fa تلفیق روش‌های آشکارسازی طیفی- مکانی تصاویرفراطیفی به منظور تفکیک بهتر بام‌های دارای پوشش خاص در مناطق شهری فتوگرامتری و سنجش از دور Photo&RS پژوهشي Research ویژگی‌ها و پیچیدگی‌های داده‌های حاصل از سنجنده‌های فراطیفی باعث شده است که روشهای نوین و پیشرفته‌تر آنالیز تصاویر سنجش از دور به منظور استخراج اطلاعات دقیقتر و کاملتر از داده‌های فراطیفی مورد توجه قرار گیرند، یکی از آنالیزهایی که بر روی تصاویر فراطیفی انجام می‌شود، آشکارسازی هدف است. روشهای آشکارسازی هدف در تصاویر فراطیفی، معمولاً بر اساس ویژگی‌ها و اطلاعات طیفی صورت می‌گیرد. در این پژوهش برای بهبود دقت آشکارسازی طیفی ساختمانهایی با پوشش خاص در مناطق شهری، دو استراتژی ترکیب الگوریتمهای آشکارسازی به کمک روش ANFIS (Adaptive Neuro-Fuzzy Inference System) و آشکارسازی طیفی- مکانی بکار گرفته شد. در آزمونهای صورت گرفته بر روی دو تصویر فراطیفی مختلف، ابتدا شش الگوریتم آشکارسازیSAM (Spectral Angle Measure) ، SCS (Spectral Correlation Similarity)، SID (Spectral Information Divergence) ، JMD (Jeffries-Matusita Distance)، CEM (Constrained Energy Minimizing) و CMFM (Covariance-based Matched Filter Measure) پیاده‌سازی گشته سپس با استفاده از روش ANFIS و به صورت یکجا، نتایج آشکارسازی با هم ترکیب گردید. سپس تاثیر داده‌های وابستگی مکانی پیکسل‌ها، در کنار داده‌های طیفی آنها، روی شش الگوریتم آشکارسازی طیفی بررسی گردید و عمل ترکیب الگوریتمها در این حالت نیز تکرار شد. نتایج ارزیابی‌های کمی و کیفی آزمونها بر روی دو تصویرفراطیفی نشان داد که استفاده از دو استراتژی فوق به صورت همزمان مقدار ضریب کاپا را به میزان 3/6 درصد برای تصویر اول و 6/9 درصدبرای تصویر دوم در مقایسه با الگوریتم آشکارسازی SAM بهبود داده است. Recently, hyperspectral images analysis has obtained successful results from information extraction in urban areas. Building detection is one of the important applications in processing hyperspectral images. In order to detect complete and precise building information from hyperspectral data, advanced data analysis methods are required. Algorithms based on spectral-identification are sensitive to spectral variability and noise in acquisition. In most cases, the spectral signature is unknown, so each pixel is separately examined and if it significantly differs from the background, it is regarded as an object. On the other hand, there are many algorithms e.g. Spectral Angle Measure (SAS), Spectral Correlation Similarity (SCS), Spectral Information Divergence (SID), Jeffries-Matusita Distance (JMD), Constrained Energy Minimizing (CEM) and Covariance-based Matched Filter Measure (CMFM) for building detection. In this study, first we employed the SAS, SCS, SID, JMD, CEM and CMFM algorithms for building detection. Then, in the next step to improve the spectral detection algorithms, two strategies, the combining algorithms using Adaptive Neuro-Fuzzy Inference System (ANFIS) method and spectral-spatial detection, was employed. Our experiments results demonstrate a significant improvement of accuracy using proposed strategies on two CASI hyperspectral images taken from an urban area. تصاویر فراطیفی, آشکارسازی هدف, آشکارسازی طیفی و مکانی, ادغام اطلاعات Hyperspectral image, Target Detection, Spectral- Spatial Detection, ANFIS 1 10 http://jgst.issgeac.ir/browse.php?a_code=A-10-25-42&slc_lang=fa&sid=1 D. Akbari داود اکبری davoodakbari@ut.ac.ir 10031947532846001649 10031947532846001649 Yes گروه مهندسی نقشه برداری - پردیس دانشکده‌های فنی - دانشگاه تهران A. R. Safari عبدالرضا صفری asafari@ut.ac.ir 10031947532846001650 10031947532846001650 No گروه مهندسی نقشه برداری - پردیس دانشکده‌های فنی - دانشگاه تهران S. Homayouni سعید همایونی saeid.homayouni@uottawa.ca 10031947532846001651 10031947532846001651 No گروه جغرافیا- دانشگاه اوتاوا- کانادا