طبقه بندي تصاوير سنجش از دور فراطيفي به كمك ماشين هاي بردار پشتيبان

با پيشرفت هاي نوين در سنجش از دور و توليد داده هاي فراطيفي با اطلاعات طيفي فراوان، اميد زيادي به استفاده از اين داده ها جهت مطالعه دقيق پديده ها و طبقه بندي موفق كلاسهاي پوشش زميني ايجاد شده است. علي رغم اين ويژگي مفيد و مهم ، تعدد باندها يا به عبارت ديگر اطلاعات طيفي با ابعاد زياد ، چالشي جدي در پردازش و تجزيه تحليل اين داده ها در برابر پژوهشگران قرار داده است. اين دشواري، به ويژه، در طبقه بندي تصاوير در مرحله جمع آوري داده هاي آموزشي و آموزش طبقه بندي كننده ها، خودنمايي مي كند. لذا، براي حل اين مشكل، مطالعه و پژوهش بر روي روش هايي كه براي طبقه بندي نياز به داده هاي آموزشي كم تري دارند، مورد توجه قرار گرفته است . يكي از اين روش ها كه در سالهاي اخير بسيار موفقيت آميز بوده است، الگوريتمي بر پايه ماشين هاي بردار پشتيبان (SVM) است كه از تئوري يادگيري آماري استخراج شده است.در اين مقاله ، كارايي روش ماشين هاي بردار پشتيبان در طبقه بندي تصاوير فراطيفي مورد بررسي قرار گرفته است . ويژگي اصلي اين روش، توانايي آن در بكار گيري داده هايي با ابعاد طيفي زياد و عدم نياز به مرحله انتخاب ويژگي ها و يا كاهش ابعاد مي باشد. ماشين هاي بردار پشتيبان ، از لحاظ فرمول بندي، داراي دو فرم يگانه و دوگانه هستند. در اغلب موارد ، اين دو فرم معادل يكديگرند . ولي براي بهينه سازي فرم يگانه، كه يك رابطه بدون قيد است، از هر روشي مي توان براي بهينه سازي استفاده كرد . در حالي كه براي بهينه سازي فرم دوگانه، بايستي از روش ضرائب نامعين لاگرانژ استفاده كرد. در اين پژوهش، در گام اول، الگوريتمي جهت طبقه بندي داده هاي فراطيفي با استفاده از ماشين هاي بردار پشتيبان به فرم دوگانه، پياده سازي شده است. در گام بعد، آناليز دقت و ارزيابي حساسيت اين الگوريتم نسبت به تعداد نمونه هاي آموزشي مختلف، پارامترهاي كنترل كننده الگوريتم و توابع هسته، كه نقش مهمي در فرآيند بهينه سازي الگوريتم دارند، انجام شده است. اين روش بر روي داده هاي تصويري فراطيفي سنجنده Hyperion شامل 242 باند با قدرت تفكيك مكاني 30 متر از يك منطقه كشاورزي، پياده سازي شده است. ارزيابي هاي دقت نشانگر موفقيت قابل قبول نتايج طبقه بندي اين تصاوير به كمك روش پيشنهادي است.