ادغام تصوير فراطيفي و داده ليدار در سطح توصيف گر بر مبناي الگوريتم بهينه سازي توده ذرات چند هدفه به منظور طبقه بندي مناطق شهري

Feature Level Fusion of Hyperspectral Image and LiDAR Data based on Multi-Objective Particle Swarm Optimization in Classification of Urban Area

داده ­هاي فراطيفي و ليدار با توجه به فراهم آوردن اطلاعات طيفي و ارتفاعي غني مي ­توانند پتانسيل بالايي در تفكيك عوارض در مناطق پيچيده شهري داشته باشند. در اين مطالعه، روشي فرا ابتكاري در بهينه ­سازي ادغام داده ­ها در سطح توصيف ­گر ارائه شده است. براي اين هدف، يك فضاي توصيف­ گر جامع طيفي-مكاني-ساختاري مبتني بر دو داده و با استفاده از روش­هاي استخراج ويژگي شامل شاخص­هاي طيفي، آناليز بافت، ناهمواري و غيره ايجاد مي­شود. در مطالعات انجام شده عموماً از يك معيار براي ارزيابي عملكرد طبقه ­بندي­ كننده استفاده مي­شود. در روش پيشنهادي، سه معيار ارزيابي قدرت تعميم الگوريتم، پيچيدگي طبقه ­بندي و جدايي بين كلاس ­ها در نظر گرفته شده است. الگوريتم بهينه ­سازي توده ذرات چندهدفه با هدف انتخاب زيرمجموعه ­اي بهينه از توصيف ­گرها و تعيين پارامترهاي طبقه ­بندي كننده ماشين­ هاي بردار پشتيبان بكار گرفته شده به صورتيكه سه معيار بهينه شود. نتايج بدست آمده نشان مي­دهد كه روش پيشنهادي با حذف 300 توصيف ­گر (از مجموع 611 توصيف­گر) دقت طبقه ­بندي را تا %11 و %58 به ترتيب نسبت به تصوير فراطيفي و ليدار بهبود بخشيده و همچنين فاصله بين كلاس ­ها افزايش مي ­يابد.

Hyperspectral and LiDAR data provide spectral and height information and they have high potential in classification of complex urban area. This paper proposed meta-heuristic method in feature level fusion of them. For this purpose, a comprehensive spectral-spatial-structural feature space is generated based on feature extraction method such as spectral indices, texture analysis, roughness, etc. Previous methods apply just one criterion to evaluate classification performance. However, in the proposed method, three criteria including generalization ability, classification complexity and classes separation are considered. Multi-Objective Particle Swarm Optimization (MOPSO) is implemented to select optimum feature space and Support Vector Machines (SVMs) parameters simultaneously while optimize all three parameters. The obtained results show the proposed method increases classification accuracy up to 11% and 58% respect to hyperspectral imagery and LiDAR data by eliminating 300 features (among 611 feature) and also increasing classes separation.