فنآوری سنجش از دور فراطیفی دارای کاربردهای فراوان در طبقهبندی پوششهای زمین و بررسی تغییرات آنها است. با پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقهبندی تصاویر فراطیفی ایجاب میکند. در این تحقیق روشی جدید جهت طبقهبندی طیفی-مکانی تصاویر فراطیفی به کمک الگوریتم جنگل پوشای مینیمم ( MSF) مبتنی بر نشانهها که یکی از دقیقترین الگوریتمها در این زمینه است و تکنیک کاهش ابعاد معرفی میشود. در روش پیشنهادی تاثیر کاهش ابعاد تصاویر فراطیفی به کمک الگوریتم ژنتیک در سه مرحله قبل و بعد از انتخاب نشانهها و به صورت همزمان بررسی میگردد. در این مطالعه نشانهها از روی نقشه طبقهبندی ماشین بردار پشتیبان ( SVM) انتخاب شدند. روش پیشنهادی بر روی سه تصویر فراطیفی Pavia، Telops و Indian Pines پیادهسازی گردید، نتایج آزمایشات بدستآمده برتری به کارگیری الگوریتم ژنتیک را قبل از انتخاب نشانهها در تصاویر Pavia و Telops نشان میدهد. در تصویر Indian Pines کاهش ابعاد در هر دو مرحله قبل و بعد از انتخاب نشانهها و به صورت همزمان موجب افزایش دقت طبقهبندی میگردد.
D. Akbari, A. Safari, S. Khazai, S. Homayouni. Improved Spectral-Spatial Classification Minimum Spanning Forest by Reducing the Spatial Dimensions of Hyperspectral Images. JGST 2015; 5 (2) :219-229 URL: http://jgst.issgeac.ir/article-1-108-fa.html
اکبری داود، صفری عبدالرضا، خزائی صفا، همایونی سعید. بهبود طبقه بندی طیفی- مکانی جنگل پوشای مینیمم با کاهش ابعاد تصاویر فراطیفی. علوم و فنون نقشه برداری. 1394; 5 (2) :219-229