Journal of Geomatics Science and Technology

fa طبقه‌بندی تصاویر ابرطیفی پوشش های گیاهی با استفاده از کد‎گذاری بازتابندگی و مشتقات آن Classification of Hyper Spectral Image Various Plant Classes via Coding Method in the Reflectance and its Derivatives فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">طبقه&lrm;بندی تصاویر ماهواره&lrm;ای از اهمیت زیادی برخوردار است. برای طبقه&lrm;بندی تکنیک&lrm;های مختلفی که در برخی از آنها منحنی بازتابندگی و مشتقهای&lrm; آن مورد استفاده قرار می&lrm;گیرد به کار گرفته می&lrm;شود. در برخی دیگر از روش&lrm;ها، از کدگذاری داده&lrm;های طیف بازتابندگی و مقایسه کدهای حاصله نیز به‌عنوان روش&lrm;هایی سریع برای این کار استفاده می&lrm;شود. در این تحقیق روشی با نام CBOSE ارائه شدهاست که در آن از کدگذاری داده&lrm;های طیف بازتابندگی و مشتقات آن استفاده شده است، روش CBOSE به صورت ترکیبی از یک تا چند بیت به منظور تفکیک بین گونه&lrm;های گیاهی با شباهت طیفی نسبتا بالا ارائه شده است. این روش کدگذاری بر روی تصاویر ابر&lrm;طیفی AVIRIS از منطقه Indian pine حاوی گونه&lrm;های مختلف اعمال شد. نتایج طبقه&lrm;بندی ویژگی&lrm;های مستخرج از کدهای حاصله با بکارگیری طبقه&lrm;بندی کننده&lrm;های مختلفی مانند SVM، ML ، SAM و معیار Hamming به عنوان معیار شباهت با داده&lrm;های زمینی مورد ارزیابی قرار گرفت. همچنین عملکرد روش CBOSE با روش&lrm;های دیگر کدگذاری مانند SPAM، SFBC، SDFC، SFPC نیز مقایسه گردیده و مورد ارزیابی قرار گرفت. نتایج نشان می&lrm;دهند که روش CBOSE به‌طور متوسط بترتیب از  20% ، 16% 11% و 7% دقت بالاتر نسبت به روش&lrm;های ذکر شده در طبقه‌بندی برخوردار است. همچنین به منظور دستیابی به اثرات بکارگیری مشتق در کدینگ بر روی نتایج، مراحل بیان شده بدون استفاده از مشتق نیز مورد ارزیابی قرار گرفت. نتایج نشان می&lrm;دهند که استفاده از مشتق به طور متوسط منجر به افزایش دقت طبقه&lrm;بندی نسبت به عدم استفاده از آن به میزان 8% می&lrm;شود.</div>   <div style="text-align: justify;">Plants paly a very important role in creating and maintaining the biological balance which is vital for the life of each living creature including humans. Due to the great importance of vegetation cover in terms of habitat, energy production and other important characteristics on the planet, the recognition and monitoring of various plant species has always been a concern for ecologists and decision makers from the economic points of view. This will be possible on a large scale with remote sensing technology and the use of satellite images containing vegetation and their classification. Different techniques of classification are deployed where in some of them, use have been made of reflectance curves and their derivatives. In some other methods, some coding system applied on reflectance curves and their derivatives are used as a fast method.  In this work, a method named CBOSE is presented in which, a coding approach on reflectance and its derivatives is applied. The CBOSE method is coding based on extreme points of the reflectance spectrum and combines from one to several bits to distinguish between plant species with relatively high spectral similarity. This coding method, after necessary pre-processing such as water vapor correction and continuum removal analysis, on AVIRIS hyperspectral images of Indian pine region containing various species such as wheat, barley, alfalfa, grass, tree, soybean and corn were also applied in three stages of germination, medium growth and full growth. Then, the features with the highest separability between the classes were extracted and the classification was done on the properties derived from the codes by selecting the training samples. The classification output of CBOSE was compared with the result of classification by classifiers Support Vector Machine (SVM), Maximum likelihood (ML), Spectral Angle Mesure (SAM), and Hamming similarity criteria and with those of field data. Also the methodology of CBOSE was evaluated and compared with those of coding methods such as Spectral analysis manager (SPAM), Spectral feature-based binary coding (SFBC), Spectral derivative feature coding (SDFC), and Spectral feature probabilistic coding) SFPC). The results show that the CBOSE methods on the average performs respectively 20, 16, 11 and 7 percent better compared to the afore-mentioned methods. Also, in order to evaluate the effects of using derivatives in the coding process, all aforementioned procedures were repeated without using derivatives in the coding processes. It showed that on the average, deployment of reflectance derivative would 8% enhances the accuracy in classification.      </div> کدگذاری, مشتقات, طیف بازتابندگی, ابرطیفی. طبقه بندی گیاهان Coding, Derivatives, Reflectance Spectrum, Hyperspectral. Plant Classification 65 75 http://jgst.issgeac.ir/browse.php?a_code=A-10-710-1&slc_lang=fa&sid=1 M. Bahrami مهدی بهرامی Mehdi_bahramia00@yahoo.com 10031947532846006332 10031947532846006332 Yes K.N. Toosi University of Technology, Tehran, Iran دانشگاه صنعتی خواجه نصیرالدین طوسی M. R. Mobasheri محمدرضا مباشری Mohammadreza.mobasheri@khi.ac.ir 10031947532846006333 10031947532846006333 No Khavaran Higher Education Institution, Mashhad,Iran موسسه آموزش عالی خاوران، مشهد