Journal of Geomatics Science and Technology

fa طبقه بندی طیفی-مکانی تصاویر ابرطیفی با ترکیب الگوریتم‌های سلسله مراتبی و جنگل پوشای کمینه مبتنی بر نشانه Spectral-spatial classification of hyperspectral images by combining hierarchical and marker-based Minimum Spanning Forest algorithms فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">فنآوری سنجش از دور ابرطیفی دارای کاربردهای فراوان در طبقهبندی پوششهای زمین و بررسی تغییرات آنها است. پیشرفتهای اخیر و ایجاد تصاویری با قدرت تفکیک مکانی بالا، لزوم استفاده توام از اطلاعات طیفی و مکانی را در طبقهبندی تصاویر ابرطیفی ایجاب میکند. در این تحقیق روشی جدید جهت طبقهبندی طیفی-مکانی تصاویر ابرطیفی معرفی شده است. در روش پیشنهادی ابتدا ده ویژگی مکانی، میانگین، انحراف معیار، درجه تباین، یکنواختی، همبستگی، عدم تشابه، انرژی، آنتروپی، تبدیل موجک و فیلتر گابور، از پیکسلهای همسایگی تصویر ابرطیفی استخراج شده است. سپس ابعاد ویژگیهای طیفی و مکانی بدستآمده با الگوریتم ژنتیک وزندار کاهش یافته و در ادامه به صورت موازی دو الگوریتم قطعهبندی سلسله مراتبی و طبقهبندی جنگل پوشای کمینه (<span dir="LTR">MSF</span>) مبتنی بر نشانه بر روی ویژگیهای کاهش یافته اعمال و در نهایت نتایج با قانون تصمیم رای اکثریت ترکیب گردیده است. روش پیشنهادی بر روی دو تصویر ابرطیفی پیادهسازی شد، نتایج بررسی های انجام شده برتری و افزایش دقت روش پیشنهادی را نسبت به روش طبقهبندی ماشین بردار پشتیبان (<span dir="LTR">SVM</span>) نشان میدهد، که این افزایش برای تصویر <span dir="LTR">Indiana Pine</span> حدود 10 درصد و برای تصویر <span dir="LTR">Washington DC Mall</span> حدود 7 درصد در معیار دقت کلی میباشد.</div> Many researches have demonstrated that the spatial information can play an important role in the classification of hyperspectral imagery. This study proposes a modified spectral–spatial classification approach for improving the spectral–spatial classification of hyperspectral images. In the proposed method ten spatial/texture features, using mean, standard deviation, contrast, homogeneity, correlation, dissimilarity, energy, entropy, wavelet transform and Gabor filter, are first extracted. The Weighted Genetic algorithm is then used to obtain the subspace of hyperspectral data and texture features. Finally, the hierarchical segmentation and marker-based Minimum Spanning Forest (MSF) classification algorithms are combined with the majority voting law. To evaluate the efficiency of the proposed approach two image datasets, Indiana Pine and Washington DC Mall, were used. Experimental results demonstrate that the proposed approach achieves approximately 10% and 7% better overall accuracy than the Support Vector Machine (SVM) algorithm for these datasets, respectively. تصویر ابرطیفی, طبقه‌بندی طیفی-مکانی, ویژگی‌های مکانی, الگوریتم ژنتیک وزن‌دار, قطعه‌بندی سلسله مراتبی, MSF مبتنی بر نشانه Hyperspectral imagery, Spectral-spatial classification, Spatial features, Weighted genetic, Hierarchical segmentation, Marker-based MSF 98 113 http://jgst.issgeac.ir/browse.php?a_code=A-10-153-7&slc_lang=fa&sid=1 Davood Aakbari داود اکبری davoodakbari@uoz.ac.ir 10031947532846009539 10031947532846009539 Yes University of Zabol دانشگاه زابل Komeil Rokni کمیل رکنی rokni@gonbad.ac.ir 10031947532846009540 10031947532846009540 No Gonbad Kavous University دانشگاه گنبدکاووس