يك روش نوين استخراج ويژگي مبتني بر شي با استفاده از ناحيه بندي به منظور طبقه بندي تصاوير ابر طيفي

A new object based feature extraction method using segmentation for classification of hyperspectral images

فراواني را در زمينه ي سنجش از راه دور در اختيار قرار ميدهند. برتري اين تصاوير،كيفيت بالاي آنها در محدوده ي گستردهي امواج الكترومغناطيسي است. در تصاوير ابرطيفي، به علت عدم تناسب تعداد باندها و تعداد نمونه هاي آموزشي، احتمال كاهش دقت طبقه بندي وجود دارد. براي حل اين مشكل، از روشهاي مختلفي همچون كاهش و استخراج ويژگي استفاده ميشوند. ازطرفي، بهمنظور دستيابي به بيشينه دقت عملكردي در استخراج ويژگي، مي -توان از اطلاعات طيفي و مكاني تصاوير بهطور همزمان بهره برد. بدين ترتيب، در اين مقاله به معرفي يك روش استخراج ويژگي مبتنيبر شي با بهره گيري از اطلاعات مكاني و طيفي تصاوير ميپردازيم .روش پيشرو از چهار گام اصلي تشكيل شده است؛ ابتدا، از الگوريتم PCAبا هدف استخراج ويژگيهاي اوليهي تصوير استفاده ميكنيم. سپس براي دستيابي به اطلاعات مكاني دادهها، فيلتر گابور و الگوريتم K-meansرا بر آنها اعمال مي كنيم. در نهايت، به منظور يافتن ضرايب تبديل، يك تابع هزينه تشكيل ميدهيم. يكي از نقاط قوت تابع پيشنهادي، قدرت آن در تخصيص پيكسلهاي يك ناحيه به يك كلاس است.نتايج آزمايشها بر دادههاي ابر طيفي اينديانا، ساليناس و بوتسوانا با بهره گيري از طبقه بند K-NN به ترتيب دقت كلي 90.50 ،84.36و 97.65 را براي هر يك از دادهها ارائه مي كنند

Hyper Spectral Images (HSI) collect a lot of information in hundreds of narrow spectral bands. This type of image has been more useful for a wide range of applications in ground surface identification. Here, there are some processes to achieve that proper information. So, finding a way to gain the best accuracy for collecting data has become an interesting field for scientists. As a result, in this paper, we introduced object-based Feature Extraction algorithms (FE) to find out such useful information. The proposed algorithm has four fundamental phases. In the first stage, we use an unsupervised FE such as the PCA algorithm to extract the most significant features of the image. Then, the Gabor filter would add to obtain the local features. In the third step, we use the K-means algorithm to make a segmentation map of the image. Finally, in the last stage, by considering the coordination between pixels of each region and the effects of local relations among neighbor pixels relating to the same object in the image by an appropriate transformation, a function introduced. As a consequence of all these stages, some important and efficient features of the proposed data would extract.