بهبود عملكرد شبكه نواحي تصادفي با استفاده از آناليز تفكيك‌پذيري خطي به‌منظور استخراج ويژگي‌هاي عميق از تصاوير ابرطيفي

Improving the performance of RPNet with LDA for extracting the deep features for the classification of hyperspectral images

در چند سال گذشته مدل‌هاي عميق، توفيق فراواني در شاخه‌هاي مختلف پردازش تصوير پيدا كرده‌اند. به طور خاص در سنجش از دور ابرطيفي از اين مدل‌ها در شاخه‌هايي نظير طبقه‌بندي و شناسايي اهداف با موفقيت استفاده شده است. اخيراً روش شبكه نواحي تصادفي به منظور استخراج ويژگي‌هاي عميق براي طبقه‌بندي تصاوير ابرطيفي پيشنهاد شده است. اهميت اين شبكه در آن است كه ويژگي­ هاي عميق را به صورت نظارت نشده استخراج مي­ كنند و عملكردي سريع دارد. عليرغم عملكرد مطلوب اين شبكه، از آنجايي كه در ساختار اصلي آن از روش تبديل مؤلفه اصلي استفاده مي‌شود، در ويژگي ­هاي استخراج شده قيد بيشينه شدن تفكيك‌پذيري ميان كلاس‌ها در نظر گرفته نشده است. از اين رو در اين تحقيق از آناليز تفكيك‌پذيري خطي به منظور بهبود ساختار اين شبكه استفاده شده است. نتايج پياده‌سازي‌ها بر روي دو مجموعه داده ابرطيفي نشان از آن دارد كه روش پيشنهادي ويژگي‌هاي مناسب‌تر و فشرده ­تري را براي طبقه‌بندي تصاوير ابرطيفي استخراج مي ­كند. به طور كلي روش پيشنهادي توانسته است كه ضمن افزايش سرعت و فشرده­ سازي بيشتر ابعاد داده، دقت كلي طبقه ­بندي را تا 2/5 درصد نسبت به روش شبكه نواحي تصادفي افزايش دهد.

In recent years, deep models have achieved great success in various fields of image processing. These models have been used in some research fields of hyperspectral data processing, such as; classification and target detection. The random patches network (RPNet) has recently been proposed to extract hierarchical deep features for hyperspectral image classification. RPNet is important as it is an unsupervised method, and as a consequence, it has a fast performance to extract deep features. Despite the good performance of this network, due to the usage of the principal component analysis (PCA) method in its main structure, maximum discrimination between classes is not guaranteed in extracted features. Therefore, in this paper,in order to improve the performance of RPNet, a new method called LDA-RPNet based on linear discriminant analysis (LDA) is proposed. Experiments on two hyperspectral datasets, Indian Pines and Pavia University, show that the LDA-RPNet can extract more compact and suitable features for classifying hyperspectral images. Also, based on the experiments, the LDA-RPNet can increase the overall accuracy by up to 2.5% compared to the classical RPNet.