:: دوره 10، شماره 1 - ( 3-1401 ) ::
جلد 10 شماره 1 صفحات 15-1 برگشت به فهرست نسخه ها
بهبود عملکرد شبکه نواحی تصادفی با استفاده از آنالیز تفکیک‌پذیری خطی به‌منظور استخراج ویژگی‌های عمیق از تصاویر ابرطیفی
بهنام اصغری بیرامی*، مهدی مختارزاده
دانشگاه صنعتی خواجه نصیر
چکیده:   (731 مشاهده)
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.


واژه‌های کلیدی: طبقه‌بندی تصاویر ابرطیفی، شبکه‌های نواحی تصادفی، تبدیل آنالیز تفکیک‌پذیری خطی، تبدیل مؤلفه اصلی، ویژگی‌های سلسله مراتبی عمیق
متن کامل [PDF 1658 kb]   (161 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: سنجش از دور
دریافت: 1398/8/25 | پذیرش: 1399/2/20 | انتشار الکترونیک پیش از انتشار نهایی: 1401/1/23 | انتشار: 1401/3/18
فهرست منابع
1. [1] F. Mirzapour, and H. Ghassemian, "Improving hyperspectral image classification by combining spectral, texture, and shape features", International Journal of Remote Sensing, Vol. 36(4), pp. 1070-1096, 2015. DOI: 10.1080/01431161.2015.1007251 [DOI:10.1080/01431161.2015.1007251]
2. [2] P. Duan, X. Kang, S. Li, P. Ghamisi, and J.A. Benediktsson, "Fusion of multiple edge-preserving operations for hyperspectral image classification", IEEE Transactions on Geoscience and Remote Sensing, Vol. 57(12), pp.10336-10349, 2019. [DOI:10.1109/TGRS.2019.2933588]
3. [3] J. Peng, X. Jiang, N. Chen, and H. Fu, "Local adaptive joint sparse representation for hyperspectral image classification", Neurocomputing, Vol 334, pp.239-248, 2019 [DOI:10.1016/j.neucom.2019.01.034]
4. [4] Y. Chen, Z. Lin, X. Zhao, G. Wang, and Y. Gu, "Deep learning-based classification of hyperspectral data", IEEE Journal of Selected topics in applied earth observations and remote sensing, Vol. 7(6), pp. 2094-2107, 2014. DOI: 10.1109/JSTARS.2014.2329330 [DOI:10.1109/JSTARS.2014.2329330]
5. [5] Y. Chen, , X. Zhao, and X. Jia, "Spectral-spatial classification of hyperspectral data based on deep belief network", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 8(6): pp. 2381-2392, 2015. DOI: 10.1109/JSTARS.2015.2388577 [DOI:10.1109/JSTARS.2015.2388577]
6. [6] W. Hu, Y. Huang, L. Wei, F. Zhang, H. Li, "Deep convolutional neural networks for hyperspectral image classification", Journal of Sensors, 2015. DOI: 10.1155/2015/258619 [DOI:10.1155/2015/258619]
7. [7] G. Zhao, G. Liu, L. Fang, B. Tu, and P. Ghamisi, "Multiple convolutional layers fusion framework for hyperspectral image classification", Neurocomputing, Vol.339, pp.149-160. 2019. [DOI:10.1016/j.neucom.2019.02.019]
8. [8] X. Kang, C. Li, S. Li, H. Lin, "Classification of hyperspectral images by Gabor filtering based deep network", IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, Vol. 11(4), pp. 1166-1178, 2017. DOI: 10.1109/JSTARS.2017.2767185 [DOI:10.1109/JSTARS.2017.2767185]
9. [9] W. Zhao, S. Li, A. Li, B. Zhang, and Y. Li, "Hyperspectral images classification with convolutional neural network and textural feature using limited training samples", Remote sensing letters, Vol. 10(5), pp.449-458, 2019. [DOI:10.1080/2150704X.2019.1569274]
