طبقه بندي طيفي-مكاني تصاوير ابرطيفي به كمك ويژگي هاي گشتاور هندسي تصوير و الگوريتم ژنتيك

Spatial-Spectral Classification of Hyperspectral Images Using Image Geometric Moments and Genetic Algorithm

از تصاوير ابرطيفي همواره در حوزه هاي مختلفي مانند كشاورزي، زمين شناسي و معدن، مديريت شهري، نظامي، شناسايي اهداف و… استفاده است. طبقه بندي كه يكي از مهم ترين شاخه ها از الگوريتم هاي پردازشي داده هاي ابرطيفي است كه به طور سنتي با اطلاعات طيفي انجام مي شود. تحقيقات گوناگون نشان داده است كه استفاده از ويژگي هاي مكاني تصوير در كنار ويژگي هاي طيفي موجب مي شود دقت طبقه بندي به ميزان چشمگيري افزايش پيدا كند. در اين تحقيق روشي به منظور طبقه بندي طيفي-مكاني تصاوير ابرطيفي گسترش داده شده است. در اين روش پس از يك مرحله استخراج ويژگي بر مبناي روش كسر نويز كمينه (MNF) ، از چند مولفه اول توليد شده، ويژگي هاي گشتاور هندسي تصوير در مرتبه ها و ابعاد گوناگون پنجره تحليل توليد مي شود. در مرحله بعد، اين ويژگي ها در كنار ويژگي هاي طيفي قرار گرفته و از الگوريتم ژنتيك به منظور انتخاب ويژگي هاي مناسب براي طبقه بندي استفاده مي شود. در نهايت نيز پس پردازشي بر مبناي فيلتر راي اكثريت به منظور حذف پيكسل هاي اشتباه در هر كلاس و هموارسازي برچسب ها و افزايش دقت طبقه بندي انجام مي شود. استفاده از تبديل MNF به منظور توليد ويژگي هاي گشتاور هندسي تصوير، استفاده از الگوريتم ژنتيك به منظور انتخاب ويژگي هاي طيفي-مكاني و پس پردازش مبتني بر فيلتر راي اكثريت از جمله ي نوآوري هاي اين مقاله است. نتايج پياده سازي بر روي يك تصوير ابرطيفي واقعي از مناطق نيمه-شهري كشاورزي نشان مي دهد كه الگوريتم پيشنهادي اين تحقيق در مقايسه با روش معمول مي تواند دقت طبقه بندي را تا حدود 40 درصد افزايش دهد.

Hyperspectral images are widely used in various fields such as agriculture, geology and mining, urban management, military, target detection. Classification is one of the most important fields of hyperspectral data processing which traditionally performed with spectral features. Various studies have shown that the use of spatial features along with spectral features can increase the accuracy of the classification. In this research, a method has been developed for the spatial-spatial classification of hyperspectral images. In this method, after a feature extraction step based on the minimum noise fraction (MNF) method, the geometric moments as spatial features are generated from first few MNF components in the different window seizes. In the next step, these features are stacked with spectral features and genetic algorithm is used to select the appropriate combination. Finally, a majority voting filter is used in order to remove the wrong pixels in each class, and increasing the homogeneity of labels and classification accuracy. Using the MNF transform to generate geometric moment features of the image, the use of genetic algorithm for selecting appropriate spectral-spatial features and post-processing step based on the majority voting filter are the innovative points of this paper. The results of the implementations on a real hyperspectral image from the semi-urban agricultural area named Indian Pines show that the proposed algorithm can reach the classification accuracy above 94% which is 40% better than conventional method.