بهبود طبقه‌بندي تصاوير ابرطيفي با بكارگيري يك روش نوين برآورد طيف‌هاي بازتابندگي مرجع

تصاوير ابرطيفي داراي توان تفكيك طيفي بسيار بالا بوده و حاوي تعداد زيادي باند طيفي باريك و پيوسته هستند كه همين ويژگي، امكان تشخيص و شناسايي مواد و عناصر را براساس مقايسه بازتاب طيفي هريك از آنها در طول‌موج‌هاي گوناگون فراهم مي‌سازد. از اين‌رو بكارگيري تصاوير ابرطيفي در طبقه‌بندي و توليد نقشه پوشش زمين مي‌تواند بسيار كارآمد واقع شود. در روش‌هاي طبقه‌بندي تصاوير ابرطيفي كه از يك معيار عدم شباهت براي طبقه‌بندي استفاده مي‌كنند، طيف‌هاي بازتابندگي مرجع هر كلاس، معمولا از طريق ميانگين‌گيري از طيف‌هاي بازتابندگي پيكسل‌هاي داده‌هاي آموزشي برآورد مي‌شوند. روش ميانگين‌گيري، طيف بازتابندگي مرجع را از طريق كمينه‌سازي مجموع مربع فواصل اقليدسي بين طيف بازتابندگي مرجع و طيف‌هاي بازتابندگي پيكسل‌هاي داده‌هاي آموزشي محاسبه مي‌كند. به عبارت ديگر مي‌توان گفت روش ميانگين‌گيري، برمبناي معيار عدم شباهت مربع فاصله اقليدسي، طيف بازتابندگي مرجع را برآورد مي‌كند. اين نوع روش برآورد طيف‌هاي بازتابندگي مرجع، براي همه روش‌هاي طبقه‌بندي با معيارهاي عدم شباهت مختلف مناسب به نظر نمي‌رسد و بهتر است فقط در الگوريتم حداقل فاصله كه در آن از معيار عدم شباهت مربع فاصله اقليدسي جهت طبقه‌بندي استفاده مي‌شود، به كار گرفته شود. در پژوهش حاضر روشي پيشنهاد شده است كه در آن با در نظر گرفتن معيار عدم شباهت به كار رفته در الگوريتم طبقه‌بندي، طيف بازتابندگي مرجع برآورد مي‌شود. براي ارائه و پياده‌سازي روش پيشنهادي از دو الگوريتم طبقه‌بندي نگاشت‌كننده زاويه طيفي (SAM) و فاصله جفريز-ماتوسيتا (JMD) استفاده شده است. ارزيابي دقت و كارايي روش پيشنهادي از طريق بررسي و مقايسه نتايج طبقه‌بندي الگوريتم‌هاي SAM و JMD در ازاي دو روش ميانگين‌گيري و پيشنهادي انجام شده است. آزمون‌هاي انجام‌شده بر روي داده‌هاي تصويري ابرطيفي واقعي حاصل از چهار سنجنده AVIRIS، HYDICE، Hyperion و HyMap نشان مي‌دهد كه بكارگيري روش پيشنهادي، نتايج طبقه‌بندي را بهبود مي‌بخشد. به طوري كه ضريب كاپاي نتايج طبقه‌بندي تصاوير ابرطيفي مورد استفاده در الگوريتم SAM به ترتيب 18/13%، 06/1%، 75/%0 و 18/2% و در الگوريتم JMD به ترتيب 79/10%، 17/2%، 34/0% و 4/2% افزايش يافته است.

Hyperspectral image containing high spectral information has a large number of narrow spectral bands over a continuous spectral range. This allows the identification and recognition of materials and objects based on the comparison of the spectral reflectance of each of them in different wavelengths. Hence, hyperspectral image in the generation of land cover maps can be very efficient. In the hyperspectral classification methods that use a dissimilarity measure for classification, the reference reflectance spectra of each class are usually estimated through averaging the image pixel's reflectance spectra of training data. This estimation method yields a reference reflectance spectrum in which minimize the total sum of squared Euclidean distances between the reference reflectance spectrum itself and the image pixel's reflectance spectra of training data. For this reason, the method is acceptable only for the Minimum Distance algorithm in which is used the squared Euclidean distance for classification. In this paper, we propose a method in which the reference reflectance spectrum is estimated by taking into account the dissimilarity measure that is used in the classification algorithm. Two SAM and JMD classification algorithms have been used to present and implement the proposed method. The evaluation of the accuracy and efficiency of the proposed method has been done by investigating and comparing the results of the classification of SAM and JMD algorithms by considering both averaging and proposed methods. The tests performed on four real hyperspectral images collected by AVIRIS, HYDICE, Hyperion and HyMap sensors show that the proposed method improves classification results, in a manner that the Kappa coefficient of the classification results of four hyperspectral imagery datasets increased by 13.18%, 1.06%, 0.75% and 2.18%, respectively, in the SAM algorithm and 10.79%, 2.17%, 0.34% and 2.4%, respectively, in the JMD algorithm