تاثير انتخاب ويژگي به كمك الگوريتم ژنتيك بر طبقه بندي طيفي-مكاني تصاوير ابرطيفي

The effect of feature selection using genetic algorithms on spectral-spatial classification of hyperspectral imagery

فن‌آوري سنجش از دور ابرطيفي داراي كاربردهاي فراوان در طبقه بندي پوشش‌هاي زمين و بررسي تغييرات آنها مي‌باشد. با پيشرفت‌هاي اخير و ايجاد تصاويري با قدرت تفكيك مكاني بالا، لزوم استفاده توام از اطلاعات طيفي و مكاني را در طبقه بندي تصاوير ابرطيفي ايجاب مي‌كند. در اين تحقيق سعي مي‌گردد تاثير كاهش ابعاد به كمك الگوريتم ژنتيك را در فرآيند طبقه بندي طيفي-مكاني تصاوير ابرطيفي بررسي شود. در ميان الگوريتم‌هاي مختلف طبقه بندي طيفي-مكاني تصاوير ابرطيفي، تاكنون سه الگوريتم قطعه بندي واترشد، هرمي و جنگل پوشاي مينيمم مبتني بر نشانه در تركيب با الگوريتم طبقه بندي ماشين بردار پشتيبان به بهترين نتايج دست يافته‌اند. در روش پيشنهادي ابتدا به كمك الگوريتم ژنتيك ابعاد تصوير ابرطيفي كاهش يافته سپس بر روي باندهاي حاصل، سه الگوريتم قطعه بندي مذكور پياده سازي گرديد. در نهايت نقشه هاي قطعه بندي بدست آمده به كمك قانون تصميم راي اكثريت با نقشه طبقه بندي ماشين بردار پشتيبان تركيب شد. روش پيشنهادي بر روي سه تصوير ابرطيفي Pavia، Telops و DC Mall پياده سازي گرديد، نتايج آزمايشات بدست‌آمده برتري استفاده از كاهش ابعاد در الگوريتم جنگل پوشاي مينيمم مبتني بر نشانه و استفاده از تمام باندهاي تصوير در الگوريتم هاي واترشد و هرمي مبتني بر نشانه را نشان مي‌دهد.

Hyperspectral remote sensing technologies have many applications in land cover classification and study their changes. With recent developments and create images with high spatial resolution, it is necessary the use of both spatial and spectral information in hyperspectral image classification. In this paper, we have evaluated the effect of dimensionality reduction using genetic algorithm on spectral-spatial classification of hyperspectral imagery. So far, among the various algorithms spectral-spatial classification of hyperspectral images, three segmentation algorithms, watershed, hierarchical and Minimum Spanning Forest (MSF) based on markers, combined with Support Vector Machines (SVM) to achieve the best results. In the proposed approach, the dimension of hyperspectral images is first reduced by using genetic algorithm. Then, the three mentioned segmentation algorithms are applied on the resulting bands. Finally, the obtained segmentation maps are combined with SVM classification map using majority voting rule. The proposed approach was implemented on three hyperspectral data sets, the Pavia dataset, the Telops dataset, and the DC Mall dataset. The obtained experimental results indicate the superiority use of reduced bands in MSF based on markers algorithm and all bands in watershed and hierarchical based on markers algorithms.