طبقه بندي خرد پيكسلي تصاوير فراطيفي با استفاده از تحليل مولفه هاي مستقل

شناسايي و تشخيص عوارض شهري، يكي از كاربردهاي پيچيده در طبقه بندي تصاوير سنجش از دوري است. با اين وجود، به نظر مي رسد تصاوير فراطيفي به دليل توانمندي ويژه در ارائه اطلاعات پيرامون مواد و اشياء سطح زمين، توان بهتري داشته باشند. روش هاي پردازش تصاوير كلاسيك معمولا براي داده هاي فراطيفي، به نتايج قابل قبولي منجر نمي شوند. از اين رو، روش-هاي نويني براي استخراج اطلاعات از اين نوع داده ها، مطرح شده اند. در اين مقاله، بر پايه ي تحليل مولفه هاي مستقل ((Independent Component Analysis (ICA) كه يك روش پردازش سيگنال براي كاربردهاي گوناگون جداسازي منابع است، يك الگوريتم طبقه بندي نرم ارائه شده است. ايده اصلي روش ICA، بر مبناي فرض خطي بودن تركيب منابع و استقلال آماري دو جانبه آنهاست. اين روش، جداسازي منابع مرتبط با سهم و توزيع مواد گوناگون در صحنه را، بدون هيچ دانشي از پيش، فراهم مي كند. به عبارت ديگر مي توان اين تحليل را به عنوان راه حل غير نظارت شده براي طبقه بندي نرم و جزء پيكسلي درنظر گرفت. در كاربرد طبقه بندي نرم، سيستم تصويربرداري فراطيفي، يك سيستم مشاهده گر با يك تركيب طيفي خطي در نظر گرفته مي شود. همچنين فرض مي شود اطلاعات فراواني كلاس هاي طيفي، مستقل هستند و به عنوان انواع گوناگوني از مواد با طيف خالص نسبي تفسير شوند. به علت ابهامات ذاتي ICA، منابع تخمين زده شده منطبق با فراواني كلاس-هاي طيفي حاضر در صحنه نيست و نمي توانند به طور مستقيم به عنوان ميزان حضور يا تعلق كلاس ها در صحنه مورد استفاده قرار گيرند. بنابراين، جهت تهيه نقشه هاي مواد حاضر در صحنه ي نقشه هاي پوششي، مرحله ديگري كه همان تصميم گيري، بر مبناي منطق فازي است، مورد نياز است. الگوريتم پيشنهادي بر روي داده هاي سنجنده ي هوابرد CASI، پياده سازي شد. نتايج از طريق مقايسه با داده حقيقي زميني ارزيابي شد. نتايج اين پژوهش نشان مي دهد كه اين الگوريتم براي كشف كلاس هاي اصلي موجود در صحنه توانمند است. با اين وجود فرض خطي بودن مدل ممكن است هميشه براي برخي پديده ها مانند اثر توپوگرافي روي سقف ساختمان ها، اثرات اتمسفري و پديده اختلاط طيفي سازگار نباشد.