طبقه بندي تصاوير ابرطيفي با استفاده از نمايش رتبه پايين و اطلاعات طيفي - مكاني

Hyperspectral Image Classification Using Low-Rank Representation and Spectral-Spatial Information

طبقه بندي تصاوير ابرطيفي از مهمترين پردازش هايي است كه بر روي اين تصاوير انجام مي شود. تصاوير ابرطيفي داراي ابعاد بالايي هستند و اين امر طبقه بندي اين تصاوير را با مشكل مواجه كرده است. از اين رو روش هايي كه ساختار زيرفضا با بعد پايين را از تصوير ابرطيفي استخراج كنند مورد توجه قرار مي گيرند. روش نمايش رتبه پايين مي تواند ساختار زير فضا با بعد پايين را كه در داده ها وجود دارد استخراج كند. اين روش ساختار سراسري داده ها را در نظر مي گيرد. به منظور حفظ ساختار سراسري و محلي در داده ها دراين مقاله روش استخراج ويژگي نمايش رتبه پايين و تنك بر مبناي اطلاعات طيفي و مكاني ارائه شده است. با اعمال اين مدل ساختار داده بهتر آشكار مي شود و قدرت تمايز ويژگي هاي آن افزايش مي يابد. در اين مدل هر پيكسل به صورت تركيب خطي از مولفه هاي ديكشنري بيان مي شود. بعلاوه براي حل مسئله به صورت بهينه از روش جهتي متناوب مضارب استفاده شده است. نتايج شبيه سازي نشان مي دهد كه مدل پيشنهادي نتايج بهتري را نسبت به روش هاي ديگر بدست آورده است.

Classification of hyperspectral images is one of the most important processes on these images. Hyperspectral images are high dimensional, so classification of these images is difficult. Therefore, methods that extract low-dimensional subspace structures from the hyperspectral image are considered. The low-rank representation method can extract the low-dimensional subspace structure in the data. This method considers the global structure of the data. In this paper, to preserve the global and local structure in the data, spares and low-rank representation feature extraction method based on spectral and spatial information is presented. The data structure is better revealed using this model, and the discrimination of the features is increased. In this model, each pixel is expressed by a linear combination of dictionary atoms. In addition, to solve the optimization problem, the alternating direction method of multipliers has been used. The simulation results show that the proposed model has better results than other methods.