طبقه بندي تصاوير ابرطيفي سنجش از دور با استفـاده از سيستم هاي طبقهبندي چندگانه

Hyperspectral Remote Sensing Image Classification Using Multiple Classifier Systems

با پيشرفت سنجنده هاي سنجش از دور، امروزه يكي از پركاربردترين محصولات مورد استفاده در اين حوزه، تصاوير ابرطيفي است. اين داده ها به دليل داشتن باندهاي زياد طيفي باريك در محدوده ي مريي تا مادون قرمز طول موج كوتاه امكان شناسايي بهتر پوشش هاي مختلف زميني را فراهم نموده است. با اين وجود، استفاده از روش هاي قديمي طبقه بندي در فضاي ويژگي هاي با ابعاد بالا، ممكن است ما را با پديده ي معروف هيوز مواجه نمايد. مطالعات جديد در حوزه ي سنجش از دور، نشان دادهاند كه استفاده از روش ماشين هاي بردار پشتيبان براي حل اين مسايل بسيار مناسب است. از قابليت هاي اين روش، استفاده ي بخشي از داده هاي آموزشي به جاي تمام داده ها جهت طبقه بندي است. در اين مقاله، مي خواهيم تا طبقه بندي تصاوير ابرطيفي سنجش از دور، با استفاده از سيستم هاي طبقه بندي چندگانه را مورد بحث و بررسي قرار دهيم و همچنين يك سيستم مجمعي مبتني بر ماشين هاي بردار پشتيبان معرفي نماييم. در روش پيشنهادي مقاله، ابتدا 2 زيرمجموعه از بهترين زيرمجموعه هاي ويژگي هاي باارزش و مفيد را از كل ويژگي ها استخراج مي كنيم. سپس زيرمجموعه ها ي استخراج شده را با دو روشِ جداساز SVM چندكلاسه به 3 كلاس موردنظر طبقه بندي مي نماييم. همچنين با استفاده از سيستم طبقه بندي چندگانه مبتني بر SVM چندكلاسه اين طبقه بندي انجام مي شود. نتايج دقت كلي طبقه بندي حاصل از استراتژي پيشنهاد ي، با نتايج به دست آمده از SVMهاي تكي و همچنين مجمع هاي طبقه بندي ديگر، از قبيل boosting، bagging و random forests مقايسه مي گردد. داده ي مورد استفاده در اين مقاله، تصوير ابرطيفي سنجنده ي آويريس با 224 باند طيفي از يك منطقه ي شهري است كه نتايج حاصل از روش هاي پياده شده روي آن نشان از توانايي كم نظير اين روش ها در طبقه بندي تصاوير ابرطيفي دارد.

With Remote sensing sensors are increasingly being developed and one of them that is now widely being utilized is hypersectral remote sensing images. Having this large amount of information, in a classification task, the capability to detect different classes with a better accuracy has been increased. But at the same time, conventional classification techniques are facing the problem of statistical estimation in high-dimensional space. Recently in remote sensing, has been shown that support vector machines (SVMs) are very suitable classifiers for classifying high dimensionality problem. In this paper, we want to discuss on hyperspectral image classification using multiple classifier systems and to introduce a SVMs-based ensemble system. In proposed method, the first, we extract two best feature subsets from total features. Then, the extracted feature subsets were classified to three classes by using two multi-class SVM methods. In addition, this classification is done by using a multiple classifier system based on multi-class SVM. The results of proposed method are compared with the results of individual SVMs and other classifier ensembles such as bagging, boosting and random forests. Data used in this paper, is hyperspectral image of AVIRIS sensor from sandiego urban scene with 224 bands. The results show the high capability of implemented methods.