تلفيق الگوريتم ماشين بردار پشتيبان و مدل مخفي ميدان هاي تصادفي ماركوف جهت بهبود صحت طبقه بندي داده هاي فراطيفي

Fusion of SVM algorithm and HMRF for accuracy assessment of Hyperspectral data

يكي از مسائل مهم در بحث سنجش­ ­از­دور فراطيفي، طبقه ­بندي اين حجم از داده­ هاي چندبعدي با صحت مطلوب است. بيشتر روش ­هاي طبقه ­بندي داده­ هاي سنجش ­از­ دوري بر اساس اطلاعات طيفي داده­ ها است. با اين وجود جهت دست­يابي به صحت بالاي طبقه ­بندي، مي­ توان از اطلاعات مكاني داده­ ها نيز استفاده نمود. تلفيق مدل ميدان­ هاي تصادفي ماركوف كه اطلاعات مكاني را از طريق كمينه‌سازي توابع انرژي مناسب بهينه‌سازي مي­ كند با الگوريتم طبقه ­بندي طيفي ماشين بردار پشتيبان كه يكي از روش‌هاي قدرتمند جهت طبقه‌بندي تصاوير فرا طيفي است، مي­ تواند صحت طبقه ­بندي را در نقشه­ طبقه ­بندي نهايي بهبود بخشد. هدف اين مطالعه بهبود صحت طبقه­ بندي داده­ ها با تعداد نمونه­ هاي آموزشي محدود به كمك تلفيق مدل ميدان­ هاي تصادفي ماركوف و الگوريتم ماشين بردار پشتيبان است. دو مجموعه داده فراطيفي سنجنده ­هاي Hyperion و AVIRIS در اين مطالعه مورد بررسي قرار گرفته است. بعد از اعمال تصحيحات راديومتريك مانند حذف خطوط جا افتاده تصوير و باندهاي نامطلوب، تصحيحات اتمسفري مجموعه داده Hyperion به روش FLAASH و مجموعه داده AVIRIS به روش IAR انجام شد. تبديل MNF جهت كاهش ابعاد داده استفاده شد و سپس عضوهاي نهايي داده­ ها از روي باند PPI استخراج گرديد و در ادامه جهت طبقه ­بندي طيفي اين داده ­ها از الگوريتم طبقه ­بندي ماشين بردار پشتيبان استفاده شد. در نهايت جهت بهبود صحت طبقه ­بندي در نقشه طبقه ­بندي شده نهايي از مدل مخفي ميدان­ هاي تصادفي ماركوف (HMRF) استفاده شد. به طوري­ كه بعد از استخراج مؤلفه ­هاي تبديل PCA و MNF داده ­ها ، محاسبه برخي پارامترهاي آماري هر يك از كلاس ­ها در نقشه طبقه ­بندي SVM به منظور استفاده در ورودي مدل و همچنين تنظيم دوره تكرار، مدل SVM-HMRF اعمال شد. نتايج نشان داده است كه استفاده از مدل ارائه‌شده (SVM-HMRF) صحت كلي طبقه ­بندي را در هر دو مجموعه داده بهبود بخشيده است. به طور مثال بهبود صحت طبقه ­بندي در برخي از كاربري‌هاي مختلف تصوير حدود 25 درصد بوده است. همچنين مناطق تصوير در نقشه طبقه ­بندي شده نهايي بسيار همگن تر شده و نويز­هاي فلفل - نمك به شدت كاهش يافته است.

Classification of high-dimensional hyperspectral data with many spectral bands for the derivation of good accuracy is an important problem in hyperspectral remote sensing .The most of classification algorithms are based on spectral information .Here, in order to achieve an high classification accuracy, we can use the spatial information of data. Integration of hidden morkov random field that optimize spatial information by minimizing energy functions, with support vector machine that is an powerful method for classification of hyperspectral data, can improve classification accuracy in final classified map properly. The purpose of this study is to improve the classification accuracy with a limited of training samples by combination of support vector machine algorithm and hidden morkov random field. In this study, tow hyperspectral dataset from Hyperion and AVIRIS sensors has been used. After the applying radiometric corrections like correcting embedded lines and remove bad bands , atmospheric correction Hyperion dataset done by FLAASH method and AVIRIS dataset by IAR algorithm. MNF transformation was used in order to dimensionally reduction and the endmembers were extracted from PPI band and then in order to spectral classification, used from SVM method. Finally, to improve classification accuracy in the final classified map, hidden Markov random field (HMRF) was used. So that after the extracting of Components from PCA and MNF Transformations, computing of some statistic parameters of classes in SVM classified map in order to use in inputs model and so configuration of iterations, SVM-HMRF model was applied. The results show that the proposed model (SVM-HMRF) has improved overall classification accuracy in both of data sets. For example, the improved classification accuracy on some of land uses, were around 25 percent. Also regions of final classified map is much more homogeneous and salt and pepper nose drastically reduced.