طبقه‌بندي خردپيكسلي تصاوير فراطيفي با استفاده از تحليل مولفه‌هاي مستقل

ICA-based Algorithm for Hypespectral image Classification, FastICA versus JadeICA

شناسایی و تشخیص عوارض شهری، یكی از كاربردهای پیچیده در طبقه‌بندی تصاویر سنجش از دوری است. با این وجود، به نظر می‌رسد تصاویر فراطیفی به دلیل توانمندی ویژه در ارائه اطلاعات پیرامون مواد و اشیاء سطح زمین، توان بهتری داشته باشند. روش‌های پردازش تصاویر كلاسیك معمولا برای داده‌های فراطیفی، به نتایج قابل قبولی منجر نمی‌شوند. از این‌ رو، روش-های نوینی برای استخراج اطلاعات از این نوع داده‌ها، مطرح شده‌اند. در این مقاله، بر پایه‌ی تحلیل مولفه‌های مستقل (Independent Component Analysis (ICA)) كه یك روش پردازش سیگنال برای كاربردهای گوناگون جداسازی منابع است، یك الگوریتم طبقه‌بندی نرم ارائه شده است. ایده اصلی روش ICA، بر مبنای فرض خطی بودن تركیب منابع و استقلال آماری دو جانبه آنهاست. این روش، جداسازی منابع مرتبط با سهم و توزیع مواد گوناگون در صحنه را، بدون هیچ دانشی از پیش، فراهم می‌كند. به عبارت دیگر می‌توان این تحلیل را به عنوان راه حل غیر نظارت شده برای طبقه‌بندی نرم و جزء پیكسلی درنظر گرفت. در كاربرد طبقه‌بندی نرم، سیستم تصویربرداری فراطیفی، یك سیستم مشاهده‌گر با یك تركیب طیفی خطی در نظر گرفته می‌شود. همچنین فرض می‌شود اطلاعات فراوانی كلاس‌های طیفی، مستقل هستند و به عنوان انواع گوناگونی از مواد با طیف خالص نسبی تفسیر شوند. به علت ابهامات ذاتی ICA، منابع تخمین زده شده منطبق با فراوانی كلاس-های طیفی حاضر در صحنه نیست و نمی‌توانند به طور مستقیم به عنوان میزان حضور یا تعلق كلاس‌ها در صحنه مورد استفاده قرار گیرند. بنابراین، جهت تهیه نقشه‌های مواد حاضر در صحنه‌ی نقشه‌های پوششی، مرحله دیگری كه همان تصمیم‌گیری، بر مبنای منطق فازی است، مورد نیاز است. الگوریتم پیشنهادی بر روی داده‌های سنجنده‌ی هوابرد CASI، پیاده‌سازی شد. نتایج از طریق مقایسه با داده حقیقی زمینی ارزیابی شد. نتایج این پژوهش نشان می‌دهد كه این الگوریتم برای كشف كلاس‌های اصلی موجود در صحنه توانمند است. با این وجود فرض خطی بودن مدل ممكن است همیشه برای برخی پدیده‌ها مانند اثر توپوگرافی روی سقف ساختمان‌ها، اثرات اتمسفری و پدیده اختلاط طیفی سازگار نباشد.

Hyperspectral imagery is an efficient way to urban scene description and for detecting and identifying of building roof materials, because of its fine spectral and spatial resolution and its ability to acquire simultaneously great number of spectral bands. The potential of such data can lead to overcome the different basic problems in remote sensing, including spectral mixing. The spectral unmixing and sub-pixel classification techniques are also the relatively new research area of remotely sensed data analysis which permits the sub-pixel estimation of land cover. These techniques consist of both supervised and unsupervised algorithms. In this paper, we have used two ICA (Independent Component Analysis)-based methods for hyperspectral images classification. These methods allow us to separate the sources related to different materials proportion and distribution which exist in the scene, without any necessity to a priori knowledge, which can be considered as an unsupervised unmixing approach. The estimated components can be interpreted as different types of materials with relatively pure spectra. Because of the inherent ambiguities of ICA-based methods, the estimated sources corresponding to materials abundances could not be used directly as the class membership values. So, to have the material maps, another decision step is needed. The Fuzzy logic technique has been applied to obtain a classification map. This technique includes either two hard and soft classification results. Both of two methods have been applied on two different scenes of CASI (Compact Airborne Spectrographic Imager), image sets over an urban area of Toulouse city in the south of France. The hard classification results have been evaluated by comparing each other and with ground truth data and also the Soft classification results have been evaluated by comparing each other and with the soft classification results of two capable sub-pixel classification methods, SAM (Spectral Angle Mapper) and MF (Matched Filtering), as reference-data. Two ICA-based methods have been evaluated in either classification precision and processing time, too. We observed that this algorithm for two methods is capable for detection of natural and man-made different materials which exist within the scene and also individual small targets. The only rest limitation of this algorithm is its need to an interpretation step by a human operator for selection of the meaningful components resulting from ICA.