ﺷﻨﺎﺳﺎﯾﯽ آﻣﺎري اﻟﮕﻮ ﻣﺒﺘﻨﯽ ﺑﺮ اﺳﺘﻨﺘﺎج ﻓﺎزي وﯾﮋﮔﯽﻫﺎي ﺑﻬﯿﻨﻪ ﻃﯿﻔﯽ - ﻣﮑﺎﻧﯽ

Pattern Recognition based on Fuzzy Inference of Spectral-Spatial Features

محاسبات نرم مبتني بر ويژگي هاي طيفي و مكاني براي تحليل تصاوير ابرطيفي معرفي مي شود. در سامانه پيشنهادي پس از پيش پردازش سه مرحله شامل ساخت نقشه‌هاي احتمالاتي اوليه، فيلترگذاري نقشه‌هاي احتمالاتي و پيش پردازش بر اساس بيشينه احتمال به طبقه بندي مبتني بر محاسبات نرم اعمال مي شود. در سامانه پيشنهادي اين مقاله، برخي از ويژگي هاي طيفي و مكاني تصاوير سنجش از دور پيش پردازش شده، به سيستم استنتاج فازي ممداني عرضه مي شود. ويژگي هاي بهينه براي اعمال به سيستم استنتاج فازي توسط بكارگيري الگوريتم ژنتيك و SVM انتخاب مي شوند. كارايي روش شناسايي الگوي پيشنهادي به استفاده چندين داده واقعي و چندين معيار ارزيابي مي شود. نتايج بدست آمده كارايي نشانگر كارايي روش پيشنهادي در طبقه بندي تصاوير ابرطيفي با استفاده از ويژگي هاي طيفي – مكاني و الگوريتم هاي هوش محاسباتي است.

Soft computing based on spectral spatial features are introduced by this pater to analyze hyperspectral images. In the proposed pattern recognition algorithm, after pre-processing, three pre-processing steps are applied, including the construction of initial probability maps, filtering of probabilistic maps, and maximizing the probability to the soft computing classification class. In this article, some of the spectral and spatial features of pre-processed remote sensing images are offered to the Mamdani fuzzy inference system. The optimal features for applying to the fuzzy inference system are selected using the genetic algorithm and SVM. The efficiency of the proposed pattern recognition algorithm is assessed using some real datasets and several evaluation criteria. The empirical results efficiently show the performance of the proposed method in classifying hyperspectral and computational intelligence algorithms.