حل هم‌زمان خوشه‌بندي و تعيين باندهاي بهينه داده‌هاي فراطيفي با استفاده از الگوريتم بهينه‌سازي توده ذرات

Clustering and Optimum Band Selection of Hyperspectral Data Based on Particle Swarm Optimization

امروزه با رشد و توسعه سيستم‌هاي سنجش از دور و توليد داده‌هاي فراطيفي با قدرت تفكيك طيفي بالا انتظار مي‌رود كه شناسايي پديده‌ها با دقت بيشتري انجام گيرد و دقت خوشه‌بندي كلاس‌هاي پوشش زميني مشابه افزايش يابد. با وجود چنين پيشرفتي، اطلاعات طيفي با ابعاد زياد همچنان مسيله‌اي چالش‌برانگيز در پردازش و تجزيه و تحليل داده قلمداد مي‌شود، به گونه‌اي كه با افزايش ابعاد داده، دقت خوشه‌بندي تا يك حد آستانه افزايش و سپس كاهش مي‌يابد. بنابراين به‌منظور انجام خوشه‌بندي مناسب نياز است تا به طور هم‌زمان باندهاي بهينه اين تصاوير نيز انتخاب گردند و يا به عبارت ديگر دو مسيله خوشه‌بندي و انتخاب باندهاي بهينه با هم در نظر گرفته شوند. در مقاله حاضر، روش جديدي براي خوشه‌بندي داده‌هاي فراطيفي به‌وسيله الگوريتم بهينه‌سازي توده ذرات ارايه شده است كه در آن به طور مشترك موقعيت بهينه مراكز خوشه‌ها و تعداد باندهاي بهينه تصاوير فراطيفي به دست مي‌آيد. قابليت بالاي اين الگوريتم در جست‌وجوي سراسري فضاي مسيله و حل هم‌زمان توابع هدف مختلف باعث شد تا از آن براي خوشه‌بندي داده‌هاي فراطيفي استفاده گردد. در پژوهش حاضر، پس از بررسي خوشه‌بندي داده‌اي فراطيفي مبتني بر الگوريتم توده ذرات، روش پيشنهادي خوشه‌بندي برمبناي حل هم‌زمان خوشه‌بندي و انتخاب باندهاي بهينه معرفي مي‌گردد. مقايسه نتايج به‌دست‌آمده براي خوشه‌بندي داده‌هاي سنجنده AVIRIS نشان مي‌دهد كه نتايج حاصل از الگوريتم بهينه‌سازي توده ذرات و همچنين روش پيشنهادي به ترتيب با مقدار كاپاي 22/74 و 57/76 از ديگر الگوريتم‌هاي استفاده‌شده در اين تحقيق بهتر و كارآمدتر است.

Abstract Nowadays, by developing the remotely-sensed systems and acquiring the hyperspectral data with the high spectral resolution, it is expected that phenomena have been accurately recognized, and as a result, clustering accuracy of corresponding land-cover classes have been increased. Despite this useful characteristic, spectral information with high dimension is a challenging problem in data processing and analyzing. That is why, by increasing the dimension of data, firstly clustering accuracy is improved to a threshold, and then it decreases. So in order to make an appropriate clustering, it is needed to choose the optimum bands of these images simultaneously or in other words, the two problems of clustering and choosing optimum bands should be considered together. In this paper a new method has been presented for clustering of hyperspectral data by PSO, in which both optimum centroids and the number of optimum bands of these images are achieved. High capability of PSO algorithm in global searching of the space problem, and at the same time, solving the multi-objective problems caused to use this algorithm for clustering the hyperspectral data. In this study, after surveying the concept of PSO-based clustering, the proposed method is presented based on solving clustering and choosing optimum bands simultaneously. Comparison of the obtained results for clustering of a scene of AVIRIS image has showed that clustering by PSO and proposed method with the accuracy of 74.22 and 76.57 respectively for Kappa coefficient gives better results than the other algorithms which have been used in this research. Keywords: Particle Swarm optimization, Clustering, Hyperspectral Images, Optimum Band Selection