تلفيق روش‌هاي آشكارسازي طيفي- مكاني تصاويرفراطيفي به منظور تفكيك بهتر بام‌هاي داراي پوشش خاص در مناطق شهري

A Combination of Spectral-Spatial Detection Methods of Hyperspectral Images for the Better Separation of Special Buildingsʹ Roofs in Urban Area

ویژگی‌ها و پیچیدگی‌های داده‌های حاصل از سنجنده‌های فراطیفی باعث شده است كه روشهای نوین و پیشرفته‌تر آنالیز تصاویر سنجش از دور به منظور استخراج اطلاعات دقیقتر و كاملتر از داده‌های فراطیفی مورد توجه قرار گیرند، یكی از آنالیزهایی كه بر روی تصاویر فراطیفی انجام می‌شود، آشكارسازی هدف است. روشهای آشكارسازی هدف در تصاویر فراطیفی، معمولاً بر اساس ویژگی‌ها و اطلاعات طیفی صورت می‌گیرد. در این پژوهش برای بهبود دقت آشكارسازی طیفی ساختمانهایی با پوشش خاص در مناطق شهری، دو استراتژی تركیب الگوریتمهای آشكارسازی به كمك روش ANFIS (Adaptive Neuro-Fuzzy Inference System) و آشكارسازی طیفی- مكانی بكار گرفته شد. در آزمونهای صورت گرفته بر روی دو تصویر فراطیفی مختلف، ابتدا شش الگوریتم آشكارسازیSAM (Spectral Angle Measure) ، SCS (Spectral Correlation Similarity)، SID (Spectral Information Divergence) ، JMD (Jeffries-Matusita Distance)، CEM (Constrained Energy Minimizing) و CMFM (Covariance-based Matched Filter Measure) پیاده‌سازی گشته سپس با استفاده از روش ANFIS و به صورت یكجا، نتایج آشكارسازی با هم تركیب گردید. سپس تاثیر داده‌های وابستگی مكانی پیكسل‌ها، در كنار داده‌های طیفی آنها، روی شش الگوریتم آشكارسازی طیفی بررسی گردید و عمل تركیب الگوریتمها در این حالت نیز تكرار شد. نتایج ارزیابی‌های كمی و كیفی آزمونها بر روی دو تصویرفراطیفی نشان داد كه استفاده از دو استراتژی فوق به صورت همزمان مقدار ضریب كاپا را به میزان 3/6 درصد برای تصویر اول و 6/9 درصدبرای تصویر دوم در مقایسه با الگوریتم آشكارسازی SAM بهبود داده است.

Recently, hyperspectral images analysis has obtained successful results from information extraction in urban areas. Building detection is one of the important applications in processing hyperspectral images. In order to detect complete and precise building information from hyperspectral data, advanced data analysis methods are required. Algorithms based on spectral-identification are sensitive to spectral variability and noise in acquisition. In most cases, the spectral signature is unknown, so each pixel is separately examined and if it significantly differs from the background, it is regarded as an object. On the other hand, there are many algorithms e.g. Spectral Angle Measure (SAS), Spectral Correlation Similarity (SCS), Spectral Information Divergence (SID), Jeffries-Matusita Distance (JMD), Constrained Energy Minimizing (CEM) and Covariance-based Matched Filter Measure (CMFM) for building detection. In this study, first we employed the SAS, SCS, SID, JMD, CEM and CMFM algorithms for building detection. Then, in the next step to improve the spectral detection algorithms, two strategies, the combining algorithms using Adaptive Neuro-Fuzzy Inference System (ANFIS) method and spectral-spatial detection, was employed. Our experiments results demonstrate a significant improvement of accuracy using proposed strategies on two CASI hyperspectral images taken from an urban area.