combining Spectral, Texture, and Shape Features", International Journal of Remote Sensing, Vol. 36, p. 1070-1096, 2015. [DOI:10.1080/01431161.2015.1007251]
17. [17] Z. Ye, J.E. Fowler, L. Bai, "Spatial-Spectral Hyperspectral Classification Using Local Binary Patterns and Markov Random Fields", Journal of Applied Remote Sensing, Vol. 11, p. 035002, 2017. [DOI:10.1117/1.JRS.11.035002]
18. [18] Y. Chen, N.M. Nasrabadi, T.D. Tran, "Hyperspectral Image Classification Using Dictionary-Based Sparse Representation", IEEE Transactions on Geoscience and Remote Sensing, Vol. 49, p. 3973-3985, 2011. [DOI:10.1109/TGRS.2011.2129595]
19. [19] F. Peet, T. Sahota, "Surface curvature as a measure of image texture", IEEE transactions on pattern analysis and machine intelligence, Vol. 6, p. 734-738, 1985. [DOI:10.1109/TPAMI.1985.4767733]
20. [20] G. Camps-Valls, L. Gomez-Chova, J. Muñoz-Marí, , J. Vila-Francés, J. Calpe-Maravilla, " Composite kernels for hyperspectral image classification", IEEE Geoscience and Remote Sensing Letters, Vol 3, p. 93-97, 2006. [DOI:10.1109/LGRS.2005.857031]
21. [21] X. Kang, S. Li, J.A. Benediktsson, " Spectral-spatial hyperspectral image classification with edge-preserving filtering", IEEE transactions on geoscience and remote sensing, Vol 52, p. 2666-2677, 2014. [DOI:10.1109/TGRS.2013.2264508]
22. [22] M. Fauvel, Y. Tarabalka, J. A.Benediktsson, J. Chanussot, J. C.Tilton, "Advances in spectral-spatial classification of hyperspectral images", Proceedings of the IEEE,Vol 101, p. 652-67, 2013. [DOI:10.1109/JPROC.2012.2197589]
23. [23] M. Imani, H. Ghassemian, "GLCM, Gabor, and morphology profiles fusion for hyperspectral image classification". in Electrical Engineering (ICEE), 2016 24th Iranian Conference on. 2016. IEEE. [DOI:10.1109/IranianCEE.2016.7585566]
24. [24] O.F. Ertugrul, "Adaptive Texture Energy Measure Method". arXiv preprint arXiv:1406.7075, 2014.
25. [25] R. Lai, Computational differential geometry and intrinsic surface processing, University of California, Los Angeles, 2010
26. [26] R.A. Adams, A complete course calculus, Addison-Wesley Publishers Limited ,1995
27. [27] W. Ju, N.S.-N. Lam, "An Improved Algorithm for Computing Local Fractal Dimension Using the Triangular Prism Method", Computers & Geosciences, Vol. 35, p. 1224-1233, 2009. [DOI:10.1016/j.cageo.2008.09.008]
28. [28] W. Sun, G. Xu, P. Gong, S. Liang, "Fractal Analysis of Remotely Sensed Images: A Review of Methods and Applications", International Journal of remote sensing, Vol. 27, p. 4963-4990, 2006. [DOI:10.1080/01431160600676695]
29. [29] Mathworks. ClassificationPartitionedModel class. 2018 [cited 2018],
30. [30] F. Mirzapour, H. Ghassemian, "Using GLCM and Gabor Filters for Classification of PAN Images". in Electrical Engineering (ICEE), 2013 21st Iranian Conference on, Mashhad, Iran, 2013. IEEE. [DOI:10.1109/IranianCEE.2013.6599565]
ارسال پیام به نویسنده مسئول



XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Asghari Beirami B, Mokhtarzadeh M. Hyperspectral Images Classification by Combination of Spatial Features Based on Local Surface Fitting and Spectral Features. jgit. 2020; 8 (2) :1-19
URL: http://jgit.kntu.ac.ir/article-1-793-fa.html

اصغری بیرامی بهنام، مختارزاده مهدی. طبقه‌بندی تصاویر ابرطیفی با استفاده از ترکیب ویژگی‌های مکانی مبتنی بر برازش محلی رویه و ویژگی‌های طیفی. مهندسی فناوری اطلاعات مکانی. 1399; 8 (2) :1-19

URL: http://jgit.kntu.ac.ir/article-1-793-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 8، شماره 2 - ( 6-1399 ) برگشت به فهرست نسخه ها
نشریه علمی-پژوهشی مهندسی فناوری اطلاعات مکانی Engineering Journal of Geospatial Information Technology
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 4331