10. [10] X. Cao, F. Zhou, L. Xu, D. Meng, Z. Xu, J. Paisley, "Hyperspectral image classification with Markov random fields and a convolutional neural network", IEEE Transactions on Image Processing, Vol. 27(5), pp. 2354-2367, 2018. DOI: 10.1109/TIP.2018.2799324 [DOI:10.1109/TIP.2018.2799324]
11. [11] T. H. Chan, K. Jia, S. Gao, J. Lu, Z. Zeng, Y. Ma, "PCANet: A simple deep learning baseline for image classification? ", IEEE transactions on image processing, Vol. 24(12), pp. 5017-5032, 2015. DOI: 10.1109/TIP.2015.2475625 [DOI:10.1109/TIP.2015.2475625]
12. [12] Y. Xu, B. Du, F. Zhang, L. Zhang, "Hyperspectral image classification via a random patches network", ISPRS journal of photogrammetry and remote sensing, Vol. 142, pp. 344-357, 2018. DOI: 10.1016/j.isprsjprs.2018.05.014 [DOI:10.1016/j.isprsjprs.2018.05.014]
13. [13] Y. Sun, F. Fu, and L. Fan, "A Novel Hyperspectral Image Classification Pattern Using Random Patches Convolution and Local Covariance", Remote Sensing, Vol.11(16), pp.1954. 2019. [DOI:10.3390/rs11161954]
14. [14] B. A. Beirami, and M. Mokhtarzade, "Spatial-Spectral Random Patches Network for Classification of Hyperspectral Images", Traitement du Signal, Vol. 36(5), pp.399-406, 2019. [DOI:10.18280/ts.360504]
15. [15] Z. Wang, H. Hu, L. Zhang, J. H. Xue, "Discriminatively guided filtering (DGF) for hyperspectral image classification", Neurocomputing, Vol. 275, pp. 1981-1987, 2018. DOI: 10.1016/j.neucom.2017.10.046 [DOI:10.1016/j.neucom.2017.10.046]
16. [16] M. Imani, and H. Ghassemian, "Two dimensional linear discriminant analyses for hyperspectral data", Photogrammetric Engineering & Remote Sensing, Vol. 81(10), pp. 777-786, 2015. DOI: 10.14358/PERS.81.10.777 [DOI:10.14358/PERS.81.10.777]
17. [17] Y. Guo, , T. Hastie, and R. Tibshirani, "Regularized linear discriminant analysis and its application in microarrays", Biostatistics, Vol. 8(1), pp. 86-100, 2006. DOI: 10.1093/biostatistics/kxj035 [DOI:10.1093/biostatistics/kxj035]
18. [18] F. Mirzapour, and H. Ghassemian, "Moment-based feature extraction from high spatial resolution hyperspectral images", International Journal of Remote Sensing, Vol. 37(6), pp. 1349-136, 2016. DOI: 10.1080/2150704X.2016.1151568 [DOI:10.1080/2150704X.2016.1151568]
19. [19] B. Asghari Beirami, and M. Mokhtarzade, "SVM classification of hyperspectral images using the combination of spectral bands and Moran's I features", presented at IEEE 10th Iranian Conference on Machine Vision and Image Processing (MVIP), Isfahan, Iran, 2017. DOI: 10.1109/IranianMVIP.2017.8342334 [DOI:10.1109/IranianMVIP.2017.8342334]
20. [20] J. Jiang, C. Chen, Y. Yu, X. Jiang, J. Ma, "Spatial-aware collaborative representation for hyperspectral remote sensing image classification", IEEE Geoscience and Remote Sensing Letters, Vol. 14(3), pp. 404-408. 2017. DOI: 10.1109/LGRS.2016.2645708 [DOI:10.1109/LGRS.2016.2645708]


XML   English Abstract   Print



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 10، شماره 1 - ( 3-1401 ) برگشت به فهرست نسخه ها