بهبود خوشه‌بندي تصاوير فراطيفي با به‌كارگيري ديورژانس اطلاعات طيفي

Improvement of Clustering for Hyperspectral Images using Spectral Information Divergence

الگوريتم خوشه‌بندي K-Means يكي از پركاربردترين روش‌هاي طبقه‌‌بندي نظارت ‌‌نشده در پردازش تصاوير سنجش از دور است. در الگوريتم K-Means استاندارد، از معيار عدم شباهتِ فاصله اقليدسي، به منظور اندازهگيري عدم شباهتِ بين دادهها و خوشه‌ها استفاده مي‌شود. فاصله اقليدسي، يك معيار عدم شباهتِ قطعي است كه بردار طيفي پيكسل‌ها و مراكز خوشه‌ها را به صورت نقاطي در يك فضاي چندبعدي در‌نظر مي‌گيرد و فاصله هندسي بين آن‌ها را اندازه‌گيري مي‌كند. تصاوير فراطيفي همواره داراي عدم قطعيت هستند، به همين دليل استفاده از يك معيار عدم شباهت آماري (غيرقطعي)، جهت خوشه‌بندي آن‌ها مناسب‌تر به نظر مي‌رسد. بر اين اساس در اين مقاله، با به‌كارگيري يك معيار عدم شباهت آماري، يك روش نظارت ‌نشده جديد براي خوشه‌بندي تصاوير فراطيفي طراحي و پيادهسازي شده است. روش خوشه‌بندي پيشنهادي، براي برآورد عدم شباهت بين مركز خوشهها و پيكسل‌ها، از يك معيار عدم شباهت آماري، به نام ديورژانس اطلاعات طيفي، به‌جاي فاصله اقليدسي استفاده مي‌كند. ديورژانس اطلاعات طيفي، توزيع احتمال طيف‌ها را از طريق نرمالكردن امضاي طيفي، مدلسازي مي‌كند. سپس فاصله بين توزيع احتمال طيف يك پيكسل و توزيع احتمال طيف هر مركز خوشه را برآورد مي‌كند. آزمون‌هاي انجام‌شده بر روي داده‌هاي تصويري فراطيفي واقعي حاصل از سه سنجنده HyMap، HYDICE و Hyperion نشان مي‌دهد كه روش خوشه‌بندي پيشنهاديِ مبتني بر ديورژانس اطلاعات طيفي، نتايج طبقه‌بندي را بهبود مي‌بخشد، به‌طوري كه ضريب كاپاي نتايج طبقه‌بندي تصاوير فراطيفي مورد استفاده به ترتيب، حدود 7%، 56% و 10% افزايش يافته است.

K-Means is one of the most frequently used unsupervised classification approaches for remotely sensed image analysis. In standard K-Means version, the Euclidean distance (ED) has used to estimate the dissimilarity between an unknown vector data and the cluster center. Since, this measure is very sensitive to topographic and environmental effects on spectral observations, we have proposed to replace it with a new one for goal of hyperspectral image clustering. The Spectral Information Divergence (SID) is a stochastic measure that is a more reliable dissimilarity measure when compared to ED as a deterministic measure. Where the ED measure the spectral distance between vector data and the clusters, SID models the probability distributions for vector data and clusters by normalizing their spectral signatures and measures the distances between them. This idea has applied to develop an enhanced clustering framework. The experimental results on three real hyperspectral images collected by HyMap, HYDICE and Hyperion sensors show that the proposed method improves classification results. In the manner that the Kappa coefficient of the classification results of three hyperspectral imagery datasets increased by about 7%, 56% and 10%, respectively.