Journal of Geomatics Science and Technology

fa ادغام تصویر فراطیفی و داده لیدار در سطح توصیف گر برمبنای الگوریتم بهینه سازی توده ذرات چندهدفه به منظور طبقه بندی مناطق شهری Feature Level Fusion of Hyperspectral Image and LiDAR Data based on Multi-Objective Particle Swarm Optimization in Classification of Urban Area فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">دادههای فراطیفی و لیدار با توجه به فراهم آوردن اطلاعات طیفی و ارتفاعی غنی میتوانند پتانسیل بالایی در تفکیک عوارض در مناطق پیچیده شهری داشته باشند. در این مطالعه، روشی فراابتکاری در بهینهسازی ادغام دادهها در سطح توصیفگر ارائه شده است. برای این هدف، یک فضای توصیفگر جامع طیفی-مکانی-ساختاری مبتنی بر دو داده و با استفاده از روشهای استخراج ویژگی شامل شاخصهای طیفی، آنالیز بافت، ناهمواری و غیره ایجاد میشود. در مطالعات انجام شده عموماً از یک معیار برای ارزیابی عملکرد طبقهبندیکننده استفاده میشود. در روش پیشنهادی، سه معیار ارزیابی قدرت تعمیم الگوریتم، پیچیدگی طبقهبندی و جدایی بین کلاسها در نظر گرفته شده است. الگوریتم بهینهسازی توده ذرات چندهدفه با هدف انتخاب زیرمجموعهای بهینه از توصیفگرها و تعیین پارامترهای طبقهبندی کننده ماشینهای بردار پشتیبان بکار گرفته شده به صورتیکه سه معیار بهینه شود. نتایج بدست آمده نشان میدهد که روش پیشنهادی با حذف 300 توصیفگر (از مجموع 611 توصیفگر) دقت طبقهبندی را تا %11 و %58 به ترتیب نسبت به تصویر فراطیفی و لیدار بهبود بخشیده و همچنین فاصله بین کلاسها افزایش مییابد.</div> <div style="text-align: justify;">Hyperspectral and LiDAR data provide spectral and height information and they have high potential in classification of complex urban area. This paper proposed meta-heuristic method in feature level fusion of them. For this purpose, a comprehensive spectral-spatial-structural feature space is generated based on feature extraction method such as spectral indices, texture analysis, roughness, etc. Previous methods apply just one criterion to evaluate classification performance. However, in the proposed method, three criteria including generalization ability, classification complexity and classes separation are considered. Multi-Objective Particle Swarm Optimization (MOPSO) is implemented to select optimum feature space and Support Vector Machines (SVMs) parameters simultaneously while optimize all three parameters. The obtained results show the proposed method increases classification accuracy up to 11% and 58% respect to hyperspectral imagery and LiDAR data by eliminating 300 features (among 611 feature) and also increasing classes separation.</div> تصویر ابرطیفی, لیدار, ادغام در سطح توصیف گر, منطقه شهری, بهینه سازی فراابتکاری چندهدفه Hyperspectral, LiDAR, Feature Level Fusion, Urban Area, Multi Objective Metaheuristic Optimization 163 180 http://jgst.issgeac.ir/browse.php?a_code=A-10-950-1&slc_lang=fa&sid=1 H. Hasani حدیثه سادات حسنی h.hasani@tafreshu.ac.ir 10031947532846009348 10031947532846009348 Yes Tafresh University دانشگاه تفرش F. Samadzadegan فرهاد صمدزادگان samadz@ut.ac.ir 10031947532846009349 10031947532846009349 No University of Tehran دانشگاه تهران