طبقه بندي تصاوير ابرطيفي با استفاده از ادغام ويژگي هاي طيفي و مكاني در شبكه هاي عصبي پيچشي

سنجنده هاي ابرطيفي به واسطه اخذ تعداد زيادي از باندهاي طيفي همواره داراي اهميت خاصي در پايش پديده هاي سطح زمين مي باشند. طبقه بندي تصاوير ابرطيفي مهم ترين روش پردازش داده هاي ابرطيفي مي باشد كه تا به حال تلاش هاي زيادي براي افزايش دقت آن صورت گرفته است. شبكه هاي عصبي پيچشي و ويژگي هاي مكاني در سال هاي اخير جايگاه مهمي در بهبود دقت طبقه بندي تصاوير ابرطيفي داشته اند. در تحقيقات پيشين توجه زيادي به استفاده همزمان از قابليت هاي روش هاي استخراج ويژگي مكاني در شبكه هاي عصبي پيچشي نشده است. به همين دليل در مقاله حاضر يك معماري جديد از شبكه هاي عصبي پيچشي براي طبقه بندي تصاوير ابرطيفي معرفي شده است كه به عنوان ورودي شبكه از بردار طيفي _مكاني حاصل از تركيبات مختلف ويژگي هاي مكاني شامل پروفايل هاي مورفولوژي، بانك فيلترگابور و الگوي باينري محلي(LBP) با ويژگي هاي طيفي استخراج شده از روش تبديل مولفه اصلي استفاده مي كند. آزمايش هاي اين مقاله كه بر روي دو تصوير ابرطيفي حقيقي از دو منطقه كشاورزي و شهري صورت گرفته است، نشان از برتري روش پيشنهادي دارد. نتايج نهايي نشان مي دهد كه دقت كلي طبقه بندي با روش پيشنهادي مي تواند در بهترين حالت 2/5 درصد از روش هاي رقيب بهتر باشد.