بررسي بهبود دقت طبقه‌بندي با استفاده از ادغام تصوير تك‌باند ALI با تصاوير ابرطيفي Hyperion

Analysis of the Classificationʹʹs Accuracy Improvement by Fusion of ALI Panchromatic Image and Hyperion Hyperspectral Imagery

بيشتر الگوريتم‌هاي طبقه‌بندي داده‌هاي سنجش از دور براساس ويژگي‌ها و اطلاعات طيفي پيكسل‌ها عمل مي كنند. اين مسيله باعث ناديده گرفتن اطلاعات مكاني سودمند و قابل استخراج بسياري، مانند بافت تصاوير مي شود. محيط شهري بافت ناهمگني دارد كه شناسايي انواع كاربري‌ها را به فرايندي دشوار و پيچيده تبديل كرده ‌است. در اين پژوهش تاثير استفاده از بافت تصوير تك باند سنجنده ALI (Advanced Land Imager) بر دقت طبقه‌بندي تصاوير ابرطيفي سنجنده هايپريون «Hyperion» در محيط‌هاي شهري بررسي شد. طبقه‌بندي با استفاده از روش جنگل‌هاي تصادفي و در پنج سناريوي مختلف انجام شد: سناريوي شماره 1: طبقه‌بندي اطلاعات طيفي تصوير ادغام‌شده به روش CNT(بدون لحاظ كردن اطلاعات بافت)؛ سناريوهاي 2، 3، 4 و 5: طبقه‌بندي تصوير CNT با افزوده شدن بردارهاي ويژگي بافت حاصل از روش ماتريس هم‌وقوعي در اندازه‌هاي پنجره 3، 5، 7 و 9 هستند. براساس يافته‌هاي اين تحقيق، افزودن بافت به طيف تصوير ادغامي به روش CNT دقت طبقه‌بندي را بهبود چشمگيري داد، به گونه‌اي كه دقت كلي بر اثر افزودن بافت با حدود ده درصد افزايش، از 80.47% به 90.74% رسيد. بسياري از پوشش‌هاي كاربري مانند جاده، بافت مسكوني، صنايع كوچك و پراكنده و صنايع متمركز نيز در زمينه دقت توليدكننده و مصرف كننده رشد چشمگيري را شاهد بودند. پارامتر خطاي OOB با 11% كاهش، از 19.86 به 8.87% رسيد. بردارهاي ويژگي مانند ميانگين و كنتراست نيز، توانستند از لحاظ ميزان اهميت در رتبه‌هاي بالا قرار گيرند. همچنين، افزايش اندازه پنجره منجر به بهبود بيشتر دقت طبقه‌بندي شد، به گونه‌اي كه اندازه پنجره 9 بهترين عملكرد را در پي‌ داشت.

Most of common classification algorithms in remote sensing are based on spectral characteristics of the pixels. These approaches result in ignorance of many precious information, such as texture, in the classification process. The urban environment has an inhomogeneous texture, which makes land covers detection a complicated process. In this study, use of texture extracted from the panchromatic image of ALI detector for improvement of Hyperion imageʹs classification accuracy in urban regions was analyzed. Classification carried out using Random Forests method and in five different scenarios. These scenarios included: 1- Classification of the fused image by CNT method (Without Incluion of Texture Information), The other four scenarios covered the classification used by simultaneous use of texture extracted by Gray Level Co-occurrence Matrix »GLCM« in 4 different window sizes: 3,5,7,9 and fused image. Results of these analyses revealed that use of texture information as a useful parameter can lead to an enormous improvement in classification accuracy. Our findings showed that use of texture resulted in an increase in overall accuracy by around 10 percent from 80.47 to 90.74 percent . Many of land use/land covers such as roads, residential and industrial areas also experienced the improvement in producer and user accuracies. OOB error as an essential random forests parameter inclined as far as 11 percent from 19.86 to 8.87 percent. Moreover, the GLCM feature vectors such as mean and contrast achieved high ranks in importance evaluation in random forests classification. Increase of window size also led to a rise of classification accuracy and the window size 9 gained the highest accuracy accordingly. Keywords: Remote Sensing, Hyperspectral Imagery, Image Fusion, Random Forests, Texture.