Journal of Geomatics Science and Technology

fa طبقه بندی تصاویر ابرطیفی مبتنی بر تلفیق ویژگی های مستخرج از روش های کدگذاری تنک، تبدیلات خطی و غیرخطی Hyperspectral Image Classification Based on the Fusion of the Features Generated by Sparse Representation Methods, Linear and Non-linear Transformations فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research <div style="text-align: justify;">طبقهبندی یکی از مهمترین روشهای استخراج اطلاعات از تصاویر ابرطیفی است. در این مقاله، راهکاری نوین با هدف تولید ویژگی بمنظور طبقه‌بندی این تصاویر پیشنهاد شده است. این راهکار تلفیقی از تبدیلات خطی، غیرخطی و نمایش تنک بمنظور تولید ویژگی‌های موثر در فرایند طبقه‌بندی تصاویر ابرطیفی است. در روند پیشنهادی، ابتدا با رویکردی جدید و نظارت شده از تبدیل غیرخطی تحلیل مؤلفه‌‌های اصلی (NLPCA) بمنظور انتقال داده‌‌های طیفی به فضایی با ابعاد بیشتر استفاده شده است. در مرحله دوم، بکمک تبدیل تحلیل تفکیک‌پذیری خطی(LDA) فرامکعب حاصل از مرحله قبل به فضایی با بعد کمتر انتقال می‌یابد. در ادامه با هدف هم مقیاس‌ کردن ویژگی‌های تولیدی و بهره‌گیری از پتانسیل تمامی داده‌های آموزشی، داده‌ها از طریق روش‌های تخمین تنک سیگنال به فضای ویژگی جدیدی با بعدی متناظر با تعداد کلاس‌های طبقه‌بندی منتقل می‌شوند. در این تحقیق از طبقه‌بندی کنندهی k نزدیکترین همسایه‌ی وزندار برای طبقه‌بندی فضای ویژگی استفاده شده است. این راهکار در دو داده‌ی ابرطیفی پیاده‌سازی شده و به طور متوسط بهبود دقت 6 درصدی را نسبت به باندهای طیفی و سایر زیر‌ مجموعه‌های تلفیق ویژگی از روش پیشنهادی نشان داده است. کسب دقت کلی تا 99 درصد و همچنین تفکیک پذیری بیشتر کلاس‌های با داد‌‌‌ه‌های آموزشی اندک از ویژگی‌های این روش محسوب می‌شود.</div> <div style="text-align: justify;">The ability of recording the high resolution spectral signature of earth surface would be the most important feature of hyperspectral sensors. On the other hand, classification of hyperspectral imagery is known as one of the methods to extracting information from these remote sensing data sources. Despite the high potential of hyperspectral images in the information content point of view, there are a numerous challenges in reliable extraction of information from these images. The issues such as 1- spectral similarity of different phenomena, 2- sensor noises and atmospheric effects, 3- the effects of high dimensionality in the pattern recognition algorithms, 4- the necessity of large number of training data to perform a reliable classification, and 5- spectral variability of similar phenomena could be considered as some of the challenges in hyperspectral data processing. Decreasing of the high dimensionality effects via the dimension reduction algorithms (e.g. band selection and feature extraction algorithms), as well as increasing the separability of the overlapped classes through the linear/non-linear mappings into the feature spaces with the higher dimensional are two opposite and conventional approaches of hyperspectral data processing. These approaches would be used based on the factors such as 1- complexities of classes in the imaging area, 2- spectral range of imaging sensor, and 3- the restrictions of processing algorithms. In this paper the fusion of these two approaches is used to perform an accurate hyperspectral image classification. To do so, a novel feature extraction method is proposed to be used in the hyperspectral image classification. The core of this method is the fusion of the linear, non-linear and sparse representation based features which is used to produce the effective features in the weighted K-Nearest Neighbors (KNN) classification method. In this procedure, a set of supervised and nonlinear features are extracted as the first step through the Nonlinear Principal Component Analysis (NLPCA). The supervised usage of NLPCA in order to extract features is known as one of the novelties of this paper. In this step, the spectral bands are usually mapped to a high dimensional feature space through the self-estimator artificial neural networks (ANNs) which are trained separately by ground truth data. In the second step, the previously extracted features are linearly transformed by the Linear Discriminate Analysis (LDA) method in order to reduce the dimension of the hypercube generated via supervised NLPCA to a separable feature space. In the last step, a set of features which is proportional to the number of classes is generated based on the sparse representation theory. The sparse representation features were hired to handle the effects of the inter-class variability. The precisions of the classified features in the two different hyperspectral images were on average shown 6 percent improvements in comparison with the spectral bands and the other combinations of extracted features. Furthermore, reach to the approximately 99% overall accuracies in the classes with the few training data could be considered as other achievements of the proposed method.</div> تصویر ابرطیفی, طبقه بندی, نمایش تنک, استخراج ویژگی Hyperspectral Image, Classification, Sparse Representation, Feature Extraction 39 53 http://jgst.issgeac.ir/browse.php?a_code=A-10-866-1&slc_lang=fa&sid=1 S. Allahyari bek سمیرا اله یاری بک geo96.allahyari@tafreshu.ac.ir 10031947532846007540 10031947532846007540 Yes بدون سازمان A. R. safdarinezhad علی رضا صفدری نژاد safdarinezhad@tafreshu.ac.ir 10031947532846007541 10031947532846007541 No بدون سازمان R. Karimi روح اله کریمی karimi@tafreshu.ac.ir 10031947532846007542 10031947532846007542 No بدون سازمان