برآورد بعد ذاتي در تصاوير ماهواره‌اي ابرطيفي

Intrinsic Dimensionality Estimation in Hyperspectral Images

با پيشرفت سنجنده‌های سنجش از دور طيفی با توانتفكيك طيفی بالا، تصاوير ابرطيفی ماهواره‌ای بطور وسيع به منظور نظارت بر سطح زمين به خدمت گرفته شده‌اند. بزرگی ابعاد اين تصاوير نه تنها باعث افزايش پيچيدگی محاسبات گرديده بلكه باعث كاهش دقت طبقه‌بندی تصوير نيز شده است. كاهش ابعاد يكی از اصلی‌ترين روشها در تصاوير ابرطيفی برای بهبود دقت طبقه‌بندی است. معمول‌ترين روش در كاهش ابعد انتخاب عارضه می‌باشد. بطور ايده‌آل كاهش نمايندگان يك مجموعه به كاهش ابعاد ذاتی آن مرتبط می‌شود. روشهای مختلفی برای برآورد بعد ذاتی و نيز كاهش ابعاد در تصاوير ابرطيفی در منابع وجود دارد. در اين مقاله به شرح و مقايسه پنج تكنيك برآورد بعد ذاتی پرداخته و كارايی اين تكنيكها را به منظور طبقه‌بندی بانظارت تصاوير ابرطيفی بررسی و بحث كرده است. اين تكنيكها شامل برآوردكننده مقدار ويژه(EV)، برآوردكننده بيشترين شباهت (ML)، برآوردكننده بعد همبسته (CD)، برآوردكننده عدد بسته‌بندی (PN) و كمترين گشترش درخت ژئودزيك (GMST) می‌باشد. روش طبقه‌بندی كننده نزديكترين همسايگی (K-NN) به منظور طبقه‌بندی بانظارت مورد استفاده قرار گرفته است. تعداد زيادی از فواصل متريك در اين طبقه‌بندی كننده مورد استفاده و مقايسه قرارگرفته است. پركاربردترين روشهای كاهش ابعاد مانند تحليل مولفه اصلی (PCA) و تحليل مولفه مستقل (ICA) در خروجی روشهای برآوردهگر بكارگرفته شده است. اين تحقيق نگاهی مقايسهای و مروری بر روشهای برآورده‌گر داشته و نيز عارضه‌های باندی استخراج شده را به منظور طبقه بندی مورد استفاده قرار داده است.

By development of remote sensing sensors, hyperspectral remote sensing images are now widely available for monitoring the earth’s surface by using high spectral resolution and dimension. However, this large dimension not only increases computational complexity but also degrades classification accuracy. Dimensionality reduction is a major issue to improve the efficiency of the classifiers in hyperspectral images. The common ways for dimensional reduction is feature extraction. Ideally, the reduced representation has a dimensionality that corresponds to the intrinsic dimensionality of the data. There are a wide range of methods in intrinsic dimensionality estimation and dimensionality reduction of hyperspectral Images in literatures. In this paper, we discuss and compare five intrinsic dimensionality estimation (IDE) techniques for hyperspectral dimensionality reduction. We investigate the performance of these techniques for IDE on hyperspectral images, and compare their performances for supervised image classification purpose. These techniques include; Eigen value estimator (EV), Maximum likelihood estimator (ML), Correlation dimension estimator (CD), Packing number estimator (PN) and geodesic minimum spanning tree (GMST) estimator. The K-Nearest Neighbor (K-NN) classifier used for supervised image classification. The variety of the distance metric was used and compared in this classifier. The most useful and practical methods for reduction of dimensionality Principal Component Analysis (PCA) and Independent Components Analysis (ICA) were used in output of these IDE techniques. This study presented a review and comparative study of techniques in IDE. Then feature bands used in supervised classification with variety in parameters usage.