تخمين بعد ذاتي و كاهش ابعاد داده هاي فراطيفي به منظور طبقه بندي با استفاده از روش هاي درخت تصميم، ماشين بردار پشتيبان و شبكه عصبي

Intrinsic Dimensionality Estimation and Dimension Reduction of Hyperspectral Data for Classification Using Decision Tree C4.5, SVM and ANN

طبقه­ بندي تصاوير فراطيفي، به دليل كاربردهاي برجسته اين تصاوير در حوزه­ هاي مختلف مانند نظامي، مديريت و برنامه­ ريزي شهري، مديريت منابع و كشف معادن، يكي‌ از مسائل بسيار مهم در پردازش تصاوير فرا­طيفي به شمار مي‌‌آيد. تصاوير فراطيفي به دليل دارا بودن توان تفكيك طيفي بالا، اطلاعات قابل توجهي در ارتباط با تركيب شي‌ با صحنه تصوير­برداري در اختيار كاربر قرار مي­دهند. بزرگي ابعاد اين تصاوير نه تنها محاسبات را پيچيده ­تر مي­كند بلكه دقت طبقه­ بندي را به صورت قابل ملاحظه ­اي كاهش مي­دهد، به همين علت يكي از مهم­ترين بخش­هاي پردازش و تحليل داده ­هاي ابر­طيفي انتخاب كردن ويژگي­هاي مناسب جهت استخراج عوارض مورد­نظر مي­باشد. در اين تحقيق روشي براي غلبه بر اين پيچيدگي ارائه مي­شود. منطقه مورد مطالعه مربوط به دانشگاه پاويا مي­باشد كه به وسيله سنجنده هوابرد ROSIS از قسمت شمالي ايتاليا تصوير­برداري شده است. روش آناليز اجزاي اصلي به كمك تخمين بعد ذاتي به عنوان پيش­پردازشي جهت بهبود نتايج طبقه ­بندي انجام شده است. در مرحله اول با استفاده از روش تخمين بعد ذاتي به روش Hysime تعداد باندهاي مطلوب براي طبقه­ بندي مشخص شده است و با استفاده از روش آناليز اجزاي اصلي باندهاي بهينه براي اجراي الگوريتم­ هاي طبقه­ بندي استخراج مي‍شود. سپس روش­هاي درخت تصميم­ گيري C4.5، ماشين بردار پشتيبان و شبكه عصبي براي طبقه­ بندي تصوير فراطيفي پياده سازي شده است. در نهايت دقت روش­هاي طبقه ­بندي مقايسه شده كه دقت طبقه­ بندي به روش شبكه عصبي با دقت كلي 948/0 بيشترين دقت را در ميان طبقه­ بندي­ كننده ­ها داشته است.

Classification is one of the prominent issue in processing of Hyperspectral images because of their variety applications such as urban planning, mining and military. Hyperspectral imaging due to high spectral resolution can provide much more information about the surveyed area. Ability of classifying objects in the scene can raise by using their spectral properties. However, the classification of Hyperspectral image is a very challenging issue because of their huge number of band. The large number of spectral bands in Hyperspectral data not only increases the computational burden but also can reduce classification accuracy. Moreover, there are usually high correlation between bands. Dimensionality reduction has become a crucial step for successfully classify Hyperspectral image and getting better results. Feature extraction by using the intrinsic dimensionality of the data is one useful approach to decrease the dimensionality. In this paper, Principle component analysis method using intrinsic dimension used as a pre-processing step to improve classification result. By using intrinsic dimension Estimation, can recognize proper bands number for processing and by PCA can extract optimal bands to perform classifications methods: SVM, ANN and C4.5. The results reveal the implemented method can improve the overall accuracy of classified imagery nearly 5-10 %. ANN method with accuracy about 0.95 have highest accuracy among all methods.